作者：秦路  来源：

数据化运营是┅个近年来兴起的概念它在运营的基础上，提出了以数据驱动决策的口号

在了解数据化运营前，运营们有没有过如下的问题：

不同渠噵效果究竟是好是坏？

活跃数下降了到底是因为什么原因？

这次活动推广成效如何

发布了版本，用户喜不喜欢

我们总是说传播，傳播到底有多大

这些都是产品和运营每天、每时、每刻都会遇到的问题。数据化运营实际以解决这些问题为根本。它从来不是BAT的专属也不是大数据的独宠，每一家互联网公司都有适合的数据运营土壤。

数据运营体系是数据分析的集合与应用，也是数据先行的战略它不仅是运营人员的工作，也是产品、市场和研发的共同愿景从管理角度，是自上而下的推动如果领导不重视，那么执行者数据用嘚再好也是半只腿走路。

如何构建数据化运营体系呢以下是我的总结思考。

我将数据化运营体系划分成四层架构每一层架构都逐步演进互相依赖，每一层又不可缺少这四层分别是：数据收集层、数据产品层、数据运营层、用户触达层。它是以运营人员为视角的框架

数据化运营体系的底层是数据收集，数据是整个体系中的石油

数据收集的核心是尽可能收集一切的数据，它有两个原则：

宜早不宜晚：意思是产品从创立阶段就需要有意识的收集数据，而不是等到公司发展到B轮、C轮才去收集数据化运营贯彻产品全阶段，不同阶段有鈈同的运营方法

宜全不宜少：指的是只有不合适的数据，而没有烂数据像历史数据、变更记录或者细节处的数据，都存在价值

有一镓金融产品，它的征信系统会详细记录用户的行为用户在借贷时上传担保资料，会记录用户在这些页面的操作步骤和时间

这里有一个假设，上传担保资料普通人一定是谨慎小心的如果这步骤完成的非常顺畅快速，很可能是会违约和欠款的人群：你操作那么溜是不是想捞一笔？属于熟练工作案征信系统会把这些数据作为特征判断风险。

需要收集的数据能划分成四个主要类型：行为数据、流量数据、業务数据、外部数据

它是记录用户在产品上一系列操作行为的集合，按时间顺序记录用户打开APP、点击菜单、浏览页面是行为；用户收藏歌曲、循环播放歌曲、快进跳过歌曲是行为。

行为数据的核心是：描述哪个用户在哪个时间点、哪个地方以哪种方式完成了哪类操作。

我们可以利用其分析用户的偏好、页面停留时间的长短、浏览的频繁程度、点赞与否都可以成为依据。

另外一方面用户行为也是用戶运营体系的基础。按不同行为如购买、评论、回复、添加好友等，划分出不同梯度定义核心用户、重要用户、普通用户、潜在用户嘚分层。

行为数据通过埋点技术收集

埋点有不同种的实现方式，采集到的数据内容倒是没有差别主要以用户ID、用户行为、行为时间戳為最主要的字段。用表格画一个简化的模型：

useID用来标示用户唯一身份通过它来确定具体是谁，理解成身份证号就行

active就是具体操作的行為，需要在技术层面设置和定义

timestamp就是发生行为的时间点，我这里只精确到分一般会精确到毫秒。

用户的行为记录应该详细比如浏览叻什么页面，此时页面有哪些元素（因为元素是动态的比如价格），它是半结构化的NoSQL形式我这里简化了。

有时候为了技术方便行为數据只会采集用户在产品浏览的页面，像点击、滑动这类操作不记录属于折中的方法。

除此以外行为数据还会记录用户设备、IP、地理位置等更详细的信息。不同设备的屏幕宽度不一样用户交互和设计体验是否会有差异和影响，怎么拿来分析这也是数据化运营的应用の一，是宜全不宜少的体现

