读呗:数据化运营的8种思维方式

iwangshang ／ 网商君 ／ 2017-05-27

摘要：每家企业都应该是数据公司，这8种思维方式帮你快速走进数据化运营的门槛。

用户访问深度过深，每次都要浏览很多个页面，说明他在这里没有遇到想要的产品；用户每次访问都很浅，看一两个页面就走掉了，说明你的产品展示、内容引导很有问题。那么，访问深度多少是合适的呢？这就是数据分析人员需要研究的问题——在多深的访问深度时，用户形成购买的概率最大。

例如，近期你的核心任务是提高客服人员的服务质量，那么客服人员的话术、客户评价通道、客服系统的响应速度等就是靠得最近的子问题，需要重点关注，而客户的问询习惯、客户的购买周期等就是相对远的问题，暂时先放一放。

文 / 网商君

“数据驱动决策”，为了不让这句话成为空话，作者将自己的经验提炼为以下8种思想武器，不求你当下就能掌握，但希望你能不断参悟并修正。

1.信度与效度思维

信度与效度的概念最早来源于调查分析，但现在可以引申到数据分析工作的各个方面，如图4-57所示。

图4-57  信度与效度思维

所谓信度，是指一个数据或指标自身的可靠程度，包括准确性和稳定性。所谓效度，是指一个数据或指标的生成，需贴合它所要衡量的事物，即指标的变化能够代表该事物的变化。

只有在信度和效度上都达标，才是一个有价值的数据指标。举个例子：要衡量身体的肥胖情况，选择穿衣的号码作为指标，一方面，相同的衣服尺码对应的实际衣服大小是不同的，会有美版、韩版等因素，使得准确性很差；另一方面，一会儿穿这个牌子的衣服，一会儿穿那个牌子的衣服，使得该衡量方式形成的结果很不稳定。所以，衣服尺码这个指标的信度不够。尺码大小并不能准确反映肥胖情况，因此效度也不足。体脂率才是信度和效度都比较达标的肥胖衡量指标。

2.平衡思维

平衡思维的关键点在于寻找能展示出平衡状态的指标。也就是图4-58所示的框，要通过这个准确的量化指标观察天平的倾斜程度。

图4-58  平衡思维

举个电商的例子，在电商的用户行为分析中，用户每次访问的深度就是一个“高不成低不就”的问题。若用户访问深度过深，每次都要浏览很多个页面，说明他在这里没有遇到想要的产品，或者页面没有促使他快速购买，这不是一家电商公司想看到的情况；若用户每次访问都很浅，看一两个页面就走掉了，说明你的产品展示、内容引导很有问题。那么，访问深度多少是合适的呢？这就是数据分析人员需要研究的问题——在多深的访问深度时，用户形成购买的概率最大。

3.分类思维

客户分群、产品归类、市场分级、绩效评价等许多事情都需要有分类的思维。主管拍脑袋也可以分类，通过机器学习算法也可以分类，到底分类思维怎么应用呢？

关键点在于，分类后的事物需要在核心关键指标上能拉开距离！也就是说，分类后的结果必须是显著的。

图4-59  分类思维

举个例子，假设图4-59所示反映了某个消费者分群的结果，横轴代表购买频率，纵轴代表客单价，那么图中右上角的这群人，就是明显的“金牌客户”。右下角这个象限的人群，就是“屌丝”群体，他们“频繁地买便宜货”。左上角的人群是精英阶层，他们“选购好商品”。左下角的人群可以归结为长尾客户，不需要我们花精力去维护，让他们自然生长，转变为其他三个象限的人群后，我们再施以针对性的策略。

4.管道/漏斗思维

这种思维方式已经比较普及了，注册转化、购买流程、销售管道、浏览路径等，很多分析场景中都能找到这种思维的影子，如图4-61所示。

图4-61  漏斗思维

看上去越是普世、越是容易理解的模型，它的应用越得谨慎和小心。在漏斗思维中，我们尤其要注意漏斗的长度。

漏斗从哪里开始到哪里结束？以作者的经验，漏斗的环节不该超过5个，且漏斗中各环节的百分比数值、量级不要超过100倍（漏斗第一个环节从100%开始，到最后一个环节的转化率数值不要低于1%）。若超过了这两个数值标准，建议分为多个漏斗进行观察。当然，这两个是经验数值，仅为读者提供一个参考。

理由是什么呢？超过5个环节，往往会出现多个重点环节，那么在一个漏斗模型中分析多个重要问题容易产生混乱。数值量级差距过大，数值间变化的实际意义很难被察觉，容易遗漏信息。例如，漏斗的第一个环节到第二个环节的转化率从60%变到50%，让你感觉是天大的事情，而漏斗最后环节的转化率发生0.1%的变动，你却不以为然，其实往往是漏斗最后这0.1％的变动非常致命。

