数据运营全流程手册.pdf

数据运营全流程手册数据运营全流程手册数据运营全流程手册数据运营全流程手册前言数据，在企业的经营和发展中发挥着越来越重要的作用。纵观近些年短时间内快速崛起的各行业头部企业、新兴独角兽，无一不是重视数据、运营数据的结果。由此，数据运营的相关岗位相继出现，数据运营的能力也愈发备受重视。未来已来，随着数字技术的发展和企业数据素养的提升，企业和品牌的核心竞争力将进一步集中在数字用户资产的沉淀与经营。只有真正掌握数据运营的能力，企业才能将业务数据化、数字资产化、资产业务化，沉淀数字用户资产，最大化每一个用户的价值。那么，现阶段的企业，以及企业内部的运营人员如何通过科学的方法和系统的流程，落地数据运营呢？易观方舟联合观远数据，结合服务过众多行业头部客户的经验，推出数据运营全流程手册。数据运营全流程手册以“理数-收数-看数-用数”这一数据运营闭环为整体框架，从运营而非技术人员的视角，通俗易懂地介绍了数据运营闭环的各环节是什么、有什么作用、以及具体应该如何落地。该电子书不仅对数据运营闭环进行全面解析，还梳理出一套可快速落地的数据指标体系搭建框架（OSM 模型+ARGO 模型+金字塔原则），以及总结出 11 大常用的数据分析模型，并拆解幸福西饼、蜜雪冰城、九阳胶囊豆浆机 Onecup 这三家企业的数据运营实战案例，旨在帮助企业及企业内的运营人员低门槛、高效率地落地数据运营，实现数据驱动精益成长。数据运营全流程手册数据运营全流程手册11.认识数据运营随着数据正式成为继土地、劳动力、资本、技术后的第五大生产要素，其在当今社会扮演的角色地位不言而喻。对于企业来说，在日常经营的过程中，各个环节、各个流程、各个部门等都在产生着各种各样的数据。数据也已经成为企业在进行运营策略、产品规划、品牌战略等几乎所有经营活动时，不可或缺的信息来源和参考依据。如果把企业比作舵手，数据就是导航。能正确应用导航的舵手，将率先到达目的地；同样，能正确应用数据的企业，也将在商业竞争中建立起自己的核心竞争力。那么，将企业的各种数据采集起来，并正确应用于企业各种经营活动的过程，便是数据运营。1.1 狭义的数据运营狭义的数据运营，仅仅把数据运营看作企业中的某个岗位。但不可否认的是，数据运营岗位正在成为企业中举足轻重的岗位。与数据分析师不同，数据运营对编程能力的要求较低，但更接近和了解一线业务。大部分数据运营通常都与一线业务人员在同一个部门，以更好地辅助业务决策，用数据驱动精益成长。为了方便大家更好地了解数据运营这一职能岗位，我们从众多 JD（JobDescription，岗位职责描述）中选取了比较有代表性的工作经验在 1-3 年、3-5年、5-10 年的数据运营 JD（见图 1-1）。数据运营全流程手册2图 1-1 不同年限数据运营 JD 示例不难发现，数据运营是一项围绕数据进行各种工作的岗位，从收集各部门的数据需求、采集数据、分析数据，到搭建数据报表、监测数据动态、产出数据报告，再到通过数据驱动经营决策、给出战略建议。越往后对数据运营各项能力的要求越高。一名优秀的数据运营不仅需要灵活使用各种数据工具，还需要变通应用各种数据分析方法，并且能够在第一时间发现问题、定位问题、并与业务同学共同快速找到解决问题的方法。1.2 广义的数据运营广义的数据运营，不仅仅把数据运营看作企业中的某个岗位，而是企业中的每一个岗位以及企业自身需要具备的一种能力。对于企业中的每一个岗位，数据运营的能力几乎作用在我们在日常工作中的方方面面，例如，通过数据证明自己的工作价值、通过数据发现工作问题并解决问题、通过数据提升工作效率并驱动业绩增长。掌握数据运营的能力，对每一个岗位来说都无异于“锦上添花”，甚至是“雪中送炭”。数据运营全流程手册3对于企业自身，掌握了数据运营的能力，才能将用户沉淀为数字用户资产这一数字化时代下，企业的核心资产。数字用户资产的沉淀在企业中一般会经历三个阶段（见图 1-2）：图 1-2 数字用户资产的三个阶段 阶段一：业务数据化。这是当前绝大多数企业所处的阶段，企业只有在这个阶段与用户建立起全面的数字触点，并在这些数字触点之上进一步承载业务的发展，才能进化到下一个阶段；阶段二：数据资产化。在这个阶段的企业，能对不同用户，基于属性、习惯、场景等因素打上不同的标签，生成单个&群体用户画像，并能对用户进行精细运营、个性运营、精准运营；阶段三：资产业务化。将所有数字用户资产进行货币化，使资产能够通过某种形式来获利。