从广义来讲，数据是反映产品和用户状态最真实的一种方式，通过数据指导运营决策、驱动业务增长。与数据分析师的岗位不同，数据运营更加侧重支持一线业务决策。而运用在产品运营的整个生命周期中，数据运营就是属于一种技能，通过数据分析发现解决问题，提升效率促进增长。
一、数据运营都需要学习些什么知识？ 1. 明确数据分析的目的做数据分析，必须要有一个明确的目的，知道自己为什么要做数据分析，想要达到什么效果。比如：为了评估产品改版后的效果比之前有所提升;或通过数据分析，找到产品迭代的方向等。
明确了数据分析的目的，接下来需要确定应该收集的数据都有哪些。
2. 收集数据的方法说到收集数据，首先要做好数据埋点。
所谓“埋点”，就是在正常的功能逻辑中添加统计代码，将自己需要的数据统计出来。
目前主流的数据埋点方式有两种：
常见的第三方统计工具有：
网站分析工具：Alexa、Google Analytics、百度统计
移动应用分析工具：Google Analytics、友盟、TalkingData、Crashlytics
不同产品，不同目的，需要的支持数据不同，确定好数据指标后，选择适合自己公司的方式来收集相应数据。
3. 产品的基本数据指标这里讲下漏斗分析法和AARRR分析模型
漏斗分析法
用来分析从潜在用户到最终用户这个过程中用户数量的变化趋势，从而寻找到最佳的优化空间，这个方法被普遍用于产品各个关键流程的分析中。
比如，这个例子是分析从用户进入网站到最终购买商品的变化趋势。
从用户进入网站到浏览商品页面，转化率是40%；浏览商品到加入购物车转化率是20%等，那要找出哪个环节的转化率最低，我们需要有对比数据。
比如第一个，进入网站到浏览商品，如果同行业水平的转化率是45%，而我们只有40%，那说明这个过程，没有达到行业平均水平，我们就需要分析具体原因在哪里，再有针对性的去优化和改善。
当然，上面这是我们设计的一种理想化的漏斗模型，数据有可能是经过汇总后得出的。而真实的用户行为往往可能并不是按照这个简单流程来的。此时需要分析用户为什么要经过那么复杂的路径来达到最终目的，思考这中间有没有可以优化的空间。
AARRR模型
这个是所有的做产品的小伙伴都必须要掌握的一个数据分析模型。
所谓获取用户，就是拉新就是吸引新的用户。对于APP来说，拉新意味着新的用户下载注册；而对于众多的微信公众号、微博、贴吧运营个体而言，拉新指的是吸引新的粉丝关注。
在罗列你的渠道时，需要注意的是每个渠道都需要有根有据，包括这个渠道是不是跟你的目标人群相契合、还有单价高或低以及渠道的二次传播行不行等等因素。而现在推广APP的渠道都会包括：
获取用户就是通过各个渠道拉新的过程。除了换量合作，在各大论坛贴吧等社区发帖，社群营销等免费方式。付费方式包括但不限于利用搜索引擎、微信微博头条等自媒体、网盟广告、线下活动，互联网电视这些方式。增长黑客这种特别的方式也有人在使用。
拉新是否有效有一个评判标准——触发关键行为。比如用户下载了APP不一定会使用。关键行为根据产品的情况而定，它可能是浏览文章，观看视频、发送消息、开始游戏或者填写邮箱等。
好渠道并不意味着用户量最大的渠道，也不是成本最低的渠道。不断探索用户的喜好和分布，才能更加优化合理的确定投入策略，不断最小化CAC。每个渠道获取用户的数量，质量，成本都不一样，需要通过用户获取成本（CAC），用户量，留存率，ARPU数剧等综合评判。
当然除了通过外部渠道获得新客户，如果用户体量较大，也可以从产品设计的角度完成拉新。
第一、主动告知用户，有三种方式：APP的push消息、EDM邮件、短信通知，可以根据用户画像来进行消息推送的时间，内容和用户。
