数据驱动了运营，掌握了数据就是掌握了运营的策略方向

在上一篇文章中，我们已经构建了我们想要的数据指标，也就是说，完成了数据规划的第一步。你可以回顾我们在最后一篇文章中说的话。我们说，在我们的操作过程中，首选必须知道：我们需要收集哪些数据；每个数据背后的操作是什么。现在数据指标已经存在了，所以我们应该关注这篇文章，它们代表了什么问题，它们的使用场景是什么，我们应该如何分析和使用它们。虽然数据看起来非常多样，但每个人在工作中似乎都非常繁琐。事实上，在我们的数据操作中，数据的使用场景只不过是三类，即：监控、预测和测试。这也是数据使用的三个测试。让我们分别谈谈这三个测试。在使用数据之前，还有一个必要的步骤，就是“获取数据”。上一篇文章还介绍了这一点，获取数据主要是通过埋点技术获取的。一般来说，我们有两种方法：开发自己和第三方工具。如果是我们自己开发的，我们需要向产品或技术人员提供计划中的数据。读过前一篇文章的学生知道，他们应该尽可能地向他们提供原始数据。让他们在相应的页面中添加统计代码，在后台管理系统中添加我们需要的一些功能，最终获取我们想要的处理数据。我们提供的原始数据越准确，产品和技术的工作效率就越高。如果是第三方工具(如百度统计、谷歌统计、友盟等。)，只需将第三方提供的代码放入我们的页面代码中，就可以直接使用工具提供的背景，无需自行开发。现在市场上还有一些不需要埋点的分析工具，大家也可以尝试一下。然而，我们需要明白的是，工具只是工具，它只是为了使我们的数据操作工作更有效率。首先要知道的是数据操作背后的逻辑，即使只有一张纸和一支笔，也能起到很大的作用。我们继续讨论我们的三个测试：什么是监控，监控就是对某个数据进行长时间的实时监控，以便随时了解其变化。预测是什么？预测是利用当前数据和合理的方法来预测其未来。什么是检测？检测是利用合理的手段来判断某人的产品或事件的质量。因此，监测就是看过去，看现在；预测就是看未来；检测就是看好坏。1、当我们完成前期的数据规划工作时，监控工作就很容易了。首先，我们选择我们想要监控的数据。以用户数量为例：我们可以实时查看即时数据：我们也可以比较时间维度，查看一段时间内的数据：我们也可以查看用户的分布：一般来说，无论是我们自己开发的背景还是第三方分析工具，都有各种图标显示数据。事实上，使用哪种图标显示方法并不重要，知道为什么要看，并且可以解释，是最重要的。在我们的实际工作中，经常用来监控的数据大多是直观的数据，如用户数量、日常生活量、订单数量、交易金额等。这些数据都是以图表的形式整合在一个页面上的，即形成我们的DashBoard(数据看板)，这也是老板最喜欢的:)。类似下图：二、预测预测在我们的操作中也很重要。例如，我们应该制定工作计划，分析活动的可行性，制定绩效指标，会见投资者等等。最简单的预测方法是根据时间列出数据的趋势图，如下：然后根据我们想要预测的时间点进行估计。当然，如果条件允许，我们可以更准确，我们可以通过维度拆分->取样->估测->叠加这四个步骤来实现它。例如，我们想预测下个月的一些用户增长：将用户增长分为自然增长和事件增长。所谓事件增长，就是我们通过一些临时活动获得的额外用户。然后我们对自然增长进行取样，取出过去几个月或同一个月的自然增长进行样本分析，然后我们可以取出平均值，或者取出最高和最低的两个数据，然后取出平均值。同时，我们取样事件增长，取出过去做的一些活动的数据进行样本分析，获得事件增长的值，然后结合我们计划下个月做的活动估计下个月的事件增长。最后，将两个维度加起来，得到下个月用户增长的预测。以上四个简单的预测步骤经常用于我们的工作。这是操作中必须掌握的技能。