gu903();然后是产品使用数据，基本和新用户相关。新用户到来后的活跃情况、使用时长、使用频次、使用轨迹、下单情况、付费转化率及后续1天、3天、1个星期、两个星期和1个月的留存情况等。后续能用到的数据就是与用户画像相关的数据，这些数据会更多地运用到前端商品的推荐上。

通过对用户基础数据、产品使用数据及用户画像数据的结合分析，基本可以判断出哪种渠道的分享拉新成功率最高（即注册为产品用户），哪个渠道的新用户质量最高（即新用户有消费行为），老用户对于这类活动的参与程度与反馈情况等。同时，要从成本环节来匹配送出的奖品与新增的用户之间的投入产出比，以及成本投入与活动新增用户产生的总销售额的投入产出比。通过以上这些数据，基本能够判断出开展的活动对于刺激新增是否有效。

6.2.2通过正循环不断优化数据

无论是产品还是运营，在测试效果时都需要数据来佐证，其中用的最多的是A/B测试。A/B测试，又叫ABTesting，指的是某个产品功能或某个页面同时上线A、B两个版本，随机给一部分用户展示A版本，给另外一部分用户展示B版本，然后通过比较两个版本的实际效果，来确定最终将哪个版本正式发到线上。要注意的是，A/B测试更多的是部署在服务器端，以保证产品和运营需求能随时切换和调整。

比如，图6—3所示的产品，对某个栏目的展现形式做了A/B测试，图中左侧为单本图书展现样式，包括封面、书名、简介、热度及分类，图中右侧为横排展现样式，一行有3本，只展示封面和书名。如果A/B测试的目的是通过改变样式而增加书城首页顶部的图书收入，而两个样式展示的是同样内容，那就需要比较同等数量的用户在A和B版本下的产品收入；如果在一定持续时间内（通常至少7天）两者的收入对比，其中一个能比另外一个高5%以上，则通常被定义为有效。

通过A/B测试，可以获得用户对于不同的产品版本的实际反馈，通过对比找到产生问题的原因，通过不断的尝试和测试，达到正循环的效果。

图6—3某阅读产品A/B测试

除了A/B测试外，不同工种的做运营的同学还必须充分了解与自身工作相关的数据，通过不停地尝试，将数据引入正向循环。

做内容运营的同学，需要关注和不断优化以下数据。

内容的展示数据：是否有足够的阅读量，阅读人数有多少，读完率是多少，用户停留时长是多少。

内容的转化数据：通过阅读能否引导用户有进一步的转化，付费人数是多少，付费金额是多少，什么形式的内容对什么类型的用户转化最有效。

内容的传播数据：有多少次分享，分享带来了多少用户和转化。

内容的用户数据：用户看完推送的内容还看了什么内容，看相同内容的用户有什么特征，相似的内容运用不同的展现形式，哪种更能促进用户的点击参与或付费。这些都需要通过数据来进行验证。

做用户运营的同学，关注的数据主要集中在以下用户数据。

用户基础数据：新增用户、活跃用户、流失用户、忠诚用户等在日、周、月、年的数据。

用户召回数据：通常用户在什么时候最容易流失，召回用户时推送什么内容效果最佳，对于付费用户是否采用更个性化的推送方式等。

用户价值数据：付费用户占比，付费用户行为习惯统计等。

活动运营和数据密不可分，活动效果基本可以从数据上看出来，并需要不断优化。

活动投放数据：每个渠道的宣传成本与参与用户数，哪种形式的宣传效果最好。

活动效果数据：每个活动上线后的浏览量、参与人数、参与率、参与活动的用户数据、获奖用户数据等。

活动成本数据：如何有效监控活动成本、单位用户成本，哪种活动形式的效果最好，这些都要通过数据进行分析。

渠道运营需要数据分析来提升渠道质量。

渠道基础数据：每个渠道的新增用户数、活跃用户数、流失用户数、用户留存数。

渠道成本数据：参与付费的渠道的单个广告位的展示量、获得用户数、单用户成本。

其实，产品和运营的每个阶段都伴随着数据运营，运营人员对每个模块的数据进行分析是为了更好地完成各自的工作。有的时候，将这些数据分析结果结合起来看，会发现一些很有意思的数据现象，可以从中为产品在未来的发展找到一些不错的方向。

6.3小结

（1）数据运营是通过分析产品和用户数据，找出数据变化的原因，根据分析结果优化产品和运营，并对未来的数据走势做出预测，为产品决策提供合理建议，其最终目的是使数据得到有效增长。

（2）作为一名运营人员，可以从用户基础数据、产品使用数据和用户画像数据这3个维度来分析数据。

（3）千万不要忘记，很多时候数据推断都是靠猜测，这些猜测需要经过线上的测试反复验证，不断地校准数据，并得到更多的数据结论。

（4）有时候数据也会“骗人”，要相信数据，但不能只看数据。

()运营攻略：移动互联网产品运营提升笔记

gu903();