深究：指导运营的核心分析方法论

当我们看了不少增长案例之后，再看看手头的工作和业绩目标，是不是还觉得不知道怎么实现？那是因为许多案例并没有介绍得出结论的分析过程，而只是描述了问题的背景和目标，以及优化之后的效果。真正的分析过程，往往被“发现”两个字一笔带过。

当然有人会说，数据分析过程是一个见仁见智的过程，根本不可能按照一个统一的流程完成全部分析，特别是在互联网领域的告诉变化当中。那么数据分析的过程，究竟是一个只有零散技巧而无章法可循的过程，还是一个有明确的步骤并可以严格依照执行的过程？我认为是后者。

我们这就来介绍一个通用的数据分析方法论：数据分析五步法。

这个框架具有一下几方面特点：

不与具体业务绑定（个别步骤中的细节需要与业务结合），是从决策需要的信息角度出发的；
具有开放性，可融入个人经验和前沿技术；
可结合大数据技术，排除人工环节，实现自动化；
逻辑清晰，容易学习。

这个简单的数据分析五步法，基本能够应对日常工作中至少80%的常见数据分析问题。而剩下的20%的场景，可以在这个基本的分析方法论上扩展出来，我们会在后面的内容中探讨。

1 汇总：这一步我们关注的是指标，也就是大家常见的那些DNU、DAU、GMV、ROI等等。只要是说到数据分析的内容，一定会提示数据分析“要明确目标”。因此，这个重要性我们倒是不需要赘述。

目标当然是所有指标中最重要的。但只有目标还不够，我们还需要其它的辅助指标。就比如ROI，是投入和产出两项算出了ROI；而GMV，也可以用用户数乘以平均每用户的GMV计算出来。这样，我们就把一个目标的计算，拆分成了更多相关指标的组合。并且，这些指标更基础，我们可以通过一些运营手段影响这些指标的变化趋势。

这部分没有什么理解的难度。只不过，我们要找出指标之间的计算关系，由此逐渐找到所有我们需要关心的指标。在现在的互联网产品运营当中，从来不会缺少需要看的指标，已经多到了眼花缭乱的地步。但只有那些跟目标相关的指标，我们才需要关心。

2 细分：这一步相当于给指标增加了一个或者若干个维度。最简单的维度应当算是时间了，比如：我们按天看UV的变化趋势；或者我们看不同页面带来的GMV是多少、看不同用户分群中的GMV分别是多少等等。如果我们理解前面的指标这是个数字的话，增加了维度之后，它就变成了一列数据；增加了两个维度之后，它就变成了一张表格，以此类推。

就像指标的现状一项，我们也可以轻松找到许许多多可以用来拆分指标的维度。比如前面提到的日期和人群，还有拉新上的来源渠道，活跃上的流量来源于转化路径等等。再将这些维度进行排列组合，就能产生出一大批庞杂的拆分维度，多到根本看不过来。

因此，重要的就在于区分维度的重要程度。

如何区分呢？

我们要按照是否可操作，来区分这些拆分维度的轻重缓急。比如：前面提到了看APP中的不同页面带来的GMV。但是，如果我们没有必要的技术手段或者运营工具，来为那些GMV更高的页面分配更多流量，也不能降低那些GMV较低的页面的流量，那么按照页面拆分的这种方法对于我们没有任何操作空间，更不要说操作之后的优化空间了。

如果是这种情况，我们就应当认为来源页面这个维度，只是个“看看就好”的维度，而非关键维度。

另一个例子是用户分群，特别是当我们希望从外部的投放引流获得更多高质量的新增用户，以此来拉动增长的时候。在这种时候，我们总是希望首先对现有的高质量用户进行用户画像，并确定一些能够标识高质量用户的特征，再通过这些特征在投放的时候吸引更高质量的用户。

这个道理是讲得通的，但遗憾的是，外投渠道不能提供十分精准的人群定位，只能提供人口统计学和行业偏好等粗粒度的划分。这其中还包括，我们暂时认为投放渠道对于用户的标记是十分精准的。

因此可以看出，在拉新这件事上，我们对用户分群的操作是受限的，并不是完全不能，但十分受限。而用户分群更大的利用空间在于促进活跃，也就是在我们自己的用户群体中进行切分。

3 评价：在评价的部分，我们要用到【汇总】步骤中的那个作为目标的指标，以它作为评价的唯一标准。如果我们的目标就是简单的GMV，甚至更简单的PV和UV，那么到了【细分】的步骤之后，我们就基本可以开始下结论了。

但是在实战中并非如此，我们的目标可能是一个复合的目标——在拉动GMV的同时，还要控制成本；在拉动PV的同时，还需要带来GMV；或者直接是一个ROI这样的复合指标。

在这个时候，我们就不能只关注目标这一个指标了，而要关注复合指标。例如：我们的目标是在拉动GMV的同时，控制成本。为了进一步简化问题，我们把成本具体为促进老用户产生GMV的成本，和获得新用户产生GMV的成本。因为通常在运营中，拉新与促活的手段是不同的，这与【细分】部分的原则对应，即操作空间的大小。

之后，我们就可以分别按照拉新和促活的不同纬度，对产生的GMV和投入的成本这两个指标进行细分了。例如：在拉新方面，我们有投百度关键字、有投广告联盟、还有与其他APP的合作换量；而在促活方面，我们在APP上的ABCD四个Banner上设置的A/B Test。

那么对于新用户部分，我们就可以分别评价百度关键词、广告联盟和合作APP这三种方式，每投入一块钱的成本分别可以得到多少新增的GMV。从而在不同的拉新方式中，选择更优的方式，并在已有的方式中调整更优的成本投入。而对于老用户的部分，我们同样可以评价ABCD四个Banner各自的A/B Test中，针对不同的版本每投入一块钱可以产生多少GMV。

简而言之，在【评价】这个步骤中，我们需要把【汇总】部分的指标分成两类——即最终的目标，与实现目标的手段。比如在前面的例子中，投入的成本就是实现GMV提高的手段。因此，每一块钱的成本投入，我们都需要以产生的GMV来评价它。这时，要实现GMV的目标可选择的手段就比较多了，比如针对老用户促活：

保持成本投入不变，更换更容易带来转化的图片和文案，来提高投入的每一块钱带来的GMV；
保持每一块钱带来的GMV不变，（在限制范围内）追加成本投入；
这还是在暂时忽略GMV可能带来的价值的前提下，如果我们将这部分价值考虑进来，它就能抵消掉一部分投入的成本，那么备选方案还会更多。

4 归因：这个步骤其实就是得出结论并进行决策的”最后一公里“了，也就是我们常说的剖析“为什么”的过程。

在前面的步骤中，通过案例能清楚地看到我们已经得到了一些可以直接对比的量化指标了。在这种情况下，其实我们不需要在【归因】的步骤中做什么特殊的操作，可以通过数值的比较直接下结论。但是如果我们遇到了多个环节或者方法之间，无法进行明确地细分时，应当怎么办呢？在日常的数据分析中有几种常用的归因思路。

5 决策：最后就可以决策了，但经过前面几个步骤逐渐消除不确定性，决策反而是最简单的一步了——就是找出那个表现最好的版本、表现最好的位置、表现最好的拉新手段而已。

而当我们有一些新的idea时，同样可以作为A/B Test中的一个版本，加入到这套评价体系中，进行综合评价。