李成林营销笔记：黄有璨《运营之光3.0》笔记八

第二篇　互联网运营、流量、增长工作的实践和核心方法

第5章　常见的运营工作指标与数据在运营工作中的应用

1 如何才能找到掌控运营指标的感觉

1.1 如何才能让事情对自己而言更加可控？答案是：要对你所负责的运营指标做好拆解。你要把围绕着一个大目标的所有工作任务都拆分得极细、极具体。

1.2 某猫的双11站内活动大概就是如下图

1.3 总结：当你拿到一个目标或运营指标的时候，你应该试着对其进行拆解，遵照如下几个步骤来进行思考，并最终落地。

1.3.1 第一，你要界定一下，这个指标是由哪些分支指标或哪些要素构成的。你需要把你的目标指标和这些要素间的关系界定出来，最好变成一个公式的样子。

1.3.2 第二，这些被你提炼出来的分支指标或要素，现在是否还存在可以提升的空间？

1.3.3 第三，具体来思考，如果要提升某个分支指标，我们需要将其拆分和落实为哪些具体的运营手段？

2 运营工作中常见的各种数据指标和数据处理

2.1 一家公司的数据相关工作的背后，至少涉及如下5项工作：数据采集；指标定义；数据处理；数据分析；数据洞察。其中，前2件事和后3件事之间有着很强的相关性

2.2 关于数据采集和指标定义

2.2.1 作为运营，你一定要提前跟公司内的产品经理、研发、数据分析师们沟通好，哪些数据对你们是至关重要的，必须要提前进行采集和记录。

2.2.2 作为一个运营，在公司内部开展工作时，请一定记得先在那些主观的数据指标上与其他人达成共识，形成清晰的定义后，再考虑如何开展工作。

2.2.3 在运营工作中，如果你与其他人围绕着某个指标要进行密切协作，你首先必须要关注解决好的问题，就是在“数据口径和指标定义”上与对方达成一致，这是保证你们此后可以顺利、高效协作的基础。

2.3 关于数据处理、数据分析与数据洞察

2.3.1 当你拿到了自己想要的数据，也能直观、清晰地阅读它们时，接下来你就要进行各种分析，从中找到一些线索和问题所在，形成自己的洞察，并据此推导出下一步行动。

2.3.2 数据分析的过程，就是不断阅读数据，提出关键问题，再进一步进行验证比对的过程。在所有运营工作中，最常见的数据分析方法是漏斗分析和对比分析。

2.3.2.1 所谓漏斗分析，其实背后就是我们之前已经提到过的“流程化思维”——当你面对某项具体工作，已经清晰地梳理出用户的行为路径时，你就拥有了一个“数据漏斗”，可以据此来查看整个路径上，每个环节到下一个环节的转化率是怎样的。

2.3.2.2 所谓对比分析的基本思路，则是把两组同时存在大量相似性和少量差异性的数据来进行全面对比，试图从中找到一些关键的线索来改善我们的业务。

3 “运营第一公式”与各种常见的运营数据指标

3.1 “运营第一公式”：一家公司的商业价值=（其拥有的用户数量×平均单体用户价值）-流量营销成本-交付供给成本

3.2 因为公司的商业模式不同，每家公司的核心业务指标定义一定都是不一样的。

3.3 从落地层面的目标导向的角度，一家公司内的运营工作通常会有5种导向，背后也会各自有一些常见的数据指标：

3.3.1 拉新导向，关注用户或流量的新增；

3.3.2 维系导向，关注用户的留存率和活跃度；

3.3.3 营销转化导向，关注公司收入的增长或转化路径的效率；

3.3.4 生产供给储备导向，关注供给侧资源储备的充裕程度和运转效率；

3.3.5 服务交付导向，关注服务质量和用户评价。

3.4 在上述5种导向的运营指标中，通常生产供给储备导向和服务交付导向两个维度的指标及其背后的实现成本，最终会以某种方式映射到“运营第一公式”中的交付供给成本。营销转化导向和用户维系导向两个维度的指标，往往会映射到“运营第一公式”中的平均单体用户价值，而拉新导向维度的指标往往会映射到“运营第一公式”中的用户总数。而营销转化导向和拉新导向两个维度的指标背后的实现成本，则往往是我们的流量营销成本。

