产品经理
数据
数据分析
运营

数据运营的具体工作内容是什么?

电商平台类的公司,数据运营岗位的具体工作内容是什么?
关注者
674
被浏览
446,215

33 个回答

看了上面的回答,其实说的都挺对的,但是我还是想再做一些补充。

对于数据运营,大多数互联网从业者都会有一些共有的迷思。比如如何选取正确的指标,如何正确地采集数据,如何用数据驱动运营。所以我们写了一本 《数据运营手册--方法、工具、案例》,这是 2017 年出的第 2 本电子书。

以下是电子书目录

在这本电子书中,我们详细介绍了数据运营的相关概念、工具、方法以及案例。通过这一本电子书,希望能帮各位搭建起正确、高效的数据运营体系。

你可以点击此处了解并下载 《数据运营手册--方法、工具、案例》。

这本书中有一篇内容专门介绍数据运营的工作,以下是全文,希望对你有所帮助。


数据运营的具体工作是什么?


数据运营到底是做什么的?他和数据分析有什么区别?...... 不知道运营的同学有没有思考过这一类问题。

在前面的文章中,我们将数据运营分为两类,一类是狭义的“数据运营岗位”,一类是广义的数据化运营。今天我们以100篇数据运营岗位招聘JD(职位描述)为例,和大家分享一下数据运营岗位具体工作是做什么的?


Part 1 | 数据运营是做什么的?

在100篇数据运营招聘JD(职位描述)文本的基础上,我们使用 R 对其进行了分词,并且绘制了词云。


通过这个词云不难看出,“数据分析”是数据运营的核心工作,下面这个表格展示了排名靠前的关键词及其出现的频次。

“数据分析”这个词在100个 JD 中出现了106次,遥遥领先。接下来是分别是“分析报告”、“提供数据”、“数据报表”等词,这也说明提供数据报表、分析报告是数据运营的重要工作。搭建“数据指标”、及时“发现问题”、提供“解决方案”也是JD中的高频词汇,这样看数据运营岗位的具体职责就一目了然了。

总结起来,我们将其归纳为数据规划、数据采集、数据分析三大层次:

1.数据规划:收集整理业务部门数据需求,搭建数据指标体系;

2.数据采集:采集业务数据,向业务部门提供数据报表;

3.数据分析: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,提出解决方案。


Part 2 | 数据规划

数据规划是整个数据运营体系的基础,它的目的是搞清楚“要什么”。只有先搞清楚自己目的是什么、需要什么样的数据,接下来的数据采集和数据分析才更加有针对性。

这里有两个重要概念:指标和维度!


一、指标体系

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。

我们以一个电商网站为例,分析一下选择指标的过程:

  1. 明确需求:网站主要业务是商品销售,希望通过数据分析来提升网站销售金额;
  2. 归纳事件:用户购买是一连串关键事件的结果,包括访问网站、浏览商品、注册账号、加入购物车、开始结算、支付等。
  3. 对应指标:不难得出公式,销售金额=访问流量*下单转化率*支付转化率*客单价。

通过上述分析,得出销售金额是 OMTM(第一重要指标,One Metric That Metter)的结论。同时,整个销售金额的指标体系包括访问流量、下单转化率、支付转化率和客单价四个可操作的指标。


二、维度体系

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。

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。对于初创公司来说的,性价比最高的做法就是用 SaaS 服务,通过第三方的 SDK 来完成多维度数据的获取。

磨刀不误砍柴工!数据运营需要和业务部门(市场、销售、运营、产品等等)不断沟通,只有做好数据规划,接下来的数据采集和数据分析才能更加高效。


Part 3 | 数据采集

传统的数据采集是一件非常花时间、精力、人力的事情,对于很多企业来说是一个巨大的门槛。巧妇难为无米之炊,数据采集的重要性不言而喻。数据运营要发挥数据采集、数据报表呈现的职责。


一、数据采集

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。

1.埋点

埋点,也称打点,通过在产品(网页、APP等)中手动添加统计代码收集需要的数据。假如要收集用户注册数,就需要在注册按钮处加载相应的统计代码。Google Analytics(谷歌统计)、百度统计等工具采用的就是这一方法。

因为埋点的工程量大、周期长,而且容易发生漏埋、错埋的情况,埋点成为了数据从业者的一大痛点。

2.可视化埋点

可视化埋点是埋点的延伸,通过可视化交互的方式来代替手动埋点。这种方式降低了用户使用的门槛,提升了效率。Mixpanel 采用了可视化的埋点方案。

无论是埋点还是可视化埋点,数据运营都需要起到承前启后的作用:收集业务部门数据需求,撰写需求文档,向工程部门提交埋点需求。

3.无埋点

无埋点颠覆了传统的“先定义再采集”的流程,只需要加载一个 SDK 就可以采集全量的用户行为数据,然后可以灵活自定义分析所有行为数据。用户行为数据分析产品 GrowingIO 采取的就是无埋点的技术方案。

相比于埋点方案,无埋点成本低、速度快,不会发生错错埋、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。


二、数据报表

定期向业务部门提交数据报表是数据运营的工作之一,包括日报、周报、月报甚至年报。数据报表建立在数据指标体系的基础上,数据运营应该让这部分工作尽量自动化。

搭建数据看板( Dashboard )是除了数据报表之后又一项工作,数据看板往往和企业的 BI 系统连在一起,属于数据可视化的部分。在资源充足的企业,往往采用自建的方式搭建数据平台;对于中小企业,合理借助第三方数据工具是一个非常不错的选择。

上图展示的是 GrowingIO 的流量概览看板,自动展示相关数据指标。在数据采集和数据可视化这个环节,数据运营应该善于借助工具,减少在数据采集、数据清理、数据可视化上面耗费的时间。


Part 4 | 数据分析

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。

选择什么样的数据分析方法要和你的业务场景相结合,下面这个表格汇总了目前常见的运营数据分析方法。

不同于数据分析师,数据运营岗位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。一个好的数据运营一定要及时发现问题、定位问题,并提出可行的解决方案。

本文作者 | GrowingIO 增长团队 GrowingIO 是来自硅谷的新一代基于用户行为的数据分析产品,数据采集无需埋点,用户行为数据分析更专业。登陆 GrowingIO 官网立即注册免费试用。
发布于 2017-04-21 20:57

互联网中最丰富的资源是流量,而流量变现最直接的方式是电商

所以这篇来补充一下电商这一细分领域的数据运营相关内容,毕竟电商数据运营跟我们平常所说的数据运营分析还是有所不同的。

一般来说,整个数据运营分析的过程是这样的:

电商分析会使用到和整个用户路径相关的指标,从发现到获取、转化、留存以及推荐,大致过程可以简化为以下:

  1. 数据抓取:从线上店铺的各个方面抓取数据
  2. 数据分析:分析任何可能对销售有影响的数据,理解当前趋势和消费者行为的转变
  3. 数据决策:做出数据驱动的决策

详细来说下。


01 数据抓取

即从线上店铺的各个方面抓取数据指标,电商运营分析的数据指标是一个很庞大的体系,主要分为8个类指标,120个细分指标,如下图所示:(纯手打,图有点长)

数据抓取就是要找准需要分析的数据指标,从店铺运营的各种数据中将这些目标数据指标抽出来,进行专门的检测和分析。

注:但并不是说这么多指标都要挨个抓取,到底该选择哪些指标往下看。

关于这些指标怎么拆解可以去看我这篇: 电商运营如何做数据分析?


02 数据分析

数据分析是一个非常庞大的体系,需要运营者具有一定的数据分析基础,如果你是一名数据分析小白,不建议直接上手学电商数据分析。

可以先从学习数据分析的入门知识开始,扎扎实实打好基础,关于学习资源参考这篇: 超级菜鸟怎么学习数据分析?

