揭秘運(yùn)營的正確核心分析方法運(yùn)營分析從哪幾個方面分析 _經(jīng)驗(yàn)分享

當(dāng)我們看了不少增長案例之后，再看看手頭的工作和業(yè)績目標(biāo) ，是不是還覺得不知道怎么實(shí)現(xiàn)？那是因?yàn)樵S多案例并沒有介紹得出結(jié)論的分析過程，而只是描述了問題的背景和目標(biāo) ，以及優(yōu)化之后的效果。真正的分析過程，往往被“發(fā)現(xiàn)”兩個字一筆帶過。
當(dāng)然有人會說，數(shù)據(jù)分析過程是一個見仁見智的過程，根本不可能按照一個統(tǒng)一的流程完成全部分析，特別是在互聯(lián)網(wǎng)領(lǐng)域的高速變化當(dāng)中。那么數(shù)據(jù)分析的過程，究竟是一個只有零散技巧而無章法可循的過程，還是一個有明確的步驟并可以嚴(yán)格依照執(zhí)行的過程？我認(rèn)為是后者。

文章插圖
我們這就來介紹一個通用的數(shù)據(jù)分析方法論：數(shù)據(jù)分析五步法，這個框架具有一下幾方面特點(diǎn)：

不與具體業(yè)務(wù)綁定，是從決策需要的信息角度出發(fā)的；
具有開放性，可融入個人經(jīng)驗(yàn)和前沿技術(shù)；
可結(jié)合大數(shù)據(jù)技術(shù) ，排除人工環(huán)節(jié) ，實(shí)現(xiàn)自動化；
邏輯清晰，容易學(xué)習(xí) 。

一、分析五步法
這個簡單的數(shù)據(jù)分析五步法，基本能夠應(yīng)對日常工作中至少80%的常見數(shù)據(jù)分析問題。而剩下的20%的場景，可以在這個基本的分析方法論上擴(kuò)展出來，我們會在后面的內(nèi)容中探討。
1.1 五個基本步驟
首先，我們來一次講解著5個基本步驟，分別是：

