談談我對數據化運營體系的建立與認知V1.0

08-21

5 人贊了文章

TGIF，各位小夥伴們，大家晚上好，我是富貴，很榮幸今天有機會可以跟各位小夥伴做一次分享，今天分享的內容主題是數據化運營體系，會分為3個部分講，講的不好多多包涵。

最近幾年，尤其是2017和2018年，我相信大家對一個概念都不會陌生，就是增長黑客「Growth Hacker」，增長黑客可謂是風靡中國互聯網界，算是個新型概念，不斷給小韭菜們洗腦，增長黑客好，增長黑客秒，增長黑客呱呱叫。

其實要說增長黑客是什麼，實際應用又如何落地，能說得清楚人也不是很多。我沒操盤過超大用戶量的平台和產品，所以不敢妄加評論，但就我個人的理解，增長黑客其實也是一個數據化運營的過程，只是更加高端大氣上檔次。

下面讓我們來看看百度對於增長黑客是怎麼定義的：

「增長黑客」這一說法，最早在2010年由Qualaroo的創始人肖恩·埃利斯（Sean Ellis）提出。它最初的定義指的是「一群以數據驅動營銷、以市場指導產品方向，通過技術化手段貫徹增長目標的人」。其中，數據主要指收集的用戶數據、產品使用數據等。市場為行業的發展導向和熱點趨勢。

總結下來就是幾個關鍵點：

看完這幾個關鍵點，你會不會覺得跟我們運營的工作很像，只是用詞更加考究。其實我覺得是殊途同歸的，我個人一直覺得運營就分兩種，一種是驅動業務的業績增長的，一種是驅動業務的效率提升的，至於用什麼手段，都是見仁見智的事情。所以增長黑客在我看來，應該是運營更深入的更聚合的一個崗位，就像產品經理分支出來的策略產品經理、商業產品經理，核心技能變化並不是太明顯。

運營和增長黑客的目標其實也是相同的：「以最快方法、最低成本、最高效手段實現用戶大量增長，最終增加收入」。

聽到這句話是不是很熟悉，你的老闆一定說過「本次活動0預算但是我要100W用戶，1000WGMV」，「或者招個3000塊錢的新媒體小姑娘，讓她寫10W+」。。。

還有更慘的就是知乎經常能看到的「大學畢業2年了，工資好低，想轉互聯網，感覺互聯網公司好難，不知道能幹什麼工作」，下面的評論十有八九都是回復「干運營吧」

開了一個小玩笑哈，言歸正傳，接下來我們聊聊增長黑客在互聯網公司的職位呈現。一般而言，很少有專門的增長黑客崗位，而是以小組或者team的形式存在，這裡面可能會有開發、產品、運營、市場等同學，共同組成一個小組，來進行最小規模的產品試錯，為什麼？

因為：

因為只有這幾個角色在同一個團隊，才能迎來真正的和平，哦不，真正的快速響應，快速迭代，下面讓我們看下增長黑客團隊的特點：

你是不是發現，哎，跟運營真的是一毛一樣。憑什麼他們薪資比我高那麼多，名頭比我響，這不公平。看完我接下來要講的，你會發現，其實挺公平，因為他們比你更加重視數據。

言歸正傳：

今天分享的內容是拋磚引玉，不會太有細枝末節的東西，算是一個比較基礎的數據化運營體系思路的講解和介紹，後面如果我有時間我會一點一點的把框架里的內容豐富起來。

我先提出幾個問題給大家思考：

我相信本期的P3同學很多已經是經理、甚至總監級別，但是還是有會一半同學在面臨老闆質問以上這四個問題的時候，沒法思路清晰的回答出來。

但如果有了數據化運營體系的思維，我相信這些問題的答案你會在老闆問你之前準備好，甚至會在問題出現之前就改善掉。

下面是我理解的數據化運營框架，大致分為4層，分別是：數據採集層、數據呈現層、數據運營層、用戶觸達層，每一層環環相扣，希望能通過這個圖讓大家有一個初步的數據化運營認知和啟蒙。

1、數據採集層

數據採集在大公司已經成體系成規模了，這裡就不贅述了，但對於創業公司，這個動作一般在產品開發期是最不被重視的，但其實數據收集的越晚，弊端越多，也更不利於快速迭代和指導運營決策。

一般情況下，數據採集會分為「用戶行為數據、公司流量數據、業務數據、外部數據」

（1）用戶行為數據

用戶行為數據可以通過埋點，或者接入數據統計SDK的方式實現數據統計和收集，收集的行為點，一般為：頁面停留時間、跳出率，電商的會有首焦點擊率、加購點擊率等，社交類會有點贊數、轉發數、回複數等等。