或者可以直接看知乎知学堂官方出的数据分析入门课程:涵盖了从数据分析理论、数据处理方法、数据分析思维、商业智能BI、SQL、数据可视化等课程,都是数据分析大牛老师代课的(比如猴子),比起一些零零散散的课程更加系统,能够帮助大家打好基础。

打好基础后就可以上手电商数据分析了,即分析任何可能对销售有影响的数据,其目的是理解当前趋势和消费者行为的转变。

上面我列出了总共120个数据细分指标,但在实际运营过程中,是不需要将这些指标全部分析的,当然这也不现实。

建议:根据店铺实际运营情况,结合当下的关注点&目的等为出发点,选取其中2-3个大类指标垂直拆解、深度分析。

做电商数据运营必须要分析的几组数据:

  • 日常数据:流量相关数据、订单相关数据、转化率相关数据
  • 流量数据:IP、PV、在线时间、老用户比例、新用户比例。
  • 订单数据:总订单、有效订单、订单有效率、总销售额、客单价、毛利率。
  • 转化率数据:下单转化率、付款转化率。
  • 网站数据:IP、PV、平均浏览页数、在线时间、访问深度比率、访问时间比率。
  • 运营数据:总订单、有效订单、订单有效率、总销售额、客单价、毛利润、毛利率、下单转化率、付款转化率、退货
  • 会员数据:会员总数、所有会员购物比率(新会员,老会员)

下面详细讲一下,上述几组数据按分析角色可以划分为:

  • 用户方:需求洞察、渠道来源、用户留存、用户推荐
  • 店铺方:营销推广ROI、店铺转化率
  • 产品方:产品整体数据、销量数据

(1)运营方

  • 依据用户画像,洞察需求

通过收集用户的社会属性、消费习惯、偏好特征等各个维度的数据,并对这些数据进行分析统计,抽象出用户的信息全貌。

比如这种:

图源logo
  • 用户渠道来源

对电商数据运营来说,最基础的一步是分析“流量来源”,即用户是通过哪些渠道进到店铺中的。具体操作方式如下:

  1. 分析不同渠道来源的“客户数量”及“支付转化率”
  2. 找出“支付转化率”比较高的流量渠道,增加该渠道的投入。

这样可以做到高流量的精准转化,提高整体的“支付转化率”。可以利用数据分析工具能为不同渠道的表现提供总览,并给出目标转化率。

图源logo
  • 用户留存

获取新用户比留住老用户成本大得多,因此分析用户留存数据非常重要,研究显示,用户留存率提升5%就能带来25%到95%的利润。

分享几个测量用户留存的指标:

  1. 购买频率:消费者在给定时间段(通常是一年)内进行的购买次数。
  2. 留存期:顾客保持活跃状态的平均时间长度。一般是1~3年。
  3. 顾客生命周期价值=平均订单价值*购买频率*留存期。
  4. 单次转化费用:获得一位新顾客所需花费的成本,需要监控所有的营销活动数据(包括搜索引擎优化)。CPA必须<顾客生命周期价值。

举个例子,销售行为中对客户留存的监测一般是采用销售漏斗,可以参考这种:

图源CRM客户管理套件
  • 用户推荐

用户推荐对于电商来说非常重要,他们是品牌天然的品牌大使。主要包括:

  • 推销型用户 :他们是你最忠实的顾客;
  • 消极型用户:他们对你的产品还算满意,但没有意愿推广你的产品;
  • 厌恶型用户:他们不仅不愿再来购买,还会劝身边的人也不要来买。

很多电商企业会密切关注着这一阶段的指标并及时做出反应。

(2)店铺方

  • 营销推广ROI

依据数字化营销提高推广的RIO,是做电商数据运营最重要的环节之一,通过数据分析达到高效转化与品效相结合。

通过对ROI的分析,可以生成以下几种报告帮助决策者决策:

  1. 内部营销报告:内部推销点击率、交易数量、收入、内部推广点击后产生的交易数等等。
  2. 订单优惠报告:提供订单优惠和收入、交易量、订单平均价值的关系分析。
  3. 产品优惠报告:提供有关产品优惠和收入、购买人数、每次购买产生的产品收益。
  4. 折扣码报告:分析合作商 / 品牌大使 / 博主对你店铺销量的贡献。
图源:营销推广ROI数据
  • 店铺转化率

店铺转化率=(产生购买行为的客户人数 / 所有到达店铺的访客人数)× 100%,可以用以下指标来跟踪和优化:

  1. 销售转化率:已购买的用户和全部来到店铺的用户比值
  2. 平均订单价值:用户下单的平均金额
  3. 放弃购物车率:在所有产生的订单中,未完成订单的占比
给个参考:电商行业的平均转化率为 2%,业绩最好的店铺通常会达到平均水平的两到三倍。
图源网络

(3)产品方

  • 产品整体数据

产品整体数据分为两个部分:销售表现和购物行为。

  1. 销售表现:各个商品带来的收入,至少购买过一次的用户数,平均订单价格、数量,退款数目等等。
  2. 购物行为分析:商品浏览页访问量、商品详情页访问量、加入/移出购物车的商品,进入结算阶段的商品,以及购买人数等。
  • 销量数据分析

销量数据几乎反映了所有电商运营环节的效果:市场营销、流量积累、商品优化、产品迭代等。总销售额是衡量线上店铺经营状况最佳的“整体主要指标”(OMM)之一。

注意:不要只关注短期效果,要检测长期变化

数据分析入门课程学习详情请戳:(适用于想学习数据分析入门-初级-中级的伙伴)


03 数据决策

数据分析完成后就需要进行数据决策了,而做数据决策最重要的一环——生成业务数据报告。

数据报告的目的在于说明现有业务的优势与不足,并提出对于业务的合理优化建议,指导后续发展。

数据报告的生产可以借助一些数据分析工具,会比用Excel来的更简单一些,比如这种:

图源数字化仪表盘

另外还有一些其他工具网站,按照自己的需求来就可以了,工具的选择也不要贪多,够用就行。

注意:数据报告不能只是简单的罗列数据,要实现业务知道的需求,还需要做到以下三点:
  • 对业务的改进优化;
  • 帮助业务发现机会;
  • 创造新的商业价值。

而这三点,也是数据分析的价值根本所在。分享几个数据报告常用思维:

(1)对比:把数据放在一个合理的参考系中,通过对比来说明问题。比如:

对比数据,为什么订单数减少了?但销售额增加了?这是否是好事?
对比数据,为什么客单价提高了?但利润率降低了?这是否是好事?
对比数据,能否做到销售额增长,利润率提高,订单数增加?怎么做

(2)转化:梳理整个业务流程和环节,计算分析各个环节的转化率并思考如何提高转化率。

(3)公式:从公式的角度进行指标拆分。比如:

销售总额=客单价*用户数。所以想要业绩增长就需要:吸引更多的用户;从每一个用户身上得到更多的钱。

(4)分类分析:电商中常见的分类分析思路就是拆分类目。比如:

平台的销售总额可以拆分成各一级类目的销售总额,一级类目再拆成二级类目,二级类目再拆分到店铺。

注:

本文部分配图来源网络,图源见水印。
本文数据可视化所用图源来自: 数据分析仪表盘。

以上,数据分析是一个非常庞大而复杂的体系,靠我短短这几千字是说不完的,因此只能跟大家讲一些基本的。

也欢迎大家评论区探讨指正~

编辑于 2023-04-24 20:11

具体工作内容,就是用手中的数据,优化你的运营!


我这边有四个数据看板,分别是运营总看板、用户运营看板、内容运营看板,与活动运营看板。

数据来源就是你在做这些事情的时候,产生数据的一切工具/平台,比如微信公众号、伙伴云表格、官网日志、百度推广、salesforce等等等等……

具体可以看我在 互联网运营的数据分析快速上手? - 知乎 中的回答

当然你是电商运营,那么你需要熟悉的就是产品模块、平台模块、推广模块、客服模块等等等等了~

不过,一旦你具有了数据思维,其实做什么,都是一通百通的。

希望题主工作顺利。

发布于 2017-07-13 10:41
作者: 小昀
链接: 纯干货 | 数据运营的6个步骤,从方法论到案例带你入门
本文转自:友盟全域数据官方微信

简单的来说数据运营的本质和普通运营一样,是一个发现问题-分析问题-解决问题的过程。在这个过程中就需要通过数据分析,找出痛点并通过运营的手段解决问题。

在技术上来讲,实现的流程可分为以下6个步骤:拆分工作项、建立指标体系、细化分析目标、提取处理数据、数据分析总结、反馈及投入应用。

1、拆分工作项

运营是一个包含了诸多琐碎事项的工作,运营人员要会拆分自己的工作项,并根据不同工作项的特点有针对地对特定的运营数据进行分析,才能事半功倍。

那么怎么拆分工作项呢?

