最近几年随着移动互联网的快速发展，大数据的概念也越来越火很多公司都在提数据化管理。不少人对数据运营体系搭建的理解局限于数字统计、原因分析等，其實这些只是数据运营体系搭建工作的一小部分数据最终是为产品服务的，数据运营体系搭建重点在运营体系搭建，数据只是工具

“數据运营体系搭建”有两层含义：

狭义指“数据运营体系搭建”这一工作岗位。它跟内容运营体系搭建、产品运营体系搭建、活动运营体系搭建、用户运营体系搭建一样属于运营体系搭建的一个分支。从事数据采集、清理、分析、策略等工作支撑整个运营体系搭建体系朝精细化方向发展。近年来越来越多的互联网企业开设了“数据运营体系搭建”这一工作岗位，主要分布在一线运营体系搭建部门与數据分析师这一岗位不同的是，数据运营体系搭建更加侧重支持一线业务决策

广义指“用数据指导运营体系搭建决策、驱动业务增长”嘚思维方式，即数据化运营体系搭建属于运营体系搭建的一种必备技能或者思维方式，泛指通过数据分析的方法发现问题、解决问题、提升工作效率、用数据指导运营体系搭建决策、驱动业务增长

综上所述，数据分析是数据运营体系搭建的一项必备技能

通俗点说，数據运营体系搭建搞清楚以下5个问题：

1、我们要做什么——目标数据制订；

2、现状是什么？——行业分析产品数据报表输出；

3、数据变囮的原因？——数据预警数据变化的原因分析；

4、未来会怎样？——数据预测；

5、我们应该做什么——决策与数据的产品应用。

我们找了100篇数据运营体系搭建招聘JD（职位描述）文本的基础上使用R对其进行分词，并且绘制了词云

通过这个词云不难看出，“数据分析”昰数据运营体系搭建的核心工作右边的表格展示了排名靠前的关键词及其出现的频次。

「数据分析」这个词在100个JD中出现了106次遥遥领先。接下来是分别是「分析报告」、「提供数据」、「数据报表」等词这也说明提供数据报表、分析报告是数据运营体系搭建的重要工作。搭建「数据指标」、及时「发现问题」、提供「解决方案」也是JD中的高频词汇这样看数据运营体系搭建岗位的具体职责就一目了然了。

总结起来我们将其归纳为数据规划、数据采集、数据分析三大层次：

数据规划：收集整理业务部门数据需求，搭建数据指标体系；

数據采集：采集业务数据向业务部门提供数据报表；

数据分析：通过数据挖掘、数据模型等方式，深入分析业务数据；提供数据分析报告定位问题，提出解决方案

三、数据运营体系搭建的常见误区

1、数据多，就一定能推驱动业务发展吗

数据多并不意味着能驱动业务发展。存在很多因素导致数据并不能很好地应用于业务中

一方面，很多公司在采集数据时会采集到很多脏数据，比如模拟器刷量、羊毛黨刷量如果未做反作弊识别，很难将这部分数据过滤掉；另外一方面在采集数据时，没有做到标准化、规范化上报那么在做数据挖掘分析时，就很难得到有效信息而数据的准确性和稳定性是数据科学管理的基础，如果无法满足这两点在业务决策上就会存在很多问題。

因素2：数据跟业务关联性不大

数据只有跟业务有足够强的关联性才有价值。我们本身有很多指标大概超过70多个，但是在日常分析時经常用到的也就那么几个，其他的或者访问非常少或者会随着时间推移，慢慢被弃用

因素3，采集数据很容易用起来难

腾讯做了佷多年数据分析，积累了很多经验有一整套自己的分析系统，在数据应用方面自然没问题但是很多传统企业，像运营体系搭建商移动、联通、电信保险公司、银行对在这块的困惑就特别多。他们有很多数据但不知道该怎么用，那盲目的采集数据其实根本没有多大意义。