匯總
細(xì)分
評價
歸因
決策

1.1.1 匯總
這一步我們關(guān)注的是指標(biāo) ，也就是大家常見的那些DNU、DAU、GMV、ROI等等。只要是說到數(shù)據(jù)分析的內(nèi)容，一定會提示數(shù)據(jù)分析“要明確目標(biāo)” 。因此，這個重要性我們倒是不需要贅述。
目標(biāo)當(dāng)然是所有指標(biāo)中最重要的。但只有目標(biāo)還不夠，我們還需要其它的輔助指標(biāo) 。就比如ROI ，是投入和產(chǎn)出兩項(xiàng)算出了ROI；而GMV ，也可以用用戶數(shù)乘以平均每用戶的GMV計算出來。這樣，我們就把一個目標(biāo)的計算，拆分成了更多相關(guān)指標(biāo)的組合。并且，這些指標(biāo)更基礎(chǔ) ，我們可以通過一些運(yùn)營手段影響這些指標(biāo)的變化趨勢。
這部分沒有什么理解的難度。只不過，我們要找出指標(biāo)之間的計算關(guān)系，由此逐漸找到所有我們需要關(guān)心的指標(biāo) 。在現(xiàn)在的互聯(lián)網(wǎng)產(chǎn)品運(yùn)營當(dāng)中，從來不會缺少需要看的指標(biāo) ，已經(jīng)多到了眼花繚亂的地步。但只有那些跟目標(biāo)相關(guān)的指標(biāo) ，我們才需要關(guān)心。
1.1.2 細(xì)分
這一步相當(dāng)于給指標(biāo)增加了一個或者若干個維度。最簡單的維度應(yīng)當(dāng)算是時間了。比如，我們按天看UV的變化趨勢；又或者，我們看不同頁面帶來的GMV是多少、看不同用戶分群中的GMV分別是多少等等。如果我們理解前面的指標(biāo)只是一個數(shù)字的話，增加了維度之后，它就變成了一列數(shù)據(jù)；增加了兩個維度之后，它就變成了一張表格，以此類推。
就像指標(biāo)的現(xiàn)狀一樣，我們也可以輕松找到許許多多可以用來拆分指標(biāo)的維度。比如前面提到的日期和人群，還有拉新上的來源渠道，活躍上的流量來源和轉(zhuǎn)化路徑等等。再將這些維度進(jìn)行排列組合，就能產(chǎn)生出一大批龐雜的拆分維度，多到根本看不過來。
因此，在細(xì)分之前的關(guān)鍵環(huán)節(jié)就在于區(qū)分維度的重要程度。
如何區(qū)分呢？
我們要按照是否可操作來區(qū)分這些拆分維度的輕重緩急。比如：前面提到了看APP中的不同頁面帶來的GMV 。但是，如果我們沒有必要的技術(shù)手段或者運(yùn)營工具，來為那些GMV更高的頁面分配更多流量，也不能降低那些GMV較低的頁面的流量，那么按照頁面拆分這種方法對于我們沒有任何操作空間，更不要說操作之后的優(yōu)化空間了。
如果是這種情況，我們就應(yīng)當(dāng)認(rèn)為來源頁面這個維度，只是個“看看就好”的維度，而非關(guān)鍵維度。
另一個例子是用戶分群，特別是當(dāng)我們希望從外部的投放引流獲得更多高質(zhì)量的新增用戶，以此來拉動增長的時候。在這種時候，我們總是希望首先對現(xiàn)有的高質(zhì)量用戶進(jìn)行用戶畫像，并確定一些能夠標(biāo)識高質(zhì)量用戶的特征，再通過這些特征在投放的時候吸篩選出高質(zhì)量的用戶。
這個道理是講得通的，但遺憾的是，外投渠道不能提供十分精準(zhǔn)的人群定位，只能提供人口統(tǒng)計學(xué)和內(nèi)容偏好等粗粒度的劃分。這其中還隱含著，我們暫時認(rèn)為投放渠道對于用戶的標(biāo)記是十分精準(zhǔn)的，沒有考慮出現(xiàn)標(biāo)記錯誤的概率。