可以按照面对的用户群体分解,通常与用户分级联系在一起,将工作拆分成面向所有普通用户、面向活跃用户、面向付费用户等等。

也可以按照项目将自己的工作进行拆分。还可以按照时间顺序确定不同阶段的目标,根据自己的目标来拆分工作项。

2、建立指标体系

拆分完工作项后,针对每一个工作项有不同的指标,我们要根据工作项的特点进一步拆分和细化运营数据指标,然后通过对每一个指标的分析来判断运营问题并不断优化运营方案。

拆分的维度可以按照数据的包含结构,也可以按照每一个工作项包含的子项进行拆分。

以用户运营为例,用户运营包含了用户的拉新、促活、留存、付费转化等方面。
而就拉新来说,关键的指标有注册用户的规模、增长速度;
渠道质量——注册渠道有哪些,渠道的注册转化率如何;
注册流程质量——完成注册的用户数、注册流程中用户蹦失节点统计;
注册用户行为追踪——完成注册后用户的行为统计。

3、细化分析目标

细化分析目标是指根据运营目标,确定能够进行优化的数据点。这一步是为接下来的数据提取处理分析奠基的。

举个简单的例子,假如现在做完一场活动,想知道下一次举办相同或相似活动时有哪些地方可以优化,需要关心的点除了最终参与效果还有:活动推广的渠道有哪些,每一个渠道的参与路径是怎样的,路径中的每一步参与人数有多少,转化率达到多少,等等。明确了分析目标后,就可以确定要提取的数据点有哪些。

4、提取处理数据

在提取数据这里涉及一个数据埋点的问题,在产品设计的早期,运营人员就要规划好运营关键点,列出埋点清单提交给开发人员,以免后期运营过程中想要查看某一个数据但却没有数据记录信息。

此外,提取出来的数据要经过一系列的处理后方可进入分析阶段。

5、数据分析总结

常见的数据分析方法有对比分析法、结构分析法、平均分析法、权重分析法、杜邦分析法等等。

① 对比分析法

指按照不同的维度进行对比,以探寻数据的变化,发现其中蕴含的规律或启示。

对比的维度包含了:与预期目标对比、不同时间段的对比、与同行对比、与运营前的效果对比、不同用户间的对比、不同操作间的对比,等等。

接下来用一个 例子讲解如何通过对不同时间段数据的对比来进行用户画像并根据用户画像做出运营策略的调整。


上边这张折线图反应的是某产品的日活跃用户数变化规律。2016年4月初到7月初其基本是成周期变化,且周期为一个星期,数据较大的点主要是在周末,因此我们可以推测这个产品的主要用户是学生。
而且在6月的时候日活跃数据略有所下降,7月中旬以后数据上升且变化这与学生期末考试和放假的时间也基本吻合,进一步佐证了用户画像。

② 结构分析法

被分析总体内的各部分与总体之间的对比分析,常用结构相对指标(=(部分/总体)*100%)来表示,这个数值越大表明该部分在整体中所占权重越大,其重要性越大,对整体的影响也就越大。

③ 平均分析法

反映的是一定条件下,某个指标的一般水平,多用于衡量业务的健康度。

例如某个商品有A、B、C三个销售渠道,假如想了解这三个销售渠道谁对营收贡献最大,可以统计这三个渠道的平均销售额。这个时候要注意,平均分析法的“平均”是有前提的,它必须建立在用来计算平均值的数据是否都是有效的。
现在A渠道有一天的销售数据突然骤减为0,这是很反常的,这个时候要去查问题到底出在哪,如果是因为比方说那天A渠道出现了某些突发故障,那么应该剔除这个数据再计算平均值。

那是不是平均值越高说明业务越健康呢?

不一定。比方说A卖的是羽绒服 ,B卖的是短裙,夏季的时候A的销售均值比B低,这并不能说明A的业务就比B的差。

平均分析法适用于双方的业务和所处的情况比较接近也即我们常说的,具有可比性时,才有意义。

④ 权重分析法

将多个指标转化为一个能够反映综合情况的指标来进行分析评价,具体的做法是确定各个指标的权重,然后对处理后的指标进行汇总后计算出综合评价指数。常用以对处于并列关系的子类进行分析。

如图所示,某产品有三个推广渠道——A、B和C。
这三个渠道又细分为通过购买母婴类产品的推荐转化、参加相关线下活动的转化 以及来自公众平台的转化。
若要衡量A、B、C三个渠道的质量如何,可以给各个细分渠道设置某个权重,定义“渠道质量”这个指标对应的公式(如:渠道质量=购买了母婴类产品后的推荐转化人数*60%+线下活动转化人数*30%+公众号转化人数*10%),通过加权求和后比较这三个渠道的质量高低。

那权重的设置依据是什么呢?

一个是要根据各个细分指标的重要性,另一个来自于以往的运营结果。

还是以刚刚那个产品为例,假设产品是跟母婴类相关的,那么根据以往的运营经验,通过购买了母婴类商品后的推荐引流来的用户,后续转化为活跃用户的概率更高,那么这个渠道的权重就可以相应的设高点,而通过公众号导流来的用户流失率极高,其权重就可以比较低。

⑤ 杜邦分析法

杜邦分析法是由美国杜邦公司创造并最先采用的一种综合分析方法。利用各个指标间的内在联系,可以对自己的运营状况及效益进行综合分析评价。

如图所示,假设产品更新后最近的收入降低了,老板让分析下原因出在什么地方、可以做出哪些调整,那么我们可以将收入拆分——收入=付费人数*ARPU(每用户平均收入)。

接下来对付费人数进行拆分,付费人数=活跃人数*付费渗透率。据观察,付费渗透率几乎没有变化,而活跃人数下降了,进一步细分活跃人数。

活跃人数=新用户中的活跃用户+老用户中的活跃用户,倘若老用户中的活跃人数上升了,而新用户的活跃人数下降了,可以进一步将其拆分。

然后分析,新用户=推广覆盖人数*转化率,在转化率基本不变的情况下,将推广渠道细分,根据数据,渠道一下降了而渠道二上升了 ,不断进一步拆分,直到指标不能再细分后,针对细分后的指标分析其中哪些对最终的收入影响较大,产生变化的原因是什么,是否可以通过人为的调整方案后进行改善,等等。

6、反馈及投入应用

仔细观察可以发现,以上数据分析流程实际上形成了一个闭环。总结汇报完毕,我们需要将得出的结论运用到实践中,继续观察数据的变化并不断优化我们的运营策略。


以上,感谢阅读!

如果你想获取更多运营知识,还可以看看这些问答。↓↓↓

  1. 数据分析: 超级菜鸟怎么学习数据分析?
  2. 数据埋点: 移动应用如何埋点收集什么数据以便于统计分析?
  3. 用户增长: 有哪些通过产品上的精妙设计实现用户增长的例子?
  4. 小程序推广: 小程序怎么做运营推广?营销该怎么玩?

❤看后三件事❤

如果你觉得这篇文章对你挺有启发,希望你可以帮我三个小忙:

1、关注 @友盟全域数据, 让我们成为长期关系;

2、点赞,让更多的人也能看到这篇内容(收藏不点赞,都是耍流氓 -_-);

3、评论,让我第一时间了解你的真实想法;

谢谢你的支持!