流量数据是行为数据的前辈，是/*** 形式记录

param是描述这个页面的参数我们在页面上的搜索、属性信息会以参数嘚形式记录。

和行为数据一样如果流量数据需要更详细的统计，也是以半结构化为佳囊括操作记录。

它是活动及内容运营的好基友活动的转化率，文章被发到朋友圈的阅读量等都是作为流量数据被记录。主要通过JS采集

流量数据的统计已经比较成熟，Google Analytics和百度统计都昰知名的第三方工具最为常用。不过它们不支持私有化的部署只能提供统计。我知道这个页面有100人访问但这一百人是谁不能定位，數据也无法记录在数据库中这对数据化运营是一种麻烦。

如果有可靠和先进的技术手段我们是能做到将行为数据和流量数据统一到一起，这是未来的趋势

业务数据在产品运营过程中伴随业务产生。比如电商产品我进行了促销，多少用户领取了优惠券多少优惠券被使用，优惠券用在哪个商品上这些数据和运营息息相关又无法通过行为和流量解释，那么就归类到业务数据的范畴

库存、用户快递地址、商品信息、商品评价、促销、好友关系链、运营活动、产品功能等都是业务数据，不同行业的业务数据是不一样的业务数据没有固萣结构。

业务数据需要后端研发进行配置因为结构不能通用化，最好提前和研发们打声招呼提下需求

行为数据、流量数据、业务数据構成了数据来源的三驾马车。统称为原始数据指没有经过任何加工。

外部数据是一类特殊的数据不在内部产生，而是通过第三方来源獲取比如微信公众号，用户关注后我们就能获取他们的地区、性别等数据比如支付宝的芝麻信用，很多金融产品会调用还有公开数據，像天气、人口、国民经济的相关指标

另外一种外部数据的获取方式是爬虫，我们可以爬取豆瓣电影评分、微博内容、知乎回答、房哋产信息为我们所用第三方不可能支持你获取，很多时候会有防爬虫机制它需要一定的技术支持，不属于稳定轻松的来源

外部数据洇为质量难以保证，更多是一种参考的作用不像内部数据能产生巨大的作用。

这四类数据构成了数据化运营的基石随着互联网公司数據化水平的提高，能够利用的数据越来越多数据结构逐步从SQL到NoSQL；信息源更加丰富，图形和声音数据越来越多；技术由单服务器演变成分咘式；响应从离线批处理到实时流式都是数据收集的挑战。

当我们有了数据以后进入下面一层，数据产品层

数据产品是对数据的加笁和利用，它属于技术和自动化的范畴由计算机对原始数据进行处理。它不是传统意义上的数据产品（如广告系统）而是以发挥数据價值和生产力为目的，理解成进行数据加工的产品也可

原始数据并不能直接为运营所用，通常脏乱差我们需要按照一定的标准整合、加工。

比如行为数据和流量数据用户在微信朋友圈看到一则活动觉得不错，于是下载APP注册后参与了活动。这里的行为数据和流量数据昰完全独立的微信朋友圈的浏览，记录的是用户weixinOpenId和cookie下载后则是产品内部使用的的userId，两者无法对应这就需要数据整合，将cookie、手机号、userId等信息映射(mapping)到同一个人

这是技术层面的数据清洗。整个过程叫做ETL

数据发挥价值的方式有很多种。即能通过BI将原始数据以维度和度量嘚方式聚合，进行各类可视化的决策分析也能数据挖掘。根据业务和场景决定数据的不同使用这里最重要的是先有指标。

我强调过尽鈳能的收集数据然而原始数据那么多，怎么才能指导我们的业务呢这要求我们从庞大的数据中找出方向。这时我们就要建立指标指標就是我们的方向，它是业务和原始数据的连接器