因此可以看出，在拉新這件事上，我們對用戶分群的操作是受限的——并不是完全不能，但十分受限。而用戶分群更大的利用空間在于促進(jìn)活躍，也就是在我們自己的用戶群體中進(jìn)行切分。
比如，在增長案例中常見的，在相同頁面的相同位置放置不同的文案或者圖片素材進(jìn)行版本間的A/B Test ，那么具體展示哪個版本就是一個可以自由操作的維度，因?yàn)橐坏┌l(fā)現(xiàn)哪個版本更好，我們可以很快采取行動，替換掉其它表現(xiàn)不好的版本。因此展示版本這個維度很適合用來切分指標(biāo) 。
如果說【匯總】的部分只是個監(jiān)控的話，在【細(xì)分】的步驟中，就已經(jīng)體現(xiàn)出一些分析的感覺了。在【細(xì)分】這個步驟中，我們需要找到那些真實(shí)可操作的拆分維度，以便讓我們的分析結(jié)論能盡快落地。但這部分還留下一個問題，就是如果存在多個可操作的拆分維度，那么它們之間理應(yīng)是有區(qū)別的。
比如：我們可以簡單地替換圖表和文案，但我們也可以煞費(fèi)苦心地給產(chǎn)品迭代一個大版本。
如何在分析的過程中體現(xiàn)并衡量這種操作的復(fù)雜度呢？這個就要說到【評價】的問題。
1.1.3 評價
在【評價】的步驟中，我們要用到【匯總】步驟中的那個作為目標(biāo)的指標(biāo) ，以它作為評價的唯一標(biāo)準(zhǔn) 。如果我們的目標(biāo)就是簡單的GMV ，甚至更簡單的PV和UV ，那么到了【細(xì)分】的步驟之后，我們基本就可以開始下結(jié)論了，但是在實(shí)戰(zhàn)中并非如此。我們的目標(biāo)可能是一個復(fù)合目標(biāo)——在拉高GMV的同時，還要控制成本；在拉高PV的同時，還需要提高GMV；或者直接是一個ROI這樣的復(fù)合指標(biāo) 。
在這個時候，我們就不能只關(guān)注目標(biāo)這一個指標(biāo)了，而要關(guān)注復(fù)合指標(biāo) 。例如：我們的目標(biāo)是在拉高GMV的同時控制成本。為了進(jìn)一步簡化問題，我們把成本具體地定義為：促進(jìn)老用戶產(chǎn)生GMV的成本和獲得新用戶產(chǎn)生GMV的成本。因?yàn)橥ǔＴ谶\(yùn)營中，拉新與促活的手段是不同的，這與【細(xì)分】部分的原則對應(yīng) ，即：是否存在操作空間以及操作空間的大小。
之后，我們就可以分別按照拉新和促活的不同緯度，對產(chǎn)生的GMV和投入的成本這兩個指標(biāo)分別進(jìn)行細(xì)分了。例如：在拉新方面，我們有外投百度關(guān)鍵字、有外有廣告聯(lián)盟、還有與其他APP的合作換量；而在促活方面，我們在APP上的ABCD四個Banner上設(shè)置的A/B Test 。
那么對于新用戶的部分，我們就可以分別針對百度關(guān)鍵詞、廣告聯(lián)盟和合作APP這三種方式，評價每投入一塊錢的成本分別可以得到多少新增的GMV 。通過這種評價，我們就能簡單地在不同的拉新方式中，選擇更優(yōu)的方式，并在已有的方式中調(diào)整更優(yōu)的成本投入。而對于老用戶的部分，我們同樣可以針對ABCD四個Banner各自的A/B Test ，評價不同的展示版本中每投入一塊錢可以產(chǎn)生多少GMV 。
簡而言之，在【評價】這個步驟中，我們需要把【匯總】部分的指標(biāo)分成兩類——最終的目標(biāo) ，與實(shí)現(xiàn)目標(biāo)的手段。比如在前面的例子中，投入的成本就是實(shí)現(xiàn)GMV提高的手段。因此，每一塊錢的成本投入，我們都需要以產(chǎn)生的GMV來評價它。這時，要實(shí)現(xiàn)GMV提高的目標(biāo) ，可選擇的手段就比較多了。
比如，針對老用戶促活，我們可以：

