一本好書會讓人有讀時恍然大悟，讀后茅塞頓開的感覺，最近我讀了《數(shù)據(jù)化運營：系統(tǒng)方法與實踐案例》這本書后就是這種感受，瞬間打通任督二脈，“忍無可忍”只好把讀書筆記分享一波。提前預警?。?！本文很干，請自備茶水！

一、數(shù)據(jù)運營、數(shù)據(jù)分析之間的辯證關(guān)系

在說數(shù)據(jù)運營之前，首先得了解運營是什么？從廣義來說，一切能夠進行產(chǎn)品推廣、促進用戶使用、提高用戶認知的方法與活動都是運營。運營的終極目標是使產(chǎn)品能持續(xù)穩(wěn)定地、更好地生存下去。好的運營是通過推廣、引導、活動等一系列舉措讓產(chǎn)品的各個指標得到提升。

數(shù)據(jù)驅(qū)動運營就是通過數(shù)據(jù)分析與用戶行為研究讓產(chǎn)品的功能不斷完善，適用性不斷提升，使產(chǎn)品有更長的生命周期。

個人理解也就是“構(gòu)建”——“衡量”——“學習”的循環(huán)。

二、數(shù)據(jù)運營“硬實力”

數(shù)據(jù)驅(qū)動運營，需要一套支撐數(shù)據(jù)應用的“硬件能力”。這套能力體現(xiàn)在數(shù)據(jù)的流轉(zhuǎn)環(huán)節(jié)，從海量的數(shù)據(jù)中提取出有用的模式并對其進行分析、挖掘、應用，包括：數(shù)據(jù)采集（埋點、爬蟲），數(shù)據(jù)加工、清洗、建模、挖掘到最后支持到上游的應用。書中用一張圖將”硬實力“提煉出來：

其中，數(shù)據(jù)源包括企業(yè)內(nèi)部的OA數(shù)據(jù)、財務數(shù)據(jù)、業(yè)務數(shù)據(jù)、日志數(shù)據(jù)、埋點數(shù)據(jù)以及外部數(shù)據(jù)。經(jīng)ETL后存儲到數(shù)據(jù)倉庫中，數(shù)據(jù)倉庫包含三層。

ODS層是各業(yè)務系統(tǒng)的源數(shù)據(jù)，會對操作型環(huán)境中的數(shù)據(jù)進行簡單的格式解析、多數(shù)據(jù)源的合并、設置字段默認值等操作。

DW層對ODS層進行建模加工，提供統(tǒng)計匯總數(shù)據(jù)。

DM層根據(jù)DW層的數(shù)據(jù)，為各個業(yè)務單元定義的集市，輸出相關(guān)的主題寬表

有了上面的硬件基礎，企業(yè)的數(shù)據(jù)管理部門還需要對各業(yè)務條線的數(shù)據(jù)梳理出一份全量業(yè)務的數(shù)據(jù)字典，方便數(shù)據(jù)分析人員借助數(shù)據(jù)字典了解公司的全景數(shù)據(jù)，明確數(shù)據(jù)的分布和蘊含意義。數(shù)據(jù)字典的能否在企業(yè)級的層面做到及時更新，也是數(shù)據(jù)“硬實力”的重要組成部分。

此外，數(shù)據(jù)建模層和數(shù)據(jù)應用層主要是對數(shù)據(jù)倉庫中的數(shù)據(jù)進行利用與挖掘，數(shù)據(jù)建模層主要方便地對數(shù)據(jù)分析人員查詢分析數(shù)據(jù)、BI報表的實時展示以及數(shù)據(jù)挖掘工程師對數(shù)據(jù)的深度建模與挖掘提供支撐。數(shù)據(jù)應用層是數(shù)據(jù)價值產(chǎn)生的出口，可以認為面向的用戶是全體管理人員和業(yè)務人員，而不是數(shù)據(jù)分析人員，可以提供用戶的智能營銷以及個性化內(nèi)容推薦等功能。

三、數(shù)據(jù)運營“軟實力”

數(shù)據(jù)運營軟實力，主要是對人的能力要求。數(shù)據(jù)團隊作為各業(yè)務部門的支持方，團隊內(nèi)成員主要從事數(shù)據(jù)采集、清理、分析、策略、建模等工作，支撐整個運營體系朝精細化方向發(fā)展。常見崗位包括：數(shù)據(jù)分析師、算法工程師、爬蟲工程師、數(shù)據(jù)挖掘工程師等。從工作內(nèi)容分為：數(shù)據(jù)治理、數(shù)據(jù)分析挖掘、數(shù)據(jù)產(chǎn)品三個層次。