第二、被动告知用户，开屏广告，设置明显的入口，功能入口添加优惠便签，首页设置相关的轮播图等；如摩拜APP的开屏广告显示有网约车，滴滴APP的其他各种功能。
提高活跃度（Activation）
活跃度指用户使用产品的时间以及频率。每个产品对活跃度的定义不一样，比如百度贴吧希望用户能够每天都能登录、发帖、评论；在线教育类产品，则更关注用户的学习时长、练习次数等。
活跃度建立在产品的核心价值上，如高质量的内容，越来越好的用户体验感，多功能的需求等，在用户最初使用的几十秒钟内抓住用户。
还有一些辅助手段，包括满足用户需求的活动、完善的用户激励体系，成长体系、增加用户与其他用户的互动的方式，还有APP的新手指引这类更细致化的操作等。
一个比较全面的分析思路是，把用户从使用产品开始到结束的每一个流程单独列出来，站在用户角度，不断寻找可促活的途径。比如，分析新功能的转化率，使用过程的流畅性，延长用户的产品使用流程。
当然，我们还可以筛选出优质用户。如果某个渠道的用户，使用产品的时间和启动次数很可观，则应加大这个渠道的投入。此外，还有些用户只启动过一次产品，这类用户大多属于被动激活。
除了渠道，另一个和活跃度相关的分析维度是版本。但这会产生两个错觉：用户习惯了现在的产品，所以不希望产品迭代更新；用户会要求你增加新功能。
例如，2006 年 Facebook 首次推出新闻频道，造成巨大的用户反弹。但随着时间的推移，这个产品却成为了Facebook 的核心功能。Facebook忽视了少数派的反对声音，坚持了自己的战略。
我们既不想刺激现有的忠诚用户，又需要获取下一个百万用户，添加功能比砍掉功能更容易。通常用户要求的功能是解决很小的便利问题，而不是真正的解决方案。我们需要积极地与用户沟通，如果数据告诉你新方向是正确的，那么忽略发声的少数用户。
提高留存率（Retention）
用户开始使用产品并且一段时间后仍然继续使用，被认作是留存用户，而留存用户占当时新增用户的比例即是留存率。
用户在每个应用中的生命周期是接触—使用—放弃或者遗忘的过程。在用户使用阶段，有效的促活手段也能提高留存，但同样重要的是挽回用户，而挽回用户有一个通用的流程。
先确定流失用户的标准；再建立一个用户流失模型，分析用户为何流失，采取相应的手段补救；同时通过EDM，短信等方式让用户知道你在召回；最后通过新手引导重新让用户熟悉产品操作，继续留存。
获取收入（Revenue）
现阶段移动应用获取收入的途径主要有三种：付费应用、应用内付费，以及广告。付费下载多见于苹果APP Store，广告是大部分开发者的收入来源，而应用内付费也较为普遍，比如游戏类，增值服务类，自营商城等。特别说明，高德地图的盈利模式除了广告之外，还在于其本身的地图数据和用户数据与其他领域的结合。
大家通常采用ARPU（平均每用户收入）值来判定收入标准。但对于一个既有付费用户，又有未付费用户的应用而言，还需要看 ARPPU（平均每付费用户收入）。
因为涉及到付费用户在全部用户中所占的比例，如果付费用户的数量较低，那么就要思考产品盈利方式是否有问题，包括定价，产品功能特性，变现方式等。
计算收入的同时也要考虑利润。计算利润的时候有一个指标：LTV（生命周期价值）。用户的生命周期是指一个用户从第一次启动应用，到最后一次启动应用之间，为该应用创造的收入总计。LTV – CAC的差值，就可以视为该应用从每个用户身上获取的利润。
自传播（Refer）
社交网络的兴起，为产品带来了更强的生命力——基于社交网络的自传播。自传播，或者说病毒式营销，来源于病毒传播学，即一个已经感染了病毒的宿主在接触其他宿主的过程中也会被传染上病毒。K因子量化了“感染”的概率。