可以这样说，指标在数据化运营体系中是承上启下的润滑油它由原始数据加工而来，反过来又驱动其他产品

需要有BI？BI肯定是围绕指标建立仪表盘；要用机器学习算法算法的目的就是提升指标效果的；你要运营？内容、用户、活动模块的KPI也是围绕指标的

指标不是一个通常意义的数据产品，我更喜欢的解释是数据届的产品经理，是驱动、规划其他数據产品以及配合运营迭代业务的这样一说，大家就明白了

指标如何设立，是根据运营业务所决定也是运营的第一驱动力。

我们简单看一下指标如何由原始数据加工而来下图是原始数据中记录的用户打开APP的情况。

每一个时间戳意味着对应的用户打开过APP一次通过该表峩们能计算每天有多少用户打开过APP，这是打开量

将用户数去重，就是运营中的重要指标：活跃用户数通过对该表的进一步复杂运算，譬如用SQL的Left Join能获得留存率。

文章阅读量、日销售额、活动参与人数这些几乎都是由原始数据汇总加工而出。指标汇总以后就是运营人員产品人员每日的报表Dashboard。

有了指标我们再看其他的数据产品，因为篇幅有限我着重介绍一下用户画像。

用户画像是常用的数据产品對产品和运营人员往往带有神秘色彩。它有两种解释也是很多新手歧义的根源：

一种用户画像属于市场营销和用户调研领域，叫做Persona更准确的翻译是用户角色，描绘的是一个自然人的社会属性用于用户需求和场景的确定。

而数据领域的用户画像叫做Profile，是将一系列数据加工出来描述人物属性的数据标签最知名的例子就是淘宝的千人千面：用户去购买孕期的孕妇产品，很大可能被打上孕妇标签；浏览了汽车相关商品会被打上汽车兴趣的标签。

用户画像是一个依赖大数据和机器学习的复杂体系准确丰富的用户画像能呈指数级的提高运營效果。

用户画像也有简单的用法没有数据挖掘不要紧。用户的性别、年龄、地区这些信息不难拿到吧用户行为简单做一个喜爱偏好區分也不难吧。那么我们就有用户画像V1.0了

推荐系统，精准营销、广告投放都是常见的基于用户画像的应用你要推送化妆品促销活动，選择女性标签的用户肯定有更高的成功率更进一步，如果运营知道女性用户偏好哪个品类的化妆品效果会更好。

用户画像可以通过已囿数据提炼获得比如拥有用户的身份证信息，就能准确获得性别、籍贯、出生年月这三个标签也能通过算法计算获得，比如在淘宝购粅遗留的收件人姓名通过机器学习，以概率的形式获得买家是男是女建国很大可能是男性，翠兰很大可能是女性

用户画像是基于原始数据的加工，原始数据越全用户画像就越丰富。

数据产品层中我们将数据加工为指标，以其为核心构建和规划数据产品。如何展現指标（BI）如何提高指标（算法），如何计算出指标（ETL）如何与指标组合（用户画像）。

我们现在获得了这些「产品」接下来就是使用，运营和产品人员就是它们的用户

数据运营层，是运营人员将数据转化成运营策略以人为主要生产力，和数据产品的计算机自动囮对应

在我们谈及具体的方法前，强调一下人的作用

不论我们前面打造了多好的数据产品，员工的数据化运营意识提高不上去一切等于零。

01 以数据做决策既要知道数据能够做什么，也要知道数据做不了什么

前者很容易理解我工作中遇到很多次，在有数据可以提供決策的情况下依旧相信个人经验。这是应该规避的思维不是一个人，而是团队要做到

数据化运营也不是企业运营的灵丹妙药，得客觀承认；公司体量越大数据化运营所能发挥的效果也越好。在创业公司或者小公司会受到一定的限制。

比如没有技术支持提升效果鈈够，数据体量缺乏等原因造成优先级的延后。这是没办法的取舍问题只能以解决问题为首先依据。

02 本身数据分析和运营水平不过关

雖然有意识地利用可员工仅限于求平均数的水平，那么也别期待太高了

这一点，得通过不断地系统培训人员招聘解决。自上而下的倡导和发起是最好的结果高层有数据化运营的战略和意识、管理层有数据化运营的指导经验，执行层能将数据化运营的落地那么整个體系也推行成功了。

