数据化运营是一个近年来兴起的概念，它在运营的基础上，提出了以数据驱动决策的口号。

在了解数据化运营前，运营们有没有过如下的问题：

不同渠道，效果究竟是好是坏？

活跃数下降了，到底是因为什么原因？

这次活动推广成效如何？

发布了版本，用户喜不喜欢？

我们总是说传播，传播到底有多大？

这是产品和运营每天每时每刻都会遇到的问题。数据化运营，实际以解决这些问题为根本。它从来不是BAT的专属，也不是大数据的独宠，每一家互联网公司，都有适合的数据运营土壤。

数据运营体系，是数据分析的集合与应用，也是数据先行的战略，它不仅是运营人员的工作，也是产品、市场和研发的共同愿景。从管理角度，是自上而下的推动，如果领导不重视，那么执行者数据用得再好，也是半只腿走路。

如何构建数据化运营体系呢？以下是我的总结思考。

我将数据化运营体系划分成四层架构，每一层架构都逐步演进互相依赖，每一层又不可缺少。这四层分别是数据收集层，数据产品层，数据运营层，用户触达层。它是以运营人员为视角的框架。

数据收集层

数据化运营体系的底层是数据收集，数据是整个体系中的石油。

数据收集的核心是尽可能收集一切的数据，它有两个原则：宜早不宜晚，宜全不宜少。

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。数据化运营贯彻产品全阶段，不同阶段有不同的运营方法。

宜全不宜少，指的是只有不合适的数据，而没有烂数据。像历史数据、变更记录或者细节处的数据，都存在价值。

举一个例子，有一家金融产品，它的征信系统会详细记录用户的行为，用户在借贷时上传担保资料，会记录用户在这些页面的操作步骤和时间。这里有一个假设，上传担保资料普通人一定是谨慎小心的，如果这步骤完成的非常顺畅快速，很可能是会违约和欠款的人群：你操作那么溜，是不是想捞一笔？属于熟练工作案。征信系统会把这些数据作为特征判断风险。

需要收集的数据能划分成四个主要类型：行为数据、流量数据、业务数据、外部数据。

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。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，快进跳过歌曲是行为。

行为数据的核心是描述哪个用户在哪个时间点、哪个地方，以哪种方式完成了哪类操作。

我们可以利用其分析用户的偏好，页面停留时间的长短，浏览的频繁程度，点赞与否，都可以成为依据。另外一方面，用户行为也是用户运营体系的基础，按不同行为，如购买、评论、回复、添加好友等，划分出不同梯度，定义核心用户、重要用户、普通用户、潜在用户的分层。

行为数据通过埋点技术收集。埋点有不同种的实现方式，采集到的数据内容倒是没有差别，主要以用户ID，用户行为，行为时间戳为最主要的字段。用表格画一个简化的模型：

useId用来标示用户**身份，通过它来确定具体是谁，理解成身份证号就行。active就是具体操作的行为，需要在技术层面设置和定义，timestamp就是发生行为的时间点，我这里只精确到分，一般会精确到毫秒。用户的行为记录应该详细，比如浏览了什么页面，此时页面有哪些元素（因为元素是动态的，比如价格），它是半结构化的NoSQL形式，我这里简化了。

有时候为了技术方便，行为数据只会采集用户在产品浏览的页面，像点击、滑动这类操作不记录。属于折衷的方法。

除此以外，行为数据还会记录用户设备、IP、地理位置等更详细的信息。不同设备的屏幕宽度不一样，用户交互和设计体验是否会有差异和影响，怎么拿来分析？这也是数据化运营的应用之一，是宜全不宜少的体现。

流量数据

流量数据是行为数据的前辈，是Web1.0就兴起的概念。它一般用于网页端的记录，行为数据在产品端。

流量数据和行为数据**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。这也是SEO、SEM以及各渠道营销的基础。

虽然现在是移动时代，Web时代的流量数据并不过时。比如微信朋友圈的内容都是HTML页面，活动运营需要基于此统计效果，我们可以把它看作一类流量数据。另外，不少产品是原生+Web的复合框架，内置的活动页大多通过前端实现，此时即算行为，也算流量数据，当我们将活动页发送到朋友圈时，相应的统计只能依赖基于前端的流量数据来采集了。