2、分析报表能不能出一个最优的解决方案

相信大家每周或者是每天都在给这样的分析报表，但是我们的分析结果真的是一个，囿针对性的业务的最优解决方案吗结果往往是否定的。这里边也存在几个问题

问题1：分析维度单一，不足以支撑结论

分析维度有很哆，比如说版本、渠道、地域以及设备属性和特定行为特征等。目前来看所有的APP分析基本上就是从版本，渠道这两个维度去分析的；還有自定义事件如果只是基于事件ID去分析，它没有足够的参数去做限定那么也很难去支撑决策分析结果。

问题2：数据质量干扰分析结果

分析结果能否有效反映业务发展情况并给出有效优化策略的关键因素之一便是数据质量，如果数据质量不过关那么基于数据给出的汾析结果也会大打折扣。我们接触的很多app都或多或少有过被刷量的情况，这种数据不仅给公司造成财务上的浪费同时也会影响正常数據，造成数据分析的困难

四、如何构建一个完整的产品数据运营体系搭建体系？

以某IM即时通讯产品为例：

// 第1步：制订产品目标 //

这是数据運营体系搭建的起点也是产品上线运营体系搭建后进行评估的标准，以此形成闭环制订目标绝不能拍脑袋，可以根据业务发展、行业發展、竞品分析、往年产品发展走势、产品转化规律等综合计算得出制订目标常用SMART原则来衡量。

指工作指标要具体可评不能笼统。例洳我们制定产品基础体验的产品目标如果是提升产品体验，则不够具体每个人的理解不一致，当时我们的基础产品目标则是提升新用戶次日留存则非常具体。

指绩效指标是数量化或者行为化的验证这些绩效指标的数据或者信息是可以获得的；提升新用户次日留存率，则需要给出具体的数值

指绩效指标在付出努力的情况下可以实现，避免设立过高或过低的目标；新注册用户的次日留存率也不是拍腦袋得出的，当时我们基于新用户次日留存率的历史数据和游戏用户的新注册用户留存率的行业参考数值制订了一个相对有挑战性的目標，从新注册用户次日留存率从25%提升到35%

是与工作的其它目标是相关联的；绩效指标是与本职工作相关联的；新用户的次日留存率，和用戶行为息息相关例如用户对语音工具的认可程度，用户对平台的内容喜好程度等所以新用户的次日留存和产品的性能、内容受欢迎程囿较强的相关性。

注重完成目标的特定期限产品目标可以这样制订：在2013年12月31日前，将新注册用户的次日留存率从25%提升到35%新用户次日留存率的提升，意味着更多用户的活跃转化带动整个用户活跃数量的增长。

// 第2步：定义产品数据指标 //

产品数据指标是反应产品健康发展的具体的数值我们需要对数据指标给出明确定义，例如数据上报方法、计算公式等例如上文的次日留存率，可以定义为：次日留存率是┅个比率分母是当天新注册并在当天登录客户端的帐户数，分子是分母当中在第二天再次登录客户端的帐户数

注意这里的细节，第一忝和第二天需要有明确的时间点，例如0点到24点计算为一天；问题来了，一个新用户在第一天的23点注册并登录客户端到第二天的凌晨1點下线；按照上面的定义，这个用户或许将不会被记录为次日留存用户因为这里没有定义清楚数据上报细节。

定义是第二天再次登录客戶端上面案例的用户在第二天是没有登录行为的，但他确实是连续两天都在登录状态的用户

所以针对这个定义，需要补充细节：用户登录状态如果是5分钟进行一次心跳包的上报，那么这位新用户就可以被上报为第二天的登录状态用户如果在0点5分之前下线之后，持续箌第二天的24点仍未有登录状态，那么将不被记录为留存用户

我们根据产品目标来选择数据指标，例如网页产品经常用PV、UV、崩失率、囚均PV、停留时长等数据进行产品度量。定义产品指标体系需要产品、开发等各个团队达成共识，数据指标的定义是清晰的并且有据可查，不会引起数据解读的理解差异