例如，拼多多就是非常典型的将用户实现资产化的范例，拼多多的用户通过分享，可以买到最便宜的商品。数据运营全流程手册4根据易观对国内行业的观察，目前国内走到数据资产化阶段的企业不超过3%，走到资产业务化阶段的企业更是凤毛麟角。对于企业而言，如何经营好数字用户资产，如何最大化每一份资产中的价值，仍然是当下的核心命题。1.3 数据运营闭环：理数、收数、看数、用数不管是狭义的数据运营岗位，还是广义的企业中每个岗位以及企业自身需要具备的数据运营能力，都需要科学的方法和系统的流程来落地数据运营。为此，易观方舟提出数据运营闭环（见图 1-3），包括理数、收数、看数、用数四个环节。图 1-3 数据运营闭环先通过“理数”梳理清楚目前业务所需的指标，并搭建数据指标体系，为高效“收数”做好准备。本电子书的第 2 章将系统介绍“理数”的四个步骤：梳理数据指标、明确北极星指标、定义指标口径、搭建指标体系。其中OSM 模型+ARGO 模型+金字塔原则指标体系搭建的整体框架，将带你系统搭建适用于具体业务场景的指标体系。“收数”包括数据采集、数据存储与数据打通，该环节收数的好坏将直接决定数据运营全流程手册5后两个环节能否正确进行。本电子书的第 3 章将系统介绍数据采集的原理，并总结目前主流的三种埋点方式：代码埋点、全埋点、可视化埋点，具体如何实现以及各自的优缺点。此外，还将带你梳理埋点需求、设计埋点方案。“看数”主要指将数据可视化呈现，并通过搭建数据看报/报表，进行数据洞察和数据分析，为“用数”做好准备。本电子书的第 4 章，我们邀请到观远数据为大家以专业的视角阐述数据可视化的内容。此外，还将系统介绍数据分析的类型和方法，并分享常用的 11 大数据分析模型。“用数”体现在企业各种经营活动的各个环节。本电子书的第 5 章将着重介绍数据驱动产品迭代、Workflow（自动化工作流）助力精细化运营、“量质转化点“提升用户留存，并在第 6 章以幸福西饼、蜜雪冰城、九阳胶囊豆浆机Onecup 为案例，拆解其数据运营如何在企业内具体应用和发挥作用。数据运营全流程手册6数据运营全流程手册62.理数2.1 梳理数据指标指标又称度量，是量化衡量的标准。例如，衡量 APP 基础运营情况的指标有：活跃用户数、使用时长、打开次数等；衡量用户留存情况的指标有：次日留存率、留存用户数等。我们可以将数据指标分为五大类：拉新指标、活跃指标、留存指标、转化指标、传播指标。|拉新指标对任何一款产品来说，都不可避免地要经历从触达下载注册用户的链路转化过程。在这个过程中，我们需要关注哪些拉新指标呢？浏览量：又称曝光量，指产品推广信息在朋友圈、搜索引擎、应用商店等渠道被用户浏览的次数。与浏览量相对应的是点击量，点击量与浏览量之比即为CTR（CTR=点击量/浏览量），CTR 常被广告平台用来评估广告质量；下载量：根据业务的不同，可能代表 APP 安装次数、资料下载数等，是衡量拉新效果的结果指标；新增用户：下载并不意味着就是用户，如果用户只下载并没有注册，那就是无效用户。每个产品对于用户的界定都不一样，大部分产品是将用户注册 APP 行为定义为新增用户；获取成本：用户获取必然涉及成本，而这是运营新手最容易忽略的。目前常见的成本计算方式有 CPM（Cost Per Mille，千人展现成本）、CPC（Cost PerClick，单次点击成本）、CPA（Cost Per Action，单次获客成本）。数据运营全流程手册7|活跃指标在人口红利逐渐消退的情况下，相较于下载量和用户量，大家更关注你到底有多少活跃用户？活跃用户数：DAU（Daily Active Users）指日活跃用户数，一般指在 24小时内活跃用户的总量；以此类推还有 WAU（Weekly Active Users，周活跃用户数）、MAU（Monthly Active Users，月活跃用户数）等指标；活跃率：活跃用户数衡量的是产品的市场体量，活跃率看的则是产品的健康；在线时长：不同产品类型的访问时长不同，一般情况下社交类产品长于工具类产品，内容产品长于金融理财产品；启动次数：该指标体现的是用户使用频率，日均启动次数越多说明用户对产品的依赖性越高，活跃度也就越好；页面浏览量：简称 PV（Page View），常见的 UV（Unique Visitor）则是指一定时间内访问网页的人数，用户在 1 个网页的访问请求即为 1PV，以此类推10 个网页即为 10PV。