數(shù)據(jù)治理：

優(yōu)質(zhì)的數(shù)據(jù)是應用的前提。數(shù)據(jù)治理負責數(shù)據(jù)系統(tǒng)的架構(gòu)規(guī)劃、數(shù)據(jù)的標準和規(guī)范化作業(yè)、數(shù)據(jù)的權(quán)限管理，保證數(shù)據(jù)的安全性和可用性，定義各業(yè)務口徑的數(shù)據(jù)標準，構(gòu)建數(shù)據(jù)集市和底層數(shù)據(jù)架構(gòu)，輸出支持到分析人員應用的數(shù)據(jù)字典。

數(shù)據(jù)分析挖掘：

數(shù)據(jù)分析是數(shù)據(jù)運營的重點工作，其核心是業(yè)務方向的數(shù)據(jù)分析支持。主要包括：

對業(yè)務活動進行效果評估以及異常分析，如異常訂單分析、異常流量分析，挖掘業(yè)務機會點，給予運營方建議及指導；
收集整理各業(yè)務部門的數(shù)據(jù)需求，搭建數(shù)據(jù)指標體系，定期向業(yè)務部門提交數(shù)據(jù)報表，包括日報、周報、月報等；
數(shù)據(jù)價值挖掘，如基于用戶行為數(shù)據(jù)建立用戶畫像、建立RFM模型對客群進行聚類營銷；
輔助管理層決策，對問題進行定位，輸出可行性建議，輔助管理層進行決策。

數(shù)據(jù)產(chǎn)品：

負責梳理各部門對數(shù)據(jù)產(chǎn)品的需求，規(guī)劃報表并優(yōu)化報表，協(xié)調(diào)數(shù)據(jù)倉庫的開發(fā)資源保證項目按時上線。將數(shù)據(jù)分析部門建立的挖掘模型、用戶畫像等數(shù)據(jù)模型做成可視化產(chǎn)品輸出。企業(yè)內(nèi)部常見的數(shù)據(jù)產(chǎn)品包括數(shù)據(jù)管理平臺和自助數(shù)據(jù)提取平臺。其中數(shù)據(jù)管理平臺支持運營日報查看、實時交易數(shù)據(jù)查看、業(yè)務細分數(shù)據(jù)查看；自助數(shù)據(jù)提取平臺滿足業(yè)務方對更細緯度業(yè)務數(shù)據(jù)的需求，解放數(shù)據(jù)提取人員的重復性工作。

數(shù)據(jù)運營人員需要技能與能力

1、EXCEL數(shù)據(jù)處理與繪圖

2、SQL類語言

3、Python語言

4、PPT制作能力

5、業(yè)務理解能力

四、數(shù)據(jù)運營方法論

戰(zhàn)略方法論

1、4P營銷理論

產(chǎn)品（Product）

目前銷售的產(chǎn)品有哪些？其中哪些實現(xiàn)了盈利？哪些還在虧損

產(chǎn)品如何滿足用戶需求

產(chǎn)品的目標用戶是誰？

......

價格（Price）

產(chǎn)品定價機制怎么樣？總體收入如何？毛利如何？

價格、用戶期望、成本、毛利、市場供需之間的關(guān)系如何平衡的？

促銷（Promotion）

有哪些促銷方式？哪些促銷方式的效果最好？

線上、線下促銷對比，投入產(chǎn)出比怎么樣？

渠道（Place）

各個渠道的渠道質(zhì)量如何？

各個地區(qū)渠道覆蓋率如何？

用戶對各個渠道的偏好如何？

2、5W2H

what何事、why何因、where何地、who何人、how如何執(zhí)行、how much何價，此方法比較適合應用于項目的規(guī)劃和架構(gòu)建設，尤其是在向領(lǐng)導匯報時可以采用。

3、PEST

PEST一般用于對宏觀環(huán)境的分析。P（political 政治環(huán)境）E（economic 經(jīng)濟環(huán)境）S（Socail 社會環(huán)境）T（technology 技術(shù)環(huán)境）。

4、SWOT

SWOT是戰(zhàn)略分析的一種方法。S（strength 優(yōu)勢）、W（weakness 弱勢）、O（opportunity 機會）T（threat威脅）

5、邏輯樹

將問題拆解成小問題。拆解原則MECE（相互獨立、完全窮盡）

戰(zhàn)術(shù)方法

6、多維分析

對于指標維度的細分，包括維度的下鉆細分，上卷聚合。

7、趨勢分析

同類指標基于不同時間周期的對比，主要是指標的同比和環(huán)比

8、綜合評價法

綜合評價法是通過將多個指標整合成一個綜合指標來評價的方法，評價過程中會涉及到指標權(quán)重的設定，可分為主觀賦權(quán)法和客觀賦權(quán)法（變異系數(shù)法、熵權(quán)法、主成分分析法）對這一部分感興趣的朋友可以讀一下小獅之前分享的文章《論權(quán)重》

