还是具体来看一个例子：假如你在一家电商公司工作，目前所有站内数据可以对我们开放，那么站在运营端，若我们需要对该公司的用户行为有更加深入、精确的理解，从而更好地指导我们的运营工作，我们该以何种思路对数据进行分析和比对，从而得出一些更有价值的信息？
这里要先引入两个数据分析中的基本概念：维度和度量。
简单地说，度量就是具体的数据指标，它通常表现为某个量化过后的数据值，而维度则是看待这些指标的不同角度，如下图所示。
举例，网站的UV（用户访问数）是一个数据指标，而我们去看待它的时候，可以从日期的维度去看，以便评估一周或一个月内，哪几天流量偏高或偏低，是否存在规律。
也可以从24小时时间划分的维度去看，以评估每天在不同时间段的流量分布情况是怎样的；还可以从地域的维度去看，了解不同地区的用户使用网站的习惯和情况是否存在差异……
理解了这两个词，最终你会发现，所谓数据分析，无非就是界定清楚了你要评估的度量有哪些，然后需要知道你可能有哪些维度去看待这些度量，偶尔可能还需要在不同维度和度量间交叉做一下分析和比对，最后产出结论，把结果用图表等方式呈现出来。
所以，回归到这个例子，我们如果要结合具体的产品形态，对该电商公司的用户生态和使用习惯有更加深入的了解，我们或许可以先界定清楚，需要去评估的度量有哪些。
这个度量需要结合你的核心产品功能来想，因为该电商网站目前主要承载的产品功能就是浏览商品和购物，以用户可能会在这个网站上发生的核心行为为主线来看，我们要重点关注的是以下三类行为：浏览、添加购物车、付费购买。于是，围绕着上述3方面行为，我们要重点关注的度量就可能包括了：网站访问数、各商品页访问数、停留时长、添加购物车次数、支付订单数、退款订单数、用户评价等。
同时，对于以上的部分度量，我们应该有一个自己预设的合理区间（这个区间需要基于你自己对行业和用户的了解来进行判断得出，或者通过持续探索得出）。比如，单商品付费后的退款用户数整体占比不超过3%我们认为是比较合理的，如果该数值显著高于3%，则可视为异常数据。
然后，接下来的一步，就是围绕着每一个度量来看看，我们可以有哪些维度去看待它、分析它、评估它。
拿最简单的支付订单数来举例，我们要评估这个数据的维度可能包括日期、时间、地区、新老用户等。如果要把这个评估做到极致，我们可能需要从每一个维度依次去评估报名数这个指标的变化，从中发现一些线索或结论。
基本上，这种评估的出口有两个：
一是判断数据是否有一些需要注意的异常情况（如果出现异常数据，一定要分析原因）；
二是为了给自己的运营工作找到一些方向性的指导，比如说，我现在要把站内月付费订单数提升10倍，我是否可以从用户行为和习惯去得到一些具体的启发？而且，很多时候，这两个目的可能是合一的。
例如，假如我们看到过去30天里的站内付费订单数的变化情况如下图所示。
那么我们是否就需要去看一下，在订单数开始激增的那几天里，到底发生了什么。是因为我们有意识地做了一些推广和活动，还是因为上线了新的商品或活动，还是因为发生了什么别的事情？
假如你发现，相应数据的激增是因为某个商品偶然间被人分享到了某个社区或社群内（例如知乎）并引发了一轮小小的传播，那么接下来你如果想要从运营端做一些事来提升课程报名数这个指标，你是不是就可以有意识地在该社区或社群去做一些事？比如认真分析一下之前的内容为什么能在知乎引发传播，然后把传播点提炼出来，用更适合知乎的形式去进行一轮包装，并想尽办法在知乎再进行新一轮的扩散。
事实上，我个人就曾经亲历过类似的案例。2009年前后，当时我所供职的一家互联网公司，因为我们的某个产品被用户在某个大学生特别集中的社区分享而获得了过万的UV。从这一线索入手，我们开始深耕该社区，最后在短时间内给该产品带来了数十倍的数据增长。
另外，这种数据分析的另一个维度，就是依照你的常识对用户进行划分，再去看数据，结合用户访谈，了解不同类型的用户在具体行为习惯上可能会有哪些不同。
