随着互联网的发展，流量变得越来越贵，花钱买流量的时代已经成为历史。因此，更多的思考转向了流量的最大化利用，数据驱动的应用应运而生。在流量红利逐渐见底的今天，互联网上每个人都在思考的问题变成了：如何最大化利用流量？
过去“流量为王”的理念让运营商的责任集中在拉新上。随着市场环境的变化，经营的渠道和方式也在不断增加，分类更加细化。因此，有必要利用大数据分析的能力来指导运营商的工作。其实数据的背后是逻辑和推理。换句话说，如果你想让数据更好地为你服务，你需要有良好的逻辑和推理能力。
如果连这一关都做不到，即使看了林的文章，惊叹不已，也很有可能得成型，却得不到。
本文着重探讨内容：
（1）'s数据来源渠道如此寻求？
如何分析（2）无从下手的现有数据？
（3）数据不是数字，而是用户
（4）在打造产品时应该注意哪些维度？
（5）用户需求如何进行决策驱动？
精细化运营背景下，如何用数据分析解决流量运营、用户运营、产品运营和内容运营中的增长问题?
今天就和大家分享一点林书俊在数据运营方面的经验。
数据来源渠道在哪？
流量运营主要解决用户从哪里来的问题。过去粗放式的流量运营只关注PV、UV等虚荣心指标，在今天的精细化运营中远远不够。
所以在做数据分析之前，我们必须有多维度的数据来进行我们的分析，所以我们必须得到数据。我们如何得到它？
数据主要两种的来源渠道：
1.自建数据分析系统,公司自己的数据是最定性的数据，也是最安全、最可靠、最全面的。
2.国内外第三方数据分析工具,这是通过外部工具获得的数据。
使用分析工具可以得到以下内容：
记录用户点击信息：
*包括不与网站互动的信息；
*直接生成链接的百分比，点击分布图和热图；
*用于统计用户的悬停行为并可视化显示。
获取数据的方式关键在于作为运营人员要了解什么样的数据是重要的
对于这些数据的上下文，它是什么？这是一个联动的过程，不是单一的行为，因为获取数据的方式是千变万化的。
有了这些数据，我们可以用什么？有什么可以淘汰的？下面是如何分析这些数据。
无从下手的现有数据如何分析？
从数据源通道获取数据后
，怎么分析？林树军认为，很多运营商拿到数据的时候没有太多想法。要么你抓住你的胡子和眉毛，要么你不能开始。单从数据层面来说，你要给操作人员很多数据，他们看起来也很笨，所以没有分析思路真的很难做分析，需要宏观方法论和微观方法来指导。
下面林的数字列出了数据分析中经常使用的方法，这些方法在数据分析中起到了宏观指导的作用。在分析之前，我们应该找到一个适合自己的方法论来指导。要使用的主要方法：
1.PEST分析方法：用于分析宏观环境，包括政治、经济、社会和技术方面。
2.7如何分析：为什么、什么、谁、何时、何地、如何、什么价格。
3.逻辑树分析：分层列出问题的所有子问题。
4.营销基础理论：分析公司整体运营，包括产品、价格、渠道、推广四大要素。
5.用户行为理论：主要用于网站流量分析、
如回访者、新访者、流失率等，在众多指标中选择一些适用的。6. 增长黑客的海盗法则：精益创业的重要框架，从获取、激活、留存、变现和推荐5个环节增长。
互联网产品的用户都具有明显的生命周期特征，Lin数君以一个APP为例阐述一下。
首先通过各种线上、线下的渠道拉新。安装完APP后，通过运营手段激活用户；比如说首单免费、优惠券、零钱红包等方式。通过循序渐进的运营手段促使部分用户留存下来，并且带给企业带营收。特别在这个过程中，如果用户觉得产品质量okay，也有可能推荐给朋友。当然这5个环节并不是完全按照上面顺序来的；运营可以根据业务需要灵活应用。增长黑客的海盗法则的五个环节都可以通过数据指标来衡量与分析，从而实现精益化运营的目的；每个环节的提升都可以有效增长业务。
使用数据分析方法论时要明确目标作用：
* 理顺分析思路，数据分析结构体系化；
* 把问题整理出关联性的点；
* 为后续数据分析的开展指引方向；
* 验证分析结果的有效性及正确性。
数据不是数字，而是用户
数据科学团队建立的基础是数据在组织中的文化和观念，所以定义我们如何看待数据的先决条件就是数据在商业中的功能。
过去数据被认为是冰冷的数字，纯粹被看做是一个测量工具，根据要求提供统计数字。因此我们往往会被要求提供一些事实数据，例如：我们在巴黎有多少房源?在意大利排名前10的目的地是哪里?