|留存指标如果说活跃数和活跃率衡量的是产品的市场体量和健康程度，那么用户留存衡量的则是产品是否能够可持续发展，对于早期产品来说其实更应该关注留存指标。用户留存率：留存率=留存用户数/总用户量；用户流失率：流失率在一定程度能预测产品的发展。假定产品某阶段有 10万用户，月流失率为 20%，几个月后产品用户将流失殆尽。数据运营全流程手册8|转化指标对运营而言，拉新、活跃和留存都只是手段，最终衡量工作业绩的是带来真正价值的用户数量。GMV：GMV 全称 Gross Merchandise Volume，即商品交易总额，是指一定时间段内商品的成交总额；成交额：指的是用户付款的实际流水，是用户购买后的消费金额；销售收入：指的是成交金额减去退款后的剩余金额；付费用户量：在产品里边产生过交易行为的用户总量，同活跃用户一样，交易用户也可分为首单用户（第一次消费）、忠诚消费用户（持续购买的用户）、流失消费用户（流失后又回来的用户）等；ARPU：ARPU（Average Revenue Per User，每用户平均收入）=总收入收费用户数；复购率：和新增用户一样，获取 1 个新付费用户的成本远远高于维护 1 个熟客的成本。复购率更多用在整体重复购买次数统计，即单位时间内消费 2 次以上的用户数占购买总用户数的比例。|传播指标现在大多产品都会内嵌分享功能，对于内容型平台或者依赖传播做增长的产品，病毒式增长的传播指标衡量至关重要。病毒 K 因子：K 因子大于 1 时，每位用户至少能带来 1 个新用户，用户量像滚雪球般越变越大，最终实现自传播；传播周期：指的是用户从传播到转化新用户所需要的时间，通常传播周期越短，意味着用户裂变传播的效果越好。数据运营全流程手册92.2 明确北极星指标梳理完数据指标后，我们还需要找到最能指导业务增长的核心关键指标，即北极星指标。Facebook 以“月活跃用户数（MAU）”作为北极星指标，击败了当时以“注册用户数”作为北极星指标的美国社交网络巨头 MySpace，成为了目前世界上最大的社交平台；LinkedIn 为“优质的活跃用户数”制定了 4 个维度的标准，并将其定为全公司为之共同努力的北极星指标，成为了目前世界上最大的职场社交平台；Airbnb 以“总预定天数”作为北极星指标，不断优化房东与租房者之间的连接，成为了目前世界上最大的“酒店”.看似一个小小的指标，正应了我们的一句古话“方向对了，就不怕路远”。再小的创业公司，只要方向对了，然后整个公司朝着一个共同目标共同努力，也能“摇身一变”成为世界级明星公司。|认识北极星指标什么是北极星指标？北极星指标（NSM，North Star Metric），又被称为唯一重要指标（OMTM，One Metric That Matters）。北极星指标是衡量产品、业务成功与否的关键指标，它体现了产品试图解决的“用户需求与企业经营”之间的关系，是一经确定后企业所有人都需要为之共同努力的唯一重要指标。在实际业务中，北极星指标的创建就是为了使组织对特定目标进行特殊关注。每个人都可以始终根据是否通过该指标来推动公司的发展来定义成功，而不必被日常事务或单个项目所困扰。正如 GrowthHackers 创始人&增长黑客之父 SeanEllis 所说：“北极星指标是最能体现产品为客户提供核心价值的单一指标。我们应该用最大限度的努力来增长该指标，因为这是企业在整个客户群中实现可持续增长的关键”。数据运营全流程手册10具体而言，北极星指标主要有以下 3 个核心作用：使整个公司了解产品团队的行动，并令其与公司营收目标一致，综合内部资源集中进行推进，进而提升协作效率；将产品团队的进展和效果传达给其他部门，获取更多支持，以加速战略产品计划，避免目标不同影响沟通效率；最重要的是让产品团队对结果负责，真正制定可落地的产品行动策略，推进北极星指标达成。企业的北极星指标一旦确定之后，它就会像“北极星”一样指引公司内的所有人，朝同一个方向迈进。因此，我们在选择北极星指标的时候要十分谨慎。例如，收入通常并不能特别说明公司的发展前景，而且可能很容易将其用于冲击短期增长，却带来了长期负面的影响，所以有时选择一个无收入的指标会更有益。|选择北极星指标的 3 个标准那么，要如何在众多重要数据指标中找寻到北极星指标呢？以下有 3 大标准：标准一：所选择的指标是否有助于业务发展电视剧创业时代演绎了中国移动互联网发展初期阶段，无论是语音通讯软件魔晶还是移动邮件应用狐邮的上线，为了满足各方的要求，都以应用商店的下载量作为对标的评价标准。