9、轉(zhuǎn)化分析

轉(zhuǎn)化分析用于分析產(chǎn)品的流程或關(guān)鍵路徑轉(zhuǎn)化效果，常借助漏斗圖展現(xiàn)轉(zhuǎn)化效果。常用方法AARRR分析方法即獲取用戶（ Acquisition）、提高活躍度（ Activation）、提高留存率（ Retention）、獲取營收（ Revenue）和自傳播（ Referral），簡稱 AARRR

10、數(shù)據(jù)挖掘方法

這里主要是聚類、分類、回歸、關(guān)聯(lián)分析等機器學習方法

11、可視化

環(huán)形圖、矩陣圖、組合圖、詞云等適用場景

12、ABTest

對比實驗法，常用于決策優(yōu)化、網(wǎng)頁優(yōu)化、產(chǎn)品優(yōu)化、運營策略的一種比較策略。

13、其他方法

還有一些其他數(shù)據(jù)分析方法本書中沒有提到，比如：二八分析、象限圖法、杜邦分析法、RFM等讀者可自行百度學習。

五、案例分析

1、案例競品數(shù)據(jù)對標分析

這個案例全篇都在講爬蟲，網(wǎng)頁獲取、解析、數(shù)據(jù)存儲、爬蟲部署等相關(guān)內(nèi)容，這部分內(nèi)容大家可參考我之前的文章《白話網(wǎng)絡爬蟲——入門篇》，個人感覺這個案例更像是爬蟲工程師的工作，讀者可自己選擇是否閱讀。

2、用戶特征分析

主要是為了了解用戶特征優(yōu)化運營策略。分為基于用戶細分的行為分析，研究活躍用戶、新用戶、老用戶、流失用戶、回訪用戶在產(chǎn)品中行為特征；用戶來源渠道分析，對用戶來源的渠道進行分析，了解各個渠道的渠道效果；基于前端展示的用戶行為分析，分析用戶單擊轉(zhuǎn)化情況，優(yōu)化前端頁面展示。

3、RFM用戶價值分析

這個案例主要是將用戶以R（最近一次購買距現(xiàn)在時長）、F（購買頻率）、M（消費金額）三個指標表示，通過規(guī)則定義或者聚類分析對用戶進行分類以及周期價值分析，針對不同的用戶客群采取不同的運營策略

4、用戶流失分析與預測

本案例根據(jù)業(yè)務現(xiàn)狀結(jié)合用戶回訪率定義流失用戶和活躍用戶，利用決策樹模型預測用戶流程可能性，輸出流失用戶名單，由運營人員重點運營，并對流失用戶的特征進行定量分析，挖掘用戶流程原因。

5、站內(nèi)文章自動分類打標簽

這是一個NLP案例，可能由于本書成書于兩年前，當時BERT還未流行，不然此案例最優(yōu)的解決方式就是BERT了。本書應用的方法是TF-IDF向量化文章，用樸素貝葉斯進行分類。

6、用戶畫像建模

這個一個比較大的案例，作者用一整章來進行案例分析。用戶畫像的本質(zhì)就是為用戶打標簽，可分為三類標簽：基于統(tǒng)計類的標簽，如近七天消費次數(shù)、金額等，基于規(guī)則類的標簽，如消費活躍用戶定位為30天內(nèi)消費兩次以上等，基于挖掘類的標簽，如通過對習慣行為的分析判斷用戶真實性別（淘寶將用戶性別細分為20多個小類）等。

用戶畫像具體可包括：用戶人口屬性畫像，這里主要是用戶在注冊時填寫的一些基本信息，年齡、城市、生日等；用戶個性化標簽，用戶在產(chǎn)品上的瀏覽、搜索、關(guān)注、收藏、加購物車、付款、評價等行為帶來的一系列標簽，根據(jù)這些行為發(fā)生的時間、次數(shù)、行為類型進行標簽建設；各業(yè)務線用戶畫像，根據(jù)各業(yè)務線特征設計標簽監(jiān)控用戶在該業(yè)務線上的操作行為；用戶偏好畫像，在用戶個性化標簽的基礎上，根據(jù)業(yè)務規(guī)則設定用戶各類行為類型的權(quán)重、時間衰減方式、標簽權(quán)重，并通過基于物品相關(guān)的協(xié)同過濾算法建立用戶偏好畫像；群體屬性畫像，用戶分群主要用于冷啟動階段，新用戶的商品推薦。

本站僅提供存儲服務，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請點擊舉報。

免费视频淫片aa毛片_日韩高清在线亚洲专区vr_日韩大片免费观看视频播放_亚洲欧美国产精品完整版