1.3 数据化运营的业务流程

数据化运营的概念随着大数据时代的到来越来越深入人心。从业务流程的角度来看，数据化运营涉及六大环节，分别是目标的明确、指标的制订、数据的获取、数据的分析、策略的形成，以及结果的验证与优化。

1.3.1 目标的明确

数据化运营是有明确目的的行为。这个目的可以是短期的、一次性的，也可以是长期的、周期性的。因此在进行数据化运营之前，都必须先确定明确的目标。根据数据化运营场景的不同，可以对数据化运营的目标进行分类。

1.以某一具体指标为目的

这类数据化运营目标往往是短期的或一次性的，一般针对通过分析数据找到刺激用户的情景，以求在短期内实现数据指标量级上的提升。例如以一周内新增用户数量达到10万、活跃率达到20%、留存率达到30%、转化率达到4%为目标进行数据化运营，这种情况就是典型的以某一具体指标为目的。

2.以发现和解决问题为目的

这类数据化运营目标非常普遍，如发现访问量断崖式下降，就会以解决此问题为目标来进行数据化运营，以查明访问量突然快速下降的原因，并尽快对问题进行处理。

3.以发现潜在方向为目的

在大数据时代的背景下，大数据产品的出现往往实行“发现并分析用户需求，进而衍生出满足用户需求的产品”这种模式。通过数据化运营，可以发现更多用户没有显示出来的问题和痛点，进而发现潜在的用户需求和产品方向。

案例阅读

“啤酒与纸尿裤”这个在数据化运营领域可谓家喻户晓的经典案例，讲述了沃尔玛公司通过对其数据仓库进行分析和挖掘后，将啤酒和纸尿裤这两种看似完全没有联系的商品放在一起进行销售，然后两种商品双双提升销量的故事。

沃尔玛对其数据仓库的历史交易数据进行分析和挖掘，通过各种模型的建立与计算，发现与纸尿裤一起被购买的商品中最多的是啤酒。为了验证这一结果，沃尔玛专门派人进行实际调查和分析，最终得到结论：在美国，一些年轻的父亲周末下班后会到超市购买纸尿裤；而这类人群又喜爱在周末观看各种体育赛事，因此啤酒也就成了他们看赛事的必备饮品。当这些人在购买纸尿裤的同时，部分人会想起周末赛事而购买啤酒。因此如果将纸尿裤和啤酒放在一起销售，或许会让那些忘记购买啤酒的人群自然而然地想起购买的事情。

通过数据分析得出“啤酒与纸尿裤一起销售会提升销量”的结果后，沃尔玛便将其所有门店的啤酒与纸尿裤放在一起，竟然得到了纸尿裤与啤酒销量双双增长的结果。

按常规思维，啤酒与纸尿裤的商品属性大相径庭，若不是借助数据分析工具对大量交易数据进行挖掘分析，是不可能发现数据内在价值的规律的。通过数据化运营，运营者可以找到用户的潜在需求，从而诞生解决用户问题和需求的新产品或新方式。

4.以掌握产品生态为目的

掌握产品生态是指将数据化运营应用到日常工作流程中，使其成为日常生产流程中的一部分。这也是开展数据化运营的企业或个人的最终目标。这样便可通过数据沉淀、数据分析来全面且准确地了解产品的用户群、用户分类等情况，对用户进行精细化运营。同时，掌握了产品生态，就能更好地了解产品生态的上下游情况，如上游用户获取情况、下游用户的转化和分发情况等。对于平台类产品或需要上下游业务支撑的产品来说，数据化运营对产品后期发展有很大的价值。

1.3.2 指标的制订

确定了目标后，就需要围绕目标制订相应的指标，以便将目标具体化，如网店的访客数、转化率、客单价等就是决定交易额最直接的指标。以电商产品为例，如最常见的App应用产品，常用的数据指标可以分为基础指标、用户画像指标、用户来源指标和用户行为指标等几类。

1.基础指标

基础指标包括拉新、活跃、留存、转化和传播等指标，各自的含义如图1-6所示。

2.用户画像指标

用户画像即依据用户属性和行为来为每一位用户构建出对应的画像数据，目的是分析用户特征，以便对用户进行分类和精细化运营。用户画像指标有很多，最常见的指标就是性别、年龄、职业、喜好、习惯、使用的终端设备等。

