作为数据分析师，不管你的行业是电商行业、金融行业、社交行业、内容行业，还是你的职位是产品数据分析、用户运营数据分析、销售数据分析师，都需要跟业务紧密结合，但在实际过程中，我们总是更注重自己领域的知识，对于日常接的需求，比如产品做了一个改版、运营做了一个优惠券的活动，让我们评估活动效果，亦或是公司增长遇到瓶颈，要求你通过数据分析行业内现状及机会，给业务提供方向。

要想很好的解决，除了自己技术过硬（如海量数据的处理能力，各种可视化图表的输出能力，超高的工作效率），还需要对业务变化有极强的感知力，这就要求我们需要熟悉业务是怎么运转的，比如产品改版，改版的原因是什么？新版本的产品架构是依据哪些原则设计的？首页的金刚区和banner位的定位区别是什么？

再比如运营活动分析，这次的优惠券是怎么发放的？在投放之前预估过核销率、ROI了吗？对于新用户和活跃用户，我们的运营策略分别是什么？如果用户领取了券，但一直没用，我们可以采取哪些措施？

对于我个人来说，之前我是比较侧重数据分析技术面，对于产品和运营实际工作的一些底层逻辑，如产品上线、更新迭代的一些架构设计原则；运营的用户运营、内容运营、产品运营的精细化运营，接触的不多，这其实会限制我自己的职业发展上限。

而这本书《运营之路：数据分析+数据运营+用户增长》，通过三部分，介绍了数据分析的方法、数据运营的玩法、用户增长的打法。且三者之间相互紧密关联。运营给分析提供场景，分析给运营提供数据分析能力。具体来说：

三者之间的关联：数据分析是基础。是否拥有逻辑清晰的数据分析思路，是否掌握高效易用的数据分析方法，直接决定了数据运营的执行效果。

数据运营是抓手。是否清晰理解各种运营工具的原理、适用场景和运营策略，是否能够在正确的时间选择正确的运营工具，执行正确的运营策略，直接决定了用户增长的执行效果。

用户增长是方向。如果将第一部分的数据分析方法比作舵手，将第二部分的数据运营玩法比作二副，那么用户增长的打法就是船长，控制着战略性的目标方向。

主要内容：

下面，我会按照自己对这本书的理解进行精读。值得一提的是，这本书里面对我们常见的一些指标如数据预处理、标签等，给出了的规范化的解释。比较适合向上汇报或面试。

1、数据分析

1.1 数据预处理：数据预处理的目的是在对业务数据进行分析挖掘前，先行对数据进行一些处理，以提升数据质量，为数据分析过程节约时间和空间。

ETL：数据预处理流程：

抽取：增量抽取、全量抽取。

数据清洗，是指清洗掉重复的、不完整的以及错误的数据；数据转换是指按照预处理规则将源系统中的数据转换为符合规范的数据格式。

excel完成常见数据预处理：文本数值化：文本数字转为数值型数字、日期数值化：用公式将文本型日期转换为日期型日期、用分列实现维度拆分、用“查找并删除重复行”处理重复值。

1.2 数据分析五把利器

这套分析方法包括5个分析工具。这五个步骤走完，一份完整的数据分析报告其实就出来了。

1.2.1 用“描述性统计”来快速了解数据的整体特点

集中趋势分析（平均数、中位数、众数）、离散程度分析（方差、标准差）。异常数据：分位数和异常值。箱线图、异常值、波动。

1.2.2 用“变化分析”来寻找数据的问题和突破口

同比环比，条件格式。

1.2.3 用“指标体系”来深度洞察变化背后的原因

指标，是说明总体数量特征的概念及其数值的综合，是具备明确业务意义的统计结果，是量化的业务运营衡量标准。

指标和纬度。北极星指标，在APP业务运营中，常将指标体系的指标分为用户规模类、用户质量类和营收类三大指标。用户规模类主要包括注册用户、新增设备数等，用户质量类主要包括活跃用户数、用户留存率等，营收类包括收入转化率、GMV等。

1.2.4 用“相关性分析”来精确判断原因的影响程度

连续型指标，离散型指标。解决指标体系能回答指标是不是变化，而回答不了，是多少的问题。计算相关系数R。当R大于零，处于正相关时，R>0.7则为强相关，0.5

1.2.5 用“趋势预测”来科学预测未来数据的走势

时间序列、回归分析（excel图中'添加趋势线'）

1.3 将运营机会转化为运营策略：数据分析结果落地业务

B-O价值模型

由3个部分组成：北极星指标、业务模型和经营策略，如下图所示：

Business业务模型（商业模式）：围绕北极星指标的战略部署，分成9块，分别是：

Operation（经营策略）：围绕北极星的战术打法，俗称经营策略画布，分成5块，分别是：

以提高产品DAU为例，看B-O价值模型如何使用：

1、确定DAU为核心北极星指标，围绕核心北极星指标拆解出新客和老客，新客口径为近3天首次打开过产品的用户，老客为近3～7天首次打开过产品的用户，7天以上打开过产品的用户定义为沉默用户，不是此次目标客群。