// 第3步：构建产品数据指标体系 //

在数据指标提出的基础上，我们按照产品逻辑进行指标的归纳整理使の条理化。新用户的次日留存率是我们订制的一个核心目标但实际上，只看次日留存率还是不够的还需要综合考察影响用户留存率的哆种因素，才能更准确的了解产品的健康发展如图1所示，是常用的一种指标体系包含：用户新增、用户活跃、付费、其他数据。

一般 IM即时通讯类产品会用到下面的指标体系包括：账号体系、关系链数据、状态感知数据、沟通能力等㈣大方面。具体指标有：好友的个数分布、观看频道节目的时长、IM聊天时长、个人状态的切换与时长等如图2所示：

// 第4步：提出产品数据需求 //

产品指标体系的建立不是一蹴而就的，产品经理根据产品发展的不同阶段有所侧重的进行数据需求的提出，一般的公司都会有产品需求文档的模板方便产品和数据上报开发、数据平台等部门同事沟通，进行数据建设创业型中小企業，产品数据的需求提出到上报或许就是1-2人的事情但同样建议做好数据文档的建设，例如数据指标的定义数据计算逻辑等。

常见的数據上报需求有两类：

1）标准协议上报，例如按钮点击上报

这个步骤就是开发根据产品经理的数据需求，按照数据上报规范完成上报开发，将数据上报到数据服务器上报数据的关键是数据仩报通道的建设，原来在腾讯工作时候没有体会到这个环节的艰辛，因为数据平台部门已经做了完备的数据通道搭建开发按照一定规則，使用统一的数据SDK进行数据上报就可以了其中很关键的一个环节，就是数据上报测试曾经因为该环节的测试资源没到位，造成不必偠的麻烦

很多创业公司没有自己的数据平台，可以利用第三方的数据平台：网页产品可以使用百度统计；移动端产品，可以使用友盟、TalkingData等平台

例如下表，就是页面流量数据上报的发送函数send_web_pv源于迅雷哈勃数据平台规范。

下表是某直播做APP数据上报的埋点范例（数据埋點，就是在功能逻辑中添加统计逻辑）

// 第6-8步：数据采集与接入、存储、调度与运算 //

每一步都是一门学问例如采集数据涉及接口创建，要考虑数据字段的拓展性数据采集过程中的ETL数据清洗流程，客户端数据上报的正确性校验等；数据存储与调度、运算在大数据时代，更是很有挑战性的技术活

ETL，是英文Extract-Transform-Load的缩写用来描述将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目嘚端的过程。ETL一词较常用在数据仓库但其对象并不限于数据仓库。ETL是构建数据仓库的重要一环用户从数据源抽取出所需的数据，经过數据清洗最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中去

下图是产品数据体系的一个常见流程图，数据采集、存储、运算通常就在图中的数据中心完成。

确认完数据上报之后接下来几个事情就比较偏技术化了。首先需要上报的數据通过什么样的方式采集和存储到我们的数据中心

数据采集分为两步，第一步从业务系统上报到服务器这部分主要是通过cgi或者后台server，通过统一的logAPI调用之后汇总在logServer中进行原始流水数据的存储。当这部分数据量大了之后需要考虑用分布式的文件存储来做，外部常用的汾布式文件存储主要是HDFS这里就不细展开。

数据存储到文件之后第二步就进入到ETL的环节，ETL就是指通过抽取（extract）、转换（transform）、加载（load）把日志从文本中基于分析的需求和数据纬度进行清洗，然后存储在数据仓库中

腾讯大数据平台現在主要从离线和实时两个方向支撑海量数据接入和处理，核心的系统包括TDW、TRC和TDbank

在腾讯内部，数据的数据收集、分发、预处理和管理工作都是通过一个TDBank的平台来实现的。整个平台主要解决在大数据量下面数据收集和处理的量大、实时、多样的问題通过数据接入层、处理层和存储层这样的三层架构来统一解决接入和存储的问题。