流量数据是基于用户访问的网页端产生。主要字段为用户ID、用户浏览页面、页面参数、时间戳四类，简化模型如下：

、

url是我们访问的页面，以 ***.com/*** 形式记录，param是描述这个页面的参数，我们在页面上的搜索、属性信息会以参数的形式记录。和行为数据一样，如果流量数据需要更详细的统计，也是以半结构化为佳，囊括操作记录。

它是活动及内容运营的好基友，活动的转化率，文章被发到朋友圈的阅读量等，都是作为流量数据被记录。主要通过JS采集。

流量数据的统计已经比较成熟，Google Analytics和百度统计都是知名的第三方工具，最为常用。不过它们不支持私有化的部署，只能提供统计，我知道这个页面有100人访问，但这一百人是谁不能定位，数据也无法记录在数据库中，这对数据化运营是一种麻烦。一些新式的工具则能支持这种更精细的需求，不过要收费。

如果有可靠和先进的技术手段，我们是能做到将行为数据和流量数据统一到一起，这是未来的趋势。

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又无法通过行为和流量解释，那么就归类到业务数据的范畴。

库存、用户快递地址、商品信息、商品评价、促销、好友关系链、运营活动、产品功能等都是业务数据，不同行业的业务数据是不一样的，业务数据没有固定结构。

业务数据需要后端研发进行配置，因为结构不能通用化，**提前和研发们打声招呼提下需求。

行为数据、流量数据、业务数据构成了数据来源的三驾马车。统称为原始数据，指没有经过任何加工。

外部数据

外部数据是一类特殊的数据，不在内部产生，而是通过第三方来源获取。比如微信公众号，用户关注后我们就能获取他们的地区、性别等数据。比如支付宝的芝麻信用，很多金融产品会调用。还有公开数据，像天气、人口、国民经济的相关指标。

另外一种外部数据的获取方式是爬虫，我们可以爬取豆瓣电影评分、微博内容、知乎回答、房地产信息为我们所用。第三方不可能支持你获取，很多时候会有防爬虫机制。它需要一定的技术支持，不属于稳定轻松的来源。

外部数据因为质量难以保证，更多是一种参考的作用，不像内部数据能产生巨大的作用。

这四类数据构成了数据化运营的基石。随着互联网公司数据化水平的提高，能够利用的数据越来越多。数据结构逐步从SQL到NoSQL；信息源更加丰富，图形和声音数据越来越多；技术由单服务器演变成分布式；响应从离线批处理到实时流式，都是数据收集的挑战。

当我们有了数据以后，进入下面一层，数据产品层。

数据产品层

数据产品是对数据的加工和利用，它属于技术和自动化的范畴，由计算机对原始数据进行处理。它不是传统意义上的数据产品（如广告系统），而是以发挥数据价值和生产力为目的，理解成进行数据加工的产品也可。

原始数据并不能直接为运营所用，通常脏乱差，我们需要按照一定的标准整合、加工。

比如行为数据和流量数据，用户在微信朋友圈看到一则活动觉得不错，于是下载APP，注册后参与了活动。这里的行为数据和流量数据是完全独立的。微信朋友圈的浏览，记录的是用户weixinOpenId和cookie，下载后则是产品内部使用的的userId，两者无法对应，这就需要数据整合，将cookie、手机号、userId等信息映射(mapping)到同一个人。

这是技术层面的数据清洗。整个过程叫做ETL。

数据发挥价值的方式有很多种。即能通过BI，将原始数据以维度和度量的方式聚合，进行各类可视化的决策分析，也能数据挖掘。根据业务和场景决定数据的不同使用。这里最重要的是先有指标。

数据指标

我强调过尽可能的收集数据，然而原始数据那么多，怎么才能指导我们的业务呢？这要求我们从庞大的数据中找出方向。这时我们就要建立指标，指标就是我们的方向，它是业务和原始数据的连接器。