编辑于 2021-02-26 11:18

不管是什么行业,数据运营大致的工作目标都是一致的:实现数据价值,让数据解答业务“是什么”,洞察业务“为什么”,告诉企业“做什么”。

做数据运营很容易感到迷茫,一不小心就被业务牵着鼻子走。建议常常看看这句话,想想现在做的事情是不是在往这个方向靠,再去拆解阶段性目标。

说完工作目标,接着再来聊聊数据运营日常工作内容,按照工作流程可分为

一、工作流程

需求收集→将需求评估分类→分析过程管理→分析结论

1、需求收集

需求业务方提出数据分析需求,数据运营部门收集整理数据需求。在这个部分中,需求可以被分为被动接受需求和主动采集需求,两种使用的技巧不一样。

①被动接受需求

这类需求收集的时候坚持的一个原则:把需求讲清楚,把细节问清楚。

可以使用的方法是5w2h,具体示例如下:

作为销售负责人,我需要一张区域每月销售明细表,来监督推进各区域的目标完成。

需求现状与目标(WHY):当前都是靠询问销售,没有线上查询表,无法动态实时掌握销售情况
需求干系人(WHO):销售负责人、销售人员
需求内容(WHAT):开发一张区域每月销售明细表
需求时限(WHEN) :需要进步明确,一周内/一个月内交付
需求地点(WHERE) :需要进一步明确,总部开发/区域开发
思路与衡量(HOW/HOW MUCH):需要进一步明确,可以有一些图表分析、下钻分析

②主动采集需求

这类需求收集的时候坚持另外一个原则:把问题问清楚,把需求描述清楚。

这里可以遵循挖掘问题痛点→分析问题根因→分解落地动作→主动转换被动这样的过程,具体示例如下:

挖掘问题痛点 (现状) :很烦恼,销售A说他业绩好,销售B也说业绩好,各执一词,怎么公平衡量价值产出?
分析问题根因 (目标) :缺少统一的制度、统一的平台、统一的数据
分解落地动作 (需求) :制定一个相同口径的目标,对比相同口径的销售产出,衡量达成率;开发一张区域销售业绩达成明细表;定期填报或上报合同数据
主动转换被动 (输出):被动接收需求

2、将需求评估分类

第一类:简单数据准备需求

  • 只需要提供简单数据集,需求方通过BI自助数据集或简单仪表板制作即可完成分析

这里我简单演示一下,借助 FineBI工具,由数据人员负责建立数据连接和数据集,业务人员直接取用准备好的数据,遇到没有数据的情况再向数据部门提数据需求。

第二类:简单数据分析需求

  • 无法得出简单结论,一般不是统计结果,需要和业务结论产生关联
  • 多数引导到的数据是曾经应用过的,基础数据的质量可控
  • 通常耗时大于2人天,小于5人天

第三类:复杂数据分析需求

  • 分析结论是业务方无法得出的
  • 有超过50%的数据曾经未应用过,基础数据的质量不可控
  • 通常耗时大于5人天

第四类:数据项目需求

  • 通常指从0-1构建起分析体系
  • 通常耗时大于14人天

3、分析过程管理

1)给出分析思路与计划

  1. 适用范围:复杂数据分析需求
  2. 第一步:明确分析的目的以及对业务的价值
  3. 第二步:画出需要分析的业务流程示意图
  4. 第三步:画出分析的思维导图,包含
  • 可分析的维度
  • 期望构建的指标
  • 使用到的数据

5.第四步:给出分析所需的时间计划

2)数据准备

  1. 新建数据准备相关的自助数据集
  2. 新建产品使用相关的原始数据集
  3. 新建分析过程的自助数据集

3)过程管理

切记!注重过程,注重过程,注重过程!严谨,严谨,严谨!该认真的地方千万别摸鱼!

不要图方便,把过程中的数据集和仪表板建立的很随意,没有一次分析可以一次给出合理结论,当你需要用到之前的数据集和结论的时候,再去找的成本只会比规范所用的成本高

4、分析结论

1)结论输出方式

  1. 数据准备任务
  • 在任务备注中,明确准备好的数据集的位置与使用方式

2.简单分析任务

  • 需要给出分析结论,结论可以写在仪表板中,也可以写在文档中
  • 在任务备注中,挂载分析用到的仪表板
  • 判断仪表板是否需要挂载至仪表板,如认为有持续使用价值,则记录

3.复杂分析任务

2)完整分析结论需要包含要素,自上而下的结构化顺序

  1. 【目标】业务分析的目标是什么,本次分析是否能达成
  2. 【结论】结论先行,先给出分析结论
  3. 【数据】描述本次分析的数据口径,并且论证所用的数据准确性是否符合要求
  4. 【指标】如果有构建新的指标/维度/概念,描述其含义
  5. 【过程】描述分析过程与子结论

二、作为数据运营新人,要如何提升自己?

可以分为三部分来针对性提升:业务理解能力、数据运营专业能力、通用素质能力

1、业务理解能力

(一)产品业务知识学习

如果是C端的数据运营,就把整个业务流程跑2遍以上,如果是B端数据运营就把产品帮助文档读3遍以上,把产品业务摸透烂透。

(二)产品运营业务知识学习

快速且深度融入所在业务小组的现有业务的工作中去,理解目标制定与拆解的逻辑,完全清楚大家的工作方式的决策依据与其背后的原因。不能深入了解业务的数据分析师都是“取数工程师”。

(三)数据采集-分析框架

埋点记录-数据回收-数据处理-数据分析。可以掌握目前有哪些可分析的数据,至少能做到知道所有埋点能从哪个表里能找到。

2、数据运营专业能力

(一)必备能力:

①数据运营与增长思维

思维是最重要的,没有数据牵引业务成长的思维,空有数据处理与分析的能力也得不出影响业务的结论。

推荐阅读:

《硅谷黑客增长实战笔记》/《增长黑客》选读1本

《精益数据分析》

②数据分析工具

初级:BI工具、SQL、Excel

中级:spss、Python、R

数据分析能力提升,可以看我这一篇: 数据分析入门学习指南|零基础小白必看

项目管理能力

推荐阅读:《项目管理精华》,建议买实体书,放在手边经常翻一番

(二)初阶能力:

①梳理流程的能力

怎么算理解业务了,就是能把业务运营的关键环节通过指标与数学关系抽象出来。

整理了电商运营用到的指标体系: 电商运营指标体系

②数据分析能力

推荐阅读:《数据化运营速成手册》《谁说菜鸟不会数据分析》《课程:7周成为数据分析师》《深入浅出数据分析

(三)中高阶能力:

①埋点采集设计

能基于数据运营的需求与阻塞,设计出成体系的埋点,是数据运营的高阶能力之一。要对业务有足够了解后,才能做到这个事,急不得。

《课程:埋点采集》《资料:历史的埋点设计文档》

②数据库与数据底层工具

【swift】【mysql】【kafka】【kettle】【Hive】【Spark】等

3、其他通用素质

沟通技巧非暴力沟通》《关键对话:如何高效能沟通》

事务管理:高效能人士的7个习惯》、《卓有成效的管理者》

逻辑思维:除了读书,可以多看一些文章,有很多不同的思维方式「线性思维、 第一性原理、逆行思维、破局思维」《批判性思维指南》、《金字塔原理

暂时先写这么多,如果对数据运营还有哪些问题,可以直接评论,我之后会陆续补充更新......

老李原创码字不易,只收藏不点赞可不够意思呀!

编辑于 2023-04-21 15:43

数据问题一直是很多运营人员头疼的问题。之前的回答说了一些,但都没有展开说,我也不知道进阶篇能说到啥程度,但先说着吧。

1 数据的定义

数据,其实就是一堆数值。

但这些数值,是从用户的行为统计而来。用来便于需要使用数据的同学进行研究和分析之用的基础素材。

2 有哪些数据

我们在入门篇的最后,列出了一些核心数据,我用一张脑图来简单的归纳一下,并进入我们这一节的内容:


这张脑图,仅仅简单的展示了可能是通用的部分运营数据,但如果我们仔细去看,会发现三个数据类型,是所有运营都需要具备的:

渠道、成本、收益。

如果要我简化上面这张脑图,我会告诉你,做运营,需要获取的数据,就是这三大类数据:

渠道数据、成本数据、收益数据。

渠道数据,是用来衡量渠道质量、渠道作用的,它由产品本身的定位的客群和产品的特性所决定。我们其实很容易可以推倒,一个理财产品如果投放游戏社区这种渠道,其运营效果可能并不会太好,可如果换成彩票、博彩,可能效果就很好;同理,传奇这一类的游戏的宣传与活动如果投放到女性社区平台,其效果几乎也可以无视,而如果换成一款Q版小游戏,或许效果就很好。

成本数据和收益数据,则会从不同层面反映出运营的效果。

在这里插一句,千万不要相信网上流传的各种《XX高管教你不花钱做运营》这种鸡汤文,运营一定有成本,必然有成本,如果认为运营高手可以不花钱办成事儿,那不如去相信男人可以怀孕生孩子。运营的效率可以通过经验、熟练度、创意等各种手段来提升,但运营的成本是必然存在的,并且和运营效果一般来说是成正比关系的。很简单的一个道理:

两个活动,一个活动送100台iPhone6,一个活动送1台iPhone6,哪个效果会好?

