【干货】数据化运营中的数据分析方法（2.1 数据化运营管理的意义-方差分析） _经验分享

跨境电商的数据化运营是什么意思就是用用数据来分析和监控功能。

监测异常指标，发现用户对你产品的「怒点」
产品大的流程中，存在很多小的功能点，用户的体验就是建立在这些小的功能点上；就是这些小的功能点的使用情况，成为我们每一步转化的关键。
以注册流程为例，一般需要手机验证。发送验证码是其中一个关键的转化节点；当用户点击重新发送的次数激增时，可能意味着我们的这个功能点存在一定问题。而这就是用户”怒点“所在，无法及时收到手机验证码。通过对关键指标的监测，便于我们及时发现问题所在，及时修复。
2. 通过留存曲线检验新功能的效果
对于上线一段时间的产品，有时候会添加新功能。上线后，需要评估新功能的效果，是否满足用户的核心需求，能否给用户带来价值。

创业公司做好数据化运营，需要先搞清这6个问题流量为王的时代已经结束，互联网企业正在向精益化运营的方向转型。而做好精益化运营需要大量的数据来支撑决策，这对企业的数据采集和数据分析能力都是非常大的挑战。
中美在数据分析上存在较大的差距，数据分析在国内一些特别大的企业，比如 BAT里，才能得到较高的重视;当然这得益于他们的长期积累，对数据和运营结合的比较好。这是我回国以后的总体感受，国内企业对数据本身，以及数据所能提供价值的认识程度，没有美国那边那么深入，并且差异还蛮大的。
问题1：什么样的公司需要注意数据?不同阶段有何差异?
一般来说，目前国内比较重视数据的是高客单价，重转化的公司，比如互联网金融、电商、交易平台、SaaS、在线旅游类的公司。这类客户客单价高，不是完全拼流量，如此创业者才有提高转化的动力。
宏观的讲，创业者会经历产品4个生命周期阶段。
第一个阶段，叫冷启动。这个时候公司特别早期，天使轮或者A轮，甚至融资还未成功。处在这个阶段的公司，用大数据驱动是一个伪命题因为客户数量有限，样本性不足。他们需要更多地去了解潜在客户的需求，去求客户来用这个产品。
第二个阶段，增长前期。就是冷启动接近完成。有经验的创业者，会开始布局和增长有关系的一些核心指标，比如说日/月活跃，留存度。这些指标的目的不是为了衡量产品当前当下的表现，而是为了未来做增长时有可比较的基准。
第三个阶段，增长期。这个阶段就能看出来好的创业公司和普通创业公司的巨大差别效率。无论PR还是做活动，都需要人力和时间成本。如何在增长中，找到效率最高的渠道?这个我觉得，是创业公司之间PK的核心竞争力。如果不做数据驱动，靠直觉，一次两次可以，但没有人能进赌场连赢一万次。所以，直觉需要和数据进行结合，这样企业能迅速优化各个渠道，来提高单位时间的转化效率。
第四个阶段，变现期。业务变现，要求很高的用户基数。一般互联网产品，其中一小部分高活跃、体验好的用户，会转化为付费用户。类似一个漏斗，不断地去筛，这里面就是要拼运营的效率了。比如说，电商用户的转化漏斗一般是：访问注册搜索浏览加入购物车支付，或者到未来的退货。这是非常非常长的一个漏斗，真正要做好数据化运营，要对漏斗的每个环节持续地进行追踪。