保持成本投入不變，更換更容易帶來GMV的圖片和文案，來提高投入的每一塊錢帶來的GMV（優(yōu)化效率）；
保持每一塊錢帶來的GMV不變，（在限制范圍內(nèi)）追加成本投入。

這兩種方式，都有意識地忽略了GMV可能帶來的價值。如果我們將這部分價值考慮進(jìn)來，它就能抵消掉一部分投入的成本，那么備選方案還會更多。
總之，在前面這個例子中，由于我們的拆分維度本身比較簡單，只考慮了APP中的Banner和外部拉新的方式，因此比較容易通過數(shù)據(jù)中的一些標(biāo)記進(jìn)行細(xì)分。但是在實(shí)戰(zhàn)中，還有些情況是我們無法進(jìn)行明確地拆分的。
比如在用戶交互中，產(chǎn)生一個GMV的路徑需要經(jīng)過幾個環(huán)節(jié)的跳轉(zhuǎn) ，或者就像前面那個例子中的ABCD四個Banner ，如果用戶點(diǎn)擊了其中的兩個甚至三個Banner ，那么我們?nèi)绾尾鸾饽兀窟@個問題就是下一個步驟【歸因】了。
1.1.4 歸因
【歸因】這個步驟就是“最后一公里”了，也就是我們常說的剖析“為什么”的過程，之后便可以得出結(jié)論并進(jìn)行決策。
在前面的步驟中，通過案例能清楚地看到，我們已經(jīng)得到了一些可以直接對比的量化指標(biāo)了。在這種情況下，其實(shí)我們不需要在【歸因】的步驟中做什么特殊的操作，可以通過數(shù)值的比較直接下結(jié)論。但是如果我們遇到了細(xì)分的問題，也就是多個環(huán)節(jié)或者方法之間無法進(jìn)行明確地拆分時，應(yīng)當(dāng)怎么辦呢？
在日常的數(shù)據(jù)分析中有幾種常用的歸因思路：
比如，我們繼續(xù)使用前面提到的案例——用戶**依次**點(diǎn)擊了ABCD四個位置才產(chǎn)生了GMV：