而下载量这个指标可能更像是一个虚荣指标，因为对很多移动 APP 来说，产品的实际活跃用户数要优于累计下载数，因为活跃数反映的是当期用户的实际情况，而下载量只能反映总体量，却无法清晰且有效地定义当前状况。通过使用北极星指标作为业务发展进度的一致度量，可以根据每个活动是否在数据运营全流程手册11推进北极星指标来衡量每个活动。如果一个项目、功能或计划不能改善北极星指标，则其价值必须被质疑，并且可能因缺乏与业务发展的相关性而被放弃。标准二：所选择的指标是否能体现核心价值对内容型产品而言，用户对于内容社区的参与度，比如内容消费数量和内容生产数量要优于产品注册用户数，因为只有内容消费和内容生产才能确切反映：产品是否为用户提供了核心价值？用户是否愿意花更多时间在社区上？例如，对于问答社区知乎或者百度知道来说，单纯关注用户注册数或者活跃用户数，并不能反映平台内容的丰富程度及用户使用粘性，所以将问题回答数作为关键指标更能体现产品价值。标准三：所选择的指标是否具备可操作性定量指标优于定性指标。就制定产品指标而言，如果是提升产品体验，则不够具体，团队内每个人的理解可能都不一样；如果是产品使用时长至 15 分钟的人数，就非常具体了，每个人都清楚最终的目标是多少。在具体的操作性层面，我们可以将这个指标拆解成 4 个具体维度：（1）简单：可以是具体数字；（2）即时：业务部门能够实时看到数据更新；（3）可行动：具体可执行的，或者说能够改善的；（4）可比较：支持纵向和过去对比，横向和竞对比较。从以上可以看到，北极星指标与运营策略之间的匹配尤为重要。一般情况下，先导性指标（预测未来）要优于后验性指标（解释过去）。如果你想用自己的北极星指标来衡量产品成功与否，但北极星指标并不能够体现用户使用产品的真正价值，那就极有可能变成虚荣性指标。这时候选择的运营策略就会优化“错误的指标”，最终导致错误的结果。|北极星指标应用案例数据运营全流程手册12北极星指标通常会精简为一个可衡量的数字，但它会随着产品的发展阶段而改变。以用户生命周期为例，早期产品较为靠前，会更重视新增用户数和注册用户数；成熟产品较为靠后，会更偏向活跃用户数和转化用户数。不同行业和领域，北极星指标的确立也会有很大的差异。例如，对于订阅式收费的 SaaS 行业来说，可能会有已经是付费客户但已经停止使用产品的情况。在这种情况下，使用“每周活跃用户”而不是“每月经常性收入（MonthlyRecurring Revenue）”，这将确保 SaaS 企业专注于用户参与度，这会比营收领先一步。像硅谷知名的独角兽数据分析企业 Amplitude 的北极星指标，就是“每周至少运行一次查询的用户数”，即 Weekly Querying Users（WQUs）。例如，对于互联网社交平台而言，活跃用户数显得尤为重要。像 LinkedIn 的北极星指标就是“活跃的优质用户”，并对该指标的定义分成 4 个维度：（1）资料完整度，每完成一项用户资料就会加几分；（2）好友数，职场好友数达到 30人，是活跃度的一个拐点；（3）可触达，猎头是否可以直接联系到你；（4）保持活跃，一段时间内登录使用过多少次。为了帮助大家更好的找到属于自己的北极星指标，我们罗列了一些国内外知名企业的北极星指标（见图 2-1），供大家参考：图 2-1 国内外知名企业的北极星指标数据运营全流程手册13公司内可能有各种各样的核心指标，但北极星指标只有一个，应该适当聚焦做减法。当然，没有最好的指标只有更好的指标，北极星指标的确立也是一个逐渐优化的过程。2.3 定义指标口径在明确了北极星指标后，还有一项非常重要的工作定义数据指标口径。都说“数据指标口径是一个任人打扮的小姑娘”，我们都习惯于往有利于自己的模样“打扮”。像 GMV 这一指标，我们可以根据不同的统计口径，得到不同的统计数据。阿里巴巴对 GMV 的定义是“所有已确认的订单”。与常规理解不同，阿里巴巴的“已确认”包括了销售额、取消订单金额、拒收订单金额和退货订单金额；京东对 GMV 的定义是，京东集团线上自营业务和第三方平台所有产品和服务订单的全部订单金额。且无论该商品是否完成销售，投递或者被退回。在数据运营的过程中，我们如果没有统一的工具（例如易观方舟，点此可免费体验）管理数据指标口径，往往会出现以下问题：在不同的数据报表中，出现定义一致但名称不一样的数据指标；在相同的数据报表中，出现定义不一致但名称一样的数据指标。这将对我们跨部门协同开展运营工作、达成运营目标带来一定的困扰。