上一篇《为什么你做的数据分析，运营懒得看》中，我们列举了运营实际遇到的困难，今天接着分享，数据分析可以如何帮助运营解决困难。正如上一篇所说，数据分析已经为运营提供了大量支持，可惜仅限于认知现状阶段。那为了支持运营迭代升级，到底还需要哪些？这就得从运营迭代升级到底在干啥说起�? # 1 运营迭代升级怎么�? 运营之所以喜欢说迭代，首先是因为运营有大量的基础套路、模板、案例可以参照，完全不需要从头做起。所以不需要用“创新、设计、创造”这种词。男生们可以回忆一下你们玩的游戏，是不是首充�?XX，七日登录�?XX，竞技比赛有勋章，套路非常相似。女生们可以回顾一下购物网站的各种满减、优惠、抽奖，是不是看起来很相似。就是这个感觉！

比如运营最喜欢说的 AARRR，其实每个方面，都有大堆套路（如下图）：

609
几乎每一种运营，都有一张这样巨大的思维导图（本图还不够细，只到了二级目录，还能往下拆），记录着各种丰富的套�? 注意，类似右图的付费转化、活跃、留存模块，其三级目录，对应的是套路，四级目录对应的是形式（是滴，同学们猜到了，五级目录对应的是参数），我们常说“换汤不换药”就是这个意思，往往一个套路下，有大量具体形式可以换，参数可以�? 其次是因为随着环境变化、企业规模扩大，套路总不能一杆子捅到底，总会随着时间变化有些变化。这种变化可以分为五个等级（如下图）�?
举例 创新复杂�?/td> 实际上应用频�?/td> 数据可以干啥
迭代到底在迭代啥 100%原创 “介是你没有体验的船新版本�?/td> 极高 极低 用户需求洞察、机会点、行为路径分析、新概念测试、力度测试…�?/td>
改套�?/td> 新用户首单立�?10 元，改成新用�?1 元参团，改成新用户额 20 元券 �?/td> �?/td> 直接做分组对比，同样目的活动，摆在一起看 ROI 高低、看响应率、响应金额等等数�?/td>
改形�?/td> 都是拼团，可以用“养金猪”“许愿盒”“bD 产品”；都是签到，可以用浇树养水果的形式 �?/td> �?/td> 直接�?ABTest，拿结果版本测试看哪个响应率�?/td>
改参�?/td> 买三送一，改成买二送一�?50 元券改成�?40 元券 �?/td> �?/td> 直接做弹性测试，看看啥力度响应率最�?/td>
直接叠加 �?20 元券且消费满 200 且下�?APP �?3 下目转发朋友圈且…�?/td> �?/td> 极高 往往是被费用逼迫下无奈之举，分析啥啊，上�?/td>

这个五个等级变化，会按一个流程开展：

看完以上内容，是不是一下觉得数据能做好多事情！且慢，具体做多少，还得看运营的具体工种，如果没选对服务对象，有可能起到画蛇添足的作用�? # 2 不同运营对数据的需�? 虽然都叫运营，但是运营实际包含的工作内容非常多。不同运营工作，具体痛的位置不一样。对于这些痛点，数据分析能治疗的程度也有区别。从本质上看，数据分析方法代表着理性、逻辑、计算。可这不是工作的全部，工作中还有很多感性、情绪、创意。因此有的工作天生就不咋需要数据帮忙，看个现状结果就行了，有的则需要缜密的计算和分析。综合以上要素，可以归纳如下�?
运营分类 工作内容 感�?理�?/td> 数据支持作用 备注
内容运营 设计视频、文案、广告、供宣传使用，通过微信、微博、公众号、抖音、站内信等平台影响用�?/td> 感�?/td> �?/td> 做内容特别依赖创作者的灵感和创意，�?100 篇分析味蕾的报告也不会让你成为味蕾，就这个道�?/td>
商品运营 选择商品供用户消费，负责商品进货、上架、销售、库存管理工�?/td> �?/td> �?/td> 商品管理非常有趣，在商品已经开始上架运转以后，它是个理性的工作，需要看看销售进度，理性安排进货量，控制库存不积压。但在选新品的时候，是相当感性的工作。所谓选品高手的“眼光”远胜于大数据分析，毕竟消费者也是不是惯性的
活动运营 通过普众活动（比如双十一这种大促销）精准营销（针�?XX 人群特殊活动）拉动业绩，维护活跃 �?/td> �?/td> 因为只考虑眼前任务，对策略性有考虑，但是具体到每一个活动力，宣传语、宣传视频、活动创意、代言明星等等创意因素都会影响成败，所以感性理性一半一�?/td>
渠道运营 通过广告投放、用户裂变等方式，吸引新用户注册（俗称：拉新�?/td> 理�?/td> �?/td> 非常讲究策略性，需要观察数据合理分配费用，改善转化流程。但注意：渠道本身有他的特点，如果是�?ASO，得懂的 APP Store 的规则，�?SEO 得知道百度的规则，做公众号投放得看号主的个人能力，这些不是数据分析能解决�?/td>
用户运营 用户首单奖励、积分、优惠券、会员等级、会员特权等手段，提升用户活跃、留存、付费情况（俗称：盲目） 理�?/td> �?/td> 特别讲究策略性，我们常说的按下葫芦浮起瓢的事，比如：做起来活跃率，付费率就跌；做起来付费率，留存率就跌，总之很难平衡 AARRR 五个指标，也是在用户运营里最为常见�?/td>