**首次互動歸因模型**：也就是用戶第一次做某件事，在數(shù)據(jù)中通常表現(xiàn)為時間最早、順序號最小等等。那么我們給A記100% ， B、C和D記0% 。
**最終互動歸因模型**：也就是用戶最后一次做某件事，對應(yīng)的在數(shù)據(jù)中就表現(xiàn)為時間最近、順序號最大等等。那么我們給D記100% ， A、B和C記0% 。
**線性歸因模型**：也就是平均分。那么我們給ABCD分別記25% 。
**加權(quán)歸因模型**：也就是給多個促成因素分配一定的權(quán)重，例如A和B各記30% ， C和D各記20% 。正因?yàn)槎喑鰜硪粋€權(quán)重的維度，需要一定的設(shè)計；并且計算權(quán)重也可以作為一種分析的過程。關(guān)于權(quán)重也有幾種常見的設(shè)置辦法，比如首末兩項(xiàng)最重要而其它向中間遞減，或者按時遞減等等。

當(dāng)然，在選擇歸因方式的時候，也會結(jié)合具體業(yè)務(wù)的特征，來考慮行為的先后順序、停留時間長短等情況，對于分析目標(biāo)的貢獻(xiàn)或影響。
1.1.5 決策
最后就可以決策了。但經(jīng)過了前面的幾個步驟逐漸消除了不確定性，決策反而是最簡單的一步了——就是找出那個表現(xiàn)最好的版本、表現(xiàn)最好的位置、表現(xiàn)最好的拉新方法而已。
而當(dāng)我們有一些新的idea時，同樣可以作為A/B Test中的一個版本，加入到這套評價體系中，進(jìn)行綜合評價。
1.2 應(yīng)用案例
這套方法論不僅針對日常工作中的專項(xiàng)分析，在一些已經(jīng)固化成型的方法論中，也可以找到這套基礎(chǔ)方法論的影子。
我們來看幾個已經(jīng)成型方法論案例：
1.2.1 A/B Test實(shí)驗(yàn)
首先我們要看的案例就是A/B Test 。在A/B Test的過程中，首先我們要確定實(shí)驗(yàn)的目的，也就是我們要通過實(shí)驗(yàn)提高和優(yōu)化的是哪個指標(biāo) 。之后，我們以實(shí)驗(yàn)中的不同版本作為細(xì)分維度，以指標(biāo)是否實(shí)現(xiàn)作為評價標(biāo)準(zhǔn) ，對實(shí)驗(yàn)結(jié)果進(jìn)行評價。如果在實(shí)驗(yàn)的過程中確實(shí)遇到了需要?dú)w因的問題，則還需要考慮如何進(jìn)行歸因。
當(dāng)然，隨著業(yè)務(wù)的復(fù)雜度不斷發(fā)展， A/B Test的難點(diǎn)已經(jīng)不在于比較和得出結(jié)論的過程，而在于如何設(shè)計實(shí)驗(yàn)才能在更短的時間內(nèi)、耗費(fèi)更少的用戶流量、進(jìn)行更多的實(shí)驗(yàn)并得到有效的結(jié)論。這也是所有這方面的平臺和工具的起點(diǎn)——Google的著名論文《Overlapping Experiment Infrastructure: More, Better, Faster Experimentation》論述的核心內(nèi)容。
1.2.2 用戶分群
用戶分群是一個常見的運(yùn)營手段，但如何確定分群的準(zhǔn)確度，以及如何在后續(xù)的使用中持續(xù)地維持準(zhǔn)確度，確是一個數(shù)據(jù)分析問題。在基于特征的用戶分群過程中，首先要確認(rèn)的是，我們希望獲得具備怎樣特征的用戶群體。
之后，當(dāng)我們想找到符合這個特征的用戶時，就可以使用TGI（Target Group Index ，目標(biāo)群體指數(shù)）來衡量找到的用戶群體是否對這個特征有傾向性。例如：如果我們想找到喜歡搞笑短視頻的用戶，并且以點(diǎn)贊行為作為“喜歡”的定義，就可以使用TGI的大小來評價我們找到的用戶群體是否確實(shí)對搞笑短視頻有所偏好。
具備了這種分析機(jī)制之后，我們就可以通過各種手段來對用戶進(jìn)行分群了，之后針對不同的分群方式就可以計算出多組TGI值，我們需要的就是那個TGI值最大的子群，并選擇那個得到這個子群的分群方式。
反過來說，關(guān)于用戶分群還有另外一種場景：我們已經(jīng)得到了一個用戶群體，并想要研究這個群體具備怎樣的特征。這時，同樣可以使用TGI作為目標(biāo) ，以TGI的大小來衡量分群對各種特征的傾向性。
1.2.3 經(jīng)典管理模型：BCG矩陣
在經(jīng)典的BCG矩陣中，隱含的一個關(guān)注目標(biāo)是整體利益，而手段是資源的優(yōu)化配置——也就是要將企業(yè)中有限的資源，投給更具潛力的業(yè)務(wù) ，以便獲得企業(yè)層面的整體利益最大化。
為了對這個目標(biāo)進(jìn)行深入研究，在BCG矩陣中，按照兩個維度對這個指標(biāo)進(jìn)行了拆分，形成了一個二維矩陣。在通常的畫法中，橫向代表相對市場占有率的高低（通常是指相對于行業(yè)Top 3），而縱向代表了市場增長率的高低。相對市場占有率和市場增長率，就是創(chuàng)造利益的手段了，占有率高且增長迅速，自然能更多獲利，而利益自然是最終目標(biāo) 。
因此，由于手段帶來的利益是不同的，在拆分出的四個象限中，不同的業(yè)務(wù)就有了自己的“宿命”——有的維持，有的追加資源，有的減少資源，有的直接放棄。
二、方法論的優(yōu)化
根據(jù)前面對于方法論的整體描述，有三個點(diǎn) ，可以對這套方法論進(jìn)行優(yōu)化。
（1）匯總
匯總部分的優(yōu)化，在于發(fā)現(xiàn)更新、更合適的輔助指標(biāo) ，來計算出最終的目標(biāo)指標(biāo) 。就比如在財務(wù)領(lǐng)域，相比于按照收入和支出匯總的計算方式，杜邦分析法（DuPont Analysis）給出了基于銷售利率、資金運(yùn)作和負(fù)債程度三個方面的拆解方式，更容易理解并采取行動。
（2）細(xì)分
在前面講解細(xì)分的時候，側(cè)重的主要是一些客觀維度，如時間、已經(jīng)客觀存在的拉新方式和Banner等。而隨著分析經(jīng)驗(yàn)的積累和算法能力的提升，我們逐漸會在分析和應(yīng)用中，加入一些偏主觀的細(xì)分維度。比如根據(jù)用戶偏好制作的用戶標(biāo)簽。這些維度提供了新的視角，但同時也有自己的“玩法” 。
（3）歸因
【揭秘運(yùn)營的正確核心分析方法運(yùn)營分析從哪幾個方面分析】 歸因部分是對于那些不能客觀確定的拆分邏輯，給出了人為定義的拆分邏輯。因?yàn)橛辛巳藶椴僮鞯募尤?nbsp;，并且客觀情況在不斷的變化中，這其中就逐漸產(chǎn)生了優(yōu)化空間，需要對拆分的方式不斷調(diào)優(yōu) ，以便適應(yīng)業(yè)務(wù)的發(fā)展和環(huán)境的變化。