比如，以有瞰学社为例，我们主要解决的用户需求是与运营相关的学习，而还没有工作经验的大学生和工作了2年以上的互联网人，理论上学习习惯肯定是不同的，此时我们就可以分别从数据上去观察这两类人在访问、报名、听课、课后作业（包括学习产出和效果）等一系列行为上存在多大差异。
当这些问题界定清楚后，事实上你是可以根据用户类型的不同，分别推送给他们不同的服务和引导他们完成不同的用户行为的（比如已工作的用户上来先做几个小任务，还是大学生的用户则先去听两堂入门课），这样精细化的运营可以大大助推你的用户留存率和活跃度的提升。
最终，假如你手边的数据足够充分，且这种从度量&维度切入的分析做到了极致，理论上你会对整体站内用户的构成、行为习惯和当前产品的主要问题了然于胸，也会对站内的整体用户生态更加具有掌控力。
这里再补充两个小说明。
第一，理论上，假如作为一个运营负责人，我们应该对每一个关键性的用户行为都定期（比如每三个月或每半年）进行全方位、多维度的分析，做到对每一个关键用户行为的用户习惯和当前产品指标中的问题点了然于胸。
但，事实上绝大部分运营都可能看不到那么全的数据，这里面有很多原因，比如数据后台不完善、没有数据权限等，这时候我们该怎么办？
我的建议是：
（1）不管是否看得到，你都要让自己具备这样的分析问题和解决问题的意识和能力；
（2）如果某个数据的缺失已经严重影响了你的工作开展，一定要向老板持续索要数据，直到拿到为止；
（3）如果只能拿到局部数据，那就先对局部数据进行一些分析和推断，再带着你的一些假设去工作，以工作成果来验证你的假设。再随着业务的发展和要求不断去完善数据需求。
第二，很多产品，往往都是20%的重点用户给该产品带来80%的价值。
所以，无论是分析数据还是具体开展运营工作，你都要培养起这样一个意识：
要重点去关注对你最有价值的那部分用户，至少把50%左右的精力用于关注他们。
比如，站内更加活跃的用户，更愿意贡献内容的用户，更愿意参与用户服务和管理的用户，等等。
另外，数据当中可能隐藏着一些潜在的能让你把一件事情变得更好的线索和彩蛋，有待你去发现和挖掘。
比如，在有瞰学社的用户群中，我们要是通过数据的分析发现了这样一个结论——在过去1个月内，在付费报名上课的用户中，有70%都是因为看了我们的某篇文章而过来的，这时候你觉得你应该做点什么？毫无疑问，当然是把这篇文章放到我们所有新媒体、网站等的显眼处，或者放到新用户注册或访问过程中的某个必经节点上，用它去刺激更多的新用户。
而要想发现更多类似的线索，常见的思考和工作逻辑可能是这样的：
第一，先找出产品中，当前可能存在问题的某个关键度量（或称指标）；
第二，对于这个度量进行纵览，从它的构成去看，是否所有用户或我们的所有服务在这个度量上的表现都很差，还是说有一部分用户或服务在该度量上的表现是显著好于其他用户或服务的；
第三，你可以对那些表现显著要好的用户和服务在不同维度上进行进一步挖掘，寻找其背后的一些共性的用户行为或特征，然后把这些特征放大到极致。
比如，假定上个月某电商网站的付费订单数显著下滑，那么按照上面所说的逻辑，我们可以依次来进行如下思考和判定。
（1）把上个月站内所有商品的订单数都列出来，然后去观察，是否所有商品的订单数都出现了下滑，还是有一些商品的订单数会好一些。最终我们发现，其中存在5个商品，在订单数上并未出现显著下滑。
（2）我们把这5个商品单独拎出来，然后依照各个维度去分析一下，它们之间是否存在一些共性。比如，它们都在某个时间集中上线，都从属于某一个品类，都来自某个设计师的设计，文案都是按照某个模板来写的，或者用户在购买它们之前都跟我们进行了某种互动，等等。
（3）最终，假如通过这样的比对，我们可能得出了结论，比如说发现这5个商品使用的都是同一个文案模板，或者用户在购买这5个商品前都参与了我们在社群内的某个活动，那么这时候，我们就已经找到了一个可能帮助我们把事情变得更好的线索了。
于是，接下来，我们最应该做的事情，就是把相应的文案模板复制到其他商品的文案介绍中去，或者引导更多的新用户去参与那个神奇的活动。