如果在需求上线前事先没有做好数据指标口径的定义，就会导致某些数据对不上，给测试、技术等人员带去一定程度返工，大大降低工作效率。例如，对于一个企业来说，活跃用户往往反映了产品的用户规模、所处发展阶段，通过活跃用户可以快速定位产品人群，为后续拉新、促活做充分准备。我们在衡量用户活跃时，常用的指标有每日活跃用户数（Daily Active User）、每周活跃数据运营全流程手册14用户数（Weekly Active User）、每月活跃用户数（Monthly Active User），分别指每日/周/月访问产品的不同用户数。但活跃用户数这个数据指标口径的定义，由于所处的行业、不同的业务等因素，很多企业会根据自身特点对活跃用户数有不同的定义，例如：每日登录用户数（过滤掉匿名用户）即为活跃用户数；每日在线时长超过 5 分钟的用户数（过滤掉低质量用户）即为活跃用户数；每日访问页面超过 5 个的用户数（过滤掉低质量用户）即为活跃用户数。因此，数据指标口径的定义应该尽量做到明确、清晰、易懂，并需要逐步迭代建立起一套完整的数据指标口径字典，下发到各个协作部门，确保对数据指标的认知达成一致，避免在运营过程中出现歧义。2.4 搭建指标体系：OSM 模型+ARGO 模型+金字塔原则一套好的指标体系能够实时监控运营过程中发生的正负反馈变化，并能迅速定位问题所在，还能一定程度上指导我们解决问题。但就像天下没有两片相同的叶子，也没有完全相同的两套指标体系。产品类型不同、产品发展阶段不同、运营团队思考方式不同等，都会导致搭建的指标体系有所差异。不过，指标体系搭建的基本思路和方法是有迹可循的。易观方舟结合服务过上百家客户的经验，总结出搭建指标体系的OSM 模型+ARGO 模型+金字塔模型整体框架（见图 2-2），希望能够帮助大家系统搭建适合自身业务的指标体系。数据运营全流程手册15图 2-2 搭建指标体系搭建的整体框架|OSM 模型：确定指标体系的“骨架”OSM模 型 由 目 标（Objective）、策 略（Strategy）、度 量（Measurement）组成，通过将宏大的运营目标逐一拆解，对应到可落地的运营策略和可度量的运营动作上，从而确保我们梳理指标时不会偏离“主航道”。定义目标目标可能是整个企业、某条产品线、或者某个运营小组的运营目标，其在不同的行业领域以及公司或产品的不同发展阶段都是不一样的，需要我们结合自身的实际情况，定义目标。一般情况下，运营目标与核心 KPI 息息相关。例如：电商平台的目的是让用户在平台上完成更多交易，那么平台运营负责人的目标就可能是提高 GMV；ToB企业服务类网站希望可以获得更多的注册线索，那么网站运营的目标就可能是提高注册试用量；银行类 APP 希望可以让更多用户来购买理财产品，那么 APP 运营的目标就可能是提高理财产品的购买总金额。确定策略通过定义目标了解整个运营大方向后，我们便可以根据过往的经验、市场调研等制定达成运营目标所需要的策略。数据运营全流程手册16例如，电商平台运营负责人的目标是提高 GMV。按照 GMV=支付用户数 X每笔单价 X 用户购买频次的计算公式（注：GMV 的公式根据行业可能有所不同，需结合自身业务计算），其提升策略可能就会有：针对提升支付用户数的策略对新注册用户进行 9.9 元限时特价活动、针对提升每笔单价的策略进行商品组合销售、针对提升用户购买频次的策略节假日进行优惠券营销。明确度量策略制定后，如何衡量策略执行的效果？如何反映该策略是否有助于目标达成？这就需要用到度量。例如，通过商品组合销售策略，需要将每笔单价提升至 1000 元。这个将每笔单价提升至 1000 元就是该策略的度量。我们所制定的每一个策略都需要匹配相应的度量指标。综上，我们便可以根据 OSM 模型，形成指标体系初步的“骨架”（见图 2-3）。图 2-3 OSM 模型示意图数据运营全流程手册17|ARGO 模型：填充指标体系的“血肉”ARGO 模型（见图 2-4）由易观方舟基于“留量”时代提出，为解决用户运营的具体业务挑战而设计，帮助企业围绕用户全生命周期，更系统地制定运营目标及对应策略。图 2-4 ARGO 模型根据 ARGO 模型，我们可以分别从用户视角和企业视角（见图 2-5），进行运营目标和运营策略的设计，从而避免根据 OSM 模型梳理指标体系时有所遗漏。图 2-5 用户视角和企业视角的 ARGO 模型图（1）用户视角数据运营全流程手册18当用户从欢迎页到传播分享，会经历一个完整的用户全生命周期（见图 2-6）。