做运营的同学,请一定要认真的去评估每一个运营动作背后的成本。

而所谓“收益”,并不等价于“收入”,获得金钱是收益,获得用户也是

收益,获得口碑同样是收益。

如果我们了解了渠道、成本、收益这三类数据,是指导运营的核心数据,我们就可以根据自身的产品特性去设定需要获取哪些数据。

我们拿最近很火的那个App——足记来举个例子吧。

“足记”因为一个非核心功能火了,但作为这样的应用,它会关注哪些数据呢?
从产品的层面,它会去关注:
1)App每日的打开数
2)各种功能的使用次数和使用频次
3)各种Tab的点击次数和对应页面的打开频次
从运营的层面,它可能会去关注:
1)App每日的活跃用户数
2)每日产生的UGC数量(区分新老用户)
3)每日分享到社会化媒体的UGC数量(同时考虑单位用户的产生内容数)
4)分享出去的UGC带来的回流新装机、新激活用户数

等等。

而我们需要注意的是,这些关注的数据点,并不是一成不变的,它会因为产品的不同阶段而调整,如果我们假设未来足记有盈利模式,那么它关注的核心数据,就会从内容转向收入,这时候,转化率相关数据就会变的重要了。

同样,我们在本篇的第二章举过这样一个例子:

某个旅游网站,发起了老用户邀请新用户加入,老用户和新用户都可以获得100元的代金券,如果活动期间,新用户完成了一笔旅游订单,不论金额大小,作为邀请人的老用户还可以获得100元的代金券。

我们当时分析了活动流程,并针对活动流程做了关键点梳理,这些关键点就是需要获取的数据:

[图片]

我们需要的数据,根据实际的需求来进行设计,并没有一个完全通用的标准,当然,如果你做的越多,你会发现,你的数据感觉在不知不觉中获得了提升,这一点,非常重要。

3 如何获取数据

获取数据的渠道有很多,而方式基本就是自己做和使用外部工具两种方式。

自己做的话,App可以选择“埋点”、log等方式,而Web可以通过log、日志与按钮埋点等方式去做记录。

外部工具,则有很多第三方会提供服务。

获取数据的方式其实各种各样,而关键在于,作为运营人员要了解什么样的数据是重要的,对于这些数据的前后关联,是怎样的,这是一个联动的过程,不是一个单一的行为。


4 如何分析数据

对于数据的解读,每个人都有不同的方式。如果我们要简单的总结,数据分析的方法,无非是:

1)确定数据的准确性

这里包含了选择数据维度的合理性、数据统计的准确性。如果数据维度选择不合理、数据统计结果不精确,我们可能是无法得出正确的分析结果的。这是基础。

2)明确影响数据的因素

一个数据,会收到多种因素的影响,这些因素有内部的,有外部的,运营人员应当尽可能多的了解所有层面的影响因素,以利于我们对于数据的解读是在一个相对正确的范围内。

3)重视长期的数据监测

在运营数据分析中,经常会使用环比和同比方式来对比数据。简单的说,环比是本日与前一日的对比、本月与上月的对比、本季度与上季度的对比;同比是今年当日与去年当日的对比、今年当月与去年当月的对比、今年当季度与去年当季度的对比。环比帮我们看短期的数据波动,而同比帮我们了解大环境下的数据波动。

4)保持客观的视角

数据分析的过程中,客观非常重要,不以物喜不以己悲,做了错误的操作,带来了不利的影响要承认,获得了超出意料的成果要心平气和,切忌挑选有利于自身的结论。这是职业道德的问题,也是职业发展中非常常见的问题。

5)注意剔除干扰项

实际的工作中,我们会碰到很多问题,这些问题是干扰项,例如,在一个相对平稳的曲线中,突然出现了一个点上的强烈波动,这时候我们需要全面的了解个波动产生的原因,如果无法确认原因,就剔除这个波动,否则我们很难去获得一个正确的结论。

关于数据的内容,我个人其实说不出更多有价值的东西,抱着负责任的态度,写到这里,希望对此感兴趣的同学通过专业渠道去认真学习,并在实操中提高水准。

发布于 2015-10-19 17:23

谢邀!

=========================

对于营销而言,无论是站点还是电子商务,关注数据的变化都脱离不开下图所示的基本漏斗原则:

对于电子商务而言,数据营销人员还需要深入分解一个公式:

销售额=展现量×点击率×转换率×客单价


=========================================================

数据运营或者确切的说,数据阅读能力对于所有的运营人员,无论是内容运营、产品运营、客户关系运营、还是项目运营,或者是运营总监,包括推广人员事实上是都需要基本具备的一项能力。

通过对数据的阅读、分析,对相应的工作进行有方向的指导。

==========================================================

漏斗中切割的四块分别涉及到了相对应的一些工作和数据指标:

1、展现层次

展现层面是最初始的流量入口,如论是利用电子商务平台内部的流量导入口,比如直通车、钻展,还是利用外部的流量倒入,如淘宝客,联盟广告等,都是属于目标最不精准的阶段,所以填充的是灰色的底色。


此层面,对于数据专员而言,需要关注的ROI数据指标是,资金投入展现量
依照投放的目的,来选择合适的投放平台。


通常,千次展现价格越低的投放渠道,获取的流量精准度越低,能够广泛的获取知名度,刷存在感,但是在后续的数据指标中会表现不佳。

2、点击层面

是对展现层面的第一次过滤,通常而言,排除误点、以及站点设置的强制点击之外,主动点击的人群都是对广告投放所指感兴趣的人群。


此阶段,数据专员需要关注的是点击率,多少展现才能获得相应的点击;


参照对比行业平均值,来对自己投放渠道、广告语、图片质量的分析和改进。

3、浏览层面

相应的数据会对广告投放与页面质量起到检测作用。


如果跳出率极高则说明,该页面存在广告和内容不匹配、产品吸引度低、站内引流设计不良等问题,需要做相应的调整。


需要关注的是滞留时间、跳出率等数据的关注。

4、转化层面

根据不同的情景涉及到不同的变化。
对于社区可能存在的是注册转化率;
对官方网站可能存在的是咨询率、下单率等;
而对于电子商务而言,主要关注的是咨询率、成交率。


这个环节,主要检验的是引导咨询设置如客服入口的设置、对话框的弹出频率等;客服话术水平;
数据专员需要根据咨询率、放入购物车比率、收藏率、成交率等数据来分析对象环节存在的问题,提出修改意见。

==========================================================

销售额=展现量×点击率×转换率×客单价(简公式)

此营销公式为最初级的简化公式(未添加减去的项目)需要熟记的意义在于:
需要通过此公式来明白,数据指标中哪些指标需要提升,哪些指标需要控制。

总而言之是以达成销售额最大化为目标。

==========================================================

对于准备从事数据运营工作的人而言,如果不是自己有过相关的实战经验,从草根一点点摸索起来的,在应聘这个环节是会存在较大的困难的。

因为其实很多时候招聘你的人,对于数据运营,对于你提供的那些数据所代表的意义是不明白的,以至于很多时候你都会无法证明自己的能力。

在这里就有一个数据分析师的证书是很值得去尝试考取的。

CDA(Certified Data Analyst),即“CDA数据分析师”,具体指在互联网、金融、零售、咨询、电信、医疗、旅游等行业专门从事数据的采集、清洗、处理、分析并能制作业务报告、提供决策的新型数据分析人才。

“CDA数据分析师认证”是一套科学化,专业化,国际化的人才考核标准,共分为CDA LEVELⅠ ,LEVEL Ⅱ,LEVEL Ⅲ三个等级,涉及行业包括互联网、金融、咨询、电信、零售、医疗、旅游等,涉及岗位包括大数据、数据分析、市场、产品、运营、咨询、投资、研发等。