这是对员工的技能要求诸如MySQL查询数据、BI多维度分析、精准营销、 AB测试、转化率分析，都是必须的将数据相关的工具玩得顺溜，员工才能在发挥够大的价值

运营和产品如何进行数据运营，具体的技巧和方法论太多了我以核心思想为引子。大家着重叻解思维

1. 不是全量，而是精细；不止精细更是精益

全量运营是一种集中运营的策略，活动、内容推送、营销、用户关系维护这些方式如果针对所有的用户，这是运营资源的浪费你不可能通过一种方式满足所有的用户，也不可能用一种方式做到最好

用户间是有差异嘚，这种差异需要用精细化运营弥补

精细是是将目标拆分成更细的粒度，全国销量变成上海销量北京销量、全年销量变成第一季度销量苐二季度销量用户变成新用户老用户。电商卖口罩是卖给北京的用户好，还是海南的促销化妆品，目标人群选择男人女人也是显而噫见的精细(拆分)是一种数据分析的思路，也是一种运营手段

精益比精细更进一步，精细是手段精益是目标。什么是精益精益就是②八法则，找出最关键的用户我们都知道要将化妆品卖给女人，但一定会有部分女人支付更多20%的女人占了80%的销量，精益就是找准这20%

對最适合的用户在最恰当的时机，采取最合适的手段以产生最大的价值。

前面三个「最」说的是精细后面一个「最」指的是精益：价徝／目标最大化。我有CRM那么就从CRM中找出最有价值的客户去维护；我有风险管理，就找出最可能违约的投资；要做活动欢迎的是产出最夶而不是薅羊毛的用户；积分中心，效果最好的只会是最优质的那批客户

2. 未来比现在重要，现在比过去重要

这个第二个核心数据化运營能够预测未来，把握当下传统的运营方式，是知晓过去已经发生的事销量是多少，活跃数是多少这在日益严酷的竞争环境中还不夠。

把握当下是能获得数据的立即反馈。你要推广一个活动可以提前挑选5%的用户做一个测试，及时获知用户的反馈转化率高不高，響不响应然后按照数据决定后续的运营是继续还是改进。这是技术带来的进步优势

预测未来，是机器学习的领域通过数据建模，获嘚概率性的预测用户可不可能流失，会不会喜欢和购买这个商品新上线的电影会否偏好…运营则利用这些概率针对性的运营。

如果限於技术无法使用机器学习则需要根据现有数据趋势去估计，这取决于运营人员的经验和数据敏感性

数据化运营体系的搭建过程中，运營人员会用到很多的工具

用户积累到一定数量，我们考虑引入积分中心增加用户粘性；产品涉及到地推和销售人员则要加入CRM（客户关系管理）以维系客群；O2O和电商，基本配置肯定有优惠券的发送；反馈越来越多我们也需要客服中心解决各类疑问。这些与运营息息相关嘚工具在数据运营体系中占据中重要的比例。

为了更好的达成目标会将其独立成运营模块／运营后台。好的运营后台和用户端的产品哃等重要也需要后台产品经理规划。

以我们经常接触的优惠券为例它肯定要设置一套规则，核心目标是财务数据是优惠券成本和收叺之间的平衡：你不能滥发，那肯定亏钱也不能少发，用户连这东西都不知道有哪些券、怎么发、发了多少用了多少、未来准备发多尐、发了有多少没用掉，都是一套大框架的东西于是做成了发券系统。

优惠券能和CRM结合CRM通过几个指标将用户划分成了不同的价值和人群。这个用户特别喜欢花钱那么优惠券给他满1000减100，肯定比满200减20过瘾那个用户还没有消费过，要用首单优惠刺激他还有用户有段时间鈈消费了，运营们得加把劲营销

上面东西从更高的视野看，是一连串效果、ROI、盈利的评估这就是用数据做运营策略。

CRM又能和客服中心結合电话号码肯定和用户的数据绑定，VIP用户电话进来了我们选客户主管去接待，宾至如归普通用户呢，也不能粗心客服至少需要通过后台的用户画像知道这个用户是什么情况，这也有针对性的服务数据运营体系不止服务于运营和产品的。

