在这个数据驱动运营的时代，数据不仅是数据工程师和分析师的事情，在工作中也要求运营从业者有一定的数据分析能力，更有人说“数据分析能力是未来运营的分水岭”。从我自身角度出发，真心觉得数据能更好推动运营策略和工作的开展。
但运营童鞋多是数据小白，没有编程和技术基础，那我们该怎么分析并用好数据呢？今天从运营常见的数据问题出发，希望让大家能快速地入门数据分析，让数据更好地为工作服务，别白白浪费数据的价值。
01 不知该分析哪些数据？从哪些角度入手？
这是运营小伙伴们最头痛的问题，不知道该关注、分析哪些数据，就算拿到数据后，也不知道到底从哪些方面去分析这些运营数据。给小伙伴们整理一些运营常见的数据指标，也总结了一些比较适用的分析角度，希望有用~
1、互联网运营关注的常见数据指标
流量
1）访问：PV、UV、IP（最常见）；跳出率、平均访问时长、平均访问页数等；使用设备、操作系统、浏览器、地域分布等访问行为；
2）注册：注册人数、注册走势、累计注册人数、达成率等；
3）渠道&推广：来源渠道分布、总消费、展示量、点击率、点击率、平均点击价格、转化率、转化成本、ROI等；
用户
1）活跃/登录：DAU、WAU、MAU、活跃率、登录人数等；
2）留存：次日留存率、周留存率、月留存率等，还有按渠道去分析留存率；
3）流失：流失数据容易被遗忘，包括流失率，流失人数、每日平均流失人数等；
4）付费：付费人数、付费转化率、单笔订单平均金额等，更多看订单数据；
5）其他：每日评论人数、收藏人数、分享人数等
6）头像：一方面分析用户属性：关注年龄、性别、学历、职业、地域、婚否、收入、兴趣等；另一方面分析用户行为：登录次数、活跃率、累计消费金额、最近一次购买、购买次数、复购率等；
订单
付费人数、新增付费人数；总金额、每日订单数、平均每日成交额、客单价；付费金额、付费毛利、付费利润、复购率、ARPU、付费各个路径转化等；
内容
PV、UV；UGC、PGC、文章数、关注数、阅读数、互动数（评论、点赞等）、传播数（转发、分享等）；
活动
活动页PV、UV、新增人数、参与人数、登录人数、转化人数、转化成交金额、ARPU、优惠券发放/使用人数、营销成本、营销转化率、ROI、分享人数、分享次数等，数据要根据活动类型而定；
服务
电商、O2O等行业易涉及，包括咨询人数、咨询转化率、退货率、退款率、好评率、差评率、投诉率等 ；
APP
各渠道下载量、激活数、新增注册数、获客成本；启动次数、启动人数、停留时长；push到达率、打开率等，其他参考以上数据。
2、适用的分析角度、方法
数据分析有各种高大上的分析原则，比如AARRR模型、5W2H等，但是运营毕竟不是专业的数据分析师，主要能用好这些原则就够了~
对比：分成横向和纵向对比，比如纵向的同环比分析，横向的不同产品、不同渠道的对比等；
走势（变化）：指标随时间的变动，表现为增幅（同比、环比等）；
分布：这个好理解，比如说用户不同年龄段的分类、不同职业的分布、不同地域分布等；
细分：从多层级去了解数据，比如分析全国不同省份不同城市的具体订单数据，从全国—省份—城市一一下钻深入分析；
转化：主要体现在结果的最终转化、各个路径的转化，比如通过整个注册流程的转化分析来优化细节；
预测：根据现有情况，估计下个分析时段的指标值。
举个实际例子吧~
某水果O2O平台想确认未来一周各品类应准备的数量，若没有数据的支撑，那只能由人工结合经验得到一个大致结论，一般误差比较大导致水果浪费较多。该怎么解决这个问题呢？
当有了往常数据，数据走势有了一定的规律，可通过数据预测来得到一个比较合理、比较准确的数值，再通过不断预测—验证得到一个最佳方案，保证水果备货刚刚好，减少浪费，节约成本，这就是数据的价值。
（绿色：日常数据走势；黄色：未来10天数据预测）
02 等待分析师漫长的排期？能否自己搞定分析？
分析师身负多个部门的数据分析工作，有时从提需求到最终拿到数据，2、3天都过去了，且不说分析结果是否是你想要的，就时效性而言，这份数据结果的意义也减弱了，如何变身自己的“专属分析师”呢~
数据分析的整个过程：
确定指标——数据收集——数据整合、数据处理/建模、数据分析、数据呈现、报表汇报。
确定指标：不多说了，可参考一下第1个问题。
数据收集：可通过公司数据库埋点获得，可通过第三方平台获得，也通过一些记录的本地数据获得。
数据整合：运营人要看的数据太多了，有数据库，有各种第三平台的数据（友盟、统计、推广、公众号等），每次都需要从不同平台取数据，太分散了，最好能在一个数据平台集中管理数据。
数据分析：可参考分析方法，比如“求和、计数、同环比、多粒度下钻”等分析，一般在Excel中需通过写公式搞定。
数据呈现（可视化）：简单地说，就是如何制图呗，请直接学习第3个问题。
报表汇报：将数据通过表格、图表或其他形式向领导汇报。
如何不依赖分析师，自己搞定数据分析呢？
1、学习一些数据分析理论。（数据思维）
2、了解、熟悉业务，这点很重要。（业务思路）
3、学习一些数据分析工具。（工具辅助）