3.用户来源指标

通过用户来源指标，运营者可以掌握并分析用户渠道。例如通过渠道分布指标，运营者可以分析用户通过哪个渠道下载、登录并注册App；通过渠道效果指标，运营者可以获取各渠道的用户数以及转化成为注册用户的数量，进而判断各渠道获取新用户质量的好坏；通过版本分布指标，运营者可以分析用户使用App不同版本的占比，判断产品版本更新后是否出现用户体验度降低的问题等。

4.用户行为指标

用户行为指标侧重让运营者对用户体验进行分析。例如通过用户访问页面时间指标、访问频率指标等与用户参与度相关的指标，以及用户行为路径指标等，可以监控用户体验和行为，为进一步完善产品和优化版本等提供数据支持。

1.3.3 数据的获取

明确目标并定义好需要分析的指标后，下一步就需要为各指标提取相关的数据了。电商产品在上线后会不断积累、沉淀用户的注册、登录、使用等各个维度的数据，网购平台的后台数据处理工具也会保留商品数据。在数据获取阶段需要采集这些数据，并对数据进行处理，使其达到可以用于数据分析的程度。

1.数据采集

对于App应用产品而言，数据的来源主要有两种：一种是通过数据埋点提取数据字段，另一种则是通过用户使用日志文件分析用户数据及用户行为。

对于网店而言，数据来源可以是网购平台的后台数据处理系统，也可以是专业的数据分析工具（如生意参谋等）。

2.数据处理

采集到的数据一般都需要经过处理后才可用于数据分析。对采集到的不规范数据，可以进行清洗，如数据存在缺失，可以进行补充；存在多余数据时，需要进行删除；对于数值性数据，则需要考虑对单位进行处理等。

另外，采集原始数据与数据分析所需要的数据维度可能会有所不同。例如采集到的原始数据是按照天进行汇总的，但是数据分析需要按月汇总，那么在进行数据分析前，就需要将数据按月汇总，这个过程就是对数据的处理。

1.3.4 数据的分析

得到数据后，运营者就可以按照最初确定的目标，以及按目标制订的指标对数据进行各种分析操作了。例如对于App应用产品而言，运营者可以通过用户画像洞察分析，将用户数据聚合；然后将数据转换成形象化的虚拟用户模型，展现具有某一类特征的用户群体；再将用户群体依据用户画像进行分类，为精细化用户运营提供数据支撑。

又如，可以利用漏斗分析模型对用户行为进行分析，即用户在完成某一项特定任务时要经过多个步骤，在每一个步骤中都会产生用户流失，为了保证留住更多用户，可以通过分析漏斗模型发现问题所在，优化关键步骤的用户体验，提升留存率。

需要注意的是，在数据分析时，许多时候都需要将数据进行可视化处理，即通过图表显示数据。此时可以借助最常用的第三方工具Excel来实现，如通过柱形图展现不同时期的交易额对比情况、通过饼图展现价格带分布占比等。

最后，数据分析阶段还需要根据上级领导的要求确定是否制作数据分析报告，以便向上级领导汇报，同时向同事公布任务情况或安排下一阶段的任务。数据分析报告大致需要包含背景分析、目标分析、数据源选取、数据分析方法、数据可视化展现、数据分析结果、数据分析建议等内容。

1.3.5 策略的形成

策略的制定取决于数据化运营的目的和数据分析的结果。完成数据分析后，就可以通过目标和结果形成针对性的策略。需要注意的是，每一次数据分析形成的策略都可能不一样，应根据具体问题以及具体的业务场景制定有效的策略。例如，通过数据分析发现某个产品在市场上的竞争性较弱，如果该市场有一定的份额占比和发展前景，那么就可以制订进入市场抢占份额的策略；但如果该市场已经处于淘汰或正在淘汰的边缘，则不应该进入该市场。

1.3.6 结果的验证与优化

数据分析的结果生成的策略并非一定有效，也并非能够快速达到预期效果。在策略执行的同时，通过数据的积累沉淀、监控相应数据指标情况，可以对策略进行优化和完善。然后反复进行验证与优化，最终得到一个最优的结果。

综上，数据化运营的业务流程首先是明确目标；在目标明确的前提下，才能制订与完成目标相关的指标；然后按照指标来采集和处理相关的数据；接着进行数据分析、可视化展现和制作分析报告；最后才能形成策略和结果。这一过程需要进行反复的验证与优化。其整个流程如图1-7所示。