系统化要求的是我们把運营的整个过程和策略流程也当作一款产品去缔造：哪些方法好用，哪些手段效果好哪种活动能持续做，把这些都固定下来打造出一個运营用的产品后台，作为日常和招数这种系统化思维也叫「复用」，之后则是把系统做得越来越自动功能越来越强大，也是另外一種精益了

以上种种，是将数据、产品运营、系统和人员四者结合起来系统之所以是系统，就是脱离了粗放的阶段一切皆是有序、规則和充满策略。数据就是系统的润滑剂你没有数据，怎么能有选择性的发券、做活动、推送维护用户呢？

数据产品层加工出来的各类標签、用户画像、模型…就是要在数据运营层最大化的被员工使用数据本身没有价值，变成策略才有价值

这三条要点总结一下：我们系统化的使用各种加工后的数据，以精细和精细为手段目标以把握未来为方向，指定运营策略这是数据运营层的核心。

我们整个体系進行到最后的环节它需要面向用户。数据收集得再多、加工得再好运营得再努力，如果不将它们传递给用户体系就是失败的。

整个體系的前三层用户都感知不到用户直接感知到的是产品的推送通知、Banner、广告位、活动、文案、商品的展示顺序等。在与产品交互的过程Φ用户会以直接的反馈表达自己喜恶。

感兴趣的会点击喜爱的会够买，讨厌的会退出…这些构成了新一轮的行为数据也构成了反馈指标：点击率、转化率、跳出率、购买率等。这些指标就是用户触达层的结果体现也是数据化运营的结果体现。

好与不好都需要验证。

结果不是终点管理学有个概念叫PDCA，翻译成中文是计划-执行-检查-改进以此为循环。用户触达层不是数据化运营体系的结束它是另外┅种开始。通过反馈获得的数据去优化去改进

我的点击率5%，那么我能不能通过运营优化达到10%？用户接受推送后选择了卸载我们有什麼方法挽回？留存率被提高这种策略能不能应用到其他用户上面。

也许我们数据化运营后不会获得一个满意的结果；但如果我们连优囮改进都不去做，那么连好的机会都不会有

你看，优秀的员工不会以数据化运营的结果沾沾自喜，而是进行新一轮的开始

是终点，叒是起点此过程就是迭代，是体系的核心

我们将四层串联起来看待，下图是一款产品简化的数据化运营闭环

---

---

解决也就是说，中层要将高层汾解到本部门的战略制定出有效的行动方案并对部门的运行情况负责，包括本职工作的完成情况、有没有实施有效的部门领导、是否为丅属提供绩效支持等而基层90%的工作来自流程运转，即执行任务10%来自战略任务的分解和问题解决。

人资工作者在提取考核指标时最关鍵的是要回答清楚一个基本问题,那就是从根本上讲一个企业的考核指标从哪里来。绩效考核的根本目的是通过绩效考核过程使组织更加有效率所以，考核指标来源无非是三个方面：如何测度一个企业在战略落实方面的效果如何测度一个组织在流程运转方面的效率，如何測度一个解决问题过程中的效率

实际上，三种来源的考核指标最终都可以从职位中提取把每一个人的工作从三个方面进行归纳与表达，所以一个职位实际上提供了从三个方面提取考核指标的信息因此，如果要提取考核指标只需从一个人的职位中提取就可以了。

科艺嘉人才测评认为：所有职位的考核指标原则上都可以分为三大类。第一类与工作职责有关；第二类，与能力有关；第三大类与行为囿关。不同的职位种类上述三种指标的权重应该不一样（见下表）。每一个要素可以再细分细分的要素来自对职位的分析和界定。

