４個模型，看懂數據化運營基本大綱

本篇文章的主題，是數據化運營。在寫完《從零開始，構建數據化運營體系》後，我一直在想，能不能寫得再好一點？

我胸中有很多付諸筆端的想法在鼓動，雖然在近兩年的工作中，數據化運營是最得心應手的工作，但是寫出來總差那麼一點意思。另外一個角度看，是不夠融會貫通。

於是我希望，在七周成為數據分析師的系列後，把數據化運營作為第二個系列來完成。每次寫文章，對自己也是一種總結和提升。下面是一份「簡略」的大綱，更恰當地說是草稿。當不久的將來開始正式寫作時，肯定會更好。

將閉環簡化成四個模型，那麼它們分別是：

雖然數據收集是技術的事，但是產品和運營人員也應該瞭解相關的細節。什麼是網頁參數，什麼是服務器日誌，數據是如何被收集起來的。

如果不瞭解，當你問到研發：為什麼這一塊數據沒有收集到啊，研發大哥只會翻一個白眼說：你沒有要求佈置啊。

佈置即是埋點，埋點不是一項新興的技術，它在Web時代就有了。

很多場景中，業務方是埋點需求的發起者。這也是我強調的，運營和產品需要瞭解埋點，否則，這一塊很容易變成坑。

在數據化運營體系，對埋點的要求只會更高。前端埋點、後端埋點、可視化埋點、服務器埋點，各類方式層出不窮。技術問題不需要擔心，擔心的是應用。

雖說，給我一組行為埋點數據，我用Excel也能寫出協同過濾。可如何最大價值的發揮效用，在埋點初期就應該考慮清楚。所以埋點需要花稍微多一點的篇幅介紹。

最後，學會爬蟲，爬蟲是一種高性價比、高體力活的技能。爬蟲有三種主要方式，靜態網頁爬取、JSON/API爬取、動態JS爬取，再加上各種反爬蟲機制的應對。當爬蟲水平能爬取微信和淘寶時，已經是草木竹石皆可為劍了。

利用爬蟲，運營能做很多好玩的事情。比如出現一個熱點新聞，大家馬上抓取相關數據，然後新媒體同學洋洋灑灑一篇文章：《大數據告訴你，XXX是什麼樣的》，《我們分析十萬條影評後，得出這部電影XXX》，《XX網站最火熱的十條內容》。比憋內容好多了。

這依舊是技術研發的範疇。

數據加工的業務核心是指標，我們首先得熟悉各種主流指標的含義和應用。

很多產品運營們會問，是否需要理解數據架構？

好消息是並不需要學會。但你總歸要理解一個概念，比如什麼是MapReduce，什麼是離線、什麼是實時、什麼是緩存、什麼是T+1。

這是為了降低溝通成本，也是方便大家理解數據化運營背後的邏輯。為什麼有些報表和數據不能立馬獲取，為什麼有些個性化推薦，如網易雲音樂，只能每天定時更新？

一個好的數據化運營體系，需要業務人員和技術不斷磨合才能搭建起來。此時，你也會是一位合格的數據產品經理了。

一些數據產品的設計邏輯可以選擇性學習，包括用戶畫像、廣告、CRM等。它們在一定程度上是相通的，比如用戶畫像和廣告的人群定向，區別於靜態和動態。

用戶畫像是集大成者的先進應用，不同公司的用戶畫像也不相同。有些用NoSQL、有些則是寬表。用戶畫像應基於業務出發，切記避免形式主義的畫像，你賣保健品的，知道用戶喜歡軍事有什麼用？

機器學習是更先進應用，我認為，產品和運營瞭解些機器學習相關的知識挺有幫助，這是數據化運營的方向之一。

當你理解機器學習/數據挖掘能夠做什麼，你才能與數據、技術配合它落地。永遠別期待數據部門憑空優化業務，他們需要業務部門提供方向和指導。一個懂機器學習的運營，起碼值他們請三頓飯。