一个好的企业，特别是以后要做营收的企业，必须要关注各个部门各个环节的转化效率。这种转化效率，要达成的手段，可以通过市场营销的方法、产品改进的方法、甚至客户运营的方法。而其中每个环节小幅提高，加在一起就是一个倍数的提高。这种倍增，如果没有做过数据化运营的人，很难体会到会有多大。
问题2：好的数据分析应该是怎么样的?
好的数据分析，能够让公司里所有人都获益。它不是一种特权，不是只给公司里的一两个人看，而是能够让公司里面各个运营部门，特别是前线打仗的部门，能够直接得到好处。
普通只讲战略，只讲大方向，只给CEO看，只给VP或者运营看这不够。需要把它给工作在一线的员工，让他们用起来。这个我觉得是区分一个数据驱动型企业，和非数据驱动型企业一个很大的区别。效率提升，是所有人提升，而不是一两个人提升。
一个公司要建完整的数据分析机制，首先应该从业务开始。所有的数据分析运营或者数据体系，都应该从业务，从客户开始。这个数据分析体系，不应该只解决非常狭窄的一个或者两个问题，需要有体系和大局观。然后，实际上数据分析里面，最难的一个部分是数据搜集和数据整理，这个过程最耗费时间，可能因为刚开始的计划就做的不够周全。所以说，在数据采集和数据整理方面，应该很有计划的重视。
到后面，数据分析，不能只仅仅停留在报表的基础上，价值还是不够多。最终还是，那些数字出来以后，告诉别人应该怎么做是对的、有效的。这里面的话，就是有很深学问，需要很强的操作能力。
所以说一个企业，既要有大局观，又要注重可执行性。我建议一般企业想自建的话，应该先从一个单点突破，找到一个转化点，看到了价值，通过这一次的实践，再学习下一次实践的方法。这也是一个学习的过程。不要上来就建立庞大系统，上来就把50个数据圆圈综合在一起，想建立一套数据科学框架。我觉得一般要这样干的话，除非你有很多资源，否则一定会失败的。
问题3：企业数据分析都可以分为哪些阶段呢?
第一个阶段，是什么都没有的;
第二个阶段，需要公司能够回溯历史：知道自己产品在发生什么，这是最基础的、最原始的一个阶段;
第三个阶段，内部做产品、做运营、做市场营销的人，需要问为什么：这个阶段，是预测，即预测某种人群，下面会干什么事，这样能有针对性地，更好地去开发产品;
第四个阶段，是要有解决方案：就是我预测到了这组人会这么做，那么我给它一个更好的方案，让它有更好的转化、留存，带来更好的拉新效果;
第五个阶段，是优化，多样产品线如何能找到最好的平衡点：在价格、营销，产品设计，销售各个角度有一个平衡点，这个平衡点是创业者的利益最大化点，也是用户最喜欢这个产品的点。
这五个阶段，需要花时间来不断积累的，不要跳跃，跳跃往往失败，从基础做起。
问题4：为什么许多公司的数据分析流于形式?
这主要是因为很多企业在三个层面上的认知不足：数据的价值、数据分析方法论和实际的操作方法。
1)价值的认知
许多公司处于疯狂增长时期，大家一拍脑子做的决定，可能已经产生很多价值了;这种情况下他们很难意识到数据决策能产生比暴力性增长更大的价值。
2)基本方法论的认知
意思是核心但简单的方法论。目前国内对基础的方法论没有太多的认知，可能因为国内发展时间还比较短，而美国已经开发好几十年了。
3)实际操作方法的认知
国内一线员工用数据来指导工作运营，比如产品、客户、销售等实际操作经验相对来说少一些。一方面，因为发展时间短，另一方面，数据使用理念积累也相对较少。
