「数据」向来是互联网企业的命脉。随着运营的精细化，「数据运营」成为运营岗位的一个分支，专门从事数据的规划、采集、分析等工作。而站在思维方式的角度，「数据运营」则是运营的一项通用技能。通过数据分析的方法发现并解决问题，促进业务增长，是每一个用户运营、活动运营、内容运营或是其他运营岗位从业者实现自我提升的不二之选。

尽管「数据」是一个很具象的概念，我们对「数据运营」的概念却不是那么明确。拿我运营的这个公众号为例，是不是看看微信数据后台的图，关注下每篇文章的阅读数、点赞数、评论数就是数据运营了呢?

做到这一步，顶多算是个数据分析。我们说，数据分析的目的在于通过数据来指导我们的下一步运营手段。如果只是关注数据，输出分析报告，却没有进一步的操作，那先前的分析也只是浪费精力的徒劳。

知己知彼，我们首先来看看招聘部门对数据运营的岗位描述是怎样的：

某公司数据运营岗位描述

梳理了上图中的信息量，可以说，数据运营的岗位职责和我们预想的差不多，关键词不外乎指标体系的建立、分析报告的形成以及实际业务的应用。再来看看同一岗位的要求——

某公司数据运营岗位要求

在岗位要求中，1、2两条对工作年限、职业技能的要求属于硬实力，而3、4两条中的数据感知力、逻辑思维能力、分析并解决问题的能力等则属于个人软实力，难以测量却又是数据运营所必须具备的专业素质。

根据数据运营的岗位描述，我们可以将数据运营的具体职责分为数据规划、数据采集和数据分析。

数据规划：收集、梳理业务部门的具体数据需求，搭建数据指标体系;

数据采集：采集业务数据，输出数据报表;

数据分析：根据具体业务场景选择数据分析方法，输出数据分析报告并提供解决方案。

由于数据运营对整体运营业务的指导性影响，大部分运营在做有关数据的工作时也可以按照这三个层次来展开。而相对于数据分析师、数据挖掘师来说，数据运营弱化了对编程统计的要求，更加强调在现有工具基础上灵活使用分析方法。因此，数据运营的首要核心，是关键数据指标体系的搭建，数据运营需要和产品、运营、市场等业务部门不断沟通，做好基本的数据规划，使得接下来的数据采集和数据分析更有针对性，更加高效。

可以说，数据规划是整个数据运营体系的基础，它从指标和维度两个方面描绘出我们跑出来的数据要能传递什么信息。因此，指标设定的逻辑和指标取舍的度量，将会是卓有成效的数据运营区别于PPT演示、Excel报表华丽呈现的核心竞争力。

一、指标体系

我们用各项指标来衡量具体的运营效果，比如UV、DAU、ROI等等。搭建指标体系的过程就是为自家产品和服务选取关键性指标的过程，求精不求多。指标的选取源于具体的业务需求，从需求中得出关键行为，以关键行为对应指标。

以电商网站为例，选择关键性指标的过程如下：

1、明确需求：网站主要业务是销售商品，需要通过数据分析来提高销售金额。

2、归纳行为：用户购买是一连串关键行为的结果，包括访问网站、浏览商品、注册账号、加入购物车、结算、支付等。

3、对应指标：销售金额=访问流量×下单转化率×支付转化率×客单价。

在归纳行为这一步我们可以借助漏斗模型，分解用户的各项关键行为。对电商网站而言，销售金额即是网站的第一重要指标;同时，整个销售金额的指标体系包括了访问流量、下单转化率、支付转化率和客单价四个可操作的指标。这样一来，我们对指标的监控就能更有针对性地指向提高销售金额这一最终目的。

二、维度体系

维度是表示指标细分的属性，比如人口属性、设备属性、行为属性等等。选择维度的原则是：记录那些可能会对指标产生影响的维度。

维度类别

具体维度

人口属性

性别、年龄、职业、爱好、城市、地区、国家

设备属性

平台、设备品牌、设备型号、屏幕大小、浏览器类型、屏幕方向

流量属性

访问来源、广告来源、广告内容、搜索词、页面来源

行为属性

活跃度、是否注册、是否下单

还是以电商网站为例，我们需要监测不同访问用户的访问来源(广告还是自然流量)、平台(PC还是移动端)、活跃度(浏览购买频次)等等。

我曾经基于AARRR模型对网易蜗牛读书的指标进行如下分析：

现在看来，这也是我们在数据运营中可能会犯的通病：关联指标过多，找不准关注重心。脑图中的指标基本覆盖了用户运营、内容运营、产品运营的各个方面，但就产品的核心业务逻辑来说，用户和网易蜗牛读书的关联在于，由网易蜗牛读书向用户提供正版电子书的阅读，用户向网易蜗牛读书购买阅读时长。

网易蜗牛读书-产品业务逻辑

因此，该产品的盈利点就在于用户发生购买阅读时长的一系列行为，包括访问APP、登录/注册、购买、支付。其对应的指标即：销售收入=用户流量×支付转化率×客单价。

当然，其他指标也是产品运营中不可获取的数据，比如留存率的高低可以反映出用户对产品的认可程度，同时留存率也是提高用户购买率和复购率的关键。但通过「明确需求→归纳行为→对应指标」这样的操作，显然我们的注意力能更加聚焦到影响实际业务的关键性指标上，再从这些关键性指标的反馈来剖析哪个环节还有很大的提升空间，哪个流程出了纰漏等等。指标不会是孤立的，我们还要注意各项指标之间的关联，保证数据收集的有效性，再通过数据采集和数据分析，真正实现数据驱动运营。