随着大数据时代的到来，数据操作的概念变得越来越热。有人提到，数据分析和数据操作使许多产品和新手感觉它们非常高。随着激烈的数据概念，导致一系列数据分析和指导产品增长的书籍和产品，如增长黑客和GrowingIO，正变得越来越流行。对于互联网行业，产品经理和运营都需要具备某些数据操作功能。本文将帮助没有数据思考的小型合作伙伴构建基本的数据操作系统。

本文将分析上图中的数据流操作业务流程，从明确目标，数据索引制定，数据采集，数据分析，形成策略和验证优化六个方面构建数据操作知识系统。

　一、明确目标

任何有价值的数据操作行为是有目的的。这个目的可以是短期的，一次性的希望，也可以是长期的周期性希望。无论如何，必须有目标，以及指导数据操作的目标和方法。

　1.1数据化运营的本质

这里我们首先抛出数据操作的本质：数据操作的本质是用户的操作，数据来源于用户的属性和行为。

为什么数据操作的性质操作用户操作？采用成长黑客的海盗船模型，产品生命周期的整个过程是用户获取，用户活动，用户保留，支付转换和口碑传播的闭环过程。此过程中的每个节点实际上是对用户完成每个阶段目标的行为的挑战。产品获得的数据也是用户使用产品生成的数据，因此数据操作的本质是通过用户行为分析来指导产品的增长。

　1.2数据化运营的目的

如上所述，每个数据操作任务必须是有目的的。根据数据操作场景，它可以大致分为以下四种类型：

　1.针对具体某一指标进行数据化运营

这种情况经常发生在老板要求在短期内实现数据指数规模的飞跃时，例如100万新用户，30％活跃率，20％保留率，5％转换率等等。

这种基于数据的操作的目的是短期或一次性，通常通过分析数据来寻找用户激励，如活动，使产品能够在短期内快速达到指定目标。

　　2.掌握产品生态

掌握产品生态学是指将数据操作应用于日常工作流程，作为日常生产过程的一部分。这样做的目的主要是通过数据沉淀和数据分析来了解产品的用户群，用户分类是什么，并使用产品的精细化操作给用户。

此外，还有一个目的是了解产品生态的上游和下游，例如上游用户获取情况，下游用户的转换和分配，平台产品或需要上游和下游业务支持的产品，后来的产品开发具有很大的价值。

　　3.发现潜在方向

在大数据时代，特别是对大数据产品的需求往往通过数据分析的结果发现，以发现用户需求，从而衍生出满足用户需求的产品。因此，在某些情况下，通过对数据的分析，我们可以发现用户没有通过外观显示的更多问题和痛点。在数据挖掘中的经典啤酒尿布的情况下，通过对用户的购买数据的相关性分析，从而发现尿布和啤酒看似不相关的项目之间的潜在联系，并且因此通过某些操作策略。增加两者的购买量。

因此，通过数据操作，您还可以找到用户的潜在需求，从而创建新功能或新产品来解决用户问题。

　4.通过问题解决问题

婚姻网站最近有大量用户抱怨女性用户将葡萄酒作为葡萄酒瓶出售。作为产品的负责人，有必要解决酒托用户的问题，减少用户投诉。那么，如何通过报告女性用户来定位更多的女性饮料呢？

首先，问题是找到数据，找到报告的酒托盘用户的行为数据和属性，并发现这些用户在不久的将来经常添加大量的男性用户，同时与多个男性用户同时聊天时间，聊天时间短。结合用户行为和用户属性，从用户数据库中找到可疑的酒托盘用户，然后使用数据监控来识别它是否是真正的酒托盘。

上述情况是通过问题定位数据并通过数据操作找到问题的解决方案，以便更好地解决问题。

　二、数据指标制定

　　2.1明确指标

在这里，我们需要区分宏观和可操作指标之间的区别：

宏观指标，通常是老板或领导者提出的指标，通常是不可执行的。例如，领导者分配任务要求您在本月使产品盈利200,000。该指标没有实际指导价值。

可操作的指标，通常是可以实施的指标，例如通过微信引入100,000个新用户，以及将支付转换率提高到5％等等。这些指标可以找到具体的实施策略。

在日常工作中，经常遇到将宏观指标转化为可操作指标的问题，因此用于转换指标的方法已成为核心问题。建议使用OKR索引拆解方法。通过OKR系统，宏观指标将被拆解并分解为可操作的指标。通过实现可行的指标，最终达到宏观层面的要求。有关拆除OKR指标的方法，请参阅在线结构化思维的相关介绍。