不过，国内公司已在迅速地提升这种认知。但是这个认知，是分阶梯的，循序渐进的一个过程。在美国，认知和方法论已经慢慢进行了良好的统一技术和业务之间，用数据来融合。
许多国内的企业家，最开始意识不到数据的价值;等意识到数据的价值时，他的期期望又往往很高。这种大鸿沟，也无法让价值真正落地，甚至让人们产生这个价值是否真能实现的质疑，缺乏耐心。
问题5：中国公司对于数据存在哪些共性的迷思?
我觉得国内公司对数据分析的理解，分两极：一种认为这是纯技术，还有一部分是比较迷信，认为只要一上大数据，就变成高大上的公司了。我觉得这两种方式，都存在一定的误解。
核心的话，我觉得你做的这个东西能不能有价值，有没有效果?用效果来衡量是最直接的。另外一些公司想自建平台，搭建很大的团队，效率和产出都比较低，这个我建议大家慎重。随着生态圈的不断发展，现在很多工具都很好用，你得学会用工具。这是创业者成功的一些很好的辅助不能说因为你会用工具，所以你就创业成功;但是好的创业者，一定能用这些各种工具，达成目标。
问题6：如何打破数据无法物尽其用的怪圈?
过去几个月，我们跟客户打交道发现，有的企业用我们的产品用得非常好，有的企业就一般。通常内部有人核心负责数据的企业，会用的就非常好;有的企业没有核心的人来追这件事情，做得就比较一般。
所以，在运营部门里面，至少得有一个人有一定的数据分析概念。就好像我们把一套高级手术仪器搬到公司去，如果没人会操作也不行。
我认为最好的知识获取方式，就是实际操作。实际操作的前提，是最好有一个稍微懂一些的人，能带着做几次。然后转起来、学起来了，这就是获取数据分析知识最快、最有效的方式。我不觉得纯读书或者读一些课本，看一些外面的大数据指导类的书籍，能有这种效果。
有了这个人，再能从懂这方面的人和公司产品，获取方法论的支持，这种学习机制就建立起来了。这个还是蛮重要的，否则系统虽然强大，但是没人会操作，就无法物尽其用。
跨境电商数据化运营的价值不包括什么跨境电商数据化运营的价值不包括窃取机密。根据查询相关公开信息显示，跨境电商数据化运营的价值包括洞悉用户、数据预测、数据化管理，不包括窃取机密。跨境电子商务是指分属不同关境的交易主体，通过电子商务平台达成交易、进行电子支付结算，并通过跨境电商物流及异地仓储送达商品，从而完成交易的一种国际商业活动。
初创企业如何快速实现数据化运营初创企业前期主要目标是需要构建数据化运营体系，树立主线，其次如果有预算，可以通过购买空间数据平台SDP,线上线下打通，用数据为后续决策做支撑；
如何快速实现数据化运营
1.全渠道整合内容，形成自有数据网络。通过智能算法整合数据，沉淀数字资产，在线审批公司数据内容，方便管理层协调各项资源调配。
2.智能监管设备，提升检察效率。现场巡检，视频巡检，AI自动巡检，随时随地可发起，全天全时严监控，更灵活的巡检方式，帮助品牌有力督导门店运营，还能大幅减少巡店成本
3.AI智能算法，综合分析品牌线上+线下经营数据。全方位分析品牌顾客画像、门店经营、线上转化、营销渠道等多维度数据，让经营中者从全局视角了解品牌经营现状，制定更合理、有效的品牌发展策略。
数据运营主要做什么?1.数据规划