讲到这里，本节的内容也就差不多了。我猜，你对数据与运营间的关系，是能够更具体深入一点儿的。
打个比方：但凡打仗想要获胜，你既得有上阵杀敌的本领，又要能够运筹帷幄，找对你的突破口和取胜策略。如果策略和突破口没找对，那么任你有万夫不当之勇，仍然无情湮没于人海中。而硬本领不够强，则策略再好，你也根本没有取胜的可能。
这当中，数据对于运营的作用与价值，就是它帮助你找到了战场上的发力点和突破口。
换句话讲，一个不懂得跟数据打交道的运营，很可能到了战场上，只会盲目地打。
而一个能够深刻理解数据的运营，则往往会在实际业务工作中显得游刃有余，脑中手中总有无穷无尽的高价值问题想要通过数据来验证和回答，也装满了各种随时可以往外打出的武器。
假如你在一家经营了好几年的电商公司工作，该公司现有超过100个商品，也已经有了几十万名付费用户，那么这时候你完全可以通过数据得到以下问题的答案：
到底什么样的商品更受用户喜欢？
● 用户们消费购买我们产品的习惯是怎样的？有多少人会在每月的固定时间来购买我们的产品，多少人是完全随机闲逛式地购买产品？
● 一个一线城市的用户和一个三四线城市的用户；一个大学生和一个宝妈，同样都会购买我们的产品，但他们的消费习惯和倾向是不是有所不同？
● 综合如上的一些问题，假如我们想要更好地服务于这几十万用户，是不是可以把他们划分为不同的类别，然后结合他们的需求，在不同时间、场景下给他们推送不同的商品或赠送他们不同的福利，最终让他们消费得更开心，也更喜欢我们的品牌和产品？
一旦有了上述问题的答案，你就像是一个运筹帷幄的将军，对于战场的整体格局和态势心中无比明晰，只待调兵遣将各个击破之。
但也必须要说，数据也是一个很庞大的分支，关于各种数据分析的策略、方法、工具等，如果真的要放开了去讲，可能又是一本书。
考虑到本书是一本更加侧重于“运营工作入门+思考体系化”的书，并非一本专门聚焦于数据分析技巧和实操的书，因此在本书中，我更希望通过介绍能让你对数据与运营工作间的关系有一个较完整的理解，也能理解一些基本的数据意识和分析思路，了解要想真正把运营的精细化做到极致，数据需要在其中扮演必不可少的角色。
如果你还希望进一步学习数据分析相关的课程，也欢迎你来有瞰学社参加我们的相应课程进行深入学习。
5.4.2 数据可能会带来的3种误导和陷阱
最后，我也想要告诉你：在运营工作中，虽然数据对运营工作非常非常重要，但数据其实也不是万能的，甚至有些时候，它还会误导你。
至少存在几种情况会导致数据给我们的工作带来一些误导。以下不妨给你分享一些具体的例子和场景。
第一，你要知道，数据的涨跌会受到诸多因素的影响，有时也会存在一定的偶然性。
有时候，数据提升，未必是你的运营动作做对了，可能只是因为一些偶然的因素导致的，这时通过数据解读出来的信息就会是错误的。
我们来看一个简单的例子。
某资讯APP在春节期间DAU增长了20%，运营同学观测到数据增长后，回看近期的运营动作发现，DAU的增长趋势与春节前上线的任务红包活动时间吻合。经过一系列数据层面的对比，运营同学得出结论，该运营策略的上线带动了DAU的增加。
但过了一段时间，运营同学再次上线了任务红包这一运营策略，却发现DAU并无明显增长。
后来，通过一系列的调研和观测，运营同学发现，春节期间DAU的增长并非主要源于运营策略的上线，而是由于春节放假，大家在家也没事干，因此会频繁打开APP，通过看资讯打发时间。
所以，对于数据涨跌，有时也许不用那么着急就去下结论。“大胆假设，小心求证”的心态，在面对数据时永远都是适用的。
第二，很多数据的拉升和指标增长，往往不是一个“一维”的事。甚至，有些时候如果你只关注某个单一数据的增长而全不考虑其他，可能会带来更大危害。
我们往往需要从多个维度来理解一个数据的涨跌变化，才能得到更加立体、全面的信息。