可以这样说，指标在数据化运营体系中是承上启下的润滑油，它由原始数据加工而来，反过来又驱动其他产品。

需要有BI？BI肯定是围绕指标建立仪表盘；要用机器学习算法？算法的目的就是提升指标效果的；你要运营？内容、用户、活动模块的KPI也是围绕指标的。

指标不是一个通常意义的数据产品，我更喜欢的解释，是数据届的产品经理，是驱动、规划其他数据产品以及配合运营迭代业务的。这样一说，大家就明白了。

指标如何设立，是根据运营业务所决定，也是运营的**驱动力。

我们简单看一下指标如何由原始数据加工而来，下图是原始数据中记录的用户打开APP的情况。

每一个时间戳意味着对应的用户打开过APP一次，通过该表我们能计算每天有多少用户打开过APP，这是打开量，将用户数去重，就是运营中的重要指标：活跃用户数。通过对该表的进一步复杂运算，譬如用SQL的Left Join，能获得留存率。

文章阅读量、日销售额、活动参与人数，这些几乎都是由原始数据汇总加工而出。指标汇总以后，就是运营人员产品人员每日的报表Dashboard。

有了指标，我们再看其他的数据产品，因为篇幅有限，我着重介绍一下用户画像。

用户画像

用户画像是常用的数据产品，对产品和运营人员往往带有神秘色彩。它有两种解释，也是很多新手歧义的根源，一种用户画像属于市场营销和用户调研领域，叫做Persona，更准确的翻译是用户角色，描绘的是一个自然人的社会属性，用于用户需求和场景的确定。

而数据领域的用户画像，叫做Profile，是将一系列数据加工出来描述人物属性的数据标签。最知名的例子就是淘宝的千人千面：用户去购买孕期的孕妇产品，很大可能被打上孕妇标签；浏览了汽车相关商品，会被打上汽车兴趣的标签。

用户画像是一个依赖大数据和机器学习的复杂体系。准确丰富的用户画像能呈指数级的提高运营效果。

用户画像也有简单的用法，没有数据挖掘不要紧。用户的性别、年龄、地区这些信息不难拿到吧？用户行为简单做一个喜爱偏好区分也不难吧。那么我们就有用户画像V1.0了.

推荐系统，精准营销、广告投放都是常见的基于用户画像的应用。你要推送化妆品促销活动，选择女性标签的用户肯定有更高的成功率，更进一步，如果运营知道女性用户偏好哪个品类的化妆品，效果会更好。

用户画像可以通过已有数据提炼获得，比如拥有用户的身份证信息，就能准确获得性别、籍贯、出生年月这三个标签。也能通过算法计算获得，比如在淘宝购物遗留的收件人姓名，通过机器学习，以概率的形式获得买家是男是女，建国很大可能是男性，翠兰很大可能是女性。

用户画像是基于原始数据的加工，原始数据越全，用户画像就越丰富。

数据产品层中，我们将数据加工为指标，以其为核心，构建和规划数据产品。如何展现指标（BI），如何提高指标（算法），如何计算出指标（ETL），如何与指标组合（用户画像）。

我们现在获得了这些「产品」，接下来就是使用，运营和产品人员就是它们的用户。

数据运营

数据运营层，是运营人员将数据转化成运营策略。以人为主要生产力，和数据产品的计算机自动化对应。

在我们谈及具体的方法前，强调一下人的作用。不论我们前面打造了多好的数据产品，员工的数据化运营意识提高不上去，一切等于零。

对人的要求有三点：

其一，以数据做决策，既要知道数据能够做什么，也要知道数据做不了什么。前者很容易理解，我工作中遇到很多次，在有数据可以提供决策的情况下，依旧相信个人经验。这是应该规避的思维，不是一个人，而是团队要做到。

数据化运营也不是企业运营的灵丹妙药，得客观承认，公司体量越大，数据化运营所能发挥的效果也越好。在创业公司或者小公司，会受到一定的限制，比如没有技术支持，提升效果不够，数据体量缺乏等原因，造成优先级的延后。这是没办法的取舍问题，只能以解决问题为首先依据。

其二，是本身数据分析和运营水平不过关。虽然有意识地利用，可员工**于求平均数的水平，那么也别期待太高了。

这一点，得通过不断地系统培训，人员招聘解决。自上而下的倡导和发起是**的结果，高层有数据化运营的战略和意识、管理层有数据化运营的指导经验，执行层能将数据化运营的落地，那么整个体系也推行成功了。

最后，是产品工具的使用。这是对员工的技能要求，诸如MySQL查询数据、BI多维度分析、精准营销、 AB测试、转化率分析，都是必须的。将数据相关的工具玩得顺溜，员工才能在发挥够大的价值。