数据规划是指收集整理业务部门数据需求，搭建完整的数据指标体系。

这里有两个重要概念：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。维度是用来对指标进行细分的属性，比如广告来源、浏览器类型、访问地区等等。选择维度的原则是：记录那些对指标可能产生影响的维度。

2.数据采集

数据采集是指采集业务数据，向业务部门提供数据报表或者数据看板。

巧妇难为无米之炊，数据采集的重要性不言而喻。目前有三种常见的数据采集方案，分别是埋点、可视化埋点和无埋点。相比于埋点方案，无埋点成本低、速度快，不会发生错埋、漏埋情况。无埋点正在成为市场的新宠儿，越来越多的企业采用了GrowingIO的无埋点方案。在无埋点情景下，数据运营可以摆脱埋点需求的桎梏，将更多时间放在业务分析上。

3.数据分析

数据分析是指通过数据挖掘、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，并且提出解决方案。

数据分析是数据运营的重点工作，数据规划和数据采集都是为了数据分析服务的。我们的最终目的是通过数据分析的方法定位问题，提出解决方案，促进业务增长。
【干货】数据化运营中的数据分析方法（2.1）-方差分析推断分析---通过分析少量数据的特征，推断整体数据特征。
方差分析
样本检验
趋势预测
1.方差分析----通过数据复盘衡量运营策略在产品运营中，我们会遇到各种需要评估运营效果的场景，包括促活的活动是否起到作用、A/B 测试的策略有无成效等等。
具体例如，产品升级前的平均 DAU 是 155 万，产品升级后的平均 DAU 是 157 万，那么如何判断 DAU 提升的 2 万是正常的波动，还是升级带来的效果呢？
本质都是在对比不同分组数据间的数据变化，或是对比同一组数据在实施某些策略前后的数据变化，及其变化背后的原因。也就说，判断数据波动是否是某一因素（活动/策略）导致的，便是方差分析。
我们把分组叫作样本，把变化叫作差异，差异的大小程度叫作显著性。
对比不同分组数据间的数据变化，叫分析不同样本间的差异显著性；
对比同一组数据实施某些策略前后的数据变化，叫分析同一样本在策略前后的差异显著性。
而分析以上差异显著性是否明显的方法，就叫作方差分析。
应用：
某用户运营工作重点之一，就是搞清楚在优惠金额对用户的购买转化率是否能起到有效作用。
抽取了过去半年产品上投放的所有促销活动，并把活动中的优惠金额分成了以下三个组，最后按照不同区间分组去分别计算用户的购买率。
用户行为是随机的，不管有没有促销活动，用户的购买转化率本身就会发生一定的波动，可能某天某组的某个用户心情大好，或者发了年终奖了就会在产品上剁手。而这些随机因素都与优惠金额无关，所以我们不能说某组的转化率高，是这个区间的优惠金额效果好导致的。那么应该如何正确认识用户数量与购买率之间的关系呢？这就需要用到正态分布图了。
（1）正态分布图
绝大部分用户的购买率都集中在某个值附近，这个值我们叫作整体购买率的平均值。如果每个客群分组自身的购买率均值与这个整体购买率平均值不一致，就会出现以下两种情况。
第一种情况
蓝色分组的购买率平均值（蓝色线）比整体平均值（黑色线）要高，有可能是最右边那个很高的购买率把分组的均值抬升的，同时蓝色分组的数据分布很散（方差大），此时不能有十足把握说明该组用户的购买转化率很高。
第二种情况
绿色分组购买率平均值（绿色线）比整体平均值（黑色线）高，但是绿色分组的数据非常集中，都集中在分组的平均值（绿色线）附近，此时我们可以认为该组的转化率平均值与整体有明显区别。
“组内方差”，即描述每个分组内部数据分布的离散情况。
对于上面蓝色和绿色分组的“组内方差”，显然蓝色的组内方差更大，绿色的组内方差更小。
所以，如果上面三个分组的用户购买率平均值不在中线（整体购买率）左右，而是有明显的偏高或偏低，且该组内的每个转化率都紧紧围绕在该组购买率平均值的附近（即组内方差很小）。那么我们就可以断定：该组购买率与整体不一致，是该组对应优惠金额的影响造成的。
（2）方差分析之定性、定量分析
将上表中三个组的转化率放进了这个图中，尝试通过分析工具在转化率数据中得到结论。
定性分析
这三组的购买率数据的分布都很相似，即虽然各组的均值不尽相同，但各组的数据分布的都比较散（方差大），总有很大或很小的购买率来提升或降低了组内的平均值，所以不能仅从各组的购买率均值本身来断言该组的购买率与众不同。
因此，可以看到，这三组数据并无区别，用户的购买率与优惠金额之间没有明显的关系，当然这是一个定性的分析过程。
定量分析
F 检验值用来精确表达这几组差异大小的，F crit临界值是一个判断基线