图 2-6 基于 ARGO 模型的用户全生命周期虽然我们在运营过程中都希望用户尽可能参与到运营中来，也希望用户尽可能多次回访到产品中去。但并不是所有用户都会经历完整的用户全生命周期，因为在任意一个环节用户都可能会流失。但无论是什么类型的产品，都有一组典型的用户全生命周期，即从潜在用户（潜客）、新增用户（新客）、活跃用户（活客）、成熟用户（老客）、衰退用户（怨客）、沉默用户（睡客）、流失用户（死客）的全过程。以新增用户为例，这时用户处在刚与产品接触的阶段，即包括从外部的流量渠道到达网站、APP、小程序等的全部用户数量，多用于新用户获取阶段，表示可以转化成用户的最大值。如果是网站就与 UV 相关，如果是 APP 就与启动相关。提升新增用户量，是我们在这个用户生命周期阶段的主要目标。在这个阶段，我们通常需要知道固定时间内到达产品的访客构成。这时候就会涉及到流量渠道，了解不同渠道的用户构成状态有助于我们进行渠道优化、改善访客质量。（2）企业视角企业视角对应业务成长的需求，可以分为以下三个阶段（见图 2-7）：数据运营全流程手册19图 2-7 基于 ARGO 模型的企业业务成长需求 获客转化阶段，需要我们通过不同的渠道和方式获取客户，并引导用户转化。借助该阶段沉淀的用户关键数据，准确定义产品目标人群特征，优化运营的获客转化策略；活客粘客阶段，需要我们让用户形成使用习惯，为不同用户群体提供个性化的最佳体验，并及时定位流失原因，唤醒沉睡用户和召回流失用户，提升用户留存率和忠诚度，促进用户活跃；创造价值阶段，需要我们引导用户进行产品价值交换，关注不同运营活动、触达策略等与价值交换的关联度，实现用户 LTV（Life Time Value，生命周期总价值）的最大化。根据用户视角或者企业视角系统梳理运营目标后，就可以开始寻找不同场景下用户与我们的接触点，然后通过数据分析找到每个接触点上的待优化点。这些待优化点就可以作为我们 OSM 模型中的策略。例如，用户进入欢迎页时、进行注册时、开展新手任务时，与我们的接触点分别是产品欢迎页面、产品注册页面、新手任务引导流程页面。通过数据分析发现注册页面的转化率偏低，那么我们就要针对注册转化提升制定相应的策略。由此，不难发现，ARGO 模型是在 OSM 模型搭建好指标体系初步的“骨架”后，用来填充指标体系的“血肉”，可以让整个指标体系更丰富。如下图所示，以企业视角为例，将 ARGO 模型与 OSM 模型相结合（见图2-8），就可以帮助我们校准目标是否与用户全生命周期的每个阶段相匹配，以及检验策略是否覆盖了用户全生命周期、有无遗漏。数据运营全流程手册20图 2-8 基于 ARGO 模型和 OSM 模型的企业指标体系搭建|金字塔原则：打通指标体系的“经脉”金字塔原则源于世界级领先的管理咨询公司麦肯锡，通常被用来结构化写作过程。但其层次性、框架性、系统性的思考方式，也同样可以帮助我们梳理指标体系。在易观方舟服务客户的过程中，我们发现光有 OSM 模型确定指标体系大的框架，ARGO 模型帮助填充指标体系小的细节，往往是不够的。还需要用金字塔原则整体梳理，让整个指标体系具有上层概括下层、同层独立穷尽的逻辑自洽性。（1）上层概括下层通过 OSM 模型和 ARGO 模型搭建的指标体系一般包含第一关键指标、一级指标、二级指标等层级关系（见图 2-9）。在层级关系上，上一层的指标要能概括下一层级的指标。数据运营全流程手册21图 2-9 指标体系上下层关系图 第一关键指标第一关键指标又称北极星指标，当我们开始对一款产品（网站、APP、小程序、智能硬件等）进行运营时，会涉及到很多指标，但只有一个最重要的核心指标才能被称为第一关键指标。第一关键指标的特点就是与目标直接相关，我们的工作围绕着推动第一关键指标的数据变化而展开，这些数据变化也会帮助我们达成目标。例如网站每天的新注册用户数量，是与我们的目标实现新用户获取息息相关的，就可以将注册用户数作为其第一关键指标。需要注意的是，第一关键指标虽然是最重要的，但也并不是唯一的，比如电商网站，我们关注订单量的同时也需关注新用户注册量；而且第一关键指标也不是恒定的，会随着业务变化而改变，比如产品早期最关注的是拉新，当积累了大量用户后要提高对用户留存的关注程度，这时候第一关键指标可能是周用户活跃（WAU）或月用户活跃（MAU）。如何判断一个指标是不是第一关键指标？有一条判断标准就是：如果我们改善数据运营全流程手册22这个指标，产品的长期业绩是否被提高？