当然，如果我们需要一些更准确的大数据挖掘和大数据预测，我们必须依靠更高科技的技术，如人工智能和机器学习。以上是如何使用过去和现在的数据来预测未来的数据，然而，预测还有一个非常重要的使用场景，即：“如何使用过去和现在的数据来预测未来的用户行为”，这通常被称为用户行为分析，我们可以通过以下方法：（1）找到经常做用户行为的用户属性。例如，如果我们想预测一个用户是否会购买我们的产品A，我们将首先整理我们以前购买过的所有用户数据，如性别、年龄、地区、职业等。(2)找出用户行为的前置行为。例如，用户在淘宝上购买产品A的行为将有几种前提行为：如产品页面停留时间、是否加入购物车、是否收集、是否咨询等。(3)找出用户行为的相关行为。例如，A是茶，B是茶具。例如，购买产品A的行为将与购买B有关。所以是否购买了B这个数据也是我们用来预测的数据。(4)然后将上述用户属性、是否行为、行为次数等设置为变量，并记录这些变量的数据。用户购买我们产品A的概率是通过用户的实际数据和变量数据来预测的。事实上，这在我们的生活中已经很常见了。例如，根据我们的一些搜索行为、浏览行为、咨询行为等，百度将有针对性地推送精准广告。今天的头条新闻将推送您最喜欢的新闻话题，天猫淘宝将推送您感兴趣的项目。相信随着科学技术的进步，数据对用户行为的预测也会越来越准确。那么你可能会有疑问，如果我们在实际工作中没有这样的技术支持，尤其是在一些传统企业，我们该怎么办？其实没什么，我们把上面提到的变量设置的少一点，抓住几个核心就行了。虽然精度不太准确，但效果还是有的。以上是从微观数据的角度来看的，那么如何从宏观层面预测用户的行为呢？事实上，世界上的一切都注重平衡，同时也相互滋生和限制。我们花更多的时间在网上购物，更少的购物行为；我们开车的时间更多，走路的行为更少；我们工作的时间更少，娱乐行为更多；我们玩电脑的时间更少，玩手机的行为更多。...在我们的互联网行业，宏观层面的行为增多通常被称为“风口”。同样，在我们的操作过程中，只要我们做好新数据，保留行为就会越来越多；保留数据，活跃行为越来越多；活跃数据，转换行为越来越多；转换数据丰富，提高产品质量；产品质量，新行为越来越多；这通常在《周易》中常说，“阴阳”和“五行”。三、检测检测，应该是我们在操作过程中使用最多的场景。3、测试和测试应该是我们在操作过程中使用最多的场景。正如上面所说，测试是告诉我们什么是好的，什么是坏的？在操作过程中，我们应该检测什么？你还记得我们的结构吗？操作的基本结构只有三件事：人（用户）、货（产品）、场景(展示或交易的方式)，这是我们需要检测的。众所周知，我们每个人都生活在一个三维世界里，加上时间维度就是四维空间。同样，在我们的操作世界中，用户、产品、展示或交易场景是一个三维空间；如果我们只看其中一个，那就是一个二维空间；如果其中一个继续拆分，只看一个点，那就是一维空间；添加所有的时间，即四维空间。有两种最好的方法可以检测数据的质量：比较同一维度和拆解下一维度。1、同一维度的比较和同一维度的比较是指当我们想要测试一件事时，我们应该尽可能地将其他事物保持在同一水平，只通过不同的事物和最终的结果来判断。例如，在实际工作中，我们经常会遇到以下情况：做A、B两个内容，我们想知道哪个内容更有效？做了A、我们想知道哪个活动的用户反应更强烈？找了A、B两个渠道，我们想知道哪个渠道带来更高的用户质量？有了这个竞争产品A，我们想知道这个竞争产品比我们的优缺点是什么？...对于上述比较，我们通常采用趋势线比较法和左右条形比较法。让我们举一个渠道检测的例子：1）我们得到A的首选、B同时保留两个渠道的数量。