通过系统的学习之后,不同的等级在相应的能力范围内能够拥有专业的技能水平,能够对应相关职位需要的技能。

CDA等级LEVEL ILEVEL IILEVEL III
面向范围人人皆需的职场数据思维与通用 数据技能。1. 零基础就业转行者、应届毕业生。2. 产品、运营、营销等业务岗与研发、技术岗在职者。3. 企业创始人、经理人、管理咨询类岗位从业者。企业数字化发展中必备的数据分析流程与技能。1. 产品、运营、营销等业务部门与研发、中台、技术类部门数据分析相关岗位在职者。2. 数字化转型企业创始人与数字化流程中相关负责人。企业数字化发展中必备的高级数据分析方法与技术。1. 业务岗与技术岗从事数据分析、数据挖掘、机器学习等技术在职提升者。2. 从事算法科学、深度学习等工作的科研人员、分析师与工程师等。
岗位去向[ 商业(业务)分析师 ][ 初级数据分析师 ][(数据)产品运营 ][(数字)市场营销 ][ 数据专员 ] 等[ 数据分析师 ][ (数据)产品运营经理 ][(数字)营销经理 ][ 风控建模分析师 ][ 量化策略分析师 ][ 数据治理(质量) ] 等[ 高级数据分析师 ][ 机器学习工程师 ][ 算法工程师 ][ 数据科学家 ][ 首席数据官 ] 等

这个证书在很多大厂都有相应的加分。

这里附 官方的认证中心介绍,更多的信息小伙伴们可以去了解。

CDA数据分析认证中心-官网

以下是部分2020年数据运营类岗位的薪资水平,大家可以做个参考。

编辑于 2021-05-10 15:18

企业运营通常基于供给方原材料或商品进行加工或者整合为一个新的产品提供给自己的目标用户来消费进而谋取利益。

  • 制造型企业主要运营策略在于加工效率和产品质量。
  • 平台型企业主要的运营策略在于流通效率和目标消费群体。

数据是企业运营状态的反映,也是企业运营最有效的依据。目前数据化比较好的行业:零售,金融,出行,互联网。

数据运营是通过方法论和数据产品为企业提供有效的运营工具,不仅仅是简单的数据分析。数据运营是一个连续系统的工作,如下是数据运营的主要流程。



数据运营对从业人员的能力要求 不仅是数据处理分析能力,更重要的是对业务知识的掌握及运营策略。

一,需要有实力技术能力:SQL/Python/Excel。分析能力:运筹学,市场营销,分析方法论 。行业经验:了解行业的发展状态,洞察业务趋势。软实力:《学会提问》,《用数据说活》,《影响力》,《硅谷增长黑客实战笔记》。

二,选择好的平台行业的选择很重,公司也很重要;好的公司能够提供一个良好竞争环境,促进人的进步。建议多做功课,选择一个好的行业及公司。

三,做T型人才“—”表示有广博的知识面,“|”表示知识的深度。两者的结合,既有较深的专业知识,又有广博的知识面。多涉猎一些新的技术,多结交一些其他方面的技术人才,在书籍和交流中完善自我的知识体系,求新求变,不固守死理。

四,系统课程:需要一些基础的数学知识,计算机建模理论,商业分析知识。

注释该图片来源:《据运营之路:掘金数据化时代》

发布于 2022-06-03 18:56

电商平台类公司,数据运营岗本身也分很多方向,不仅仅是下图的水果方向。按业务内容,大致可分为以下几个大方向:

  1. 内容数据运营
  2. 活动数据运营
  3. 会员数据运营
  4. 商品数据运营

下面以某厂商品数据运营方向为例

某大厂数据运营岗照片JD

整体看,跟数据分析岗要求差不太多,主要工作内容集中在以下三个方面:

1、数据支持:

能够快速、准确响应团队内的数据提取和分析工作;进一步搭建BI看板/数据报表。

翻译过来就是,老板或业务童鞋,想要监控业务完成情况、或觉得业务某个模块/环节有问题,想看下数据,数据童鞋要能及时查询、提供相应维度的数据。

进一步,对一些高频数据需求(通用问题)进行沉淀,搭建数据看板/报表,减少“人肉提数”工作频次、提高数据支持效率;

2、指标体系:

理解业务链条/流程、抽象业务,能够帮助业务童鞋搭建不同维度、反应业务问题的指标体系,进一步关注核心数据变化、进行异动分析。

告诉业务的童鞋某某指标异动是正常表现?还是异常?进一步异常的原因是?……最好能够提前预警,告知大家,提高效率/减少无意义的沟通、担心,或能及时定位业务问题、推进优化;

3、专题分析:

需要通过专题分析,帮业务方解决业务问题、提供决策支持;最好是能够提出一些可落地的优化建议/策略,并推动落实,同时评估/复盘策略对业务带来的实际效果…

额,说起来简单,其实做起来(好)很难。我觉得,数据童鞋可以在下面几个点进行突破:

  • 基础,要能及时、有效回答【数据异动问题】:可以结合搭建指标体系、数据监控、预警等工作提高分析效率,当然这里面细节会比较多(宏观环境因素、公司业务行动、周期循环等因素); ------及时、有效的异动分析,可以很好的获得业务童鞋的信任,而且可以有效解放自己的时间、去做更有意义的工作;
  • 有效预估业务行动预期效果:一些业务行动,数据童鞋可以结合过往的类似行动进行结果预期分析,并给出客观建议,规避一些无效行动的资源浪费;------ 这里其实是在帮助老板做决策支持,资源管理/分配,深入的分析可以较好的获得老板的信任;
  • 一定程度上预测未来:注意这里是一定程度上哈(别迷信数据和模型),比如,肉眼可见的未来,市场是增量?还是已到天花板?是否到下行周期?…是否还有必要跑马圈地烧钱?…
  • 其他,等等,需要结合自己岗位、业务实际情况去发现机会了……

以上,个人理解供参考!

想到再来做补充:)

编辑于 2022-07-15 18:02

数据运营是指数据的所有者通过对于数据的分析挖掘,把隐藏在海量数据中的信息作为商品,以合规化的形式发布出去,供数据的消费者使用。

数据运营

数据充斥在运营的各个环节,所以成功的运营一定是基于数据的。在运营的各个环节,都需要以数据为基础。当我们养成以数据为导向的习惯之后,做运营就有了依据,不再是凭经验盲目运作,而是有的放矢。

当我们有了足够的数据之后,我们可以不再依赖主观判断,而让数据成为公司里的裁判。理想情况下,如果我们能够追踪一切数据,那么我们所有的决策都可以理所当然地基于数据。

在企业中,我们从整体战略到目标设定,到驱动商务运营的方法,最后采用一定的度量来衡量数据运营的效果。

数据在企业中的作用是巨大的。不同层面的人,需要对数据做不同的操作。

  • 决策层:商业智能=战略,电子商务的运营策略
  • 管理层:商业智能=战术,商务运营的计划
  • 运营层:商业智能=操作,电子商务运营具体的实施

在做数据分析时,我们需要结合自己的产品情况来做有用数据筛选。当然运营在提出具后台需求时一定是基础数据需求,常见的如用户概况数据、PV数、UV数、UID数、启动次数、留存率、跳出率、页面访问路径等。

做数据分析需要以目标为导向,学会做数据维度的逐级拆分,以结构化思维来做运营数据的全面的,系统性的分析。可以按照以下思路来进行:

  • 确定数据分析目标
  • 明确数据目标的关键影响维度拆解
  • 找出不同数据纬度之间的关联关系从而建立起数据关系模型
  • 发现问题数据及出现原因
  • 针对问题数据影响维度做相应的优化

如果觉得对你有帮助,就点个赞呗,十分感谢!

