说到数据分析，可能很多小伙伴和我一样，“纵使爱它千万遍，它待我如初恋”，每每下定决心入手学习，可是又不知道从哪开始，复杂的算法、庞大的数据、眼花缭乱的代码......最终还是止步于头脑斗争，无法付诸实际行动。在互联网行业运营岗沉浮2年，经历101次从入门到放弃后，我终于找到了一个数据分析利器——FineBI，使用一段时间后，我总结了运营人做数据分析时的痛点及数据分析的正确打开方式，以下给大家做一个分享。
一、运营人做数据分析的难点
互联网行业发展快，为了能更好的感知变化，就需要做数据分析，从海量实时的数据中挖掘出有价值的商业信息，要做好这点，一方面需要公司的战略支持，另一方面也要求自己有能力。从公司战略支持上，配备了专门的数据部门，平常工作包括数据看板搭建，数据埋点，数据库维护等。对运营工作的支撑来看，数据看板存在几个常见且严重的阻塞：
1、展示的数据图表固定不变，缺乏灵活性，不能做探索分析，数据看板最多看看日活、月活、留存及一些订单转化数据，这也仅限于“查看”，无法做探索分析，要发现某个产品转化渠道UV数据异常，原因也只能凭经验，比如天气、系统故障、节假日等原因，得出的结论对运营工作支持的作用不大。
2、部门配合沟通成本高，实现效率低。遇到没有的数据图表可以向技术部门提数据看板需求，比如添加XXX路径漏斗转化分析数据图表，技术部门判断为永久性展示的固化图表需求后再进行埋点收集数据，结果从需求评审到需求落地经历半个月，劳心劳力且无法保证数据分析的时效性；另一种情况是原先产品的埋点数据已经做好，只是没有做成数据看板，这就可以直接从数据库里导出数据，再用Excel分析，那么问题来了，需要导出哪些时间段的数据和导出哪些字段的数据不好确定，因为数据是未知的，变化是未知的，导出数据过多，人工筛选工作量不说，Excel也承受不住，保险起见一般会导出较长周期的数据，最后费劲周折做好的图表只能一次性使用，下次有新数据导出，则要按照之前的计算方法重新排版一次，无法实现数据更新。
3、业务数据和行为数据是分开的两套数据库系统，无法放在一起分析，比如订单转化路径和最终订单量数据，在行为数据看板上观测客户的购买行为，在业务数据看板上查看客户的实际下单的订单数量，最终的转化率需要自己手动计算，现有的埋点数据只能收集到用户点击“立即购买”按钮的次数，实际场景是点击付款按钮的次数到最终付款的人数存在偏差，而核心路径下的偏差数据正是我们需要重点分析挖掘的内容。
二、数据分析的正确打开方式
1、使用工具，明确分工
数据人员因为对业务不熟悉，每次有新的分析需求都要与他们反复沟通，有时甚至要带图说话，期间消耗大量的时间成本，想想得不偿失，不如拿到数据后自己做分析，所以我认为合理的分工方式应该是数据部门负责提供清洗好的数据，运营人员直接拿数据做分析，这点在FineBI上就做的很好，衔接了双方的需求，数据准备自动化，由数据人员负责建立数据连接和数据集，运营人员直接取用准备好的数据，遇到没有数据的情况再向数据部门提数据需求，管理数据是他们的本行，需求响应也就快。
2、确定思路，探索分析
做数据分析之前要确定好数据分析的内容和思路，日常分析内容主要是三类：1、分析现象，解决是什么的问题；2、分析原因，解决为什么的问题；3、分析对策，解决应该怎么做的问题。这里举一个案例：某平台型产品9月份发生客单价下降问题，分析其可能原因。首先清楚这是典型的分析为什么的问题，其二确定分析思路，根据归纳推理原理，从结论出发，进行拆解，客单价等于销售总额/成交总笔数，影响销售总额和成交总笔数不外乎服务提供者、用户和产品三个维度，从这三个维度下提出假设（如图），再通过数据逐一验证，以下使用样式数据，演示分析过程。
使用数据人员已经做好了的数据集，即客单价下降原因分析业务包里添加好的数据库表，进行取数分析。
从用户注册表、用户信息表中获取总注册用户数、9月新增注册数和9月流失用户数，使用指标卡组件计算出9月新增客户数为26、流失客户数为2，根据2019年新增注册客户数折线图，可以看出9月新增客户数在正常变化幅度内。
使用订单明细表得到2019年订单量/销售额月份变化趋势图及9月流失客户订单明细表。柱状图所示，9月订单数和销售额较8月有所上升，且在订单记录表中查找2019年9月状态为流失的客户历史交易记录，评价该客户流失对订单转化的影响作用，明细表显示流失客户的订单记录在较早月份，最近没有接单记录，说明新老客户更替不是构成客单价下降的主要原因。在订单总笔数上升和销售总额上涨的情况下，客单价下降极有可能是促销活动或用户来源渠道欠佳导致。
排除人为促销活动因素，从用户维度分析，包括实际付费用户数、新增用户的来源渠道及现有用户的特征画像。通过地图组件发现，2019年5月到9月新增用户中大部分来自于内陆省份和新用户营销渠道，接着用漏斗图统计用户从下载到下单的转化情况，发现转化率较高，更为异常的是订单明细数据中显示平均每个用户只有一次下单记录，然后筛选出9月下单用户，与用户画像表建立关联，通过制定一些判断规则，得到用户画像标签图，发现用户质量不优，且存在“羊毛党”嫌疑。
3、搭建数据看板
我们知道，数据分析的价值在于指导实践，通过分析客单价下降原因，及时改善运营策略，比如适当降低新人首单优惠或根据产品目标人群来调整宣传渠道，吸引更多高价值用户入驻。为了更好指导运营策略调整，我们可以将已经做好的模板固化成每日的数据看板，时时监控客户留存情况。
并且可以将制作好的看板通过挂载到平台目录，供相同部门的人员查看。
值得一提的是，使用模板导出功能可以导出完整且清晰的的模板图片，用于向领导汇报的周报或是月报PPPT。
三、数据分析方法论总结
实际上，运营做数据分析并不需要懂复杂的技术，关键是对业务流程的理解以及用数据解决问题的思维。刚开始时做分析会比较生疏，做多了之后，积累了数据经验，慢慢会发现自己分析问题的维度越来越广了，这大概就是运营人员的核心竞争力。综上，距离一个优秀的运营，你可能只差一个好的分析工具，比如FineBI（下载地址：http://www.finebi.com/product/download，安装即可用），里面有很多精美的数据看板，下载后可以体验一波。 
