做數據分析的同學最常服務運營，也最怕運營糾結。因為本身運營的工作和數據分析有高度關聯，以至于大家在網上看到的數據分析文章，十篇里有六篇是運營寫的。

運營對數據分析涉入的如此之深，以至于經常在分析思路、分析方法、分析結論上和數據分析師們懟起來。

今天我們就先看其中最大的一個問題。運營的工種有很多（如下圖），其中活動運營是策略性最強，和數據分析關系最緊密，也是懟的最多的崗位，今天就用它舉例子。

圖片

請聽題：

某游戲APP，用戶活躍率在5月出現輕微下降情況，活動運營小組決定做一個簽到打卡的活動，提高用戶活躍度（具體提高多少沒說），現活動前后數據如下圖所示。

活動運營小組堅持稱：如果不是做活動，5月份自然增長是下跌的。老板認為這是扯淡。活動運營小組稱：數據分析師應利用人工智能大數據，精準分析出自然增長率。

圖片

問：你是數據分析師，你該怎么辦？

一、科學旗號下的荒唐事

首先問，這個題的題眼在哪里？

A、用戶活躍率減少

B、自然增長率

C、人工智能大數據

我們先反問一個問題：某天，一個人拿著弓來問你：“請用人工智能大數據精確分析一下，我比自然命中率高了多少”你會怎么辦？你會抄起鍵盤開始叭叭寫代碼嗎？——不會！你會先問他：“你射的是啥？”

如果他說：我也不知道射的啥，你幫我分析分析？你會咋辦？你會用人工智能大數據分析他要射什么東西嗎？——當然不會！有禮貌的話，你會讓他先把自己射的箭找到；沒禮貌的話，你可以直接口吐芬芳了。因為即使是幼兒園的小朋友都知道：射箭要先樹個靶子。這是常識。

所以整體的題眼是：具體提高多少沒說。甚至題目本身都是有問題的。請注意問題的來源是活躍用戶數量減少。結果運營在設目標的時候變成了用戶活躍度。一字之差，含義就從清晰變模糊。

● 到底什么算“度”

● 含義是用戶活躍人數，為啥不直接用？

● 含義是用戶活躍率？大家的公式是否一樣？

● 含義是綜合計算的，計算公式和權重又是啥？

指標本身不清晰，又沒有明確指出要提升多少，對活動后分析是一場災難。簡直就是射箭故事的翻版。問題是：為啥會出這么奇葩的事。

二、荒唐背后的苦衷

真正在企業上過班就知道：并非所有決策都是高度理性的，比如：

這是常規活動，運營只是拿著模板改了改就推上線了

這是老板親自指示干的，咱也看不懂，咱也不敢問

這是一種商業直覺：我感覺有問題了！等到真觀察到再改已經來不及了

這是一種迷信：你們不是有人工智能大數據嗎，應該duang！一下就有了吧

總之，真實企業里，大概：

• 30%的活動方案沒有寫清楚，只有個含糊的：“提高消費/提高活躍”
• 30%的活動方案用詞不嚴謹，活躍度、活躍值、活躍力一類的玄幻概念滿天飛
• 30%的活動方案沒有做過測算，都是拍腦袋決策，甚至提1億的目標，只為口號順口
• 只有大概10%方案能認真寫清楚：提高用戶活躍人數，5月dau維持在XX水平以上

當然，在管理規范的大企業里，這種亂象少很多。但是同類問題在大部分企業都存在，事先不寫清楚目標，事后指望大數據來分析。甚至企圖通過人造一個很低的、負增長的自然增長率，來蒙混過關。真要是碰上這種事，咋辦呢？

首先，堅決不扯什么“自然增長率”。特別是在這種短期活動很密集的業務里。如果一定要扯，采用買定離手的機制：大家事先談好自然增長率是多少，事后就看這個數，不要再調整。這就跟下棋的時候拒絕悔棋是一個道理。

1、做什么目標，事先說清楚，從X%提升到y%；

2、找清晰、直觀的目標，避免玄幻/復雜概念；

3、找與核心KPI相關的目標，避免雜項干擾。

這是徹底解決問題的三大原則。

當然，這么做會遇到兩個挑戰：

挑戰1：有些運營就是不知道咋定目標，幫幫忙？

挑戰2：有些活動就是事先沒定目標，咋補救？

三、設定目標的基本方法

設定目標有三種基本方法：

1、KPI分解法

2、KPI倒推法

3、KPI場景法

分別對應三個場景：

1、活動目標是KPI指標

2、活動目標是KPI過程指標

3、活動目標是KPI關聯指標

有同學會問：為啥都和KPI掛鉤？答：如果做的事跟KPI沒啥關系，那你也知道這個事的重要緊急程度了。大張旗鼓做和KPI無關的事，本身就有可能是影響KPI的原因哈。

KPI分解法舉例：

圖片

KPI倒推法舉例： 

圖片

KPI場景法舉例： 

圖片

平時和運營保持良好的溝通非常必要，這樣在策劃早起，數據分析師就能介入。既能協助運營理清思路，又能幫助運營算清目標，還能為上線后監控、事后復盤做好準備，一舉三得。事前工作到位，事后不用吵架，大家合作共贏，是最好的狀態。

04、事后補救的基本方法

如果事前沒有定目標，一定要事后補救的話，牢記：核心不是什么自然增長率，而是“業務到底需要把指標做成什么樣子”。特別是如同開頭的情況。整體目標已經撲街的情況下，事后再糾結自然增長率，往往會淪為甩鍋大戰。這時候可以分三步做：

第一步：定方向

圖片

第二步：找方法 

圖片

第三步：看細節 

圖片

通過這樣的操作，至少能結束稀里糊涂的狀態，明確：我們到底要把曲線做成什么樣。判斷本次的方法要換成那種。在細節里，為下一次迭代找到優化方向。

注意，這么做更多是基于“目前已撲街”的判斷。這么做在評估活動效果上并不科學。如果想科學評估活動，得事前設計好實驗，分好測試組和參照組，測試用戶響應效果。還是那句話：提前多準備，事后少糾結。

很多同學會說：即使這樣做，我們公司的領導還是很迷信，運營還是很無腦，出了問題還是到處甩鍋，咋辦！即使這樣，陳老師也建議大家先掌握：這個事該怎么做。

這樣遇到問題，至少大家能判斷：到底是我的問題，還是別人的問題。至少能知道該往哪個方向努力。這也是真實商業場景和科學實驗室的區別：你就是得帶著鐐銬跳舞，在有限的數據，各種類型的同事，過高過低的期望值之間走鋼絲。

有同學會說：咦？咋只少了一半打架，另一半是啥？答：是活動事后分析的另一個永恒糾結的問題：你做這個又怎樣！為什么活躍用戶人數不能再高點？高了怎么多又如何呢？它一個指標高了，其他低了，又咋辦！