編輯導讀：精細化運營的核心是數(shù)據(jù)驅動增長，透過數(shù)據(jù)分析指引產品迭代和運營推廣。因此，運營人員需要掌握一定的數(shù)據(jù)運營能力。本文作者從自身工作實踐出發(fā)，梳理總結了3個最常用的運營方法，與大家分享。

隨著近些年互聯(lián)網(wǎng)電商蓬勃發(fā)展，對運營的要求隨之提高，面試運營崗位的時候，常會提問數(shù)據(jù)運營分析相關的問題，但回答常常令人失望，要么說不清楚分析思路，要么抓不到核心指標。

這種場景，在產品和運營工作中也是經(jīng)常發(fā)生的，試想領導問”近期銷售下滑是什么原因““為什么轉化率掉了？”這些問題時，你會怎么應對？

可見，數(shù)據(jù)分析思維的重要性，未來具備產品思維和數(shù)據(jù)分析能力的運營，才能獲得更多的空間，創(chuàng)造更高價值。

身邊很多朋友都苦惱如何提高自己數(shù)據(jù)分析的能力，說實話，EXCEL數(shù)據(jù)處理技巧，可視化圖表，這些工具都是容易學習上手的，但是難點在拋出一個問題，如何通過數(shù)據(jù)找到解決這個問題的方法，關鍵就在數(shù)據(jù)分析思維。

思維方法有非常多，經(jīng)過多年運營工作的積累，個人認為有三種思維是最常用的：細分思維、對比思維、相關思維，很多其他的思維模型，大多是這三種思維的綜合應用衍生出來的。

一、細分思維

細分思維應用的最頻繁，幾乎每天都在應用，比如應用思維導圖對某項任務的細分拆解。細分思維主要是將某個指標層層分解，拆解成最小顆粒度，定位分析問題的一種思維方法。

那在數(shù)據(jù)分析上，細分思維如何應用呢？

1. 單一維度細分

通過時間、空間、過程等單一維度進行拆解，比如將全年銷售分解成12個月，將全國GDP分解成各個省市地區(qū)。

2. 2個維度交叉細分

通過2個維度的交叉，分析定位問題和原因，單一維度的應用雖然簡單，但卻過于濃縮，會將各組數(shù)據(jù)的差異在合并過程中消除掉，所以有時在分析問題時，需要再細分分解，如某學校男女生錄取比例一致，但是再細分到學院分析，發(fā)現(xiàn)文學院女生的錄取率比男生高，而理學院的男生錄取率比女生高。

運營工作中，2個維度的交叉細分應用，比如研究新老客戶對品類的需求差異，那么就是維度一新老客戶和維度二各個品類的交叉分析

3. 多個維度交叉細分

多維度的交叉細分相對復雜一些，主要應用場景更多是在用戶運營，用戶研究分析上，例如RFM模型，通過最近一次消費 (Recency)、消費頻率 (Frequency)、消費金額 (Monetary)三個維度，每個維度一分為二，將用戶群切割成八個小群體進行針對性的運營。

二、對比思維

對比思維也是運營最常見的一種思維方法

1. 縱向對比：自己和自己比，包括環(huán)比（和上一期自己比）、同比（和去年同期自己比）
2. 橫向對比：自己和他人比，比如IOS和安卓的銷售額，女裝和男裝的銷售額等等

對比思維經(jīng)常被錯誤應用，把不可比的數(shù)據(jù)放在一起對比，比如A品牌20年同比增長42%，B品牌20年同比增長僅28%，說明A品牌20年的銷售表現(xiàn)比B品牌更好？

事實上，A品牌19年業(yè)績僅3000萬，而B品牌19年業(yè)績達3億，量級差太大，根本沒有可比性。

如何避免對比思維的錯誤應用：

1. 確保數(shù)據(jù)來源一致：比如對于同一指標，系統(tǒng)直接拉的數(shù)據(jù)和bi代碼跑的數(shù)據(jù)可能都不一樣
2. 確保統(tǒng)計口徑、定義一致：比如銷售額包不包含拒退
3. 時間屬性一致：比如同樣是2月，但有的是28天，有的是29天，也不能直接對比
4. 對象一致：樣本屬性統(tǒng)一，比如研究死亡率，士兵死亡率和城市居民死亡率，對象不一致就沒有可比性

三、相關思維

相關思維是比較復雜的統(tǒng)計學數(shù)據(jù)思維，相關思維包含正相關、負相關、非線性相關、不相關等多種類型，大部分應用在生物學、科學領域。復雜的相關分析需要應用函數(shù)，建模才能完成，而現(xiàn)實工作中，大部分應用不到這么深層復雜的程度。

大部分應用主要研究A與B之間的關系，如銷售額與UV之間的關系，廣告費用成本與獲取曝光量之間的關系。

應用好相關思維，當我們在處理復雜問題的時候，能幫助我們刨除無關數(shù)據(jù)的干擾，找到關鍵的因素和指標解決問題。

但在相關思維的應用上，也經(jīng)常犯錯，最常見的就是混淆相關關系和因果關系，即因為事件A和事件B存在某種關聯(lián)影響，解讀成因事件A導致了事件B的發(fā)生。所以在相關思維應用，我們要知道事件A和事件B可能存在的關系，避免陷入誤區(qū)

1. 事件A引起了事件B
2. 事件B引起了事件A
3. 事件A、事件C引起了事件B
4. 事件A、事件B沒有直接關聯(lián)，但是事件C可能會同時引起事件A、事件B
5. 事件A、事件B一點關系都沒有，只是數(shù)據(jù)湊巧相關

比如看電視會導致孩子學習成績下降，試想是看電視導致學習成績下降，還是學習成績下降的孩子更喜歡看電視，難道不看電視孩子的學習成績就會提升嗎？難道學習成績提升的孩子都不看電視嗎？如果出現(xiàn)這類型的數(shù)據(jù)時，在解讀前，不妨像這樣反問自己，以確認數(shù)據(jù)邏輯的合理性。

四、結語

數(shù)據(jù)分析思維說難不難，只要在應用或看數(shù)據(jù)的時候多留心眼，多打個問號，不要執(zhí)著數(shù)據(jù)表現(xiàn)，多思考數(shù)據(jù)背后的關聯(lián)和差異，復雜的問題就會變得簡單了。

看完這篇文章，大家不妨把過去那些解不開的疑難雜癥，再拿出來重新思考練習下吧！

本文由 @南魚 原創(chuàng)發(fā)布于人人都是產品經(jīng)理。未經(jīng)許可，禁止轉載

題圖來自Unsplash，基于CC0協(xié)議