当 F > F crit，这几组之间的差异超过判断基准了，认为不同优惠金额的分组间的购买率是不一样的，优惠金额这个因素会对购买率产生影响，也就是说通过运营优惠金额这个抓手，是可以提升用户购买转化率的；
反之，当 F < F crit，则认为不同优惠金额的分组间的购买率是一样的，优惠金额这个因素不会对购买率产生影响，也就是说需要继续寻找其他与购买转化率有关的抓手。
A、B、C 三组的方差分析结果。如图所示 F (1.5555556) &lt; F crit (3.8852938)，所以从定量分析角度，我们也能判定优惠金额不会对购买率产生影响。
方差分析也叫 Analysis of Variance，简称 ANOVA，也叫“F 检验”，用于两个及两个以上分组样本的差异性检验。
方差分析标准路径
第一步，判断样本是否满足“方差分析”的前提条件
（1）第一个条件：每个分组中的每个值都必须来自同一个总体样本
比如，同一家店铺中男性顾客和女性顾客（即样本），都来自这个店铺的成交客户（即总体），所以是同一个总体，可以用方差分析来分析不同性别客单价的差异；但如果想分析这个店铺中口红品类的用户购买率和其他店铺口红品类的用户购买率的差异，就不能用方差分析，因为这两个用户群体不是来自同一个总体。
判断样本是不是都来自同一个总体，其实就是看这些样本是不是同一个功能的用户、是不是同一种类型的用户、是不是同一个业务流程的用户。
以下就是来自同一总体的用户：
高留存的注册用户和低留存的注册用户；
DAU 里面的新增用户和唤醒用户；
从同一个入口进来的成功购买用户和流失用户。
以下这些就不是来自同一总体的用户，不能用方差分析来分析他们之间是否有差异：
产品的注册用户和游客，因为不是同一类型用户；
沉默用户和活跃用户，因为不是同一类型用户；
使用过功能 A 和未使用功能 A 的用户，因为不是同一功能的用户；
从活动落地页进来然后完成购买的用户，和从首页 Banner 进来完成购买的用户，因为不是同一业务流程的用户。
（2）第二个条件：方差分析只能分析满足正态分布的指标
在产品运营中大部分指标都是正态分布。
几乎所有转化率都满足正态分布：购买率、点击率、转化率、活跃率、留存率、复购率等。
几乎所有的业务量都满足正态分布：客单价、每日新增用户数、渠道引流的流量等。
几乎所有的用户画像指标都满足正态分布：年龄、城市、登录次数、使用时长等。
但是，以下这些就不是正态分布的指标，不能用方差分析。
注册用户中男性和女性的数量，它们并不会集中在某个区间，所以不能用方差分析去分析不同客群的男性数量和女性数量的差异；但男女的比例是正态分布的指标，根据产品客群不同始终集中在某个占比区间。？？
不同客群的累计消费金额，不是正态分布指标，因为累计类指标只会增长，并不会集中在某个区间；但是每日消费金额是正态分布的指标，因为每日的消费金额虽然有波动，但产品的客群是稳定的，消费金额也是集中在某个区间。
（3）第三个条件：分析的样本必须是随机抽样
每个用户的购买率就是随机抽样来的。最简单的随机抽样就是均匀抽样，例如 10 万用户，我就按照顺序，每隔 5000 人抽一个出来，就能随机抽样出来 20 人。
第二步，计算 F 检验值和 F crit 临界值
若 F > F crit，则各个分组的指标值有显著差异；
若 F < F crit，则各个分组的指标值无显著差异；
【【干货】数据化运营中的数据分析方法（2.1 数据化运营管理的意义-方差分析）】 第三步，如果有差异，需要评估差异大小
当 F > F crit，则各个分组的指标值有差异，但是差异有多大呢？用一个新的指标来表示：
R2=SSA/SST，其中 R2 表示差异大小，SSA 是组间误差平方和，SST 是总误差平方和。
可把 R2 看成相关系数，所以可以用相关系数的判断标准来给出差异的大小：
当 R2>0.5，认为各个分组间的差异非常显著；
当 R2 在 [0.1,0.5] 之间时，认为各个分组间的差异一般显著；
当 R2<0.1 时，认为各个分组间的差异微弱显著。
应用：
1.产品升级前后，使用时长有了一定提升，可以说升级有效果吗？
升级后的平均使用时长为 1分 34 秒，升级前为 1 分 26 秒。升级后使用时长提升了不到 10 秒钟，能说产品升级有效果吗？
1）判断样本是否满足“方差分析”的前提条件
使用时长来自同一群用户，就是产品的使用用户，是同一总体；并且使用时长满足正态分布，所以要分析升级前和升级后有无效果，就是分析升级前的使用时长和升级后的使用时长是否有差异，也就是可以用方差分析来判断。
2）计算 F 检验值和 F crit 临界值