2、基于新客和老客，结合商业模式九要素画布制定业务模式和资源，如下表所示。

3、将商业模式九要素映射到Operation模型

2、数据运营

第二部分的内容比较多，我做了个xmind图方便理解：

2.1 数据运营体系的根基：场景运营

2.1.1 场景营销模型：

2.1这节的内容说实话不好串起来，我用问问题和回答的形式来加深理解（下面有几节也是）。

1．为什么说运营中万事万物皆场景？

场景之所以重要是因为它包括了5个核心元素：时间、空间、设备、社交和状态。

场景5要素：时间（美团在一天中的不同时间会推送早餐、午餐、晚餐、宵夜等）、空间（苹果地图会将常用的路线保存，在下一次出行前，自动选择路线并告知预计时间）、设备（苹果全家桶形成忠诚用户，粘性高）、社交（拼多多商品详情页有直播窗口）、状态（网易云心动模式）。

2．为什么动辄就提“用户场景”？

场景时代，人们的复杂需求对数据提出了更高的要求，希望数据能够理解用户需求，并试图模拟用户在不同场景下的特征，基于此来更及时、更准确、更主动地服务用户。

3．场景连接的核心逻辑是什么？

场景体系背后的核心逻辑是场景本身是由大大小小的服务和功能组成，每个服务和功能即是一个子场景，通过功能和服务去满足用户需求

2.2 产品运营工具和模型：

2.2.1 产品生命周期模型：（产品上线首发、产品更新迭代、产品下线停运）

2.2.2 产品运营的场景和运营策略

基于产品的使用流程、产品运营区域类分析并探讨产品中不同运营场景及其对应的运营策略：启动屏、首页和主页、主页的首屏、搜索区运营、轮播区楼层、金刚区楼层、楼层和坑位。

这里不再赘述。

2.3 用户模型和运营工具：

2.3.1用户生命周期模型（引入期、成长期、成熟期、沉默期、流失期）

用户生命周期模型搭建的简要步骤：

2.3.2 用户生命周期模型各阶段的目标、核心数据指标、运营策略

小tips:

问：沉默和流失有什么核心区别？

答：沉默和流失是近似概念，经常看到两者被混淆等同使用的场景。

沉默和流失有本质区别，首先从用户状态流程来看，活跃之后是沉默，沉默之后是流失；其次从沉默和流失周期来看，沉默是暂时的，总会重回活跃或变为流失，所以沉默是有明确周期定义的，而流失是永久的，一般认为用户一旦流失便难以召回，或消耗的成本不亚于拉新，所以流失只有门槛没有截止。

问：留存差常见的原因？

答：主要有：产品价值不足或者不明确，未能引导用户体验到产品的核心价值，或者用户压根不匹配。新户的留存策略主要是通过选择好的渠道实现精准拉新，通过核心功能渗透让用户持续上手；老户的留存策略主要是通过加深参与度以及提供个性化体验来避免流失。

问：如何做好沉默和流失的干预？

答：沉默和流失的干预，通常通过模型来处理，模型建设流程如下：

模型会输出与沉默率和流失率强相关的客群特征，我们还要关注用户沉默和流失的脱落点，脱落点一般是指用户离开产品前最后停留的页面或功能模块。有了脱落点，我们就可以在这些地方布控挽留。

2.3.3用户画像的核心逻辑

问：用户画像的核心价值是什么？

答：

问：线下产品如何获取用户画像？你还知道哪些有趣的获取用户画像的策略？

答：用福利活动进行问卷调查,让用户主动填写,利用用户基本信息通过数据供应商提供用户画像。

2.3.4用户分层模型的原理和应用：RFM模型

这里作者将传统的RFM模型做了优化，衍生出新的RFM模型，即将传统的R、F、M 变成根据业务需求自定义的三个核心指标,同时不再局限于每个指标只有0和1这两个值，而是根据业务需求自行制定每个指标值的区间和数量。

小tips:

问：用户分层和用户分群有什么区别和联系？

答：用户分层：层与层之间是递进或者递减的关系，同一用户只会归属在某一层分类中；用户分群：群与群之间可能存在交叉关系，同一用户有可能归属在多个分群中；一般情况下,都是先进行用户分层,再进行用户分群,对用户进行精细化运营,达到千人千面的效果。

2.3.5 用户运营的常用工具和运营策略

5种用户运营工具和策略：

工具1：用户漏斗/路径分析、（连续两步的转化率超过95%，可以考虑合并相邻的两个页面、连续两步的转化率低于5%，可以考虑切割业务、流程不要超过5步，整体转化率不要低于1%、务必严格把控埋点规范）

