粉丝数据分析：如何做到数据驱动运营？
对于运营的数据分析，我们需要建立几个视角：
- 宏观视角：以特定的结构和思路建立整体的数据认知
- 业务视角：基于业务逻辑和流程下的数据分析
- 思维视角：基于数据，跳出单纯的对事的分析，想清楚why和what
- 自身视角：养成特定的数据分析习惯，培养数据的敏感度
01
建立数据的整体认知，最好的办法就是通过结构化思维进行数据维度和指标的梳理。
正如用户画像的思路，可以分为显性画像和隐性画像两个方面；对于数据也可以用类似的角度分维度和指标两大类：
维度是指事物或者现象的某种特征，以及范围限定，如性别、地区、时间等都是维度
指标又称参数，也叫参变量，是一个变量，用于衡量事物发展程度，程度是好还是坏，需要通过不同维度来进行对比。
维度一般包含：
时间：日、周、月、年，以及自定义时间段
地域：全球、全国、省、市、区/县，以及自定义的地理范围
年龄：不同年龄段
终端：移动端（安卓端、iOS端、平板）、PC端、电视端等
性别：男、女
年级：幼儿园、小学、中学、高中、大学、研究生、在职 ，或者少儿、K12、成人
其他特征及范围限定
指标一般包含：
行为指标：注册量、PV、UV、VV、UID、留存率、转发量、点赞量、收藏量等
业务指标：GMV、用户价值、订单量、转化率等
运营常用数据都是基于维度和指标之间的组合，形成的特定范围下的数据。比如在衡量投放线索质量时候，会看用户价值数据，从维度和指标上会出现1日、3日、7日、15日、30日用户价值，当然根据业务发展需要会去自定义统计的时间维度周期。
对于整体数据的认知，我们也可以从宏观数据、中观数据、微观数据进行拆分，具体如下：
同样我们也可以从：基础数据、行为数据、业务数据来去梳理和了解我们业务中要用到的所有数据。
至于我们在实际运营过程中需要考虑哪些数据体系，则是需要结合业务的实际情况来进行考虑，主要受我们的业务目标、业务流程、运营模式及在实际落地过程中的过程指标影响。
02
数据分析需要基于特定的业务目标和流程来进行，与业务紧密关联，数据直接指导业务行为和关键需求，整个业务如果要清晰、有节奏的落地和管控，需要建立清晰的数据体系和过程指标。
我们以直播电商为例，目标是GMV，基于GMV影响因素和业务流程，拆解公式如下：
GMV的高低是受到：流量、转化率、客单价三个关键因素影响，流量则又受到直播间曝光（PV）、直播间CTR、商品的曝光率、商品的点击率影响。
基于上面的业务拆解公式，直播电商的数据分析指标便形成了固定的分析体系和思路。GMV增长的核心思路就是提升和优化公式环节上的指标，结合各环节优化目标和提升空间，进行指标的持续优化，每个关键环节的指标提升方法和技巧，就是具体的运营行为和动作。
当然并不是所有的指标同时进行优化和提升，因为精力、资源和时间不允许，这个时候需要找到侧重点，也是阶段性业务重点，确定的依据：指标提升空间和性价比（或投入产出比）。
我们再以在线教育项目为例，GMV是受到线索量和线索价值影响，即GMV=线索量*线索价值，具体业务拆解公式如下：
基于以上公式我们可以拆分出详细的数据指标体系：
日常数据统计和记录维度可以按照如下形式：
当建立起固定的数据指标体系后，每期直播就可以重复性的进行数据统计分析，以及针对每个环节的数据指标进行不断的优化和打磨提升。
我们再以某个非常具体的活动为例：比如我们要做一个新课首发活动，固定时间点开售抢购，目标是活动营收，在开售开始前采用预约报名的形式。那么对于这场活动的成果与否，核心是要做好过程数据的管理，具体模型如下：