比如，对于一款社区资讯APP，如果在运营团队方面，只单纯以DAU为目标，可能最直接、高效、能快速拉动DAU提升的办法就是不断给用户发送各种形式的吸引人的信息来触达，比如虚假短信、大量的运营弹窗、标题党文章等。在这种状态下，短期的DAU会增长，但短期数据完全无法体现出“用户体验、用户增长的健康度”等信息。
相反，如果你持续这么做几个月，这个APP或许就没有流量，甚至直接做不下去了。
所以，很多时候，在一个KPI的增长达成背后，我们最好要找到一些相关的指标，甚至设定一些“制衡指标”，以此来验证和关注相关的增长是否健康。
再看一个例子：某新闻资讯APP的运营负责人对APP的DAU负责，他接到的KPI是，下一季度要把推送渠道的DAU提升10%。为了实现这一KPI，该运营同学加大了推送的下发频率，达成了DAU目标。
但是在几个季度过去后，运营同学发现，DAU在缓慢下降。经过数据排查和用户调研发现，因为推送的下发频率过大，很多用户关闭了推送功能，甚至卸载了APP。
在这样的趋势下，短期DAU目标达成，但长期来说产品处于非健康发展状态。
所以，如果只有DAU这一个指标——尤其是DAU的数据口径定义如果还是“每天只要打开登录就算一个DAU”的话，有时一线员工在执行时，会偏离预期的指标。
但，如果我们能设定几个相关指标，与制衡指标一起来评估我们工作的有效性，那么也许效果就会好很多。
比如，我们在关注通过APP信息推送功能提升DAU的同时，也同时关注用户的在线时长。与此同时，我们可能还关注“APP推送功能打开率”和“卸载率”两个反向的数据指标，这样我们就能更客观地评估自己的工作成效和价值。
第三，在一线运营从业者眼中，也很容易出现一些“只关注单点数据，而无法把自己关注的单点数据与公司战略和重要目标结合起来”的问题。
例如，一家主要做公务员考试在线教育的公司的新媒体运营，可能平常最关注的数据指标是自己新媒体推文的阅读量和涨粉数。
他们在2～3个月里追了很多社会热点，写出了好几篇10W+阅读量的爆款推文；也通过“派送一些生活周边必需品”等活动为自己的新媒体账号增长了近10万名粉丝，看起来成绩还是不错的。
但是，这些工作跟一家公考在线教育公司的核心业务有什么关系？
如果，公司最需要的，是找到那些想要参加公考的年轻人和大学生，让他们来报名我们的服务和课程。而你针对各种社会事件和热点，今天聊聊本地有哪些八卦，明天聊聊哪个明星又出轨了……虽然你写出了很多10W+阅读量的文章，但这跟公司业务有什么关系？
另外，你通过送一些米面粮油吸引来的10W+粉丝，可能是宝妈，可能是一些中老年人，他们会对公务员考试感兴趣吗？
所以，作为一线的运营从业者，我也建议大家，在关注数据时，有时也别太局限于眼前你关注的指标本身。偶尔也要跳出来，向上做一些思考：我关注的这个数据，到底是如何服务于公司的战略目标和需求的，这样的思考有时能帮你把思路理得更顺畅一些。
以上可能是运营工作中最常见的“数据会误导和骗人”的3种场景。
所以，作为一个靠谱的、可依赖的运营，我们究竟应该如何更合理地看待和应用数据呢？
我给你如下两个重要的建议。
（1）一定要看数据，但绝对不能完全依赖于数据。像上面说到的一样，你在关注某个数据指标时，一定要秉持着“大胆假设，小心求证”的心态，把很多数据涨跌背后你看到的东西当作某种假设，并不断去思考如何通过一些其他相关的数据指标来验证你的结论，而不是太急着下判断。
（2）在你的脑海中，最好先基于公司的商业逻辑产生一些认知和判断，再把数据看作帮助你检验并佐证自己判断的工具。而不是直接把数据当作结论。
比如，在上面那家公考在线教育公司做新媒体的时候，我们应该先在脑海中构建一个图景和想象：我们也许通过A、B、C这样的内容和活动，可以为公司带来精准的目标用户，并让他们愿意参与我们的体验课程。
然后，我们基于这个认知，可以进一步去看数据和持续分析，看一下A、B、C这3类内容是否真的给我们带来了精准的目标用户，以及这些用户是否真的愿意在后续去参加我们的体验课程。
带着这个认知，其实数据只是一种参考。
作为一个有追求的运营，我希望你可以努力做到“做数据的主人而非奴隶，去驾驭和掌控它，而不是被它所奴役”。