发布于 2020-12-06 08:53

众所周知,数据运营作为近几年大厂非常热门的岗位,也吸引了越来越多的人关注。但究竟如何转行数据运营,数据运营究竟要做什么,很多人还是一头雾水。因为运营岗其实是可以按照不同的方式分类分出很多类别的,但是数据运营其实是与新媒体运营、活动运营这种运营有所不同的,因为数据运营其实算是半个技术岗位。

那么数据运营究竟需要掌握哪些技能呢,需要做报表吗?需要收集数据吗?需要完成数据分析工作吗?这些疑问想必在题主和很多人心里都有,小亿接下来会和大家一一聊到。

数据是物理世界向虚拟世界转化的媒介,是虚拟世界里流动的“血液”,而数据运营就是虚拟世界里的“神经系统”。所以数据运营的工作重点就是去捕捉这个系统中的“血液“,让它在整个数据运营系统中按照一定规律运行,并分析其运行规律等等。下面一起来看看数据运营究竟要干什么吧。

一、从招聘看数据运营

招聘软件上有很多数据运营或者数据运营相关的岗位,但其实这些数据运营岗位分为两种:一类是狭义的“数据运营岗位”,一类是广义的数据化运营,而题主在这里提到的是电商行业的数据运营,我们就以狭义的数据运营岗位为例,在招聘网站上选取了一份电商方向的数据运营JD,和大家一起分析和探讨。

职位描述

1、熟悉互联网电商新零售行业常用数据分析指标,掌握运营数据的监控和分析方法,找出现在热销的同行货品数据,为运营优化和改进提供数据分析支撑;

2、结合新媒体官网第三方渠道流量平台、天猫、京东数据及线上线下ERPOMSWMs、SCRM、以及用户行为等数据,进行用户分析、活动分析、渠道分析、产品分析等,基于分析结果提出相应的产品、渠道、活动等运营建议;

3、对数据敏感,建设、完善数据报告体系,提升现有数据分析的便捷性和深度;

4、具有独立承担复杂分析任务的能力,支持各方不定期的数据相关需求;能建立电商新零售板块的数据分析运营框架及平台工具(与研发协同),提炼对运营业务管理层有价值的核心指标,可全方面覆盖业务需求并提供随时数据服务;

5、熟悉数据源及提数环境,主要利用SQL提取、处理相关数据,并可根据业务需要优化数据埋点及统计等,推动数据产品化,提高工作效率。

从职位描述中我们可以看到,数据运营和内容运营、活动运营一样,都有自己的核心关键词,就是数据。无论是数据分析能力还是数据提取能力,在数据运营的工作内容中都会有所涉猎。但对于我们来说,要明确的很重要的一点是:数据运营的核心在于运营而非简单的数据 ,数据运营的本质是运营,运营只是一种手段。

这是什么意思呢?其实指的就是运营人员不能沦为数据的“工具人“,要充分发挥数据的数据驱动发展的重要作用,利用数据对业务提出调整建议,推动企业发展。而且在这份职位描述中我们还可以看到,数据运营和数据分析的工作似乎有相近之处,但二者实际上有本质的不同。数据运营一般是属于业务部门,实际接触业务,对业务部门的数据进行收集和分析;而数据分析则是属于数据部门,是实打实的技术岗位,有的公司可能数据分析不直接接触业务,与数据运营人员分属于不同的部门。

数据应用人员虽然不属于纯粹的技术岗,但对于技术仍然有一定的要求,所以数据运营人员的具体工作和要掌握的技能仍然离不技术。

二、数据运营的具体工作内容

前面在招聘网站的数据运营岗位的职位描述仅限于电商平台,但数据运营的具体工作其实远不止那些,还有着更加具体和重要的内容。一般数据运营的具体工作是以下三个方面:数据规划、数据采集、数据整理与分析。

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。如电商行业就是通过市场需求调查,完成产品定位,价格制定,销售目标制定,利用这一套的数据指标体系帮助部门制定KPI,对整个业务部门的数据进行规划,达到数据驱动的作用。

而在这一步数据运营的工作通常会涉及两个重要概念: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,比如招生来源、驾照类型、门店地区等等。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,这里主要是需要数据运营人员提供简洁明了的数据可视化图表,而这一步通常可以利用BI 工具完成。以亿信华辰开发的一站式工具亿信ABI为例,数据运营人员可以轻松的完成数据可视化和提供数据看板的工作。

亿信ABI内置B/S架构部署,纯WEB应用,并且无需安装任何插件,只需通过拖拽的方式即可组合内置组件,轻松实现图表展示及钻取的应用,而且亿信ABI拥有近百种组件特效任意组合即可制作酷炫灵动的大屏驾驶舱。最重要的是其可以完成3D可视化,通过逼真的动态模型仿真、拟实场景交互和实时数据监控,轻松掌握一手信息,赋能高效运营。

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。数据运营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。

同样的这一步也可也由亿信ABI 帮助数据运营人员完成,亿信ABI致力于AI+BI,内置自助式分析工具,帮助数据运营人员迅速完成分析,并快速制作图文并茂的数据分析报告并进行汇报展示。

数据是客观的,是死的,是不会自己主动分析的。而人是感性的,是有经验的,有自己的判断的。只有结合数据来辅助我们,理性分析,才能做出更为可量化、可细化、精准化的KPI和战略目标。

三、数据运营能力要求

1、指标关注能力

运营人员的核心工作仍然是运营,即发挥数据的作用,所以学会关注指标成为了一项极其重要的技能。对于数据运营人员来说,关注以下指标是非常重要的。

(1)、涉及到用户的指标有:

活跃/登录:DAU、WAU、MAU、活跃率、登录人数等;

DAU:(daily active user)即日活跃用户量,用户参与程度。

WAU:(week active user)即周活跃用户量,用户参与程度。

MAU:(monthly active user)即月活跃用户量,用户参与程度。

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;

次日留存率:活跃用户数/同批次新增用户数

周留存率:活跃用户数/同批次新增用户数

月留存率:活跃用户数/同批次新增用户数

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;

流失率:流失用户/总用户数

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;

其他:每日评论人数、收藏人数、分享人数等

画像:

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;

(2)、涉及到流量的指标有:

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;

PV:PV(PageView)是页面浏览量,用户在网页的一次访问请求可以看作一个PV,用户看了十个网页,则PV为10。

UV:是一定时间内访问网页的人数,正式名称独立访客数

注册:注册人数、注册走势、累计注册人数、达成率等;

渠道&推广:来源渠道分布、总消费、展示量、点击率、平均点击价格、转化率、转化成本、ROI等;

ROI:ROI是一个广泛适用的指标,即投资回报比

(3)、涉及到订单指标有:

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;

(4)、涉及到内容指标有:

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);

(5)、涉及到活动指标有:

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;

ARPU:总收入/活跃用户数

(6)、涉及到服务指标有:

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 ;

转化率:下单用户/活跃用户

2、数据报表制作能力

对于数据运营人员来说,数据挖掘和收集完成之后,就要对数据进行展示。数据运营人员要有一定的数据敏感度,记录项目中的关键环节数据,利用数据研究轨迹,而这里最重要的就是对数据进行可视化操作,使其清楚明了,完成数据的应有作用。

3、了解业务线

因为数据运营这一岗位实际上是属于业务部门的,其在工作内容的最终目的也是以业务部门的业务增长为最主要的目标,所以一定要对业务有一定的熟悉程度。

4、决策能力

数据运营的主要工作是把各个业务口的数据流里面具有共性的部分提取出来做标准化的数据服务,创新部分的工作是找到业务数据共性中的知识沉淀,构建知识工程,让中台的数据能够具有业务知识,提供面向业务的数据知识服务。所以数据运营人员也要有一定的决策能力。

四、小结

总的来说,数据运营的核心在于运营而非简单的数据 ,数据运营的本质是运营,所以数据运营人员的工作不能简单的成为数据的工具人,而是要在这个岗位上有自己的思考和想法。在未来随着互联网发展的提速,数据作为精准运营的决策依据也会越来越重要,所以未来数据运营也必定是一个抢手的岗位。

关于亿信华辰

亿信华辰是中国专业的智能数据产品与服务提供商,一直致力于为政企用户提供从数据采集、存储、治理、分析到智能应用的智能数据全生命周期管理方案,帮助企业实现数据驱动、数据智能,已积累了8000多家用户的服务和客户成功经验,为客户提供数据分析平台、数据治理系统搭建等专业的产品咨询、实施和技术支持服务。

欢迎关注公众号:亿信华辰Pro
-让数据驱动进步-

发布于 2021-10-12 19:37
  1. 数据收集与清洗:负责从各个数据源中收集数据,并进行数据清洗和预处理,确保数据的准确性和完整性。
  2. 数据分析与报告:使用统计分析方法和数据挖掘技术,对数据进行深入分析和解读,提取有价值的信息和洞察力,并根据需求生成相关报告和可视化结果。
  3. 用户行为分析:通过跟踪和分析用户在电商平台上的行为数据,了解用户的偏好、购买行为和转化路径等,帮助优化产品和服务,提高用户满意度和转化率。
  4. 运营策略制定:基于数据分析结果,参与制定运营策略和方案,包括用户增长策略、促销活动、精准营销等,以提升业务指标和市场竞争力。
  5. A/B 测试与效果评估:设计和执行 A/B 测试实验,评估不同运营策略、产品功能或界面设计对用户行为和业务指标的影响,为决策提供数据支持。
  6. 数据挖掘与用户画像建立:通过数据挖掘技术和机器学习算法,建立用户画像,对用户进行分类和分群,为个性化推荐和精准营销提供基础。
  7. 数据驱动的业务优化:基于数据分析结果,与产品、运营、市场等团队合作,推动业务流程和运营策略的优化和改进,提升用户体验和业绩表现。
  8. 数据安全与隐私保护:负责数据的安全管理和隐私保护,确保数据使用符合相关法规和政策,并采取适当的措施防止数据泄露和滥用。

