为什么要做数据运营？怎么做？

自2014年从事P2P行业以来，已有3年多的时间。我习惯于在年底和年初总结我过去一年的学习、工作和生活。以前的总结比较分散。现在我想逐渐从框架到细节做一些总结。我在P2P行业有三个平台，从推广到运营，从运营到产品，从产品到运营。在P2P平台的运营过程中，发现运营数据的挖掘和分析其实可以非常详细。现在我从数据操作的角度来分解P2P平台的数据操作，从而构建一个完整的数据操作系统。数据操作的原因是准确分析具有某些特征的用户，甚至平台上的所有操作行为，研究和分析其操作行为，做出行为预测，调整有针对性的操作策略，从而达到精细操作的目的。数据操作的分解步骤如下图所示，我将数据操作步骤分解如下，然后按照这八个分解步骤逐一讲解。P2P业务流程，这个不懂的就是P2P从业者。操作流程的基本操作流程，即用户的操作流程，每个平台都是相似的。主要的区别是，每个平台都有不同的功能设计或不同的数据访问来源。下面我们将简单的用户操作流程进行分解。原则上，我们需要用户在平台上的所有操作记录来进行操作。一般来说，是谁在什么时候在什么地方做了什么，这件事是什么？因此，我们的第一步是按照分解步骤获取用户的操作记录，这是最原始、最基本的数据需求。除了基本数据需求外，整个操作过程中对应的部门和岗位产生了哪些工作需求？这就是我们需要考虑的，所以在一般的平台架构中，运营部门大致可以分为以下7个部门，并列出所涉及的基本框架需求。至于之前流程需求中提到的一些数据需求，这里有一些数据简介。请看下表:流程需求不会一一列举。上面只列出了一些基本框架需求，框架下可以细化的数据模型太多了。用户分级定义用户在操作系统中的不同状态，主要可根据上述用户状态进行分级。观察/注册/开户/充值/投资/再投资/收款/续期/退款/恢复。当我们对用户进行分级时，我们可以从分级状态中提取状态进行图表化统计，从而获得用户生命周期的模型。我提取了一个数据示例，并制作了一个数据图，如下图所示：从上图的示例数据中，我暂时将用户的生命周期定义为90天，这也是我目前对P2P平台新用户的定义（注册时间为90天内的新用户），以分析用户的生命周期。如图所示，我将Y/X轴分为资金轴和时间轴。从用户注册开始，就有了这样的数据。将数据导入软件后，我得到了如图所示的数据。我从示例数据中得出以下结论：用户从注册时间到第一次充值时间的截止日期。用户做出了大约10天的决定。从第一次充值到第一次投资的截止日期，用户做出了大约5天的决定。自第一次收款以来，用户参照时间顺序分别进行了提现和续投。表示用户对平台提现时效进行了体验操作，然后进行了续投操作。用户充值和投资决策时间（时间轴）间隔越短，相应资金越高，用户逐渐进入沉淀期。受品牌事件、营销活动、客服回访开发等诸多外部因素影响，相应用户的决策行为。调整和提取用户分级后的数据，分析后调整操作策略。这里列出了两个常见的数据应用程序：1。在泛流量推广渠道中，如何判断和分析哪些新用户在相同条件下具有相对较大的开发价值。开发价值越大，用户决策难度越大。例如，注册的操作步骤相对简单，实名开立银行存款账户的操作要困难得多，填写身份证号码、银行卡信息等高度隐私的信息对用户来说非常困难，然后是第一次充电和第一次投资。注册到开户决策时间，注册或开户到首充首投决策时间。在没有高精度的反欺诈（用户的背心小号）功能之前，这两种决策时间越短，就越有可能由营销活动和渠道定向CPS活动引导。相对而言，这两种决策时间越长，用户对平台有一定的真实性和观察期，在做出决策操作之前仔细考虑。在CPS推广渠道中，大多数以一定奖励回报为导向的用户的首次投资金额来自CPS推广渠道的活动门槛。如果该渠道来自用户的首次投资金额＞渠道活动的门槛表明，这些用户具有相对较大的开发价值。此外，首次投资的金额和期限越高，开发价值就越高。用户在进入沉淀期前有一定的试投体验期。在此期间的决策时间跨度间内，未收回款项的用户比收回款项的用户具有更大的发展价值。此外，复投和续投的金额和期限越高，开发价值就越大。在公式计算用户存储账户余额可能为零的前提下，仍有登录和访问行为的用户具有相对较大的开发价值。访问频率和浏览时间越高，用户的开发价值就越大。然后，在从多个方面获得的数据信息中，逐步分析具有相对较大开发价值的用户。从而调整客户服务部门，为群体和战略推广部门的工作。2.在非活动期间和活动期间，不同投资能力的用户只有在没有其他外部因素影响的情况下，才能让用户做出取款或续期投资的决策操作。如图所示，用户连续15天收款，平均每日收款金额达到≥759.9元将进行收款续期操作，最低收款续期操作将在累计收款达到518.17元时进行。因此，我们可以通过数据初步推断用户的收款和续期决策，决策预期值需要收款资金≥操作只需518.17元即可进行。在用户收款中，有一笔973.76元的收款资金，同日充值50元，才进行投资操作。这是一种奇怪的行为，就像我们很多人都有凑合心理一样。聚集心理在一些电子商务营销手段中很常见。如果你对行为心理学有研究，欢迎给你一些关于“聚集”心理的信息。接下来，我们将根据数据提出以下假设性问题，供您参考。首先看下图:假设用户的投资能力水平分别定为5个等级(具体如上)，那么前面举例的用户的投资能力水平较小。根据对所有用户的数据模型分析，我们可能会发现，当不同级别的用户做出续期决策时，他们的决策预期值可以大致计算出来。这个计算出来的数据能否更准确地用于客服部门跟踪和回访客户？同样，用户在提现行为决策时，用户会对不同层次的用户实施提现操作，收款资金达到什么样的决策预期值？平台上每个用户的投资总额（通常称为仓库）是否可以通过数据模型分析平台综合能力的考虑，以及用户对在平台上建立仓库的心理预期在什么范围内？以上问题将交给具有一定技术能力解决数据获取问题的平台运营商进行论证。各操作环节(即用户分级引导环节)的引导作用，从内容、交互、视觉等方面进行引导，观察引导作用。这方面的数据大致是页面访问数据(访问数量、重复访问、访问深度)、信息到达数据、转换数据(激活、唤醒、转换)等。基本适用于:客服部、推广部、运营部。详细适用于活动策划岗、文案岗、产品岗、设计岗。多维权衡从每次调整的操作策略中挖掘多维深度数据，权衡数据的准确性。也许这里的数据需求更多的是活动策划岗位和客户服务岗位，如活动参与、用户活动、信息到达率、激活转化率、决策行为增加等。变量影响每个操作数据的变量，重点分析数据变量所涉及的多维影响值。本部分主要包括：用户撤资、用户操作异常、用户活动异常、用户决策习惯异常等。主要用于风险预警和行为预测，主要用于客户服务部、品牌部、运营部。详细适用于：客户服务岗位、负信息监控岗位、活动策划岗位或交易管理岗位。好了，先来这里分享一下。在寒冷的天气里，我的思维并不活跃，码字也很难。这次分享的部分内容没有详细说明，以后我会逐渐分享。或者在我更多地论证了我目前的数据建模之后，我将分享很多东西。目前，我正在整理一套数据模型，大约有100个。