小tips：

问：购物车是电商产品的重要组成部分，也是漏斗分析中的重要步骤，可是拼多多为什么没有购物车？它又是如何实现类似购物车的多个商品一次付款功能的？

答：拼多多没有购物车功能是为了优化用户购物体验、加强拼团特色、避免新用户的流失。

工具2：会员/权益体系、用户经营的核心诉求即是分而治之和精细化耕作，在团队资源都有限的情况下，需要借助会员体系，让有限的运营资源更精准和更高效地经营不同的用户，让高价值的核心用户获得更好的服务和权益，让低价值的用户有更多向上转化的动力，从而增加整体用户的忠诚度和活跃度，为企业创造更多的收益

工具3：签到/打卡、签到／打卡是非常重要的流量分发场景。

工具4：优惠券

如果你点击了优惠券，运营不在乎你是否真的用券，而是识别出了你是价格敏感用户，后续他们就会给你营销更多的低客单价产品，突出强调降价幅度、优惠力度等

工具5：交叉营销:场景交叉（外卖点单中常见的搭配服务—主食+小食+饮料。）、上下游交叉（订完酒店推送飞机票、火车票、买车后推送保险服务）、套餐交叉（用户买了手机，就给他推荐充电宝或保护壳）、客群交叉（信用卡捆绑爱奇艺联名卡）

小tips：

问：为什么交叉营销如此重要？

答：先发制人。多数营销投向用户后都只能静等用户反馈，而交叉营销则是在用户达成某一目标或命中某项运营规则后主动触达用户。

2.4 内容运营工具和场景：标签体系和个性化推荐

由于标签会让推荐越来越收敛，所以在推荐策略中的核心关注点就是保持推荐的精准和兴趣探索的平衡。

具体措施有：增加负反馈，让用户明确告诉推荐系统不喜欢哪些内容，并且这种负反馈的权重很大，优先级很高。ReRank层增加强策略，人为约束标签的过度收敛，人工运营中，可能会打压部分热门标签的流量或者降低权重。

问：站在产品和运营侧，标签的优点是什么？缺点是什么？

答：优点是精准，描述用户兴趣非常准确，有利于提高推荐系统的效果；

缺点是容易导致推荐系统判断用户兴趣时变得极其狭隘和过度精准，行话就是过度收敛。

问：个性化推荐是产品和运营必需必备的机制吗？有了个性化推荐，是否还需要人工运营？

答：当发生热点新闻时，需要人工运营。

问：个性化推荐是“给用户推荐想看的内容”，其背后的核心目的是什么？

答：将用户尽可能的多留在产品上，增加留存，营收，降低流失。

问：是否一定要用标签来实现个性化推荐？

答：因为用户兴趣多样且复杂，需要推荐系统在满足用户已知兴趣基础上探索可能的未知兴趣。如果推荐系统持续为用户提供精准的推荐服务，那么就会陷入“信息茧房”的困境，即推荐越精准则推荐范围越窄，而越来越窄的推荐范围又与用户多样和复杂的兴趣相违背。

3、用户增长

3.1 S-C-I战略增长模型的原理、逻辑和应用场景

S-C-I战略模型是产品营销和用户增长的战略方向模型，S-C-I战略模型解决的是产品遭遇增长瓶颈，或在本产品领域内已触及增长天花板时，应当遵循的寻找增长方向的策略。

S-C-I战略模型由社交、商业和信息3个部分组成，它们同时对应了营销和增长中最核心的3个要素，即用户迁移、用户贡献和用户黏性，其中社交对应用户迁移，商业对应用户贡献，信息对应用户黏性，如下图所示。

3.2 三种不同类型产品的战略增长方向

3.3 3A3R策略模型的原理、逻辑和应用场景

Awareness（洞察）、Acquisition（获客）、Activation（活跃）、Retention（留存）、Revenue（收入）和Refer（传播）

3.3.1．为什么3A3R策略模型比经典的海盗模型增加了Awareness（用户洞察）？

先通过Awareness（洞察）来准确和深入地分析用户和了解用户，以便制定后续5个模块的策略。

小tips:

对于用户调研结果，为了避免幸存者偏差，可以使用如下验证策略：

3.3.2 3A3R模型各模块的目标及对应的策略和工具、输出

3.3.3 　3A3R策略模型的使用方法

方法1：向前找流量、向后做转化、自身看画像

方法2：自身指北，相邻伴随

这个挺有意思的，我们在制定北极星指标时，通常是一个主指标（北极星指标）加2-3个子指标（伴随指标），那怎么选取呢，这里给出的解决方法是先确定好主指标（看当前业务最关注什么问题），然后伴随指标就用AAARRR模型的前后确定

总结：

这本书《运营之路：数据分析+数据运营+用户增长》，通过三部分，介绍了数据分析的方法、数据运营的玩法、用户增长的打法。且三者之间相互紧密关联。运营给分析提供场景，分析给运营提供数据分析能力。具体来说：

总的来说，数据分析需要深度绑定业务，业务与数据相辅相成，多懂点业务，甚至做到比“业务更懂业务”，才是我们的终极目标。

作者 | 董点数据