数据分析这件事情，听起来像是程序员干的，但它却在悄无声息地接近每一个运营人。
且不说阿里、腾讯这样的巨头，早已经把数据分析作为决策的客观依据。即便是在初创的产品中，用户、运营、销售等数据也已被证实拥有巨大的分析价值。
产品功能如何迭代？转化流程如何优化？如何根据用户画像做精准投放？如何根据用户行为高效促活？……这些之前看似拍脑袋就可以决定的事情，缺点和局限性在客观的数据面前仍然很大。
从前日色变得很慢，而现在每天都有新的东西在产生、繁荣和消亡。你可能会发现，以前行之有效的经验，在商业环境快速迭代中，不再那么可靠，生命周期明显变短。
数据驱动和精细化运营的时代，来得比我们的预料要更早。
比如流量运营，仅仅关注pv、uv等虚荣指标，在今天是远远不够。CPC、DAU、平均访问时长、访问深度、跳出率、平均流量转化等更加精细的指标,以及基于这些指标的大规模数据分析，对于用户行为的判断，更具分析意义。
又比如内容运营，个人的经验和感觉可能需要长期的训练，而这种经验能用多久，未知，但越来越不乐观。基于用户浏览偏好、使用习惯，我们几乎可以得到非常精确的、有指导意义的结论。
比如淘宝根据浏览记录的商品推荐，比如网易云音乐根据相似用户的音乐推荐，今日头条基于用户画像的内容推荐，这些都是数据分析支撑内容运营的典范。
其实，在稍微正规一些的产品运营中，精细化运营的趋势越来越明显。下面从运营中最常见的几个流程分别说说：
用户画像
用户画像这件事情看似简单，但其实是因为拍脑袋猜测很简单，精确定义很难。所以以往我们对用户的定义通常是这样的：“25-30岁的白领”、“有阅读习惯的职场青年”、“1-3年经验的程序员”……但这其实并没有多大的意义。
用户在使用哪些产品，对产品的认知如何，使用频率是什么样的，消费水平如何分布等等，但其实这些可以通过对产品本身的用户数据进行分析，得出更加深刻的结论。
或者我们也可以通过公开数据集、或者爬虫来获取外部数据进行分析，这算是一个非常靠谱的行业调研了。通过数据分析的方法，我们可以快速去了解一些新的领域，了解新的市场，从而知道机会在哪，有效降低试错成本。
广告投放&渠道选择
你需要去分析具体渠道的用户和目标用户的吻合度，当面对多个类似渠道的时候，只是粗略的估计，往往回报会很低。如果通过用户画像、市场调研等原始数据精准定位，如何通过广告投放数据进行优化，这些都是需要精确计算和分析的地方。
洞悉广告市场复杂的交易结构和自身产品、用户特点，并选择合理高效的营销方案和技术架构，是商业化必须面对的第一步。
转化分析
产品里面有很多地方需要做转化分析：注册转化、购买转化、激活转化等等，一般我们借助漏斗来衡量用户的转化过程。从转化的漏斗我们大致可以得出一些结论，比如用户在哪些环节受到阻碍，是文案吸引力不够，还是功能体验太差。
但如果做更深入的数据分析，还能得到更多的东西，比如从不同渠道来的用户转化漏斗的差异，可以为渠道选择和广告投放优化提供参考。又比如哪些标签下的用户转化更好？流失的用户受到的阻碍是否不同，分别是什么？在转化过程中如何确定各种影响因子的优先级？
精细化的分析，多做一些假设检验，能够为我们得出更加细化的解决方案。
精准推荐
用户行为分析逐渐成为各种优秀产品不可忽视的一环，今日头条的异军突起，网易云音乐的良好口碑，皆与之相关。
我们需要对用户的需求进行分析，例如用户感兴趣的内容、内容阅读和传播的比例等。如何对用户进行标签化，相思相划分，如何根据用户历史习惯来精准推荐商品、内容，这些渐渐成为促进用户活跃，提升用户粘性的关键。
产品迭代
无论是产品的迭代计划，还是促活的策略，如何界定产品的迭代方向。根据用户行为数据的分析，用户浏览点击的热力图定位，以及不同页面、功能的流量监控，渐进式、有针对性地推出改善用户体验的新功能。
数据正在深入我们工作的每一个细节，作为与用户和产品接触最频繁的人，运营是接触数据的第一个环节。同时运营通常是策略的制定者和实施者，但数据经常被技术部门掌控，或者安静地待着，不产生任何作用。
对于运营来说，数据产生和决策制定中间，一定还有大量可以优化的空间，这种空间很大程度上可来源于数据。从数据中发现知识，优化决策，将会成为大大提升运营效率。
