第45节（第2201-2250行） (45/96)

第三，从单门课程的层面来看，课程3对用户的吸引力可能比较差（报名和课程页访问都很少），课程4的课程详情页或定价等可能有可以优化的空间（访问很多，报名很少），课程6则报名转化率还不错，但目测整体在站内得到曝光的机会比较少。

看完这个例子，是不是感觉数据真的可以帮助我们把问题界定得无比精细，让我们言之有物、目标确凿？

3）假如你想要实现某个目标，数据可以帮助你找到达成目标的最佳路径。

在这一层次，逻辑和前面提到的“指标拆解”本质上是相同的。好比你们公司老板让你把销售额提升5倍，你是不是得去看看，销售额的提升到底该从哪方面着手？是吸引进来更多流量？还是用心把付费转化率做上去？还是好好提一下客单价？或者老板要的是用户量提升50万，你是不是得去看看，这50万名用户从哪里来更靠谱？多少可以来自用户口碑和自增长？各个不同的渠道分别能给我们带来多少新增用户的可能？

下面，针对“你想达成某个特定目标，如何通过数据来评估和具体化你的最佳达成路径？”这一问题，我们再来看一个更具体的例子：

假如某知识付费平台，主要面向0～5年工作经验的IT、技术研发相关从业者，站内有超过100门课程，目前日均报名上课学习的用户数是2000。接下来一个月内，希望把日均报名上课人次这个指标提升10倍，到20000，在投入预算成本最低的情况下，我们可以怎么做？

拿到这个问题后，我们首先可以依照上一节提到的目标拆解方法对我们的目标进行拆解，于是可得：

人次=网站流量×课程转化率×人均报名课程数

然后，既然是要把目标指标提升10倍，我们要分别评估一下提升3个因子的可能性。

先看网站流量，我们已知该知识付费平台的目标用户主要是0～5年工作经验的IT、技术研发从业者，根据市场规模估算，这部分人群基数全国超过2000万人，但目前该知识付费平台日UV（独立用户访问次数）只有不到10000，那么以正常逻辑推断，流量方面的提升空间还是挺大的，往前提升至少2～3倍以上肯定是有空间的。但这个流量如果需要在短期内拉动，肯定需要投入一些推广费用了。

再看课程转化率，假使该平台目前整体UV/课程报名人数的转化率为2%，依据经验判断，这已经是一个还算不错的转化率数据了——参考其他同类课程学习类网站的数据，一个知识平台站内的流量/课程报名人数转化率能达到3%，已经是业内比较高的数字了。我们在此暂且认为经过流程梳理后，可以在站内课程曝光引导、优化课程列表页和详情页等布局及课程文案、优化课程报名流程&体验等环节做出一定优化，从而实现3%的转化率，整体提升1.5倍。

最后是人均报名课程数，假使我们发现目前该平台的平均每用户报名课程数量为2门，而站内目前有超过100门课程，那么，人均报名课程数这个因子是存在明显的可提升空间的。

同时，我们也发现，站内的100门课程，其实存在很多相关性，比如我们可以把很多课程打包到一起进行相关推荐，变成技术IT人员入门必学的10门课程、前端工程师需要学习的8门课程、后端工程师必学的6门课程等。因此，我们也姑且推断，我们有机会依靠课程打包、相关课程推荐、站内消息告知、一次性报名多门课程赠送绝密资料等一系列运营手段，把单用户人均报名课程数从目前的2门提升到8门，整体提升4倍。

好了，接下来再看，因为我们的命题要求是“预算最低”，所以我们的思路一定是优先考虑无预算的指标拉升手段，再考虑有预算的指标拉升手段。

那么基于以上的推断，我们应该可以在不做预算投入的情况下做到以下状态：课程报名人次=网站流量×（课程转化率×1.5）×（人均报名课程数×4）=（课程报名人次=网站流量×课程转化率×人均报名课程数）×6

此时我们发现，如果按照这个推断，课程报名人次这个指标，已经提升了将近6倍。也就是说，为了达成10倍的目标，理论上我们只需要再投入一些预算，把网站流量提升到原有的接近2倍即有望达成预定目标。

至此，我们的这个最低成本达成目标的运营方案，算是成形了。

上述这个不断对目标数据反复进行推导思考的过程，也希望可以带给你一些启发。

4）极度精细的数据分析可以帮助你通过层层拆分，对用户更了解，也对整个站内的生态更有掌控力。

在这一语境下，对你的数据分析能力要求会变得更高。我们需要对数据有更深刻的理解，也往往需要我们去深入挖掘数据背后的隐藏含义——很多时候，能不能拿到数据，以及会不会解读数据是两件事。如果你能结合业务，从同样一批数据中解读出不同的、更高价值的信息，那么这将成为你运营工作中一个极具竞争力的能力。

还是具体来看一个例子：假如你在一家电商公司工作，目前所有站内数据可以对我们开放，那么站在运营端，若我们需要对该公司的用户行为有更加深入、精确的理解，从而更好地指导我们的运营工作，我们该以何种思路对数据进行分析和比对，从而得出一些更有价值的信息？

