运营工作和数据分析有很强的关联性。本文从一个活动运营问题引入，分析了数据分析的工作应该如何进行，希望对你有所帮助。

做数据分析的同学最常服务运营，也最怕运营纠结。因为本身运营的工作和数据分析有高度关联，以至于大家在网上看到的数据分析文章，十篇里有六篇是运营写的。运营对数据分析涉入的如此之深，以至于经常在分析思路、分析方法、分析结论上和数据分析师们怼起来。

今天我们就先看其中最大的一个问题。运营的工种有很多（如下图），其中活动运营是策略性最强，和数据分析关系最紧密，也是怼的最多的岗位，今天就用它举例子。

请听题：某游戏APP，用户活跃率在5月出现轻微下降情况，活动运营小组决定做一个签到打卡的活动，提高用户活跃度（具体提高多少没说），现活动前后数据如下图所示。

活动运营小组坚持称：如果不是做活动，5月份自然增长是下跌的。老板认为这是扯淡。活动运营小组称：数据分析师应利用人工智能大数据，精准分析出自然增长率。

问：你是数据分析师，你该怎么办？

一、科学旗号下的荒唐事

首先问，这个题的题眼在哪里？

A、用户活跃率减少

B、自然增长率

C、人工智能大数据

思考一秒钟。

我们先反问一个问题：某天，一个人拿着弓来问你：“请用人工智能大数据精确分析一下，我比自然命中率高了多少”你会怎么办？你会抄起键盘开始叭叭写代码吗？——不会！你会先问他：“你射的是啥？”

如果他说：我也不知道射的啥，你帮我分析分析？你会咋办？你会用人工智能大数据分析他要射什么东西吗？——当然不会！有礼貌的话，你会让他先把自己射的箭找到；没礼貌的话，你可以直接口吐芬芳了。因为即使是幼儿园的小朋友都知道：射箭要先树个靶子。

这是常识。

所以整体的题眼是：具体提高多少没说。甚至题目本身都是有问题的。请注意问题的来源是活跃用户数量减少。结果运营在设目标的时候变成了用户活跃度。一字之差，含义就从清晰变模糊。

到底什么算“度”含义是用户活跃人数，为啥不直接用？含义是用户活跃率？大家的公式是否一样？含义是综合计算的，计算公式和权重又是啥？

指标本身不清晰，又没有明确指出要提升多少，对活动后分析是一场灾难。简直就是射箭故事的翻版。问题是：为啥会出这么奇葩的事。

二、荒唐背后的苦衷

真正在企业上过班就知道：并非所有决策都是高度理性的，比如：

这是常规活动，运营只是拿着模板改了改就推上线了这是老板亲自指示干的，咱也看不懂，咱也不敢问这是一种商业直觉：我感觉有问题了！等到真观察到再改已经来不及了这是一种迷信：你们不是有人工智能大数据吗，应该duang！一下就有了吧

总之，真实企业里，大概：

30%的活动方案没有写清楚，只有个含糊的：“提高消费/提高活跃”30%的活动方案用词不严谨，活跃度、活跃值、活跃力一类的玄幻概念满天飞30%的活动方案没有做过测算，都是拍脑袋决策，甚至提1亿的目标，只为口号顺口只有大概10%方案能认真写清楚：提高用户活跃人数，5月dau维持在XX水平以上

当然，在管理规范的大企业里，这种乱象少很多。但是同类问题在大部分企业都存在，事先不写清楚目标，事后指望大数据来分析。甚至企图通过人造一个很低的、负增长的自然增长率，来蒙混过关。真要是碰上这种事，咋办呢？

首先，坚决不扯什么“自然增长率”。特别是在这种短期活动很密集的业务里。如果一定要扯，采用买定离手的机制：大家事先谈好自然增长率是多少，事后就看这个数，不要再调整。这就跟下棋的时候拒绝悔棋是一个道理。

做什么目标，事先说清楚，从X%提升到y%；找清晰、直观的目标，避免玄幻/复杂概念；找与核心KPI相关的目标，避免杂项干扰。

这是彻底解决问题的三大原则。

当然，这么做会遇到两个挑战：

挑战1：有些运营就是不知道咋定目标，帮帮忙？

挑战2：有些活动就是事先没定目标，咋补救？

三、设定目标的基本方法

设定目标有三种基本方法：

分别对应三个场景：

活动目标是KPI指标活动目标是KPI过程指标活动目标是KPI关联指标

有同学会问：为啥都和KPI挂钩？答：如果做的事跟KPI没啥关系，那你也知道这个事的重要紧急程度了。大张旗鼓做和KPI无关的事，本身就有可能是影响KPI的原因哈。

KPI分解法举例：

KPI倒推法举例：

KPI场景法举例：

平时和运营保持良好的沟通非常必要，这样在策划早起，数据分析师就能介入。既能协助运营理清思路，又能帮助运营算清目标，还能为上线后监控、事后复盘做好准备，一举三得。事前工作到位，事后不用吵架，大家合作共赢，是最好的状态。

四、事后补救的基本方法

如果事前没有定目标，一定要事后补救的话，牢记：核心不是什么自然增长率，而是“业务到底需要把指标做成什么样子”。特别是如同开头的情况。整体目标已经扑街的情况下，事后再纠结自然增长率，往往会沦为甩锅大战。这时候可以分三步做：

第一步：定方向

第二步：找方法

第三步：看细节

通过这样的操作，至少能结束稀里糊涂的状态，明确：我们到底要把曲线做成什么样。判断本次的方法要换成那种。在细节里，为下一次迭代找到优化方向。

注意，这么做更多是基于“目前已扑街”的判断。这么做在评估活动效果上并不科学。如果想科学评估活动，得事前设计好实验，分好测试组和参照组，测试用户响应效果。还是那句话：提前多准备，事后少纠结。

很多同学会说：即使这样做，我们公司的领导还是很迷信，运营还是很无脑，出了问题还是到处甩锅，咋办！即使这样，陈老师也建议大家先掌握：这个事该怎么做。

这样遇到问题，至少大家能判断：到底是我的问题，还是别人的问题。至少能知道该往哪个方向努力。这也是真实商业场景和科学实验室的区别：你就是得带着镣铐跳舞，在有限的数据，各种类型的同事，过高过低的期望值之间走钢丝。

有同学会说：咦？咋只少了一半打架，另一半是啥？答：是活动事后分析的另一个永恒纠结的问题：你做这个又怎样！为什么活跃用户人数不能再高点？高了怎么多又如何呢？它一个指标高了，其他低了，又咋办！

这就是我们常说的综合评估问题。

专栏作家

接地气的陈老师，微信公众号：接地气的陈老师，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。