现在数据分析能力在职场中越来越重要，尤其对运营人来说，数据分析就是运营人职场能力的分水岭，不管是做内容运营、产品运营还是活动、直播运营，数据分析基本上已经成了大厂招聘运营的标配：
从市场调研的情况来看，会数据分析的运营岗位，的确比其他岗位整体薪水都高，大部分人都在20k-30k左右
但是不少运营人在数据分析方面都存在着能力短板，复杂的算法、庞大的数据、眼花缭乱的图表，让不少运营人在学习数据分析的路上望而却步。
其实，运营的数据分析也没有那么困难。了解了一些基础的应用场景之后，自己也能很好地进行数据分析，而且学会了数据分析之后，对于未来运营的方向以及运营的改进点会有了更加明确的目标，不再单单靠感觉进行。
今天，就结合自己在实际工作中遇到的一些情景，来和大家聊聊，运营人在日常的工作中，如何去进行数据分析？
数据分析的目的
1、原因分析：
通过以往的数据分析，发现数据中存在的问题，为未来优化提供数据基础。比如，通过用户注册、登录、活跃等数据，可以看出用户在哪个环节流失比较多，出现问题比较多，那么后期在这个环节中，就可以多次进行试验，提升单点的转化率。
利用漏斗分析、趋势分析是主要的数据分析方法。
2、未来预测：
通过以往的数据分析，找到数据中的某种趋势或者共性，从而更好地指导未来的运营动作。比如在公众号运营中，通过以往对以往内容的关键词进行分析，找出打开率高、阅读量高、转发量高的内容，从而方便后期更好地进行选题和内容创作。
3、现状分析：
数据是当下最好的体验，及时了解当下的运营情况以及变化情况，更加趋向于短期的数据分析，如日报，周报，月报等数据分析，在某个时间节点里，数据变动的原因分析。
对于运营来说，数据是运营结果的表现，通过对数据的分析，可以发现之前运营动作的优点和不足的地方，未来更好地去进行运营动作，也更好地知道未来运营重心该放在何处。
巧用工具，分工明确
数据分析的思路和方法都有了，但运营人在数据分析实操的过程中还会出现一下几个常见的问题：
1、展示的数据图表固定不变，缺乏灵活性，不能做探索分析，运营人经常会做很多数据看板，统计日活、月活、留存及一些订单转化数据，但这些数据看板也仅限于“查看”，没办法做探索分析，要是发现某个产品转化渠道UV数据异常，分析半天也找不到真正的原因，最后还是怪天气、系统故障、节假日等原因，这样的理由，老板根本不想听。
2、部门配合沟通成本高，实现效率低。想要给技术部门加个需求，比如添加XXX路径漏斗转化分析数据图表，需要技术部门判断需求可行之后，再进行埋点收集数据，结果从需求评审到需求落地就得花个十天半个月。
还有的时候，产品埋点数据是有的，但是需要自己从数据库里导出数据，再用Excel分析。这个取数的过程非常痛苦，需要导出哪些时间段的数据和导出哪些字段的数据不好确定，因为数据是未知的，变化是未知的，导出数据过多，人工筛选工作量大，Excel也承受不住
最后费尽周折做好的图表只能用一次，下次有新数据导出，还要按之前的计算方法重新排版一次，没办法实现数据更新。
3、很多公司的业务数据和行为数据分散在不同的系统中，没办法放在一起分析
上面这些种种问题，最好的解决办法就是重新分工，让数据部门负责提供清洗好的数据，运营人员直接拿数据做分析，也就是目前很多企业都在用的自助分析模式
自助分析实现方式：借助BI工具，建立统一的数据分析平台，数据准备自动化，数据人员负责建立数据连接和数据集，运营人员直接取用准备好的数据，遇到没有数据的情况再向数据部门提数据需求，管理数据是他们的本行，需求响应也就快。
案例实操
以我比较熟悉的FineBI为例，给大家分享一个运营自助分析的实际案例：某平台型产品9月份发生客单价下降问题，分析其可能原因。
首先清楚这是典型的分析为什么的问题，其二确定分析思路，根据归纳推理原理，从结论出发，进行拆解，客单价等于销售总额/成交总笔数，影响销售总额和成交总笔数不外乎服务提供者、用户和产品三个维度，从这三个维度下提出假设(如图)，再通过数据逐一验证，以下使用样式数据，演示分析过程。
使用数据人员已经做好了的数据集，即客单价下降原因分析业务包里添加好的数据库表，进行取数分析。
从用户注册表、用户信息表中获取总注册用户数、9月新增注册数和9月流失用户数，使用指标卡组件计算出9月新增客户数为26、流失客户数为2，根据2019年新增注册客户数折线图，可以看出9月新增客户数在正常变化幅度内。
使用订单明细表得到2019年订单量/销售额月份变化趋势图及9月流失客户订单明细表。
柱状图所示，9月订单数和销售额较8月有所上升，且在订单记录表中查找2019年9月状态为流失的客户历史交易记录，评价该客户流失对订单转化的影响作用，明细表显示流失客户的订单记录在较早月份，最近没有接单记录，说明新老客户更替不是构成客单价下降的主要原因。在订单总笔数上升和销售总额上涨的情况下，客单价下降极有可能是促销活动或用户来源渠道欠佳导致。
排除人为促销活动因素，从用户维度分析，包括实际付费用户数、新增用户的来源渠道及现有用户的特征画像。
通过地图组件发现，2019年5月到9月新增用户中大部分来自于内陆省份和新用户营销渠道，接着用漏斗图统计用户从下载到下单的转化情况，发现转化率较高，更为异常的是订单明细数据中显示平均每个用户只有一次下单记录，然后筛选出9月下单用户，与用户画像表建立关联，通过制定一些判断规则，得到用户画像标签图，发现用户质量不优，且存在“羊毛党”嫌疑。
3、搭建数据看板
我们知道，数据分析的价值在于指导实践，通过分析客单价下降原因，及时改善运营策略，比如适当降低新人首单优惠或根据产品目标人群来调整宣传渠道，吸引更多高价值用户入驻。为了更好指导运营策略调整，我们可以将已经做好的模板固化成每日的数据看板，时时监控客户留存情况。
并且可以将制作好的看板通过挂载到平台目录，供相同部门的人员查看。
值得一提的是，使用模板导出功能可以导出完整且清晰的的模板图片，用于向领导汇报的周报或是月报PPPT。
总结
实际上，运营做数据分析并不需要懂复杂的技术，关键是对业务流程的理解以及用数据解决问题的思维。刚开始时做分析会比较生疏，做多了之后，积累了数据经验，慢慢会发现自己分析问题的维度越来越广了，这大概就是运营人员的核心竞争力。