K = (每个用户向他的朋友们发出的邀请的数量) * (接收到邀请的人转化为新用户的转化率)。当K>1时，用户群就会象滚雪球一样增大，但是绝大部分移动应用还是必须和其它营销方式相结合。
自传播除了产品足够好，传播过程的受众足够准确，能够引发用户的需求也同样重要，比如利益，虚荣心，稀缺性，试用等等。比如滴滴，美团的红包好友分享；付费用户免费邀请朋友试用产品；转发朋友圈送礼品等。
以一个成功的微信百日跑活动为案例，展现自传播过程中部分可调整的点。
1、拉新分发机制
对跑步KOL拉新做梯度激励手段：队每多10人，就发群红包；队满80人则队长可以获得跑鞋一双。同时每天在队长群中做群运营，晒队人数排行榜，“XX队满80人啦”，“XX队队长领取跑鞋”，让队长被充分激励。
2、常规分享机制
在微信体系内，分享海报比分享链接更引人注目。结合“赢取iPhone8”卖点的海报让用户发朋友圈时比较抢眼。同时分享流程也要做充分的引导，比如“长按图片，发送给朋友”。
3、诱导分享机制
活动有报名费，所以设计了“报名成功后分享活动页到朋友圈立返20元现金”的奖励。因为跑步用户之间有公用的微信群，所以必须是用户分享朋友圈才最有效。同时又担心用户发朋友圈时选择部分可见，或发完立删，所以补充了“需要10人通过朋友圈点开你的分享”这个机制。
A、分享机制的详细说明
B、对分享标题做改版，带来二次分享，凡是可以数据化的地方就能做成排行榜，用户都在晒自己是第几个报名的，能激发人类心中攀比炫耀的心理，这就促成了分享。
C、利用H5设计“假活动图文”，在这个H5上可以自由定义阅读数（直接100000+），点赞数和用户留言。通过设计的用户留言，引导用户报名并对一些疑虑进行破解。
E、“10人点开阅读的提醒”
朋友圈一人点开就提醒一次。同时，部分人分享朋友圈后并没有10人打开，或错分享给好友或群，所以我们每两天，会用发模板消息提醒未领20元的用户再次发朋友圈。
二、数据运营需要分析什么？用户运营只是运营的职能之一，贯穿在各种产品的运营中。用户运营所关注的数据指标，不同行业、不同平台等等都有不同的侧重点。
根据运营的平台来划分：
网站运营：
（1）流量方面需要关注：
（2）访问方面需要关注：
（3）活跃方面需要关注：
相关的，还可以有周活跃用户量、年活跃用户量等等。
（4）转化方面需要关注：（这里的转化，单指电商运营方面。与上文转化率做区分）
APP运营：
次日留存率：例如，第一天新增300人，第二天还登录的有150.那么次日的留存率就是50%（=150/300）。以此类推，还有三日留存率（第三日登录数/第一天新增数）……n日留存率等等。
TAD：比如，7日TAD=第一天留存量+第二天仍在留存的数量……+第七天仍在留存的数量
用于计算七天内，一台设备活跃过几天。
（4）转化：这里也特指电商，同上文网站运营里的转化。
根据运营的行业来划分：
除了运营平台和运营行业两个划分角度外，还有很多划分角度，其中用户运营所要关注的数据指标都是有不同侧重的。
三、如何进行数据分析 1、数据采集好的数据源主要有两个基本的原则，一个是全，一个是细。
全：就是说我们要拿多种数据源，不能说只拿一个客户端的数据源，服务端的数据源没有拿，数据库的数据源没有拿，做分析的时候没有这些数据你可能是搞不了的。另外，大数据里面讲的是全量，而不是抽样。不能说只抽了某些省的数据，然后就开始说全国是怎么样。可能有些省非常特殊，比如新疆、西藏这些地方它客户端跟内地可能有很大差异的。