4 更加深刻理解和掌控数据，放大数据的价值

4.1 引言

4.1.1 数据的背后，其实是逻辑和推理。换句话讲，想要让数据可以更好地为你服务，你需要先有好的逻辑和推理分析能力。

4.1.2 运营身上的所谓这种逻辑和推理分析能力，也是高度基于商业的。在逻辑和推理的背后，是各种商业上的因果关系，也存在各种模型。

4.1.3 要锻炼自己“以商业价值为中心，持续积累各种数据模型认知能力+可以高效地进行推理分析”的能力。

4.2 深刻理解数据对于运营工作的4层价值和应用思路

4.2.1 数据可以客观地反映出一款产品当前的状态好坏。

4.2.2 假如做完了一件事但效果不好，数据可以告诉你，你的问题出在哪里。一旦上线后效果不好，你需要迅速结合整个事件的流程、转化漏斗、渠道构成等进行分析和拆分，快速找到其中出现问题的子环节（其实本质跟上面指标拆解的思路仍然相似）。

4.2.3 假如你想要实现某个目标，数据可以帮助你找到达成目标的最佳路径。

4.2.4 极度精细的数据分析可以帮助你通过层层拆分，对用户更了解，也对整个站内的生态更有掌控力。

4.2.4.1 两个数据分析中的基本概念：维度和度量。简单地说，度量就是具体的数据指标，它通常表现为某个量化过后的数据值，而维度则是看待这些指标的不同角度。

4.2.4.2 所谓数据分析，无非就是界定清楚了你要评估的度量有哪些，然后需要知道你可能有哪些维度去看待这些度量，偶尔可能还需要在不同维度和度量间交叉做一下分析和比对，最后产出结论，把结果用图表等方式呈现出来。

4.2.4.3 评估的出口有两个：

4.2.4.3.1 一是判断数据是否有一些需要注意的异常情况（如果出现异常数据，一定要分析原因）；

4.2.4.3.2 二是为了给自己的运营工作找到一些方向性的指导，比如说，我现在要把站内月付费订单数提升10倍，我是否可以从用户行为和习惯去得到一些具体的启发？而且，很多时候，这两个目的可能是合一的。

4.2.5 补充说明。

4.2.5.1 第一，理论上，假如作为一个运营负责人，我们应该对每一个关键性的用户行为都定期（比如每三个月或每半年）进行全方位、多维度的分析，做到对每一个关键用户行为的用户习惯和当前产品指标中的问题点了然于胸。

4.2.5.2 第二，很多产品，往往都是20%的重点用户给该产品带来80%的价值。要重点去关注对你最有价值的那部分用户，至少把50%左右的精力用于关注他们。要想发现更多类似的线索，常见的思考和工作逻辑可能是这样的：

4.2.5.2.1 第一，先找出产品中，当前可能存在问题的某个关键度量（或称指标）；

4.2.5.2.2 第二，对于这个度量进行纵览，从它的构成去看，是否所有用户或我们的所有服务在这个度量上的表现都很差，还是说有一部分用户或服务在该度量上的表现是显著好于其他用户或服务的；

4.2.5.2.3 第三，你可以对那些表现显著要好的用户和服务在不同维度上进行进一步挖掘，寻找其背后的一些共性的用户行为或特征，然后把这些特征放大到极致。

4.3 数据可能会带来的3种误导和陷阱

4.3.1 第一，你要知道，数据的涨跌会受到诸多因素的影响，有时也会存在一定的偶然性。“大胆假设，小心求证”

4.3.2 第二，很多数据的拉升和指标增长，往往不是一个“一维”的事。甚至，有些时候如果你只关注某个单一数据的增长而全不考虑其他，可能会带来更大危害。

4.3.2.1 在一个KPI的增长达成背后，我们最好要找到一些相关的指标，甚至设定一些“制衡指标”，以此来验证和关注相关的增长是否健康。

4.3.3 第三，在一线运营从业者眼中，也很容易出现一些“只关注单点数据，而无法把自己关注的单点数据与公司战略和重要目标结合起来”的问题。

4.3.4 两个重要的建议：

4.3.4.1 一定要看数据，但绝对不能完全依赖于数据。在关注某个数据指标时，一定要秉持着“大胆假设，小心求证”的心态，把很多数据涨跌背后你看到的东西当作某种假设，并不断去思考如何通过一些其他相关的数据指标来验证你的结论，而不是太急着下判断。

4.3.4.2 在你的脑海中，最好先基于公司的商业逻辑产生一些认知和判断，再把数据看作帮助你检验并佐证自己判断的工具。而不是直接把数据当作结论。