數據運營包含什麼？
當我們完成了一款產品的上線後，接下來就要把它推向市場和用戶了。在大量推廣中會產生不少數據，通過運營這些數據我們可以獲得反饋對產品開展迭代和優化工作。
數據運營到底怎麼做？尤其是利用簡易設計的思維，怎麼做？數據運營包含4個部分，分別如下。
傳統數據運營會包含數據採集、數據收集、數據分析、數據建議。而數據採集和數據收集其實是應該分成2部分
數據採集主要是指系統化的數據獲取，比如通過埋點、日誌、爬蟲實現的數據採集，提前設置好的規則實現數據採集。相比數據採集，數據收取還包含了數據需求收集、人工獲取2個途徑。
人工獲取一個針對已經有的數據有的採集，而數據收集是爲了達到某個目標或解決某個需求去未來要做的數據採集。
比如在電商運營裏，運營需要看到運營活動下的訂單數量和營收數，針對單次活動的數據採集需求和日常的數據採集是不一樣的。需要單獨挑選時間、日期。
1.剛需：
於是我們將數據分爲2類
分別是產品功能的數據、和業務數據2個緯度。總稱爲剛需下的核心數據。
2.容易懂：
圍繞剛需，我們將每個指標都定義爲簡單好計算。其產品功能下的核心數據有
頁面瀏覽量
頁面被瀏覽的次數總和，如統計網站或頁面時，只是網站或頁面的被瀏覽總次數。
獨立訪客數
UV一句瀏覽器cookie表示方可，對所有方可按統計根據排重處理後數量
唯一頁面訪問數
UPV ，頁面的唯一訪問次數，比如一個訪次內該頁面被瀏覽多次，該頁面UPV只記一次
跳出次數
bounces，進入網站後，只訪問一頁，沒有後續訪問的訪問次數
離開次數
也稱推出次數，訪問者從當前頁面進入網站後沒有後續訪問的被記錄爲一次跳出次數。
平均訪問深度
平均每次訪問所瀏覽的頁面數量，頁面瀏覽量/訪問次數
頁面平均停留時長
average time on page，平均每個頁面的訪問時長，全站的停留時間總和/全站頁面瀏覽量。
有效訪問次
有效次=訪次-跳出次數
退出率
退出次數/訪次*100%
跳出率
跳出次數/訪次*100%
新增用戶
歷史上第一次啓動應用的用戶，需要按照設備號進行去重
啓動次數
在規定時間段內，用戶打開應用的次數。“一次啓動”是指用戶從打開APP開始，到退出APP爲止。一次啓動過程中可能瀏覽多個頁面
日 周 月 年活躍用戶數
在規定的時間範圍內，啓動過應用的用戶數，需要按照設備號去重。活躍用戶指平臺定義的活躍用戶數
活躍度
活躍用戶數/總用戶數*100%
留存用戶數
規定時間段（T1）內新增用戶中，在經過一段時間（T2），仍然使用程序的用戶，其中T2- T1是時間段區間
次日留存率
根據統計日期1天前新增用戶到統計日期仍在訪問的留存用戶數）/（據統計日期1天前新增用戶數*100%）對應的還有7日、15日留存率
新註冊用戶
通過應用註冊的用戶數
單次使用時長
用戶在應用程序上所停留的時間，主要分爲平均使用時長、單次使用時長，平均使用時長是某一段時間內所有用戶的全部訪問時間的平均值。
平均使用時長
全部用戶的日使用時長/總活躍用戶數；也有全部用戶的使用時長/總用戶數
使用間隔
同一用戶相鄰兩次啓動應用的時間間隔。
平均訪問深度
我們將用戶在一次啓動應用過程中所達到的頁面累計數量視爲用戶的訪問深度。
3.業務數據指標
業務指標會和錢搭上關係，當然還會有業務屬性的數據。比如PMTalk就有簽約作者、內容數、會員數、活動報名數，這些都是屬於公司業務經營範圍決定的。