细：其实就是强调多维度，在采集数据的时候尽量把每一个的维度、属性、字段都给它采集过来。比如：像where、who、how这些东西给它采集下来，后面分析的时候就跳不出这些能够所选的这个维度，而不是说开始的时候也围着需求。根据这个需求确定了产生某些数据，到了后面真正有一个新的需求来的时候，又要采集新的数据，这个时候整个迭代周期就会慢很多，效率就会差很多，尽量从源头抓的数据去做好采集。
2、数据建模有了数据之后，就要对数据进行加工，不能把原始的数据直接暴露给上面的业务分析人员，它可能本身是杂乱的，没有经过很好的逻辑抽象的。这里就牵扯到数据建模。首先，提一个概念就是数据模型。许多人可能对数据模型这个词产生一种畏惧感，觉得模型这个东西是什么高深的东西，很复杂，但其实这个事情非常简单。
在数据分析领域领域领域，特别是针对用户行为分析方面，目前比较有效的一个模型就是多维数据模型，“在线分析处理”这个模型。它里面有这个关键的概念，一个是维度，一个是指标。
维度比如城市，然后北京、上海这些一个维度，维度西面一些属性，然后操作系统，还有iOS、安卓这些就是一些维度，然后维度里面的属性。通过维度交叉，就可以看一些指标问题，比如用户量、销售额，这些就是指标。比如，通过这个模型就可以看来自北京，使用iOS的，他们的整体销售额是怎么样的。
3、数据分析方法数据分析方法是有多种的，比如多维度事件分析、漏斗分析（文章前面已经做了简单分析）、回访分析、交叉分析等，在这里我们就挑一个交叉分析来做个案例分析。
交叉分析法：通常是把纵向对比和横向对比综合起来，对数据进行多角度的结合分析。 举个例子：
a. 交叉分析角度：客户端+时间
从这个数据中，可以看出iOS端每个月的用户数在增加，而Android端在降低，总体数据没有增长的主要原因在于Android端数据下降所导致的。
那接下来要分析下为什么Android端二季度新增用户数据在下降呢?一般这个时候，会加入渠道维度。
b. 交叉分析角度：客户端+时间+渠道
从这个数据中可以看出，Android端A预装渠道占比比较高，而且呈现下降趋势，其他渠道的变化并不明显。
因此可以得出结论：Android端在二季度新增用户降低主要是由于A预装渠道降低所导致的。
所以说，交叉分析的主要作用，是从多个角度细分数据，从中发现数据变化的具体原因。
5. 如何验证产品新功能的效果验证产品新功能的效果需要同时从这几方面入手：
a. 新功能是否受欢迎？
衡量指标：活跃比例。即：使用新功能的活跃用户数/同期活跃用户数。
使用人数的多少还会受该功能外的很多因素影响，千万不可只凭这一指标判断功能好坏，一定要结合下面的其他方面综合评估。
b. 用户是否会重复使用？
衡量指标：重复使用比例。即：第N天回访的继续使用新功能的用户数/第一天使用新功能的用户数。
c. 对流程转化率的优化效果如何？
衡量指标：转化率和完成率。转化率即：走到下一步的用户数/上一步的用户数。完成率即：完成该功能的用户数/走第一步的用户数。
这个过程中，转化率和完成率可以使用(上)篇中提到的漏斗分析法进行分析。
d. 对留存的影响？
衡量指标：留存率。用户在初始时间后第N天的回访比例，即：N日留存率。常用指标有：次日留存率、7日留存率、21日留存率、30日留存率等。
e. 用户怎样使用新功能？
真实用户行为轨迹往往比我们设想的使用路径要复杂的多，如果使用的数据监测平台可以看到相关数据，能引起我们的反思，为什么他们会这么走，有没有更简便的流程，以帮助我们作出优化决策。
不管是市场也好，产品也好，运营也好，老板也好，大家都会有各种各样的数据需求，所以数据运营其实是一个蛮受欢迎的岗位，但是真正要做得好不是那么容易的事情，因为数据是件较为复杂的事情，设计的因子数据指标比较多。但是作为一个产品运营人员，时刻需要跟数据打交道，不会那么一点数据分析能力好像说不过去，所以基本的关于数据分析能力害的具备。