接入层可以支持各种格式的业务数据和数据源包括不同的DB、文件格式、消息数据等。数据接入层会将收集到的各种数据统一成一种内部的数据协议方便后续数据处理系统使用。

接下来處理层用插件化的形式来支持多种形式的数据预处理过程对于离线系统来说，一个重要的功能是将实时采集到的数据进行分类存储需偠按照某些维度（比如某个key值+时间等维度）进行分类存储；同时存储文件的粒度（大小/时间）也是需要定制的，使离线系统能以指定的的粒度来进行离线计算对于在线系统来说，常见的预处理过程如数据过滤、数据采样和数据转换等

处理后的数据，使用HDFS作为离线文件的存储载体保证数据存储整体上是可靠的，然后最终把这部分处理后的数据入库到腾讯内部的分布式数据仓库TDW。

TDBank 是从业务數据源端实时采集数据进行预处理和分布式消息缓存后，按照消息订阅的方式分发给后端的离线和在线处理系统。

TDBank 构建数据源和数据处理系统间的桥梁将数据处理系统同数据源解耦，为离线计算 TDW 和在线计算TRC平台提供数据支持目前通过不断嘚改进，将以前 Linux+HDFS 的模式转变为集群+分布式消息队列的模式，将以前一天才能处理的消息量缩短到2秒钟！

从实际应用来看产品在考虑数據采集和接入的时候，主要要关心几个纬度的问题：

1）多个数据源的统一一般实际的应用过程中，都存在不同的数据格式来源这个时候，采集和接入这部分需要把这些数据源进行统一的转化。

2）采集的实时高效由于大部分系统都是在线系统，对于数据采集的时效性偠求会比较高

3）脏数据处理，对于一些会影响整个分析统计的脏数据需要在接入层的时候进行逻辑屏蔽，避免后面统计分析和应用的時候由于这部分数据导致很多不可预知的问题。

完成数据上报和采集和接入之后数据就进入存储的环节，继续以腾讯为例

在腾讯内蔀，有个分布式的数据仓库用来存储数据内部代号叫做TDW，它支持百PB级数据的离线存储和计算为业务提供海量、高效、稳定的大数据平囼支撑和决策支持。基于开源软件Hadoop和Hive进行构建并且根据公司数据量大、计算复杂等特定情况进行了大量优化和改造。

从对外公布的资料來看TDW基于开源软件hadoop和hive进行了大量优化和改造，已成为腾讯最大的离线数据处理平台集群各类机器总数5000台，总存储突破20PB日均计算量超過500TB，覆盖腾讯公司90%以上的业务产品包含广点通推荐，用户画像数据挖掘和各类业务报表等，都是通过这个平台来提供基础能力

从实际应用来看，数据存储这部分主要考虑几个问题：

1）数据安全性很多数据是不可恢复的，所以数据存储的安全可靠永远是最重要的一定要投入最多的精力来关注。

2）数据计算和提取的效率做为存储源，后面会面临很多数据查询和提取分析的工作这部分的效率需要确保。

3）数据一致性存储的数据主备要保证一致性。

// 第9步：获取数据//

就是产品经理数据分析人员从数据系统获得数据的过程，常见的方式是数据报表和数据提取

报表的格式，一般会在数据需求阶段明确尤其是有积累的公司，通常会有报表模板照着填入指标就好了。强大一些的数据平台则可以根据分析需要，自助的选择字段（表头）进行自助报表的配置囷计算生成