这里要先引入两个数据分析中的基本概念：维度和度量。

简单地说，度量就是具体的数据指标，它通常表现为某个量化过后的数据值，而维度则是看待这些指标的不同角度，如下图所示。

举例，网站的UV（用户访问数）是一个数据指标，而我们去看待它的时候，可以从日期的维度去看，以便评估一周或一个月内，哪几天流量偏高或偏低，是否存在规律。

也可以从24小时时间划分的维度去看，以评估每天在不同时间段的流量分布情况是怎样的；还可以从地域的维度去看，了解不同地区的用户使用网站的习惯和情况是否存在差异……

理解了这两个词，最终你会发现，所谓数据分析，无非就是界定清楚了你要评估的度量有哪些，然后需要知道你可能有哪些维度去看待这些度量，偶尔可能还需要在不同维度和度量间交叉做一下分析和比对，最后产出结论，把结果用图表等方式呈现出来。

所以，回归到这个例子，我们如果要结合具体的产品形态，对该电商公司的用户生态和使用习惯有更加深入的了解，我们或许可以先界定清楚，需要去评估的度量有哪些。

这个度量需要结合你的核心产品功能来想，因为该电商网站目前主要承载的产品功能就是浏览商品和购物，以用户可能会在这个网站上发生的核心行为为主线来看，我们要重点关注的是以下三类行为：浏览、添加购物车、付费购买。于是，围绕着上述3方面行为，我们要重点关注的度量就可能包括了：网站访问数、各商品页访问数、停留时长、添加购物车次数、支付订单数、退款订单数、用户评价等。

同时，对于以上的部分度量，我们应该有一个自己预设的合理区间（这个区间需要基于你自己对行业和用户的了解来进行判断得出，或者通过持续探索得出）。比如，单商品付费后的退款用户数整体占比不超过3%我们认为是比较合理的，如果该数值显著高于3%，则可视为异常数据。

然后，接下来的一步，就是围绕着每一个度量来看看，我们可以有哪些维度去看待它、分析它、评估它。

拿最简单的支付订单数来举例，我们要评估这个数据的维度可能包括日期、时间、地区、新老用户等。如果要把这个评估做到极致，我们可能需要从每一个维度依次去评估报名数这个指标的变化，从中发现一些线索或结论。

基本上，这种评估的出口有两个：

一是判断数据是否有一些需要注意的异常情况（如果出现异常数据，一定要分析原因）；

二是为了给自己的运营工作找到一些方向性的指导，比如说，我现在要把站内月付费订单数提升10倍，我是否可以从用户行为和习惯去得到一些具体的启发？而且，很多时候，这两个目的可能是合一的。

例如，假如我们看到过去30天里的站内付费订单数的变化情况如下图所示。

那么我们是否就需要去看一下，在订单数开始激增的那几天里，到底发生了什么。是因为我们有意识地做了一些推广和活动，还是因为上线了新的商品或活动，还是因为发生了什么别的事情？

假如你发现，相应数据的激增是因为某个商品偶然间被人分享到了某个社区或社群内（例如知乎）并引发了一轮小小的传播，那么接下来你如果想要从运营端做一些事来提升课程报名数这个指标，你是不是就可以有意识地在该社区或社群去做一些事？比如认真分析一下之前的内容为什么能在知乎引发传播，然后把传播点提炼出来，用更适合知乎的形式去进行一轮包装，并想尽办法在知乎再进行新一轮的扩散。

事实上，我个人就曾经亲历过类似的案例。2009年前后，当时我所供职的一家互联网公司，因为我们的某个产品被用户在某个大学生特别集中的社区分享而获得了过万的UV。从这一线索入手，我们开始深耕该社区，最后在短时间内给该产品带来了数十倍的数据增长。

另外，这种数据分析的另一个维度，就是依照你的常识对用户进行划分，再去看数据，结合用户访谈，了解不同类型的用户在具体行为习惯上可能会有哪些不同。

比如，以有瞰学社为例，我们主要解决的用户需求是与运营相关的学习，而还没有工作经验的大学生和工作了2年以上的互联网人，理论上学习习惯肯定是不同的，此时我们就可以分别从数据上去观察这两类人在访问、报名、听课、课后作业（包括学习产出和效果）等一系列行为上存在多大差异。

当这些问题界定清楚后，事实上你是可以根据用户类型的不同，分别推送给他们不同的服务和引导他们完成不同的用户行为的（比如已工作的用户上来先做几个小任务，还是大学生的用户则先去听两堂入门课），这样精细化的运营可以大大助推你的用户留存率和活跃度的提升。

最终，假如你手边的数据足够充分，且这种从度量&维度切入的分析做到了极致，理论上你会对整体站内用户的构成、行为习惯和当前产品的主要问题了然于胸，也会对站内的整体用户生态更加具有掌控力。

这里再补充两个小说明。

第一，理论上，假如作为一个运营负责人，我们应该对每一个关键性的用户行为都定期（比如每三个月或每半年）进行全方位、多维度的分析，做到对每一个关键用户行为的用户习惯和当前产品指标中的问题点了然于胸。

但，事实上绝大部分运营都可能看不到那么全的数据，这里面有很多原因，比如数据后台不完善、没有数据权限等，这时候我们该怎么办？

我的建议是：

（1）不管是否看得到，你都要让自己具备这样的分析问题和解决问题的意识和能力；

（2）如果某个数据的缺失已经严重影响了你的工作开展，一定要向老板持续索要数据，直到拿到为止；

（3）如果只能拿到局部数据，那就先对局部数据进行一些分析和推断，再带着你的一些假设去工作，以工作成果来验证你的假设。再随着业务的发展和要求不断去完善数据需求。

第二，很多产品，往往都是20%的重点用户给该产品带来80%的价值。