F 检验值是 5.97，F crit 临界值是 4.1959，所以 F &gt; F crit，所以这两组数据有差异，也就是说升级后使用时长的提升是有效的。
3）评估差异大小
结果是 0.1757，属于一般显著。
结论：此次产品升级对使用时长是有效果的，平均使用时长提升了 8 秒，但提升效果一般。
2.最近做了一次活动，活动后的 DAU 有所提升，可以说活动有效果吗？
为了提升 DAU，做了一个促活的活动，把活动前后的 DAU 抽样 15 天的数据对比，发现活动后 DAU 均值是 55567，比活动前的 DAU 均值 54198 有所提升，可以说活动有效果吗？
我们不能单纯地看 DAU 均值提升就认为有效果，也有可能是正常的波动，所以我们需要准确对比这两个分组间的差异。
1）判断样本是否满足“方差分析”的前提条件
因为两组的 DAU 都来自产品的 DAU，所以认为是来自同一总体，同时 DAU 满足正态分布，所以可以用方差分析来进行分析。
2）计算 F 检验值和 F crit 临界值
因为 F(0.022) &lt; F crit(4.1959)，所以这两组数据无差异，也就是说这两组 DAU 没有任何区别，均值的变化是正常波动，促活活动并没有带来效果，所以不需要进行第三步，不需要评估差异大小。
上面的案例都是针对一种策略来分析效果。我们把这种形式的方差分析叫作单因素方差分析，因为只评估一种策略在不同客群、或不同渠道、或不同场景中的效果。下面我们看看一个更复杂的场景——多因素方差分析。
3.如何分析注册率是拉新活动带来的？还是渠道本身特性带来的？
渠道运营，涉及的渠道很多，同时在每个渠道上也会投放大量的运营活动，目的都是尽可能地将渠道的流量引导到产品上完成注册，才能进行后续更为深入的运营。
（1）渠道
刚开始我们对接渠道，由于资源有限，运营活动还是全渠道投放。想分析针对单一一个运营活动，各个渠道间的用户注册率是否有差别。
F(1.96) &lt; F crit(3.55)，所以各个渠道的注册率没有差异。
面对这样的问题，你自然会说可能是拉新活动的没有做出差异化的原因，所以你把拉新活动精细化，拆为权益类活动、品牌类活动和通用类活动。通过这三类细分活动再次投放到各个渠道上，再次评估各个渠道的注册转化率。
（2）活动
于是，除了渠道，还有活动来影响注册率。此时有两个因素来影响注册率，分别是渠道因素（有三组）和活动类型因素（有三组），所以我们用无重复双因素方差分析来做，
这里是两个因素，所以要从行和列分别去分析：
行的 F(8.46) > F crit(6.94)，所以注册率在不同行（不同活动）上差异显著，并且 R2 为 0.796，属于非常显著；
列的 F(0.16) < F crit(6.94)，所以注册率在不同列（不同渠道）上无差异。
所以，当我们给各个渠道投放多种类型的活动时，我们发现注册率和活动类型强关联。
（3）客群
把活动细分为三类只是精细化运营的开始，接下来你自然会想把这三类活动投放给每个渠道的不同客群，再看看对注册率的影响。
于是，除了渠道和活动，还增加了渠道中的客群（这里仅按照性别这个维度来分析）。此时每种类型的活动又针对男性客群和女性客群分别进行了投放，我们把这种情况叫作有重复因素。
有重复因素，即每个因素（活动类型）中都有两个重复值（男性和女性）。
样本是每个行中的男性客群和女性客群；
列是渠道；
交互是男性客群或女性客群，是否与渠道一起共同对注册率产生了影响。
从结果中我们可以看到：
样本的 F(10.57) > F crit (4.25)，所以不同性别的客群和注册率差异显著，再考察样本的 R2 为 0.64，为很强的显著关系；
列的 F(0.47) < F crit (4.25)，所以不同渠道的客群和注册率差异不显著；
交互的 F (0.49) > F crit (3.63)，所以不同性别的客群与渠道共同对注册率差异不显著。
此时我们可以下结论：不同渠道本身对注册率影响不大，可以排除渠道自身特征的影响；但是不同性别客群的拉新活动对注册率的影响非常大，后续可以针对渠道中的不同性别投入更多的拉新资源以提升注册率。
提醒：在本文的讲解过程中，对方差分析的原理和要求做了很多业务上的适应性的假设。而实际业务的情况非常复杂，在使用方差分析前应查阅统计学的资料后，确认业务情况符合方差分析的几个条件才能使用。如果硬套方差分析的方法来分析只会产生严重误导和偏差。
总结
方差分析适用场景：
第一类：同一客群在实施某个策略前后的指标对比，以评估策略效果。
第二类：两个或多个客群对比同一指标，以评估不同客群在这个指标上的差异，以评估不同客群的指标运营效果。
关于数据化运营和数据化运营管理的意义的内容就分享到这儿！更多实用知识经验，尽在 www.hubeilong.com