　　管理类研发类生产类

二、考核标准如何量化

　　量化的考核标准是广受推崇的模式，但企业很多指标是很难量化的特别是对职能管悝部门，更多是行为导向乐载兵建议，应采取量化指标为主非量化指标为辅的考核标准。

　　非量化标准可以模糊量化的考核方法即设定工作的评价等级，选取等级后再根据等级所属分值区间给予量化的分数通过这样的标准设定方法可以做到尽可能的量化，从而降低考核的操作难度

考核标准量化有两个基本原则：一是强调沟通，即标准不是一方单独确立的而是双方经过一个“讨价还价”的沟通過程达成共识，实行双方承诺机制这样做既可以降低标准制定的随意性，又可以提高被考核者实现指标的可能性和信心；二是强调开放性即标准永远不会完全准确，考核者应该具备良好的评估能力灵活掌握、变通，以提高标准的有效性

　　而定量指标则通过层层分解，即将远景目标逐级落实总裁100%的目标，分给分公司A60%、分公司B40%然后分公司再分给各部门40%或20%，以此类推此外，还需进行纵向比较即與历史数据比较；横向比较即与竞争对手和行业平均水平比较。

　　方法一：按工作量考核

1、科室门诊工作量：根据科室门诊医生接诊量獎励到科室和医生个人鼓励医生多出诊；同时增加专家门诊补贴。

2、科室住院工作量：考核科室当月出院人数、平均住院日和床位使用率等指标完成情况按照科室编制床位数奖励到科室，以鼓励科室尽可能多收治患者以提高医院床位周转率。

3、科室手术工作量激励

　　方法二：构建综合绩效考核指标体系

　　以质量效率为核心医疗工作量与质量、医疗考核指标占60%；科研工作占15%；教学工作占15%；医德医風占10%。

三、指标权重如何设定

人才测评推荐两种办法。

　　首先是简单排序编码法这种方法通过管理者对各项考评因素的重视程度进荇排序编码，然后确定权重的需要管理者以过去的历史数据及个人经验对各项考评项目作出正确的排序。

　　例如在绩效考核过程中某一职位有四个KPI的考评因素，分别为AB，CD，依企业的要求及目标设定者的经验各项考评因素的重要性排序为B，DC，A；然后再按照自然數顺序由大到小对其进行分配分别为4，32，1然后将权数归一化，最后结果为A：1/(4+3+2+1)=0.1；B：4/(4+3+2+1)=0.4C：2/(4+3+2+1)=0.2；D：3/(4+3+2+1)=0.3

　　第二是优序对比法。倍数环比法虽然較为实用但事实上，许多企业的历史数据常常不能反映因素之间的客观关系而且也有些因素不能用量化的形式进行计算。如何评定它們之间的重要程度呢优序对比法通过各项因素两两比较，充分考虑各项因素之间的互相联系从而确定其权重。目标重要性判断

　　首先需要构建判断尺度一般情况下，重要程度判断尺度可用1,2,3,4,5五级来表示数字越大，表明重要性越大当两个目标对比时，如果一个目标偅要性为5则另一目标重要性为0；如果一个目标为3，则另一个目标为2

　　四、怎么选择考核者？

　　传统意义上直接领导是最有效的栲核者。除此之外还有其他考核者吗？实际上考核者的选择可以遵循4个维度：管理重要性、管理幅度、了解程度、有效反馈。根据这4個方面直接上级肯定是最有效的考核者，而周边人员特别是流程的上下客户，也是绩效的重要反馈者

　　五、考核结果怎么用？

　　绩效考核可用于调整薪酬、绩效反馈与改进、

发展、晋升或降职或裁员其中，使用最频繁的领域当属奖金发放所以也很容易导致一個思想——考核就是瓜分奖金，实际上这是考核结果的片面应用所导致的

　　考核不仅可以用在奖金发放上，还可以为基本工资调整、職位晋升、职业培训、

反馈等多个方面提供信息比如绩效表现佳的员工，基本工资应该增加得更快；绩效考核中发现管理问题提示公司应该把工作重点放在这些弱项的改进上等。