导语：“做分析不能光罗列数字，要有有深度的结论！”这是很多公司对数据分析师的要求。那么运营数据该怎么分析，才能够得出有深度的结论？作者针对于此提出来一些见解，让我们一起来学习一下吧。

“做分析不能光罗列数字，要有有深度的结论！”

这是很多公司对数据分析师的要求。然而到底怎么做才有深度？除了罗列购买人数、购买率等数据，到底还能分析啥？今天结合运营的例子，具体讲解下。

一、从最简单的场景入手

设想一个最简单的场景：全场5折！件件五折！样样五折！作为消费者，我们最喜欢这种简单粗暴又实惠的方式。

但是站在运营的角度看，这样有啥问题呢？因为消费者不止一类人，每个企业面对至少四类消费者，并且其中陌生人才是大多数（如下图）。

单纯地打折，导致的结果就是经营盘子越做越小，销量可能维持在一定水平，但总利润是越来越低的。

如果数据分析师不懂得背后的运营逻辑，只是单纯陈列数据的话，那么就会啰嗦一堆：“购买客户数XX人，购买金额XX万，较上月下跌x%……”

但这些都仅仅是现象陈述，这里的深度问题是：手段粗暴，缺少引流。

如果一个企业的运营只会这么干，那历次打折叠加的效果更明显（如下图）。

所以，想解读数据更深入，需要以下两者缺一不可：

1. 理解运营基本逻辑
2. 用数据佐证逻辑

二、从简单到复杂

为了改变这种简单粗暴的做法，人们自然会想到：拆分人群来做。最直观的拆分是把新用户和老用户区分开，做不同策略。如果不考虑运营逻辑，数据分析师会本能的给出三个分析基本思路（如下图）。

但注意，当策略有了组合的时候，就会有叠加效应，因此引出三个更深层的话题：

1. 单个策略执行是否有效
2. 两个策略之间，是否有衔接
3. 整个策略组合，成本是否失控
4. 这三个问题是由小到大，逐层解决的。

三、单个策略优化

以获取新用户举例，设想一种最简单粗暴的方式：新用户首单1元买商品。优惠力度大，简单粗暴，作为顾客的话我们人人喜欢。

但是站在运营角度，这么简单的活动，都至少有五个部分组成（如下图）。

如果孤立地只看一次活动，那么作为数据分析师，肯定只能得出：曝光量XX万，引导注册X万，购买人数X万这种没有结论的数据。

但是把所有活动，按照策略目标编织成活动组，就能进一步发现问题（如下图）。

1. 单一活动，没有做过优化
2. 做优化毫无章法，无法有效积累经验
3. 做优化仅仅优化某个部分，放弃其他动作

简单来说：运营自己没有本事做，瞎胡乱改，东抄抄西抄抄。如果这种状态也能出业绩，那就只能证明：大环境真的很好。如果没有出也是理所当然的。

还有另一种情况，就是优化了若干版本以后，发现：一个渠道的新用户数/转化率是有上限的，至少在目前的文案创作能力+商品+优惠政策下，是有最大限额的。

如果能证明这一点，也能得出一个更深层结论：需要新开渠道，支持更大的业务目标。这样的结论，也能避免数据分析师被人揪着不停地问：“为啥就分析不出更多优化点了”——它可能真的就只有这么多。

四、两个策略衔接

还拿上边的例子，当新用户完成首单以后，已经有了注册信息和首次交易数据，就能做更多分析，也能导出更多策略。

注意，在运营角度，这里的很多策略是固定可做的，根本不需要做分析也知道能做，数据分析支持的，仅仅具体的做法以及数量（如下图）。

此时，除了简单地输出：复购率、复购人数、复购商品量等等数据以外，将两个策略结合来看，能看出更多深层次问题（如下图）。

为什么用户不复购？如果直接问数据分析师，估计能把人问傻，但结合之前新人阶段策略以后，就能得出更深层分析结论：

1. 因为根本没有策略承接这一群新人
2. 有策略，但是过于单一，未结合消费习惯
3. 有策略，很多样，但缺少培育，就知道收割
4. 有策略，有培育，但时机不对，太早/太晚

这些结论，是需要把前后策略连起来看，才能深入发现的。

五、多策略管控

当策略越多，策略之间的相互影响越明显。此时运营会有两个明显的倾向：

第一类：

各部门各自为战，拉新、复购、高价会员一个小组一套策略，营销费用疯狂燃烧。

最简单的例子：负责拉新的部门为了自己的考核数据好看，在拉新的时候多塞了几张优惠券，优惠券又有3个月有效期。结果等第三个月负责复购的部门来做活动的时候，用户莫名其妙又多拿了几张券。

最后的结果，要么是羊毛党把券都用掉，薅个痛快。要么就是用户挑了优惠最大的券用，总之，得有个部门郁闷：“为啥我的券没人用？？”

这些问题，在单一的活动复盘里很难讲清楚，但把所有活动围绕活动编织成策略组，就看得很清楚。能及时发现活动间堆叠，能基于每个用户计算清楚到底投放成本去到多少（如下图）。

第二类：

各种动作混为一谈，又要用户看直播，又要用户下载APP注册，又要玩游戏，最后才能得个可怜巴巴优惠券。

这种情况根本不需要举例，现实生活中太多了，而且经常是操作越整越复杂，优惠越给越少。一个基本的常识就是：流程越长，流失越多。看似面面俱到，实则面面俱废。

此时作为数据分析，除了给到这个巨复杂的流程数据以外，还可以把这个巨复杂的流程，对应回基础用户数据，看看丫实际覆盖了哪些人，到底激活的是谁，这样就能把大而无用的问题暴露出来。

六、小结

在数据分析领域，一直以来都有拿着锤子找钉子的不良习惯。今天书本上讲了逻辑回归模型，所以逻辑回归能怎么用到业务上，快给我一个逻辑回归业务，谢谢。

可如果真的理解了数据模型的本质，你会发现：数据模型本质上是点试的输出。比如逻辑回归，它就只有一个二分类结果：是/否，没了。比如线性回归，它就只输出一个连续型的数字，没了。

而具体到运营工作上，运营的工作是链式，是交织在一起的，是一步步迭代的。因此不可能指望一个点试的结果解决问题。即使预测出来一个人不消费，又怎样！

• 要在哪里接触到他？
• 要投什么商品吸引他？
• 要几点几分推信息？
• 推送了他不点击咋办？
• 你确定推的文案他看得懂?

对手搞了更大力度优惠，又怎么办？

这些一系列的问题，都不是靠着一个数据模型预测出来的，而是先要把运营策略梳理清楚，编制分组，理清内部逻辑，才能结合数据，发现盲点，从而找到更深层的原因。

这里又延伸出另一个问题：如何从运营方案的语文描述里，总结出一个数据可以分析的逻辑出来。感兴趣的话，本篇集齐60在看，我们下一篇分享哦，敬请期待。

作者： 接地气的陈老师；公众号：接地气学堂

本文由 @接地气学堂 原创发布于运营派。

题图来自 unplash，基于CC0协议