另一方面，有了数据的支撑，你可以更好地说服boss，即便和技术、产品撕逼，也完全不虚。但前提是，你能够利用好这些数据，分析出支撑决策的结论，并用一般人能够看懂的可视化方式描述出来。
现在，稍微有点规模的产品，数据量都特别大，有非常多的字段，你可能会懵逼，到底应该从什么地方下手呢？
但如果有一些经验就会好很多。比如，你要研究影响跑步运动员速度的身体因素，那么我们可能会去研究运动员的身高、腿长、体重、甚至心率、血压、臂长，而不太会去研究运动员的腋毛长度，这是基于我们已有的知识。又比如你要分析影响产品质量的几个指标，影响转化的因素的优先顺序，那么如果你经过前期的分析，就可以得出一些初步的结论。
所以当你分析的问题多了之后，你就会有一些自己对数据的敏感度，从而养成用数据分析、用数据说话的习惯。这个时候你甚至可以基于一些数据，根据自己的经验做出初步的判断和预测（当然是不能取代完整样本的精准预测），这个时候，你就基本拥有数据思维了。
数据驱动这个词相信你已经听过很多了，粗犷式的运营策略带来的低信噪比、资源浪费，通过精细化运营可以有效缓减。uv、pv 等指标已经无法精准决策的时候，如何通过更精细的数据分析，将会是未来运营的驱动力量。
更重要的是，最基础的、重复的、价值含量低的运营工作，将逐渐被自动化的运营代替。比如基于数据分析的推荐系统，已经很好地代替一部分内容的筛选和推送。未来运营人的一个核心竞争力是，通过数据分析实现高效自动化运营。
那么数据分析的技能是否可以快速习得呢？当然是可以的。
从运营的角度来看，一般数据分析的流程为：问题定义、数据获取、数据清洗、数据建模与分析、数据可视化与结论。
● 对于运营人来说，问题定义是已经内化的技能了，因为对业务的熟悉，对产品和用户的理解，在互联网人的圈子，应该算是处于最顶端那部分。就算是现在，你也有想去提升的指标，优化的流程，这些都是很好的问题源。
● 在数据获取这个部分，运营人的数据一般来自企业产品的数据库，这个时候你需要了解SQL的操作，至少能够熟练地从数据库提取数据。另外，掌握爬虫，能够从外部网站获取行业数据，将会为你打开全局分析的思路。
● 即便是企业自身的数据，也大多是不完整、不一致的脏数据，无法直接进行数据分析，或分析结果差强人意。比如重复数据、确实的数据、无效的数据等，把这些影响分析的数据处理好，才能获得更加精确地分析结果。
● 用基本的数据分析方法，或者数据挖掘算法，来获得你想要的结论，比如通常分析会用到的回归模型（线性回归、逻辑回归）。分析结果最直接的结果是统计量的描述和统计量的展示，另外一些则需要深入探究内部的关系，以对未来的情况做出精准的预测。
总的来说，需要掌握三个部分的技能：
● SQL（数据库）。企业的数据一般都会存于数据库，那么怎么从数据库取数据？如何建立两表、三表之间的关系？怎么取到自己想要的特定的数据？等等这些数据选择问题就是你首要考虑的问题，而这些问题都是通过SQL解决的，所以SQL是数据分析的最基础的技能。
● 统计学基础。数据分析的前提要对数据有感知，数据如何收集？数据整体分布是怎样的？如果有时间维度的话随着时间的变化是怎样的？数据的中位数、众数、显著性有什么指导意义？如何用假设检验进行初步分析？
● Python基础。这一点是必备项也是加分项，语言相比较工具更加灵活也更加实用，可以更方便实现你的想法。python有着众多开源的库（如numpy、pandas、scikit-learn、seaborn），科学计算和数据可视化都不在话下。
最快的学习路径，就是基于解决问题的流程，这样你知道每个部分的知识用来做什么，可以用在哪些地方，每一部分都能解决一些实际的分析问题。
这里要给你推荐的DC学院的《数据分析师（入门）》课程，用最高效的学习框架，只要60天就够了。
而这门课程正是基于解决问题的学习路径，掌握这些技能，已经可以击败一半所谓的分析师了，当然咱们还是安静的做个有技术的运营。
60天掌握数据分析核心技能
了解数据分析工作的一般流程和知识框架，了解目前数据分析的应用场景及实现形式。你将在老师指导下搭建你的Python编程环境，为后续的python爬虫和数据分析做好准备。