一级指标一级指标是指对第一关键指标有直接贡献的，且与目标方向一致的系列指标。第一关键指标要能概括所有的一级指标。例如，企业服务网站的第一关键指标是注册数量。那么，一级指标就可能是表单页到访客数量，因为提高表单页访客数量可以直接提高最终的注册数量；一级指标也可能是表单页访客到注册成功的转化率，因为提高表单页访客到注册成功的转化率可以直接提高注册数量。二级指标二级指标是指对一级指标有直接贡献的，且与目标方向一致的系列指标。一级指标要能概括属于自己分支的所有二级指标。例如，企业服务网站的一级指标是表单页访客到注册成功的转化率，二级指标就可能是第一个字段完成验证的次数。因为在同样的访客数量情况下，第一个字段完成得越多，表单页访客到注册成功的转化率就越高。我们可以制定多层级的指标体系，但最好还是尽可能精简。根据易观方舟服务客户的经验，指标体系层级最好控制在 3-5 层。简约可控的指标体系可以让我们聚焦精力在更重要的策略执行上。需要强调的一点是：制定的每一级指标体系都是要对其上一级指标有直接贡献的。（2）同层独立穷尽在指标体系中，除了不同层上需要满足上层概括下层外，同层上还需要满足独立穷尽，又称 MECE 原则。MECE 原则要求处在同一层级的指标互相之间完全独立（Mutually Exclusive）且互相穷尽（Collectively Exhaustive）。数据运营全流程手册23以处在同层的二级指标 1.1、二级指标 1.2、二级指标 1.3 为例（见图 2-10）。图左就是符合 MECE 原则的，图中和图右就不符合，但却是我们在梳理同层指标中比较容易犯的错误。图 2-10 指标体系同层关系图通过 MECE 原则梳理过的指标体系，往往能够快速定位运营过程中出现的问题。综上，通过搭建指标体系的OSM 模型+ARGO 模型+金字塔原则整体框架（见图 2-11），我们便可以快速地搭建起一套适合自身业务的指标体系。图 2-11 指标体系整体框架数据运营全流程手册数据运营全流程手册243.收数3.1 埋点采集数据说到“收数”便离不开数据采集，说到数据采集便离不开埋点。埋点是指在应用的特定流程中，通过技术手段收集用户发生的行为信息，从而通过后续分析手段还原用户场景，以指导产品功能改进、验证客户服务质量等。针对目前移动互联网时代的应用，从用户行为的形式划分，常见的有：浏览页面、点击按钮、手势滑动、长按等；或从功能划分，常见的有：验证行为、交易行为、加入清单、搜索等功能行为。针对不同行为的埋点采集，从埋点在应用中的位置也可以分成客户端埋点、服务端埋点等；从实现手段上划分，可分为：代码埋点、全埋点、可视化埋点等（见图 3-1）。图 3-1 不同埋点方式划分互联网产品在研发时往往不会专门记录用户身份和行为数据，也不会包含专业的数据分析功能。但有时为了分析用户产生某些动作或不产生某些动作的深层原数据运营全流程手册25因，就需要详细的用户数据进行分析。这个时候就需要用到专业的用户分析工具以及埋点（例如易观方舟，点此免费体验）。数据获取是任何一个数据平台的起始动作。对于互联网产品来说，用户行为的捕捉及获取是重中之重。如果没有准确、全面的用户身份和行为数据作为输入，在后续分析中得到准确洞察结果就会存在不确定性，营销闭环也会缺少过程数据依据，精细化运营更难以开展。|埋点原理对基于用户行为的数据平台来说，发生在用户界面的，能获取用户信息的触点就是用户数据的直接来源，而建立这些触点的方式就是埋点。当这些触点获取到用户行为、身份数据后，会通过网络传输到服务器端进行后续处理。埋点从准确性角度考虑，分为客户端埋点和服务端埋点。客户端埋点，即客户操作界面中，在客户产生动作时对用户行为进行记录，这些行为只会在客户端发生，不会传输到服务器端；服务端埋点，通常是在程序和数据库交互的界面进行埋点，这时的埋点会更准确地记录数据的改变，同时也会减小由于网络传输等原因而带来的不确定性风险。从分析的角度出发，数据越准确、越全面就越能达到理想状态；但在实际生产过程中却不得不考虑数据获取可行性等问题。由于数据分析工具的最终用户可能是企业内部的各种角色，如工程师、产品运营、市场甚至其他业务人员；大家会在不同时间、不同产品模块，以不同规则向产品中注入自己关心的采集代码。遵循传统方式，常见工作流程如下（见图 3-2）：数据运营全流程手册26图 3-2 埋点常见工作流程团队内部还会使用 Excel 表格来搜集各个团队的埋点需求，然后再交给工程师。