运营和产品如何进行数据运营，具体的技巧和方法论太多了，我以核心思想为引子。大家着重了解思维。

不是全量，而是精细。不止精细，更是精益。

全量运营是一种集中运营的策略，活动、内容推送、营销、用户关系维护，这些方式如果针对所有的用户，这是运营资源的浪费，你不可能通过一种方式满足所有的用户，也不可能用一种方式做到**。

用户间是有差异的，这种差异需要用精细化运营弥补。

精细是是将目标拆分成更细的粒度，全国销量变成上海销量北京销量、全年销量变成**季度销量第二季度销量，用户变成新用户老用户。电商卖口罩，是卖给北京的用户好，还是海南的？促销化妆品，目标人群选择男人女人也是显而易见的。精细(拆分)是一种数据分析的思路，也是一种运营手段。

精益比精细更进一步，精细是手段，精益是目标。什么是精益？精益就是二八法则，找出最关键的用户。我们都知道要将化妆品卖给女人，但一定会有部分女人支付更多，20%的女人占了80%的销量，精益就是找准这20%。

对最适合的用户在最恰当的时机采取最合适的手段以产生**的价值。

前面三个「最」说的是精细，后面一个「最」指的是精益：价值／目标**化。我有CRM，那么就从CRM中找出最有价值的客户去维护；我有风险管理，就找出最可能违约的投资；要做活动，欢迎的是产出**而不是薅羊毛的用户；积分中心，效果**的只会是**质的那批客户。

未来比现在重要，现在比过去重要。

这个第二个核心，数据化运营能够预测未来，把握当下。传统的运营方式，是知晓过去已经发生的事，销量是多少，活跃数是多少，这在日益严酷的竞争环境中还不够。

把握当下，是能获得数据的立即反馈。你要推广一个活动，可以提前挑选5%的用户做一个测试，及时获知用户的反馈，转化率高不高，响不响应，然后按照数据决定后续的运营是继续还是改进。这是技术带来的进步优势。

预测未来，是机器学习的领域，通过数据建模，获得概率性的预测，用户可不可能流失，会不会喜欢和购买这个商品，新上线的电影会否偏好…运营则利用这些概率针对性的运营。

如果限于技术无法使用机器学习，则需要根据现有数据趋势去估计，这取决于运营人员的经验和数据敏感性。

系统化与自动化

数据化运营体系的搭建过程中，运营人员会用到很多的工具。

用户积累到一定数量，我们考虑引入积分中心增加用户粘性；产品涉及到地推和销售人员，则要加入CRM（客户关系管理）以维系客群；O2O和电商，基本配置肯定有优惠券的发送；反馈越来越多，我们也需要客服中心解决各类疑问。这些与运营息息相关的工具，在数据运营体系中占据中重要的比例。

为了更好的达成目标，会将其独立成运营模块／运营后台。好的运营后台和用户端的产品同等重要，也需要后台产品经理规划。

以我们经常接触的优惠券为例，它肯定要设置一套规则，核心目标是财务数据，是优惠券成本和收入之间的平衡：你不能滥发，那肯定亏钱，也不能少发，用户连这东西都不知道。有哪些券、怎么发、发了多少用了多少、未来准备发多少、发了有多少没用掉，都是一套大框架的东西，于是做成了发券系统。

优惠券能和CRM结合，CRM通过几个指标将用户划分成了不同的价值和人群。这个用户特别喜欢花钱，那么优惠券给他满1000减100，肯定比满200减20过瘾。那个用户还没有消费过，要用首单优惠刺激他。还有用户有段时间不消费了，运营们得加把劲营销。上面东西从更高的视野看，是一连串效果、ROI、盈利的评估。这就是用数据做运营策略。

CRM又能和客服中心结合，电话号码肯定和用户的数据绑定，VIP用户电话进来了，我们选客户主管去接待，宾至如归。普通用户呢，也不能粗心，客服至少需要通过后台的用户画像知道这个用户是什么情况，这也有针对性的服务。数据运营体系不止服务于运营和产品的。

系统化，要求的是我们把运营的整个过程和策略流程也当作一款产品去缔造：哪些方法好用，哪些手段效果好，哪种活动能持续做，把这些都固定下来，打造出一个运营用的产品后台，作为日常和招数。这种系统化思维也叫「复用」，之后则是把系统做得越来越自动，功能越来越强大，也是另外一种精益了。