回答这些问题和测量效果肯定是工作的一部分，但是还有一种更加人性化的数据特征，这就是我们用户的声音。在网站上一个动作或者事件的记录，在大多数情况下反映了一个人做出的决定，如果你能找出做出这个决定之前用户的行为，这是用户在用间接的方式告诉你他们喜欢什么，不喜欢什么。
这种反馈可以帮助我们做社区发展的决策、产品开发以及资源的调配，但是前提是你要能够破译它。因此数据科学是一种解释，必须把用户的声音转换成更适合决策的语言。
所以数据成为我们的盟友。我们用统计数据来了解个人的经验，汇总这些经验，以确定整个社会的发展趋势，这些趋势告知我们该从哪来来驱动业务决策。随着时间的推移，我们其他部门的同事们认识到，数据团队代表的是所有用户的声音，这让数据科学在企业生态结构中占据重要的地位。
大打造产品时需关注哪些维度？
回归到运营人上，他们每天都会跟各种各样的数据打交道，那产品都有那些数据维度是我们经常会分析到的呢？
一款产品的数据指标体系分为5种： 用户规模与质量、渠道分析、参与度分析、功能分析、用户属性分析。
1.用户规模和质量的分析包括总用户数、新用户数、留存用户、转化率。 APP用户数规模和质量是最重要的分析维度，是产品经理需重点关注的指标。
2.渠道分析是分析各渠道在相关的渠道质量的变化和趋势的主要手段，以数据科学来评估渠道质量，优化渠道推广策略
。在运营来说渠道分析尤其得重视，可以从多个维度的数据来分析对比不同渠道的效果，比如从新增、活跃、次日留存率、从使用时长的角度对比不同来源用户，根据分析数据能寻找到最适合自身的渠道，从而获得最完美的推广效果。
3.参与度分析 的分析维度主要是包括用户启动次数分析、使用时长分析、访问页面分析和使用时间间隔分析。
4.功能分析主要包括：
1. 功能活跃指标
2. 页面访问路径
3. 漏斗模型
5.用户属性分析不管在我们的产品启动初期，还是战略的调整，分析用户画像都有着重要的意义。
每一款产品设计前需要构建用户画像，用来指导设计、开发、运营；在产品迭代过程还需收集用户数据，以便于进行用户行为分析，与商业模式挂钩等等。
用户需求如何进行决策驱动？
在一个团队中，需要解决的问题之一就是如何利用用户的声音来进行业务决策。通过与公司各方面合作，我们已经听到如何将数据整合到一个项目中的一些观点。有些人希望首先了解他们面临的问题，另一些人会先浏览数据然后进行规划，但这些人往往更侧重于用直觉驱动决策营销。
这两者观点都是ok的，但是在一个项目的生命周期中，数据在不同的阶段有着不同的作用。
我们确定了决策过程的四个阶段中，数据会在其中有什么影响：
首先了解问题的背景，建立一个完整的计划简介。这更多是一个探索性的过程。
简要理解计划，包括区分主次以及假设我们可以达到的结果。预测分析在这个阶段更为重要，当我们做出一个决定，是基于我们希望可以产生最大的影响。
计划进行中时，我们要做一个控制实验。A/B
测试是最常用的，但我们的业务在各方面的合作可以让我们有更多的实验机会，以市场为基础的测试以及传统的网络环境的测试。
最后我们测量实验的结果，确定结果的影响。如果成功，我们就从社区中推广出去，如果不成功我们就回到最初来重复这个过程。
有时候这个过程是简单的，但是更多时候我们需要挨个步骤来论证，确保这个决策对产品的每一个用户都是有效的。最终我们将用这种方式来解决用户的需求。