实际上，即使是赫赫有名的数据分析服务商 Mixpanel，在很长一段时间内也只能将这种工作流程作为所建议的最佳实践，甚至不得不花篇幅在文档中心提供了几种不同风格的文档，以此帮助大家熟悉这种工作流程。|传统埋点的不足一遍又一遍的迭代，使行为采集和埋点管理这两个动作构成了上图中的工作流闭环，但这个闭环却存在几个明显的弊端。因此，在实际工作中传统埋点存在很多不足之处，例如：人力成本增加，即需要投入对业务和技术都具备一定专业水平的人专门负责；沟通成本增加，即前期需要同多方协作；犯错成本增加，即发现错漏无法快速事后补救；管理成本增加高，即跨版本后，废点会造成代码垃圾也会影响性能。实际工作过程中，部分企业一方面强调数据获取的重要性，另一方面却依然没有真正把重心投入进来。对行业从业者来说，数据获取及管理，从来不是一个做到数据运营全流程手册27某种程度就够用的问题，而是只要数据业务还在发展就要不断通过自行迭代去探索更好的获取及管理方式。今天，企业在数据采集上面临的主要业务挑战有：（1）缺乏专业数据采集工具，自研难度、成本高、易用性不够；（2）缺乏数据采集经验，数据采集覆盖面不全、粒度无法满足自身业务要求；（3）数据获取实时性不够，数据采集到业务可用的时效不确定，多端数据采集不规范；（4）缺乏统一的数据管理与数据加密方案，数据维护成本高。作为新一代的用户行为数据分析工具，易观方舟智能用户运营平台支持自定义多维度、实时用户分析以及全端数据采集。全端用户行为数据采集能力，是易观方舟区别于前两代用户行为数据分析工具的重要差异。针对目前企业在数据采集上的困境，易观方舟智能用户运营平台的数据采集（见图 3-3）实现了：（1）一键式接入，可视化埋点、全埋点、0 成本完成全域数据采集；（2）22 种 SDK 明细粒度数据采集，支持属性可配置；（3）通用数据模型，数据采集即可用，迈出用户数据治理第一步；（4）上报数据支持默认加密与自定义加密，让企业数据更安全。数据运营全流程手册28图 3-3 易观方舟客户端 SDK 和服务端 SDK3.2 主流埋点方式：代码埋点、全埋点和可视化埋点在了解传统埋点方式的不足之后，我们将给大家详细介绍市面上 3 种主流的埋点：代码埋点、全埋点和可视化埋点。下面，将围绕不同埋点方式的优缺点及其适用常见场景进行展开。|代码埋点代码埋点（见图 3-4）是帮助工程师了解用户是如何使用产品的经典埋点方式。因为是工程师人工将埋点结合到代码逻辑中，理论上只要是客户端操作，就算是再复杂也能采集得到。常见的如：页面停留时间，页面浏览深度，视频播放时长，用户鼠标轨迹，表单项停留及终止等。尤其是一些非点击的、不可视的行为，非代码埋点实现不可。数据运营全流程手册29图 3-4 代码埋点的优缺点所以如果我们需要对埋点有更加精准的控制力，那么代码埋点是最好的选择。当然弊端也很明显，前文描述的那些苦恼几乎全是代码埋点相关的，例如数据采集周期长、人力成本高等。|全埋点全埋点，一些国内团队也称“无埋点”、“无痕埋点”、“自动埋点”，是一种对全自动埋点方式的探索。从名字来看，这仿佛是个一劳永逸的解决方案。那到底什么是全埋点呢？要了解全埋点，就得先从客户端埋点说起。客户端埋点一般分为访问级、页面级、页内行为级：当用户访问一个网站或启动一个移动应用时，几乎所有厂商都会自动采集上报用户的访问；当用户访问不同页面时，有一部分厂商就会选择不默认自动采集，而将其作为一个选项交给用户；针对用户在某一个页面内详细的操作行为，只有极少数厂商支持自动采集上报。数据运营全流程手册30实现了后两种自动采集的厂商，通常会说自己是全埋点。但页内行为级的采集还可以进一步探讨其采集范围。最常见的就是自动采集可交互元素和自动采集所有元素的差别：可交互元素包含：链接、表单项（如按钮、输入框等）、HTML 的对象级元素等；不可交互元素很多，绝大多数的页面元素都属于此类。由于很多网页和移动应用中的界面都不是标准元素，所以很多看似可交互的元素实际上也都是无法自动采集上报的。那么，全埋点有哪些优点呢（见图 3-5）？图 3-5 全埋点的优缺点首先，全埋点会自动采集非常多的数据，而且未来在使用数据的时候可以直接从数据库中查询，不会面临“我想看的时候因为没有埋点采集而获取不到”的情况。这是非常受分析师喜爱的方式，因此经常会听到“能采集就尽量都采集，后续分析总能用得到”的说法。其次，埋点是比较耗时的工作，需要业务方提供方案，工程师进行埋点，测试团队进行测试。而由