5.时间序列思维

很多问题，我们找不到横向对比的方法和对象，那么，和历史上的状况比，就将变得非常重要。其实很多时候，作者更愿意用时间维度的对比来分析问题。这种方式容易排除一些外在干扰，尤其适合创新型的分析对象（没有参照物），比如一个新行业的公司，或者一款全新的产品。

时间序列的思维有三个关键点：一是距今越近的时间点，越要重视（在图4-65中用颜色的深浅度表示，越近期发生的事，越有可能再次发生）；二是要做同比（用箭头指示，指标往往存在某些周期性，需要在周期中的同一阶段进行对比才有意义）；三是异常值出现时，必须重视（比如出现了历史最低值或历史最高值，建议在时间序列作图时，添加平均值线和平均值加减一倍或两倍标准差线，便于观察异常值）。

图4-65  时间序列思维

时间序列思维有一个子概念不得不提，就是“生命周期”的概念。用户、产品、人事等无不有生命周期存在。衡量清楚生命周期，就能方便地确定一些“阈值”问题，使产品和运营的节奏更明确。

6.队列分析思维

随着数据运算能力的提高，队列分析（Cohort Analysis）的方式逐渐崭露头脚，如图4-66所示。作者的理解是按一定的规则，在某些维度上将观察对象切片，组成一个观察样本，然后观察这个样本的某些指标随着时间的演进而产生的变化。目前使用得最多的场景就是留存分析。

图4-66  队列分析思维

举个川术公司的例子：该公司在5月17日举办了一次促销活动，将这一天来的新用户作为一个观察样本，观察他们之后每天的活跃情况。可以想象，若在5月17日、6月17日、7月17日都举办了活动，那么这三天来的新用户，在注册后一段时间的使用情况就像3条队伍一样向后延伸。

7.循环／闭环思维

如图4-67所示，循环／闭环的概念可以引申到很多场景中，例如业务流程的闭环、用户生命周期闭环、产品功能使用闭环、市场推广策略闭环等。许多时候你会觉得这是一个不落地的概念，因为提的人很多，干出事情的很少。

图4-67  闭环思维

业务流程的闭环是管理者比较容易定义出来的，列出公司所有业务环节，梳理出业务流程，然后定义各个环节之间相互影响的指标，跟踪这些指标的变化，能从全局上把握公司的运行状况。

例如，川术软件公司的典型业务流：推广行为（市场部）→流量进入主站（市场＋产研）→注册流程（产研）→试用体验（产研＋销售）→进入采购流程（销售部）→交易并部署（售后＋产研）→使用、续约、推荐（售后＋市场）→推广行为，一个闭环下来，各个衔接环节的指标，就值得关注了：广告点击率→注册流程进入率→注册转化率→试用率→销售管道各环节转化率→付款率→推荐率／续约率……这里会涉及漏斗思维，但千万不要用一个漏斗来衡量一个循环。

不知你有没有发现，闭环思维，实际上提供了一种设计指标体系的方式。有了循环思维，你能比较快地建立有逻辑关系的指标体系。

8.指数化思维

如图4-69所示，指数化思维是指将衡量一个问题的多个因素分别量化后，组合成一个综合指数（降维）来持续追踪。前文已经说过，许多管理者面临的问题是“数据太多，可用的太少”，这就需要“降维”，即把多个指标压缩为单个指标。

图4-69  指数化思维

指数化的好处非常明显，一是减少了指标，使得管理者精力更集中；二是指数化的指标往往提高了数据的信度和效度；三是指数能长期使用且便于理解。

指数的设计是门大学问，这里简单提三个关键点：一是要遵循独立和穷尽（MECE）的原则；二是要注意各指标的单位，尽量做标准化来消除单位的影响；三是权重和要等于1。

举个例子：在设计川术公司销售部门的指标体系时，目的是衡量销售部的绩效，确定了核心指标是销售额后，你将绩效拆分为订单数、客单价、线索转化率、成单周期、续约率5个相互独立的指标，且这5个指标涵盖了销售绩效的各个方面（穷尽）。你设计的销售绩效综合指数＝0.4×订单数＋0.2×客单价＋0.2×线索转化率＋0.1×成单周期＋0.1×续约率，各指标都采用max-min的方法进行标准化。这样，作为销售总监，在时间仓促时，只需要盯住销售绩效综合指数这一个数字，就能知道各个销售团队或者销售员的表现，而不需要从多维度进行对比。

以上内容摘自《数据化运营速成手册》，有删节。

《数据化运营速成手册》

胡晨川 著

2017年4月出版

电子工业出版社