2)根据以上数据，制作以下趋势线对比图。3)从上述趋势图可以看出，在此期间，渠道B的质量略好于A。让我们再举一个竞争产品分析的例子：竞争产品分析的难度不在于分析本身，而在于获取竞争产品数据，特别是一些内部操作数据，基本上不太可能获得。通常，我们可以在市场上收集竞争产品可以收集的外部数据，并制作左右条形对比图进行分析。例如，通过数据收集，我们在过去三个月获得了以下数据：20个渠道广告，5个收费渠道，发布50个微信图片，总浏览量约8万，4个新闻发布，3个活动，推出2个新付费产品，货架旧产品，应用产品迭代7次，新增4个功能，等等...以上信息市场数据一般可以通过舆情监控的第三方工具获取，产品类需要我们在工作中注意。然后我们根据我们的数据制作了以下图片：通过这张左右条形对比图，我们一眼就能发现我们与竞争产品之间的一些差距和优缺点。然后我们根据我们的数据制作了以下图片：通过这张左右条形对比图，我们一眼就能发现我们与竞争产品之间的一些差距和优缺点。2、这种向下维度的分析方法通常用于我们没有什么可比较的东西。我们只知道什么是好是坏，但我们不知道具体的原因。在这个时候，我们需要不断地拆卸维度，直到我们找到真正的原因。此时，我们通常可以使用漏斗分析图。例如：我们做了一个新的活动a。本次活动的目的是拉新用户下载应用程序并注册用户。然而，当渠道非常稳定时，本次活动的拉新效果并不像预期的那么好。现在我们必须找到一种方法来检测原因。读过我们之前的结构文章的学生应该记住活动的过程结构，然后我们根据活动的过程结构和登陆产品页面选择以下数据节点：活动：活动前、预热、正式活动、余热、产品：指导页面、注册页面、注册成功页面我们收集数据，得到以下漏斗分析图：我们发现在活动中，在早期表现很好，但余热期间出现明显滑坡，下载转换只有15%；注册时，引导页的转换不是很理想，只有50%。因此，通过这两张漏斗图，我们可以发现很可能是我们活动的预热部分和用户注册的指导页面出现了问题。因此，通过这两张漏斗图，我们可以发现很可能是我们活动的预热部分和用户注册的指导页面出现了问题。以上例子相对简单，在实际工作中可能要麻烦得多，但只要我们掌握了使用的场景和分析方法，那么只是做得更详细，本质上是一样的。在这里，我们还完成了对数据使用的测试。通过数据操作测试的四维空间，我们可以发现以下结论：（1）维度越低，测试就越容易，就像老板告诉你的，“为什么今年不赚钱？”“(四维空间)和“为什么没有人点击这个按钮？“(一维空间)，这两件事的难度完全不同，但也说明数据规划时，维度拆分越低，对以后工作的帮助就越大。(2)高维检测应拆分到低维。如果找不到同维度的比较，只能拆分到低维度。（3）检测方法是先将其拆分，然后左右比较。当您将其拆分为具有相同维度的标准对象时，可以通过比较方法进行比较，或者当您明显发现其质量时，您不需要将其拆分。（4）为了判断测试结果的正确性，我们需要从低维度回到高维度，或者从低维度回到高维度，并检查高维度的数据指标。你熟悉这个过程吗？事实上，它的核心思维是我们系列文章的第一篇思维文章：“如何成为一个操作牛-思维文章（1）：从上到下思考，从下到上执行。嗯，在这里，我们已经完成了数据文章。正如我们在前一篇文章中提到的，数据是一个无限向下的东西，所以我们的两篇文章只描述了一些顶级数据、常用场景和分析方法。数据中更精细的内容需要在工作中挖掘。总结数据驱动操作，掌握数据就是掌握操作的战略方向。但是在实施操作策略的过程中，有没有办法事半功倍呢？这些方法会在什么阶段发挥什么作用？因此，我们将进入我们的方法文章。众所周知，所有的操作都围绕着用户，所以一些关于用户的方法是最重要的。