　2.2指标构成

本文总结和分析了常用的数据指标。请注意，本文中提出的所有数据指标均基于共同和公共数据指标。请根据不同的产品和不同的服务分析具体指标，不要盲目复制和申请。

　1.基础指标

基本指标系统是指AARRR模型的五个阶段，

拉新：新用户注册

活动：用户登录（日，周，月）

保留：丢失的用户数（日，周，月）

转化：付费用户数

沟通：分享用户数量（微信分享，微博共享等，具体参考产品分享功能设计）

　　2.用户属性

用户肖像，基于用户属性和用户行为构建的用户肖像。用户肖像的目的是分析用户行为特征，对用户进行分类以及优化操作用户。对于社区产品，KOL用户可以有针对性地运营。对于电子商务产品，可以准确地推荐用户。

终端肖像，终端特指移动智能终端，即智能手机，分析用户组终端，了解用户组成，如操作系统，手机型号等，进一步利用用户行为偏好。

　3.用户来源

渠道分配，渠道用户通过该渠道分发应用程序，登录并注册该应用程序。

频道效果，每个频道获得的用户数量，转换为注册用户数量，判断获取新用户的频道质量。

版本分布，使用不同版本APP的用户比例，通过分析可以确定产品版本是否更新且用户体验是否太差。

　4.用户行为

用户参与度，用户访问页面时间，频率等。

行为路径，用户完成任务时执行的页面以及已执行的操作。

自定义事件基于产品要求，对特定用户事件的用户行为执行统计分析。

基于业务的漏斗分析，通常在电子商务用户行为分析中，从用户登录到最终支付用户丢失情况，确定问题的哪个部分发生和优化。

　三、数据获取

定义目标并定义需要分析的数据指标后，下一步是根据数据指标提取数据。产品上线后，会累积并沉淀每个维度的数据，如用户注册，登录和使用。在数据采集阶段您需要做的是收集所需的数据并处理数据，以达到可用于数据分析的效果。

　3.1数据采集

有两个主要的数据来源。一种是埋藏数据然后提取相应的数据字段。另一种是通过用户的使用日志文件分析用户数据和用户行为。

埋葬行业有两种方法。一种是在产品设计阶段通过提交相应的要求，由研发团队设计基础数据模型。确定产品上线后需要特别注意的数据字段。另一种是通过第三方统计平台，例如GrowingIO。这些第三方统计平台使用前端技术来计算大多数用户行为数据，减少产品开发和转换，但需要通过个性化数据分析需求。产品底层的设计令人满意。

用户使用日志，即用户登录产品后将记录每个操作，确保可以查询用户的使用行为，并通过日志文件恢复用户的一些误操作。

3.2数据处理

为什么数据处理？具有少量数据挖掘经验的人可能理解在实际生产环境中生成的数据并不理想。由于系统或人为原因，可能缺少记录的某个字段。不完整性还可能导致数据分析结果的不准确，因此在数据分析之前对收集的数据执行数据清理和数据预处理。 （如果您对数据处理感兴趣，请参阅专业数据挖掘书中有关数据处理的部分，例如《数据挖掘导论》）

　1.数据清洗

数据清理是指清理收集的不规则数据。例如，数据丢失。对于数值数据，常用的方法是选择数据前后几天平均的数据作为填充的缺失数据值。还有许多其他现象似乎超出了规范。例如，如果在用户的年龄字段中收集数据时单个用户的年龄字段的值大于100，则有必要通过数据审核找出问题。

2.数据预处理

原始数据和数据分析所需的数据维度可能会有所不同。例如，收集的原始数据按天汇总，但数据分析需要每月数据。然后，在数据分析之前，有必要总结每个用户的每日数据，并在分析之前获得每个用户的月度数据。