推荐数据分析书籍

点击试读: 《精益业务数据分析》


全书由八大部分构成:绪论、表格结构数据与表结构数据、 数据库应用、描述性 统计分析、 多维数据透视分析、 业务分析方法、业务分析报告与 数据可视化报表、CDA 职业发展。
全面、系统地讲述业务 描述性分析为企业决策行为创造价值的全流程技能,涵盖描述性 数据分析方法、业务分析方法、数据分析结果应用方法等内容。 条理清晰的结构、通俗易懂的语言、完整立体的知识框架为读者铺一幅精美的业务描述性分析知识画卷。建议读者先全篇通览整幅画卷,建立完整的数据分析 知识体系,再精细阅览画卷中的每个细节,深掌握每个具体知识。

点击试读: 《商业策略数据分析》

从EDIT(探索、诊断、指导和工具) 数字化工作模型的角度行讲解,在介绍知识概念的同时,还讲解了在行商业策略数据分析时应遵循的整体思维和思考方式,以达到业务宏观分析与用户微观洞察相结合、使用科学的方式行数据分析的 教学目标。
本书分为六部分,分别讲解 数据科学基础与EDIT 数字化工作模型、 数据处理与可视化、 根因分析、业务优化,以及 数据治理与 数据模型管理。其中,部分就是第1 章的内容,第二部分包含第2 章和第3 章,第三部分包含第4~8 章,第四部分包含第9~11 章,第部分包含第12 章和 第13 章,每章分别针对当前部分的问题行分析与处理。第六部分是第14章,是案例章节。
从EDIT(探索、诊断、指导和工具)数字化工作模型的角度行讲解,在介绍知识概念的同时,还讲解了在行商业策略数据分析时应遵循的整体思维和思考方式,以达到业务宏观分析与用户微观洞察相结合、使用科学的方式行数据分析的教学目标。

发布于 2023-09-28 17:42

看到数据运营这四个字,不由得虎躯一震,有了倾诉的冲动。先说背景,目前就是券商,承担着部门的数字化运营转型工作,围绕这块颇有心得(ps.踩了不少坑)。

先用一句比较有逼格的话来概括数据运营,即使:业务数字化+数字产品化。一个优秀的数据运营必须同时把握这两点,善于从运营出发,总结一些数据运营策略,并将数据运营策略沉淀于产品功能。

1、业务数字化:基于业务流程,将每个环节的需求全都数字化,并总结数字化运营策略;

2、数字产品化:将业务的数字化运营策略转化为产品功能,实现自动化策略;


一、业务数字化

一般来说,券商经纪的业务条线大而化之可以分为三大类:拉新业务、活跃业务和转化业务。拉新业务指的是需要大量获客,活跃业务指的是需要让新客和老客都活跃在自有app上,转化业务指的是需要促进客户交易+购买投顾付费服务+基金代销业务,以此获得佣金收入和增值服务收入。

那么,券商业务人员的日常工作大而花之也可以分为两大类:目标管理和策略运营。目标管理指的是业务人员需要制定、追踪、调整运营目标,策略运营指的是业务人员需要针对目标,制定合理的运营策略。

因此基于对业务的分析,数字化运营主要聚焦在目标管理数字化和策略运营数字化。

1、目标管理数字化:借助数字化手段,如驾驶舱、数据大屏、舆情监控、热度监控等。业务人员可以随时掌握目标的完成进度,市场热度表现、目标是否需要调整等;

2、策略运营数字化:借助于数字化手段,如用户/产品/时机标签体系、数字化运营平台、智能分析等手段,运营人员可以设计合适的数字运营策略,并实现高效执行和迭代。


二、数字产品化:倒逼产品建设

另一方面,数字运营还承担着一个角色,就是倒逼产品建设。数字运营一般需要倒逼两种产品的建设:app本身的功能建设和后台配置的产品功能。

1、后台配置的产品功能:这块是为了赋能运营策略的高效执行(to-e端):主要指运营中台、内容中台、数据中台等,这些主要是to-e端的产品,面向运营人员,赋能运营人员更好地完成目标管理和策略运营,是最终完成业务目标;

2、app本身的功能建设:这块是为了将一些成熟的运营策略固化为产品功能(to-c端):主要指智能推荐、AI写稿、智能外呼等,这些产品主要面向客户,将运营人员一些成熟地策略直接固化为产品功能,使得客户得到更好的用户体验。


上面讲了一些数据运营的框架性的概念,其实这其中每一块展开讲都是一个小专题,另外大家如果对证券数据分析感兴趣,也可以关注我的专栏文章,原创不易,请多多点赞哈

黄简单:从0到1构建数据分析思维?

黄简单:从0到1搭建券商运营指标体系

黄简单:从0到1搭建券商用户画像-理论篇

黄简单:白话券商数字化运营

黄简单:如何3个月转行券商数据分析?

发布于 2021-05-31 21:48
「小姐姐带你学数据运营」【03】用户增长:如何准确找到用户痛点#数据化运营
4917 播放 · 7 赞同
发布于 2021-09-04 08:55· 496 次播放

原来的经验驱动增长和竞争对手驱动增长,都在向数据驱动增长转变的过程中。

早期,产品种类不多,数据量不大,由平台主导功能,但是现在出现的问题是产品种类繁多,且产品同质化严重。数据驱动增长实际是以用户为核心的驱动增长方式,主动权在用户,数据化运营实则为发掘用户的行为的方法。

数据运营的具体工作内容三部曲

一、建立用户转化漏斗

百科给出的解释:营销漏斗模型指的是营销过程中,将非潜在客户逐步变为客户的转化量化模型。营销漏斗模型的价值在于量化了营销过程各个环节的效率,帮助找到薄弱环节。

1)AARRR模型

AARRR模型是指Acquisition、Activation、Retention、Revenue、Referral,即用户获取、用户激活、用户留存、用户收益以及用户传播。这是产品运营中比较常见的一个模型,结合产品本身的特点以及产品的生命周期位置,来关注不同的数据指标,最终制定不同的运营策略。

2)电商平台为例


二、用多维度数据报表找问题

数据运营中的常见痛点,是明知道转化漏斗上某个环节的通过率较低,却找不到提高的途径。常用的解决思路,就是把数据打细,分解到各个维度上分别观察,这往往能发现产品或系统上的问题。如果多个维度能够灵活组合观察数据,就成了一个数据魔方(Data Cube)。下面的图虽然与互联网产品运营的漏斗数据没关系,但是原理是一样的。

三、用A/B测试指导产品演进

a/b测试是一种基于科学的分流技术,同时运用统计学进行数据分析,从小样本来推断全体用户表现的产品优化驱动方式,高效驱动产品增长。

1)特点:

  • 先验性
  • 并行性
  • 科学性

2)优点:

  1. 避免经验主义:科学的小流量发布新版本,一键回滚或发布,极大的降低发布风险,与业务经验相结合,科学驱动。
  2. 节约开发成本:多优化方案同时在线测试,提高优化速度,极大降低迭代成本
  3. 注重细节改变:精细化运营,通过产品细节的不断测试创新,持续优化核心指标
  4. 减少测试周期:好的a/b测试工具,简化a/b测试流程,同时产品孕化效率

3)适用场景:

产品+运营

分流的科学:

如何做到每个版本样本用户属性均匀?

如何做到分流的实时性,不影响用户体验?

如何做到跨页面追踪分流用户?(追踪转化率,留存等)

数据统计的科学:

依靠什么统计学模型来推断试验结果?如何提高数据推断的准确性?

针对大流量试验,如何做到实时计算结果?

工作流程:

编辑于 2019-08-14 13:53