当然还有其他各种挂着运营头衔的岗位，大家可以参照这五个常见的自己分析�? 这就是为啥大家能见到的细致分析都和用户有关。因为用户运营本身是个非常有策略性工作。然而用户运营本身也非常重要。很多互联网公司为了上市圈钱，需要把用户量、用户增长率、付费转化率做到一定水平，在渠道运营（拉新），用户运营（肯旧）上非常舍得砸钱�? # 3 数据能支持哪些问�? 数据分析适合解决理性问题，因此看了上边分类大家大概知道数据分析适合哪些问题。但别忘了，运营最大的问题是没钱。所以还得把每类工作对费用需求程度加上，先解决那些缺

钱部门的费用问题（如下图）�?
运营分类 缺钱程度 用钱说明 数据支持内容
了解现状 发现问题 选择方法 落实措施 观察效果
内容运营 �?/td> 一个天才写手胜过千万刷阅读量的�?/td> �?/td> �?/td>
商品运营 �?/td> 需要大量钱采购商品，维持库存，但一般企业直接将商品成本计入日常销售成本，不会单独拨钱，都是走流程 �?/td> �?/td> �?/td> �?/td>
活动运营 �?/td> 看活动规模，投入力度，往往是大有大的做，小有小的做 �?/td> �?/td> �?/td> �?/td>
渠道运营 �?/td> 非常缺钱。流量为王的年代，推广渠道都是大爷，拿一分钱干一分钱活，少一个子人家不配合�?/td> �?/td> �?/td> �?/td> �?/td> �?/td>
用户运营 �?/td> 无数的补贴大战、红包大战、优惠券大战告诉我们：用户运营都是钱烧出来的�?/td> �?/td> �?/td> �?/td>

因此，理论上，数据支持运营的第一步，应该从：“分钱”开始。先回答和钱有关的，非常理性的，战略方向性的问题，比如：

  1. 公司发现目标是（行业第一？营收破 100 亿？�?
  2. 基于此目标，需要新用户 XX 万，老活跃用户维持在 XX 水平
  3. 基于新用户数，按目前市场价，渠道成本�?XXX �?
  4. 基于目前措施，老用户维护成本为 XXX �?
  5. 以上目标，通过阶段性大促完�? \(x\%\) ，日常渠�?用户投入 \(x\%\)


稳步增长型（快变现类业务�? 类似 DD、PDD、TB、ELM 这种平台类业务，规模经济效应非常明显，往往前期大量烧补贴换市场，等规模到一定程度以后亏损收窄，市场份额垄断，收益向好，资本市场会持续注资类似游戏类变现快的业务，则无需等这么久，往往是迭代升级式运营，最初版本就开始挣钱之后逐步升级，占领市场（当然会有衰退，上图中并未表现出来）一类业务在各个发展阶段，规模、收益是可以量化的，因此算钱是算的清楚的！需要量化分析，才能精细运营，不然，烧钱烧死的企业，还少吗！

有了这些分析（其实就是经营分析），分清楚钱、时间、责任，后续运营干活非常清爽！从来不怕目标高，就怕费用没给到。有了资金支持和适当的时间安排，后续也好选择具体的落地方法（如下图）�?

以支持活动运营举例：

如果要支持“改套路”的迭代，就优先关注费用，把不同类型活动受众、投入、产出这些大的维度放在一起比较，了解每一类活动能力范围，ROI，先选大方向�? 如果要支持“改参数”（主要与规则有关）“改方式”（主要与宣传有关）的迭代，可以直接做弹性测试、Abtest，测试一个效果好的版本出�? 至于具体的落地层面，细分类型太多，一篇文章很难讲清楚。有机会我们慢慢更新�? # 4 怎么把数据落实到�? 然而，仅仅有这些分析思路和方法是没有用的！更重要的环节是：落地。道理讲出来，大家都懂，真到落地的时候就蛋疼了：

1、分析和决策脱离：这是最大、最大、最大的问题。往往做决策是拍脑袋、凭经验、抄对手、听安排，缺少真正的分析，作分析的实际上仅仅在更新数据，没有意见，没有解读，没有洞察�? 2、决策与执行脱离：这是第二大的问题。往往方向、费用、策略，是上层领导决定的，基层同学们每天忙着；做方案- 请示- 改方�? 请示- 改方�? 请示。对于为什么这么干，干到哪里才算完全晕头晕脑。啥分析都没用�? 3、理论与实际脱离：这是第三大问题，讲�?AARRR 如数家珍，可具体到一个行业，一个业务，一个活动，一次文案，到底数据形态是啥样，到底该做到多少合适，完全没有头绪�? 4、缺少历史经验积累：对过往数据没有采集，没有积累，甚至很多做数据的同学连业务目前在干什么都不知道，更别提以前干过的，这能分析就见鬼了�? 5、缺少活动、策划案、文案标签体系：就如同没有打用户标签很难理解用户一样，没有打这些业务标签，也没法具体分类对比业务，更没法总结套路�? 以上种种，归纳起来就是：好的数据支撑体系，从来都是业务数据一体运营，集体作战的结果，从来都没有一个神仙级数据分析师能振臂一呼“啊啦啦啦”就摆平所有问题。包括案例分享也是，很多同学喜欢说：来两个牛逼案例。最后发现牛逼的案例，从来都是牛逼的公司催化出来的。想要复现，还是得练好基本功，比如如何贴业务标签�?