對於APP一般用userid作為用戶唯一標識，對於微信環境下的H5或者小程序，更多用openid作為標識，當然也有用手機號做標識的。

數據埋點的結構可以參考：

此外，如果使用友盟SDK還能拿到用戶的設備信息、位置信息、甚至性別等等；

（2）流量數據

流量數據其實和網站的站長統計沒什麼太多區別，就是告訴你用戶從哪來，是搜索引擎來的、外部渠道來的、還是廣告推廣來的；

web時代我們用站長統計工具，移動端我們看是app是哪個應用市場下載的，哪個廣告平台帶來的，甚至是我們H5頁面也會看是從哪個渠道打開的，做好埋點和統計採集就是了。

（3）業務數據

業務數據相對會比較複雜，不同的業務形態有不同的關鍵數據指標；

電商類：庫存、用戶快遞地址、商品信息、商品評價、促銷、好友關係鏈、運營活動、商品類目等

社交類：好友數、好友性別、點贊數、轉發數、回複數、使用時長、使用時段等

不同業務形態，數據不一致，但是原則是，盡量做到MECE法則，盡量全面又互斥；

（4）外部數據

外部數據一般是不留存在我們自身產品上的數據，比如公眾號關注數、微博粉絲數等產品相關數據，外部採購的數據如金融產品會調用螞蟻的芝麻信用api做實名認證、汽車相關產品會調用車輛識別號認證api等等，還有爬蟲爬取的豆瓣電影評分、房產價格信息等等。

以上幾種數據就組成了我們的基礎數據，也即我們的原始數據，然後開發同學通過ETL做數據清洗、標定、規範，搭建數據倉庫便於業務取用，也就形成了我們第一層的數據採集層；

2、數據呈現層

原始數據一般存在很多臟數據、預設值等，沒法直接使用，所以需要做一些數據清洗的動作，然後進行可視化或者報表化，從而給到運營、產品同學取用；

一般情況下，我們會將原始數據進行分別提煉，然後搭建「用戶數據中心」、「可視化dashboard」、「用戶畫像」等；同時我們會結合數據特點，在數據呈現層搭建時，設計一些演算法，如廣告系統的個性化推薦、feed流的信息分發、關聯營銷等等；

這裡特別說一下用戶畫像，用戶畫像這幾年基本上是每一個運營都在強調的東西，但是說的很系統很完整的人不多，下面這張圖應該會給你一個更加清晰的認知，

用戶畫像不要想著第一次就搭建的豐滿完善，這不現實，可以從V1.0不斷迭代到V10.0，慢慢構建出適合業務的完善的畫像系統

3、數據運營層

到了數據運營層，很多同學就開始豁然開朗了，什麼活動運營、內容運營、用戶運營就開始來了，很多同學能說一堆，但是我要強調的是一定要培養自己的數據意識和敏感度；

學會在正確的時間，面向正確的人，做正確的事，得到正確的結果；

這裡我以電商業務里用戶運營常用的RFM模型做例子，看看我們運營人員應該怎麼做：

一般情況，我們還會搭建一個RFM模型看板，方便其他團隊夥伴進行查閱產品用戶結構，方便產品進化與迭代。

@空白白白白此圖感謝Point ，感謝我的老師空白女士

4、用戶觸達層

用戶觸達層不贅述了，每個運營有每個運營的門道，黑貓白貓抓到耗子就是好貓，用你擅長的手段，用用戶喜歡的方式，花最少的錢，就可以了，但是記住要不斷進行PDCA進行優化你的手段，實現數據優化；

總結：

數據化運營體系既能簡單到用Excel完成，也能引入機器學習數據挖掘分散式系統等高端技術，看的是思維和應用。我們將體系中的四層簡化成四個模型，幫助大家理解：

數據收集：以用戶和產品的交互為輸入，原始數據（行為、業務、流量、外部）為輸出。

數據產品：以原始數據為輸入，以加工數據（標籤、畫像、維度、指標、演算法結果）為輸出。

數據運營：以加工數據為輸入，以運營策略（用戶、內容、活動、電商）為輸出。

用戶觸達：以運營策略為輸入，以反饋行為（轉化率、點擊率、響應率）為輸出。

以上就是今天要分享的數據化運營體系，很多細節沒來得及晚上和細化，後續我會慢慢完善，如果有機會的話，希望還能再次跟大家分享交流，謝謝大家。

##########文章手打不易，轉載註明出處##########

如需轉載請告知在下便可，為方便看客老爺們轉載，也可以私我索要源文件；

以上。