什么是数据运营?数据运营有什么用处

　　数据运营是做什么的？又为什么比其他运营岗位更有竞争力呢？数据运营是一个近年来兴起的概念，是一个入门就偏技术性的运营岗位。所以数据运营在起点上就比其他岗位的运营要高。这也注定了在薪资结构上，数据运营的薪资要普遍比其他运营岗位薪资高。

　　一、数据运营是做什么的：市场分析

　　数据运营是做什么的？按照不同的维度对用户层行分层，并再次分化，从而为运营决策提供支持。

　　随着互联网发展的提速，数据作为精准运营的决策依据也越来越重要，因为我们渐渐摒弃过去的流量思维，更看重精准流量。我们不断去研究，那些曾经购买我们产品的用户，可以总结出哪些身份标签、行为标签、兴趣标签，他们又会出现在什么地方，我们怎样才能更有效地触及到这些人呢？这些都需要数据运营来解决。

　　目前，数据运营是什么样呢？我们可以通过相关数据查阅到下面的基本情况。

　　从上图，在最近1年的岗位样本上，北京的平均薪资是12300元，其中占比区间最多的是10-15K。

　　而工作经验1-3年的数据运营薪资就已经接近月薪1万，在3-5年的薪资，达到了基本管理层的薪资水平。

　　数据是反映产品和用户状态最真实的一种方式，通过数据指导运营决策、驱动业务增长。所以，数据运营是属于一种技能强、门槛高的岗位，我们研究数据的目的也是希望通过数据发现问题，提升效率，促进增长。

　　二、数据运营是做什么的：具体工作分析

　　数据运营是做什么的？是不是基于数据的运营，一切跟着数据来，分析一堆Excel表格呢？还是说要研究高深的工具，像Python、数据库之类的？

　　可能大家理解的数据运营更偏向于是数据分析层面，实际上，数据运营包括数据收集、数据分析、决策支持三个环节。数据分析只是其中的一环节。

　　1、数据运营是做什么的：数据收集

　　说到数据收集，大家理解是不是说尽可能收集一切数据，其实不然，数据收集必须围绕你的运营目标展开，不是什么数据都对你是有价值的。数据有很多种，当你不使用它们的时候，他们就是一堆杂乱的数据，只有你有了明确了数据分析的目的，才能进行数据分析。电商后台就有很多数据，商品的名称、型号、尺寸大小、价格、货源产地、购买者的淘宝账号、下单号、下单地址、购买者的身份（是否为新老用户）等。

　　数据收集要坚持一个原则：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。如果是活动，也要在活动开始就去收集数据，而不是等活动结束后才收集统计，那样可能对于过��中出现的问题就没办法及时调整了。

　　数据收集主要是收集哪些数据呢？围绕运营目标，我们可以把要收集的数据分为4种类型：行为数据、流量数据、业务数据、外部数据。

　　下面我们依次对其分析。

　　a、数据收集：行为数据

　　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。

　　比如用户打开APP，点击菜单，浏览页面是行为；

　　用户收藏歌曲、循环播放歌曲，快进跳过歌曲也是行为。

　　行��数据的核心是描述用户在不同时间点、产品的不同环节，用了哪种方式完成了哪个类型的操作。

　　举个例子，阅读内容、点赞、评论、分享是社区产品的用户行为，点击产品、添加购物车、下单、付费、评价是电商产品的用户行为。不同平台对用户行为的定义标准不同，你要结合公司的业务再展开分析。

　　另外一方面，用户行为也是用户运营体系的基础，我们可以按不同行为划分出不同梯度，将用户区分成核心用户、重要用户、普通用户、潜在用户，再进行分层管理。当然，每家公司对用户的分层标准也是不一样的。

　　b、数据收集：流量数据

　　通常是先有流量，才有了用户行为合集，流量达不到一定程度，用户的个别行为可能都比较独立，无法有效支持决策。

　　流量数据和行为数据最大的差异在于，流量数据能够知道用户从哪里来，是通过搜索引擎、外链还是直接访问。这些数据通常用于渠道转化分析、广告投放决策等应用。

　　c、数据收集：业务数据

　　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，但因为没办法通过行为数据和流量数据解释清楚，所以归类到业务数据的范畴。

　　这部分数据企业一般关注比较多，因为它能直接反映出销量、下载量，跟企业的生存关系特别密切。

　　d、数据收集：外部数据

　　通常外部数据是指不通过公司内部出现的，比如一些第三方平台统计的行业数据、用户行为数据，这些数据对公司决策也起到很大支持作用。公司可以拿着这些数据跟内部数据对比，看看目前公司处于哪个水平。

　　2、数据运营是做什么的：数据分析

　　数据运营做产品的数据分析，要考虑影响产品的核心指标是什么。比如电子商务网站，流量就是非常重要的指标。当重要指标数据或趋势过于宏观时，我们需要通过不同的维度对核心数据进行分解，来获得更加精细的数据洞察。

　　在选择维度时，需要仔细思考其对分析结果的影响。举个例子，当监测到网站流量异常时，可以通过拆分地区、访问来源、设备、浏览器等维度，发现问题所在。如下图，当天网站的访问用户量显着高于上周，这是什么原因呢？当我们按照访问来源对流量进行维度拆分时。不难发现直接访问来源的访问量有非常大的提升，这样就进一步把问题聚焦了。