产品运营

互联网产品运营人员在项目中要关注哪些核心数据?

互联网产品运营人员在项目中要关注哪些核心数据?

 
一、产品数据的定义
 
产品数据,其实就是一堆数值。但这些数值,是从用户的行为中统计而来的。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。
 
二、有哪些运营数据是需要关注的
 
我们在这里用一张脑图简单列出一些核心运营数据:
核心数据
 
这张脑图,仅仅简单的展示了也许是通用的部分运营数据,但如果我们仔细去看,去归纳,会发现三个数据类型,是所有运营都需要具备的:
 
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。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。
 
运营必然需要成本。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,并且一般来说和运营效果是成正比关系的。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 iPhone 6,哪个效果更好?
 
做运营的,一定要认真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,我们就可以根据自身的产品特性去设定需要获取数据。
 
我们拿足记来简单举个例子,足记这样的应用,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。
 
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,你的数据感在不知不觉中获得了提升,这一点,非常重要。
 
三、如何获取数据
 
获取数据的渠道有很多,这里推荐两个:Google Analytics 以及百度统计,更多的工具自行去了解哈。使用分析工具我们可以得到以下内容:
 
记录那些点击信息,包括没有与网站产生交互的信息
可直接生成链接的百分比,点击分布图和热力图
可统计用户的悬停,将用户潜在行为可视化
 
获取数据的方式其实多种多样,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。
 
四、如何分析数据
 
对于数据的解读,每个人都有不同的方式。这里我们摘取书中的几个总结:
 
1)首先确定数据的准确性
 
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,会受到多种因素的影响,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,切忌挑选有利于自身的结论。我们通常会犯先入为主的错误,这不仅会影响数据的准确性,还是职业道德的问题,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,这些问题就是干扰项。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。
 
五、数据分析职业方向有哪些
 
我们这里只说国内哈,在国内,与大数据相关的岗位主要分为以下几类:
 
数据分析师:
 
运用工具,提取、分析、呈现数据,实现数据的商业意义,需要业务理解和工具应用能力。
 
数据挖掘师/算法工程师:
 
数据建模、机器学习和算法实现,需要业务理解、熟悉算法和精通计算机编程。
 
大数据工程师:
 
运用编程语言实现数据平台和数据管道开发,需要计算机编程能力。
 
数据架构师:
 
高级算法设计与优化;数据相关系统设计与优化,有垂直行业经验最佳,需要平台级开发和架构设计能力。
 
当然一个行业肯定不止这几个岗位,这里只是列举普遍的,吃香的(你懂的~)。
 
六、总结
 
关于数据的内容,一篇文章其实说不出更多有价值的东西,更多的需要自己在工作中的思考与总结;当然,同行交流以及吸取同行前辈的经验也很重要。
 
作者:庖丁开发
来源:产品100干货速递

(1)
关键词:

最新文章