話說回來，單純理解，哪怕是一個文科生，一個月也能懂幾個主流的演算法模型了。比如決策樹，就是if-then的集合，非常簡單，因為簡單，所以運算速度快，速度快就可以應用在一些特定的場景，比如新用戶的內容推薦系統。這種理解，有助於設計更好的產品。

所以，得讓產品和運營們，也瞭解起機器學習啊。

終於輪到業務的環節，這裡將著重介紹如何將數據轉換成策略。

首先，需要數據化運營的思維。如果運營還是用老虎機、大轉盤、抽寶箱的「三板斧思維」，業務走不長遠。

我曾經說過，運營和Growth Hacker只差一個數據運營的距離。無需特地吹捧國外的增長黑客，只要數據化用的好，人人都是增長黑客。

接下來以實際的工作內容解構數據化運營。

用戶運營的數據化，分為用戶行為和用戶體系。

用戶行為通過埋點數據分析。

桑基圖是最合適的圖表，上圖只是活躍狀態的變化。不妨想一下，同樣的圖表，用來分析用戶在產品上的操作路徑，比如某個功能模塊的使用、退出、跳轉，是否能優化產品呢？

除了行為，還要挖掘用戶數據，之前一篇文章的分層和分群，就是其中之一。另外也包括用戶流失預測等。

活動運營，我準備把流量合併在這塊，因為活動都是Web頁面的形式，兩者的道理是相通的。這塊也有不少專門的技巧。

大家知不知道，微信會在第三方分享出來的web頁面上，打上&from=timeline、groupmessage、singlemessage的參數。分別對應朋友圈分享、群分享、好友分享。大家有沒有研究過，哪些運營活動或者內容，更容易被分享到朋友圈，哪些內容更容易被分享到群？如果加上用戶參數，你還能監控到哪類用戶的分享效果特別好。我就基於此AB測試優化朋友圈的內容點擊率，提高了30%左右。

同樣的，活動運營也能用統計學進行優化，怎麼計算活動中獎的概率模型，預估成本？它是典型的二項分佈。不同的中獎概率，對應什麼樣的用戶數學期望？如何調整概率達到效果最優，玩法也有很多。

內容運營是數據化的一個難點，因為文本很難量化。從大層面考慮，我們能監控輿情數據，而細節，我們將進行文本分析。

不需要專門學會自然語言處理。而是當用戶評論你的產品時，如何判斷他們評論的情緒是積極還是消極？當評論有十萬條時，怎麼去更好的分析？

除了上述最主要的工作內容，我們還要學習商業化運營。這裡的商業運營，是涉及到各類營收、GMV（SmartM註：網站成交金額）的運營策略。包括電商、廣告、會員等。

除了技巧，得花些時間，把策略變成產品和工具。這一塊，就涉及到運營後台/平台的搭建了。

最後就是數據反饋了。

AB測試是數據化運營的大殺器。好的AB測試，需要設計相應的運營策略。如何設置對照組和控制組，如何劃分出流量，怎麼樣的樣本才能滿足置信度的要求。何種手段能夠證明運營策略成功了？

除了AB測試，得繼續熟悉各類反饋指標，點擊率、轉化率、響應率。包括機器學習的精確率、準確率、召回率、AUC和ROC曲線、Lift提升圖。這會把大家的思維，從單純的轉化，帶到更高層的維度。

比如用戶購買商品，轉化率是30%，這是普通運營的視角。數據化運營會怎麼看待這個數據呢？他會把用戶切割到一個維度，叫做購買可能性。比如用戶有90%的可能性購買，用戶有80%的可能性購買，用戶有10%的可能性購買…這些可能性都是機器學習預測出來的概率，不同概率的轉化率不同。最終劃分出一個區間，譬如選擇40%以上可能性的用戶才去做強營銷。

好的運營平台，運營人員會獲得這類基於預測的數據，告訴你用戶對某些運營活動、策略、營銷的響應會怎麼樣，運營人員就基於此選擇用戶，做到性價比最優化。

於此，數據化運營是階段性的結束了，之後則是優化改進策略，作為新的開始。