互联网产品以及运营需要关注那些数据？

　　一、数据的定义

　　数据，其实就是一堆数值。

　　但这些数值，是从用户的行为统计而来。用来便于需要使用数据的同学进行研究和分析之用的基础素材。

　　二、有哪些数据需要关注的

　　我们在这里用一张脑图简单列出一些核心数据：

　　核心数据

　　这张脑图，仅仅简单的展示了也许是通用的部分运营数据，但如果我们仔细去看，去归纳，会发现三个数据类型，是所有运营都需要具备的：

　　渠道数据、成本数据、收益数据。

　　渠道数据，是用来衡量渠道质量、渠道作用的，它由产品本身的定位的客群和产品的特性所决定。一个理财产品如果投放游戏社区这种渠道，其运营效果可能并不会太好，可如果换成彩票、博彩，可能效果就很好；同理，传奇这一类的游戏的宣传与活动如果投放到女性社区平台，其效果几乎也可以无视，而如果换成一款 Q 版小游戏，或许效果就很好。

　　成本数据和收益数据，则会从不同层面反映出运营的效果。

　　运营必然需要成本。运营的效率可以通过经验、熟练度、创意等各种手段来提升，但运营的成本是必然存在的，并且一般来说和运营效果是成正比关系的。很简单的一个道理：两个活动，一个活动送 100 台 iPhone6，一个活动送 1 台 iPhone 6，哪个效果更好？

　　做运营的，一定要认真去评估每一个运营动作背后的成本。而所谓『收益』，并不等价于『收入』，获得金钱是收益，获得用户也是收益，获得口碑同样是收益。

　　如果我们了解了渠道、成本、收益这三类数据，我们就可以根据自身的产品特性去设定需要获取数据。

　　我们拿足记来简单举个例子，足记这样的应用，它会关注哪些数据呢？

　　从产品的层面，它会去关注：

　　1.App 每日的打开数

　　2.各种功能的使用次数和使用频次

　　3.各种 Tab 的点击次数和对应页面的打开频次

　　从运营的层面，它可能会去关注：

　　1.App 每日的活跃用户数

　　2.每日产生的 UGC 数量（区分新老用户）

　　3.每日分享到社会化媒体的 UGC 数量（同时考虑单位用户的产生内容数）

　　4.分享出去的 UGC 带来的回流新装机、新激活用户数等等。

　　而我们需要注意的是，这些关注的数据点，并不是一成不变的，它会因为产品的不同阶段而调整，如果我们假设足记有盈利模式，那么它关注的核心数据，就会从内容转向收入，这时候，转化率相关数据就会变的重要了。

　　我们需要的数据，根据实际的需求来进行设计，并没有一个完全通用的标准。当然，如果你做的越多，你会发现，你的数据感在不知不觉中获得了提升，这一点，非常重要。

　　三、如何获取数据

　　获取数据的渠道有很多，这里推荐两个：Google Analytics 以及百度统计，更多的工具自行去了解哈。使用分析工具我们可以得到以下内容：

　　记录那些点击信息，包括没有与网站产生交互的信息

　　可直接生成链接的百分比，点击分布图和热力图

　　可统计用户的悬停，将用户潜在行为可视化

　　获取数据的方式其实多种多样，关键在于，作为运营人员要了解什么样的数据是重要的，对于这些数据的前后关联，是怎样的，这是一个联动的过程，不是一个单一的行为。

　　四、如何分析数据

　　对于数据的解读，每个人都有不同的方式。这里我们摘取书中的几个总结：

　　1）首先确定数据的准确性

　　这里包含了选择数据维度的合理性、数据统计的准确性。如果数据维度选择不合理、数据统计结果不精确，我们可能是无法得出正确的分析结果的。这是基础。

　　2）明确影响数据的因素

　　一个数据，会受到多种因素的影响，这些因素有内部的，有外部的，运营人员应当尽可能多的了解所有层面的影响因素，以利于我们对于数据的解读是在一个相对正确的范围内。

　　3）重视长期的数据监测

　　在运营数据分析中，经常会使用环比和同比方式来对比数据。简单的说，环比是本日与前一日的对比、本月与上月的对比、本季度与上季度的对比；同比是今年当日与去年当日的对比、今年当月与去年当月的对比、今年当季度与去年当季度的对比。环比帮我们看短期的数据波动，而同比帮我们了解大环境下的数据波动。

　　4）保持客观的视角

　　数据分析的过程中，客观非常重要，切忌挑选有利于自身的结论。我们通常会犯先入为主的错误，这不仅会影响数据的准确性，还是职业道德的问题，也是职业发展中非常常见的问题。

　　5）注意剔除干扰项

　　实际的工作中，我们会碰到很多问题，这些问题就是干扰项。例如，在一个相对平稳的曲线中，突然出现了一个点上的强烈波动，这时候我们需要全面的了解个波动产生的原因，如果无法确认原因，就剔除这个波动，否则我们很难去获得一个正确的结论。

　　五、数据分析职业方向有哪些

　　我们这里只说国内哈，在国内，与大数据相关的岗位主要分为以下几类：

　　数据分析师：

　　运用工具，提取、分析、呈现数据，实现数据的商业意义，需要业务理解和工具应用能力。

　　数据挖掘师/算法工程师：

　　数据建模、机器学习和算法实现，需要业务理解、熟悉算法和精通计算机编程。

　　大数据工程师：

　　运用编程语言实现数据平台和数据管道开发，需要计算机编程能力。

　　数据架构师：

　　高级算法设计与优化；数据相关系统设计与优化，有垂直行业经验最佳，需要平台级开发和架构设计能力。

　　六、总结

　　关于数据的内容，一篇文章其实说不出更多有价值的东西，更多的需要自己在工作中的思考与总结；当然，同行交流以及吸取同行前辈的经验也很重要。

    更多类似资讯请访问站长资源平台：http://www.2898.com/