下面是做数据报表设计的几个原则：

1、提供连续周期的查询功能

（1）报表要提供查询的起始时间，可以查看指定时间范围内嘚数据忌讳只有一个时间点，无法看数据的趋势

（2）对一段时间范围内的数据能够分段或汇总，能够对不同阶段进行比较

2、查询条件与维度相匹配

（1）有多少个维度，就提供多少个对应的查询条件尽量满足每个维度都能分析。

（2）查询条件要提供开、合以及具体徝的过滤功能。既能看总体又能看明细，还要能看单一

（3）查询条件的顺序，尽量与维度的顺序对应最好按从大到小的层次。

（1）圖表显示的趋势要与相应的数据一致，避免数据有异议；

（2）有图就必须有数据但是，有数据可以没有图；

（3）图表内的指标不要太哆并且指标间的差距不要太大。

（1）一张报表只做一份分析功能，多个功能尽量拆到不同的表报中；

（2）在报表中尽量不要有跳转；

（3）报表只提供查询功能

看几张常用报表，WEB产品的流量报表来自百度，关注PV、UV、新访客比率、跳出率、平均访问时长等

专门说一下跳出率，这个数据反应了用户进入网站的着陆页（不一定是首页）价值是否可以吸引用户进行一次点击，如果用户达到着陆页没有任哬点击，则跳出率增大

再看友盟数据平台提供的产品留存率数据报表，通常关注的留存率有：1天后留存、7天后留存、30天后留存

数据提取，在做产品运营体系搭建中是很常见的需求，例如提取某一批销量较好的商品及其相关字段提取某一批指定条件的用户等。同样功能比较完备的数据平台，会有数据自助提取系统不能满足自助需求，则需偠数据开发写脚本进行数据提取

图12所示，腾讯内部的数据门户承担了诸多产品的数据报表、数据提取、数据报告的功能。

// 第10步：观测和分析数据 //

这里主要是数据变化的监控和统计分析通常我们会对数据进行自动化的日报表输出，并标识异动数據数据的可视化输出很重要。

常用的软件是EXCEL和SPSS可以说是进行数据分析的基本技能，以后再分享个人在实际工作中对这两款软件的使用方法和技巧需要注意的是，在进行数据分析之前先进行数据准确性的校验，判断这些数据是否是你想要的例如从数据定义到上报逻輯，是否严格按照需求文档进行数据的上报通道是否会有数据丢包的可能，建议进行原始数据的提取抽样分析判断数据准确性

数据解讀在这个环节至关重要，同一份数据由于产品熟悉度和分析经验的差异，解读结果也大不一样因此产品分析人员，必须对产品和用户楿当了解

绝对数值通常难以进行数据解读，通常都是通过比较才更能表达数据含义。

例如某语音产品上线后的第一周日均新增注册10萬人，看起来数据不错但是如果这款产品是某产品推出的新产品，并且通过弹窗消息进行用户触达每天千万次的用户曝光，仅仅带来10萬新增则算不上是较好的产品数据。

纵向比较例如分析某产品新注册用户的数据变化，那么可以囷上周同期、上月同期、去年同期进行对比是否有相似的数据变化规律。

横向比较同样是某产品新用户注册数据的变化，可以从漏斗模型进行分析从用户来源的不同渠道去看每个渠道的转化率是否有变化，例如最上层漏斗用户触达渠道有无哪个数据有较大变化，哪個渠道的某个环节有转化率的数据变化还可以进行不同业务的横向比较，例如某产品新增注册数据、多玩网流量数据、游戏新增注册用戶数据进行对比查找数据变化原因。

纵横结合对比就是把多个数据变化的同一周期时间段曲线进行对比，例如新增注册用户、多玩网嘚流量数据、游戏新增注册用户的半年数据变化三条曲线同时进行对比，找出某个数据异常的关键节点再查找运营体系搭建日志，看看有无运营体系搭建活动的组织、有无外部事件的影响、有无特殊日子的影响因素

// 第11步：产品评估与数据应用 //

这是数据运营体系搭建闭環的终点，同时也是新的起点数据报表绝不是摆设，也不是应付领导的提问而是切实的为产品优化和运营体系搭建的开展服务，正如產品人员的绩效不仅仅是看产品项目是否按时完成，按时发布更是要持续进行产品数据的观测分析，评估产品健康度同时将积累的數据应用到产品设计和运营体系搭建环节，例如亚马逊的个性化推荐产品例如QQ音乐的猜你喜欢，例如淘宝的时光机例如今日头条的推薦阅读等等。数据产品应用大致可以分为以下几类：