通用的業務數據是無論在什麼行業、什麼業務都需要的
會員新增率
統計時間週期內新增會員數/會員總數*100%
會員復購率
會員復購下單成功數/會員總數
會員流失率
會員到期後在某段時間內不再續費數/會員總數*100%
會員留存率
1-會員流失率
活躍會員
會員登錄使用產品符合活躍用戶數/總會員數
SKu銷售佔比
每個商品銷售數量/總的商品銷售數量*100%
銷售轉化指標
單個商品下單數量/用戶總註冊人數*100%
引入訂單轉化率
引入幅訂單2量/UV *100%
引入訂單金額轉化率
引入訂單金額/UV*100%
UV價值
有效訂單優惠後金額/UV
上面的數據採集成本也是極低的。並不需要複雜的開發技術手段和硬件要求，只要開發人員前期埋點基於上面指標計算規則就可以輸出這類數據。
數據分析方法
通過數據收集和數據採集，我們接下來開始分析數據，通過數據反映出的規律和結果定位問題提供有效決策建議。
這裏整理出7個分析方法
1.流量標記UTM
用在廣告投放、對外推廣場景下。
UTM一共有5個參數，3個必填參數、2個可選參數，詳細的如下：
utm_source、utm_medium、utm_campaign是必填參數，utm_term和utm_content是可選參數。
source:標註搜索引擎和其他來源
medium：具體媒介，比如是電子郵件還是單擊
utm：用戶付費搜索，展示廣告的關鍵詞
2.多維度分析
結合時間週期、地域、不同渠道來篩選用戶細化問題。對比一個單指標是沒有意義的，需要多個維度
3.轉化漏斗
主要依照AARRR模型，通過觀察用戶的入口到出口轉化過程。分析轉化過程流失分析的關鍵問題
4.留存曲線
伴隨用戶體量的增長，不斷針對不同類型的用戶，找到性價比最優的轉化、成長路徑、再施加引導激勵。對積累的用戶留存數量進行分析
5.用戶分羣/用戶畫像
基於SIKT模型梳理用戶標籤。基於用戶場景、達成的指標、用戶行動、標籤來建立用戶地域、年齡、喜好的用戶畫像數據。比如在用戶調研階段，產品經理經過調查問卷、客戶訪談了解用戶的共性與差異，匯成不同的虛擬用戶。方便進行用戶細分、精準營銷
6.熱力圖
熱力圖通過記錄用戶在網站活APP的點擊與瀏覽行爲，通過熱力圖的形式展現出來，熱力圖就是將用戶行爲進行可視化展示。熱力圖通過可視化的效果呈現，幫助產品設計深入分析用戶對內容以及功能的訪問情況、操作習慣和行爲偏好。理解用戶產品訪問偏好
7.A/B測試
真得ABTest我們的目的主要聚焦在2個
第一個是判斷哪個更好：
比如2個不同產品交互設計表現方式，針對同一個功能。究竟是A還是B更好，如果資源允許的情況下，我們需要實驗判斷。
第二個是收益數據的量化：
比如功能涉及到的訂單轉哈、直接現金收益到底是則需要通過AB test進行判斷。
上面的數據運營方法基於我的新書《簡易設計》4點特點拆分了，包含了下面4哥數據維度。
剛需：核心數據採集
容易懂：數據閱讀理解度低，卻反應業務效果
高效：數據採集門檻低，數據生成規則簡單
低成本：數據採集成本低、同時數據運營易用
隨着撰寫時間，我的第三本書《簡易設計》即將上市。簡易設計這本書裏以創業公司案例爲雛形，介紹了互聯網產品設計、公司運營下的思考技巧
剛需、容易理解、高效、低成本
簡易設計方法在我創業過程中得到反覆驗證，能夠是產品設計、和產品研發、以及公司運營的基石。