从活动风险管控的角度，课程抢购预约人数可以设置一个上浮动值，比如过程指标的预约人数可以定为1800人或者更高，活动预热宣传阶段则以这个过程指标作为核心指标去促进。因为课程购买预约人数是跟详情页曝光（UV）和UV到预约报名的转化率有关。要想提升预约人数有两个方向思路要么提升课程曝光，要么提升预约转化率。
提升曝光（UV）则以增加曝光渠道、推广资源和传播玩法来进行，核心是确保渠道质量、玩法和创意，其次建立用户对本次活动的关注度和认知度
而提升预约报名的转化率则从课程价值点传达（如详情页和活动页的包装和介绍，社群宣传，销售的跟进介绍），课程价格、福利阶梯设计和抢购群内氛围营造来进行刺激。
当然这个是从本次活动管控角度，来确保活动目标达成以及保证活动过程指标管控节奏，而从本质上，对于活动成功与否关键是要看项目在日常的运营积累，需求强烈程度及需求节点，比如内容本身打磨、需求和活动策略设计。
03
运营数据分析的门槛不在技巧和工具使用，而在于思维、意识和习惯。对于数据分析，需要我们找到一个特定思维分析模型。
从数据分析操作层面，基本上是按照执行的先后流程来进行，比如：
1、确定数据分析目标
2、根据目标影响因素，建立分析影响关系和模型
3、通过对比和可视化呈现，如横向、纵向或者与目标值对比，数据透视
4、发现问题，从对比和透视中发现与预期不符的数据
5、分析问题，结合数据影响模型和业务分析出现问题的数据原因
6、解决问题，确定优化目标，提出可行性的数据优化提升方案验证方案，通过实际数据反馈来验证方案效果
7、分析优化，循环解决
以上是比较常规，也是大家习惯性的分析思路，从深度思考的角度，大家可以用3W的思考框架来进行分析，即：
数据分析常见误区如下：
1、无对比：只给出绝对值，数据只有通过对比才能判断效果，比如跟目标对比，跟历史对比（同比环比），跟竞品对比，跟同类型项目对比。如大家在周报中经常会出现仅同步上周营收XX万，增粉XX万等绝对值，只呈现绝对值是无法体现数据效果
2、无结论：只做数字上的呈现、计算和对比等，但无实际的结论，比如按照第2部分提到的直播电商GMV拆解公式，对每个环节指标，转化率数据做出呈现和对比，但无具体的结论和分析
3、脱离业务本身：同一个数据原始表格，熟悉和理解业务的运营和外行的人来分别进行分析结论会有很大差别
4、无明确分析依据，用主观思路来做分析：比如A课程上周营收环比增长50%，很多人习惯性说是可能是做了XX动作，或者简单的说上周做了曝光和宣传，至于曝光效果无数据支撑，实际上有可能曝光带来的详情页UV提升有限，而在转化率上有明显提升。正如前面的分析思路，建立课程营收模型：课程营收=详情页UV*转化率*客单价，如果是营收阶段性出现明显上涨，在价格不变的情况下，从表象上是详情页UV或者转化率某一指标或者两个指标都发生明显变化，这个时候要看不同环节数据变化情况，进而分析发生变化的本质原因（同一渠道在不同节点上曝光效果会有很大差异，课程的需求节点和开课时间也都会影响点击和转化），这个时候按照上述的3W思路可能会分析的更深入和精准。
04
数据分析有一个隐藏的能力就是：敏感度。
不同的人对数据的敏感度不同，主要表现在拿到原始数据后的第一反应，对数据敏感的人，即使对原始数据不做透视也能够快速看出一些规律和发现数据问题，对数据分析和关注成为一种潜意识的习惯。而培养数据敏感度除了潜质之外，更重要的是刻意训练。
比较有效的方法就是：每天坚持看数据，即每天至少30分钟~1小时的时间去研究数据，从不同维度和角度去分析，如当期数据跟历史数据对比，当期数据跟同类型项目做对比等。只要坚持半年到1年的时间可以有效提升对数据的敏感度。