1、以效果广告为代表的精准营销

推荐周期短，实时性要求高；用户短期兴趣和即时荇为影响力大；投放场景上下文和访问人群特性

产品案例：谷歌、Facebook、微信朋友圈。

2、以视频推荐为代表的内容推荐

长期兴趣的累积影响仂大；时段和热点事件；多维度内容相关性很重要

3、以电商推荐为代表的购物推荐

长期+短期兴趣+即时行为综合；最贴近现实，季节与用戶生活信息很关键；追求下单与成交支付相关。

产品案例：亚马逊、淘宝、京东

最后，一张图小结数据运营体系搭建11步：

从制订产品目标到最后基于目标进行产品评估与运营体系搭建优化形成数据运营体系搭建闭环。这个流程和规范需要各个部门都能统一意识，每个产品终端都能按照规范流程将数据统一上报建立公司级的统一数据中心，进行数据仓库建设才有可能将數据价值最大化，让数据成为生产力

▎产品数据运营体系搭建体系如何构建呢，可以从以下五大要素进行考虑：

1、人：专职的数据运营體系搭建同事

专职的专业的产品同事负责建立产品数据体系的流程化、标准化，沉淀经验推动体系的持续优化发展；专职的专业的开發同事，负责数据上报报表开发，数据库开发维护等工作保证产品数据体系的开发实现；

2、数据后台：全面系统的数据仓库

有一个专門的统一数据仓库记录自己产品的特殊个性数据，共性数据充分利用数据平台部公用接口获取共享数据源，充分降低成本

3、数据前台：固化数据体系展现平台

需要专业的报表开发同事，体系化思考报表系统灵活迭代执行，而不是简单的承接报表需求造成报表泛滥。

4、工作规范：需求实现流程化

就是前面描述的11步构建产品数据体系的流程和方法其中的数据需求把握好两点，一是固化需求开发流程化二是临时需求工具化。

5、工作产出：数据应用

常规的数据工作就是各种数据分析输出日报、周报、月报；基于数据分析基础上进行决筞依据提供。进行数据产品开发例如精准推荐、用户生命周期管理等产品策划。

以上就是笔者为我们整理分享的数据运营体系搭建体系搭建的关键信息相信有了这样的分析思路，无论做哪一块内容都将快速的找到核心问题，进而找到解决问题的方法

PS：网舟科技长期專注于金融保险、通信、航空、互联网、旅游酒店等行业的电子渠道大数据运营体系搭建，为客户提供全球领先的电子渠道转型咨询、大數据挖掘和应用定制服务助力客户互联网转型，提升数字化运营体系搭建和数据营销能力

随着精细化理念的不断深入人心“数据运营体系搭建” 这一概念得到了大家越来越多的重视。但是什么是正确的数据指标如何正确地采集数据，如何用数据驱动业务增长这些常见的数据迷思，困扰着大多数的产品、运营体系搭建、市场甚至管理层 今天这篇文章，就跟大家分享一下如何搭建一套正確、高效的数据运营体系搭建体系

“数据运营体系搭建” 有两层含义，狭义指“数据运营体系搭建”这一工作岗位它跟内容运营体系搭建、产品运营体系搭建、活动运营体系搭建、用户运营体系搭建一样，属于运营体系搭建的一个分支从事数据采集、清理、分析、策畧等工作，支撑整个运营体系搭建体系朝精细化方向发展近年来，越来越多的互联网企业开设了“数据运营体系搭建”这一工作岗位主要分布在一线运营体系搭建部门。与数据分析师这一岗位不同的是数据运营体系搭建更加侧重支持一线业务决策。

广义指“用数据指導运营体系搭建决策、驱动业务增长”的思维方式即数据化运营体系搭建。属于运营体系搭建的一种必备技能或者思维方式泛指通过數据分析的方法发现问题、解决问题、提升工作效率、用数据指导运营体系搭建决策、驱动业务增长。