这部分你将学会如何从互联网获取外部数据。你将了解目前有哪些比较好的网站可以获取优质的数据资源。
更重要的，学习python爬虫，你将能够用自己的代码来爬取任何网站的数据。课程将会以爬取天气数据，爬取豆瓣电影数据、爬取地图街景数据、爬取租房数据、爬取腾讯新闻数据等多维度的数据作为案例详解实操。
在这部分你将学会通向数据库的语言 - SQL 。如何提取特定的数据，如何建立两表、三表之间的关系等……SQL可以通过简单的命令帮你完成这些工作。
同时，你将学会如何用 python 处理不干净的数据。比如重复数据、不一致的数据、缺失数据、无效数据等。
-- 第四章 --
统计学基础与Python数据分析(3周)
在这一部分你将会先学习基本的统计学知识，比如众数、中位数、均值、方差……这些基本统计量，以及假设检验、概率分布、误差这些常用的方法。
你将学习如何利用简单的 python 命令实现excel不能实现（或实现很麻烦）的数据可视化展示。
你将学会一种普遍适用的数据分析方法 - 回归分析，你还将学会如何运用特征选择的方法去优化模型，得到更精确的结果。
在这一章，老师将带你进行全方位的数据分析实战。你将从问题定义（如何确定问题的重要程度）、数据获取（SQL提取、外部数据获取）、 数据预处理（清洗不干净的数据）、数据分析（选择什么模型、如何做特征优化）、数据可视化与报告等几个部分来实现一个完整的数据分析案例。
此外我们专门设计了三个基于实际场景的数据分析实战项目，帮助你去内化数据分析的技能。
课程采用录播的形式，你可以按照自己的节奏来规划学习节奏。为准备这个课程，我们吸取了无数数据分析师和资深数据运营的经验，我们研究了目前主流的数据分析书籍和课程，还有，邀请了两位能够为你提供学习方向的绝对大牛老师：
王乐业
香港科技大学博士后
王乐业，香港科技大学博士后，法国国立电信学院及巴黎六大计算机科学与技术专业博士。本科和硕士毕业于北京大学计算机科学与技 术专业。目前研究方向研究方向为城市时空数据挖掘。从事研究工作包括通过社交网络识别个人兴趣、通过移动通信网络推理人群移动模式、以及通过公共交通数据优化交通站点分布等。发表论文20余篇，其中SCI10余篇，引用300余次。乐业老师是一位乐于分享的学者，善于用简单的方法解答复杂的问题。在他看来，找到好的学习方法和路径，其实可以少走很多弯路。
周涛
电子科技大学教授
周涛，电子科技大学教授、大数据研究中心主任。主要从事统计物理与复杂性，数据挖掘与数据分析方面的研究。在 Physics Reports、PNAS、Nature Communications等国际 SCI 期刊发表300余篇学术论文，引用超过17000次，H 指数为63。2015年入选全国十大科技创新人物，超级畅销书《大数据时代》译者，畅销书 《为数据而生:大数据创新实践》作者。周涛教授参与课程的研发和课程体系的设计，以多年的教学科研和企业数据团队管理经验为课程的顶层设计保驾护航。
除此之外，你还会遇到指导你每一个细节的答疑老师，解决你学习路上的每一个困惑。还有一群优秀的、有前瞻性的运营人，跟你一起，探索数据驱动以及用户增长。
做个懂数据分析技术的运营
“鸟哥笔记”公号限时折扣
¥399（原价¥599）限额200名
长按下方二维码，现在去抢
↓↓↓
如有任何疑问或购买问题
请加Alice小姐姐微信：
我们刚在运营领域打拼的时候，能力可能是不足的，此时需要加强的是基础的技能，比如办公软件、文案、渠道、活动等。但往往在一段时间之后就会遇到瓶颈，这个时候你会发现无论怎样努力工作，提升都非常有限，甚至成绩、效率会下滑。
这个时候你可能更需要提升的不是能力，而是认知。应该说是跳出此前的框架，站在更高的维度上去思考事情的能力。你可能需要补足相关领域的知识，比如市场、品牌……还有不可替代的底层技能，比如结构化思考、数据思维。
曾听过这样的一个说法，在各行各业，那些越是厉害的大佬，你越是很难准确说出来他们是做什么的。这其实就是对于跨界能力和终身学习意识的一种解读。建议你在年轻的时候，主动寻找这些突破的机会，学习一些可以在任何工作中迁移的底层技能，以应对那些即将到来的天花板。
点击下方“阅读原文”加入课程