　四、数据分析

　　4.1数据分析框

有许多专业的数据挖掘算法，如相关分析，聚类分析，神经网络等。我在这里不太了解它，但我结合产品和操作日常工作场景介绍了几个常见的分析框架。

　1.用户画像洞察

用户图像洞察是通过聚合用户数据将数据转换为可视化的虚拟用户模型。通过用户肖像呈现具有特定类型特征的用户组。根据用户图像对用户组进行分类，以便为精细的用户操作提供数据支持。

同时，通过构建用户肖像，还有产品经理和操作来掌握用户。在执行功能迭代和活动操作时，可以针对策略来提高效率。

　2.用户行为分析

用户行为分析中最常用的是漏斗分析模型，即用户在完成特定任务时必须经历多个步骤，并且在每个步骤中生成用户流失。为了确保更多用户成功完成任务，传递漏斗。对模型的分析可以识别问题，优化关键步骤的用户体验，并实现最终目标。

以上图中的电子商务产品和内容产品为例。在成功购买某个产品或成功消费某个内容之前，用户必须经历许多步骤。这些链接中的每一个都将导致用户流失。因此，在漏斗分析中，您可以观察用户哪个部分是最严重的丢失，然后分析相应的链接，找到相应的解决方案，以提高用户的转换率。

　3.用户行为分析

对于随产品新推出的功能模块，可以使用用户行为分析来验证新功能的质量。使用多少用户量，用户在使用用户时是否在某些方面遇到麻烦，以及通过用户行为分析验证功能效果。坏。

在分析用户行为时，应根据产品的具体业务流程设计分析方法，并结合业务场景以发现更多问题。

上面介绍的三个数据分析框架是最基本的。对于非专业领域的数据分析挖掘，数据分析方法必须首先结合产品的业务场景，并根据具体业务分析分析方法和分析过程。如果您想获得良好的分析结果，您还必须根据自己的产品开发个性化的数据分析程序。

　4.2数据可视化

数据分析的结果通常很无聊，领导者或执行同事无法清楚地理解。因此，需要对数据分析结果进行可视化，以便领导者能够理解数据分析的结果，并让同事了解如何根据分析结果进行处理。 。

　1.可视化方式

根据数据类型和表示形式，可视化方法有一个时间图表，显示时间关系;一个饼图显示比率;显示数据分布的直方图等。请参阅《谁说菜鸟不会数据分析》，《深入浅出数据分析》和其他入门书籍。

　2.可视化工具

可以使用Excel完成简单的数据分析，还有一些专门的数据分析工具，如SPSS和Tableau。这里也推荐Echarts。这是一个前端图表框架，但它易于使用。使用相应的图表模板，您只需将数据导入到框架模板中即可生成可视图表。

　4.3数据报告

数据报告是数据分析任务的摘要，向领导者报告，并与同事合作制定策略以完成下一阶段的任务。

因此，根据阅读报告的用户，有必要以有针对性的方式调整其中的一些。数据分析报告通常需要以下内容：

　分析背景

　　目标数据源选取

　　数据分析方法

　　框架数据可视化

　　数据分析结果&建议

根据具体问题具体分析原则，根据数据分析报告的目的进行个性化和改进。

　五、形成策略

策略的制定取决于数据操作的目的和数据分析的结果，目标策略是通过目的和结果形成的。

在这方面，每个数据分析形成的策略是不同的，因此这里不再进一步发展，可以根据具体问题和具体的业务场景制定有效的策略。

　　六、验证优化

与精益创业中的MVP理论一样，数据分析结果产生的策略不一定有效，并且可能不一定能够快速达到预期的结果。

在实施战略的同时，通过数据的积累，监测相应的数据指标，优化战略，已达到最终目标。

以上是数据操作知识系统的六个组成部分，它通过以上六个方面构成了数据操作业务流程的闭环。需要说明的是，任何数据处理操作任务都应该基于业务，并根据具体的业务场景选择数据分析思路和方法。不要，不要分析数据进行数据分析。数据分析必须来自业务。

姬孝义，产品壹佰栏目作者，野蛮产品经理，运营商大数据产品从业者，擅长从0-1建立产品经理知识体系。公众号：PM龙门阵。

« “2018年中国心灵和平奖”名单公布。网易被选为“年度企业” | 智慧零售私营企业模式：从地方到中央，苏宁频繁成都上宾 »