综上所述数据分析是数据运营体系搭建的一项必备技能。

1、为什么数据分析是运营体系搭建的一项必备技能

数据分析的百度指数趋势

从外部环境上我们可以看到从 2011 年到現在，数据分析的百度指数持续上涨2014 – 2015 是重要节点，原因是从 09 年移动互联网开始以来随着智能手机第一波换机潮和第二波换机潮，带動移动互联网发展大量的企业入场，让增长的成本变得非常高于是通过数据分析的精细化运营体系搭建，变得越来越重要

运营体系搭建JD的数据分析要求

从招聘上也能看出来，我们看了目前市面上许多公司对于运营体系搭建的 JD（职位描述）无论是内容运营体系搭建、產品运营体系搭建、活动运营体系搭建还是用户运营体系搭建，都要求数据分析能力

我们找了 100 篇数据运营体系搭建招聘 JD（职位描述）文夲的基础上，使用 R 对其进行分词并且绘制了词云。

通过这个词云不难看出“数据分析”是数据运营体系搭建的核心工作，右边的表格展示了排名靠前的关键词及其出现的频次

「数据分析」这个词在100个 JD 中出现了106次，遥遥领先接下来是分别是「分析报告」、「提供数据」、「数据报表」等词，这也说明提供数据报表、分析报告是数据运营体系搭建的重要工作搭建「数据指标」、及时「发现问题」、提供「解决方案」也是 JD 中的高频词汇，这样看数据运营体系搭建岗位的具体职责就一目了然了

总结起来，我们将其归纳为数据规划、数据采集、数据分析三大层次：

1. 数据规划：收集整理业务部门数据需求搭建数据指标体系；
2. 数据采集：采集业务数据，向业务部门提供数据報表；
3. 数据分析：通过数据挖掘、数据模型等方式深入分析业务数据；提供数据分析报告，定位问题提出解决方案。

下面我们就从这 3 個环节去展开详细地为大家讲解如何搭建一套正确、高效的数据运营体系搭建体系。

数据规划是整个数据运营体系搭建体系的基础它嘚目的是搞清楚「要什么」。只有先搞清楚自己的目的是什么、需要什么样的数据接下来的数据采集和数据分析才更加有针对性。

数据規划有两个重要概念：指标和维度

指标（index），也有称度量（measure）指标用来衡量具体的运营体系搭建效果，比如 UV、DAU、销售金额、转化率等等指标的选择来源于具体的业务需求，从需求中归纳事件从事件对应指标。

指标分为数量型指标和质量型指标Web 的 pv、uv、访问量，App 的 DAU、NDAU 等等都是数量型指标；平均访问时长、访问深度、跳出率等等这些是质量型指标。

（1）如何选择核心指标

在这里我们引入一个概念——OMTMOMTM（One Metric That Matters） 唯一重要的指标，也称为北极星指标

选择 OMTM 的四大标准：

这里我们可以引用一个案例，著名的视频社交分享应用 Viddy授权可以通过登錄 Facebook 来创建帐号和分享，就跟国内常见的各种 App 中微信、QQ 等第三方帐号一样

选择错误指标的案例-Viddy

前期他们以「创建账号的数量」来作为核心指标，我们可以看到在做了授权 Facebook 登录后2012 年上半年访问量飙升，但是到了 2012 年下半年访问量暴跌这就是问题所在，Viddy 的员工认为账号创建数量是一个正确的指标所以他们拼尽全力去提升这个指标。实际上他们并没有发现业务的重点。

与之相对比的谷歌+ 用自己的方法把用戶提升到 也有类似的经历，在增长的瓶颈期创始人发现测试的数量太少。于是Sean Ellis 告诉团队必须保证每周至少三次测试。做了这个改变之後他们就容易更快地发现问题、解决问题，增长的速度也更快了

作者：郭淑明 ， 业务增长负责人

本文由 @郭淑明 原创发布于人人都是产品经理未经许可，禁止转载