以上种种，是将数据、产品运营、系统和人员四者结合起来。系统之所以是系统，就是脱离了粗放的阶段，一切皆是有序、规则和充满策略。数据就是系统的润滑剂，你没有数据，怎么能有选择性的发券、做活动、推送，维护用户呢？

数据产品层加工出来的各类标签、用户画像、模型…就是要在数据运营层**化的被员工使用。数据本身没有价值，变成策略才有价值。

这三条要点总结一下：我们系统化的使用各种加工后的数据，以精细和精细为手段目标，以把握未来为方向，指定运营策略。这是数据运营层的核心。

用户触达

我们整个体系进行到最后的环节，它需要面向用户。数据收集得再多、加工得再好，运营得再努力，如果不将它们传递给用户，体系就是失败的。

整个体系的前三层用户都感知不到。用户直接感知到的是产品的推送通知、Banner、广告位、活动、文案、商品的展示顺序等。在与产品交互的过程中，用户会以直接的反馈表达自己喜恶。

感兴趣的会点击，喜爱的会够买，讨厌的会退出…这些构成了新一轮的行为数据，也构成了反馈指标：点击率、转化率、跳出率、购买率等。这些指标就是用户触达层的结果体现，也是数据化运营的结果体现。

好与不好，都需要验证。

结果不是终点。管理学有个概念叫PDCA，翻译成中文是计划-执行-检查-改进，以此为循环。用户触达层不是数据化运营体系的结束，它是另外一种开始。通过反馈获得的数据去优化去改进。

我的点击率5%，那么我能不能通过运营优化，达到10%？用户接受推送后选择了卸载，我们有什么方法挽回？留存率被提高，这种策略能不能应用到其他用户上面。

也许我们数据化运营后，不会获得一个满意的结果，但如果我们连优化改进都不去做，那么连好的机会都不会有。

你看，优秀的员工，不会以数据化运营的结果沾沾自喜，而是进行新一轮的开始。

是终点，又是起点，此过程就是迭代，是体系的核心。

总结

我们将四层串联起来看待，下图是一款产品简化的数据化运营闭环。

数据收集层：当用户打开APP时，浏览新闻，通过埋点记录用户的行为数据：何时何地是谁看了哪些新闻。

数据产品层：计算机将收集上来的行为数据进行加工，统计用户对军事、科技、经济等不同类型新闻的阅读数。用卡方检验得到用户的阅读偏好在科技新闻，将其写入到用户画像／标签系统。

数据运营层：近期有一个科技类的活动，需要一定用户量参与。运营不能选择全部的用户推送吧，那么就从用户池中筛选中对科技感兴趣的用户。

用户触达层：选择用户进行精准推送，用户在手机端接收到消息。后台则会记录用户是否打开推送通知，是否浏览页面，是否参与了活动。转化率作为反馈会被记录下来，用以下次迭代改进。

该例就是一次合格的闭环。数据化运营体系既能简单到用Excel完成，也能引入机器学习数据挖掘分布式系统等高端技术，看的是思维和应用。我们将体系中的四层简化成四个模型，帮助大家理解：

数据收集：以用户和产品的交互为输入，原始数据（行为、业务、流量、外部）为输出。

数据产品：以原始数据为输入，以加工数据（标签、画像、维度、指标、算法结果）为输出。

数据运营：以加工数据为输入，以运营策略（用户、内容、活动、电商）为输出。

用户触达：以运营策略为输入，以反馈行为（转化率、点击率、响应率）为输出。

用户产生的反馈行为作为新的交互输入，迭代和优化，数据化运营体系就良好地运作起来。好的数据化运营体系也是高度自动化的运作，像个性化推荐，可以略过数据运营层，服务器实时计算后直接将推荐结果给用户，人就不用参与其中了。

这是四个互相联系有先后顺序的系统，以此构成数据化运营体系。因为技术手段差异，实现方式会有不同，哪怕是Excel，也能发出数据化运营的光芒。

以上就是产品和运营视角的数据化运营体系，没有过多的牵涉研发技术，实际复杂程度还要再高一点。当然，万千用法，存乎一心，希望大家学到的是理念和思维，实际工作中，还是有很多玩法留待大家挖掘。