建立数据化用户运营的必要性一是在于定量衡量你工作的价值，二是实现精细化运营的基础。
流程化和精细化为每个运营人员都要具备的基本思维，如果说流程化的思考是运营人员对运营目标的定性思考，那么数据化就是对就是对这个目标实现路径和效果的定量描述，它将你的工作思路落实在具体的数据指标上以衡量你的工作效果和目标实现情况。
建立数据化用户运营的必要性一是在于定量衡量你工作的价值，二是实现精细化运营的基础，比如后文提到的建立在数据基础上的用户分层分类和用户画像就是精细化运营的前提。
数据化用户运营是利用用户运营的思路，结合数据分析的思想，业务指导数据，数据驱动业务，实现对用户的精细化运营，这是数据化用户运营的核心思想。用户运营数据化的循环流程如下：用户数据收集—构建用户数据化运营指标体系—数据驱动运营。
用户数据的收集主要收集包括用户基本数据、用户行为数据和用户流量数据数据。
用户基本数据指的是用户的静态数据，包括性别、年龄、地区、工作等，这类数据描述了用户是谁，主要靠基本信息填写来实现。
用户行为数据是用户在产品上一系列操作行为的集合，哪个用户在哪个时间点、哪个地方以哪种方式完成了哪类操作，包括用户浏览、购买、内容贡献、邀请传播、社交等行为，这类数据描述了用户干了什么，主要靠数据埋点来实现。
用户流量数据是用户的来源，是基于用户访问的网页端产生的，包括设备、运营商、端口、时间等，这类数据描述了用户从哪儿来。不过目前的流量数据统计主要来源于GA、百度统计等第三方工具，无法记录在数据库中，也就是还做不到与上述提到的用户基本数据、行为数据一一对应。
以上数据都是从产品或第三方工具里得到的原始数据，要实现运营目标还需要在原始数据基础上做数据挖掘和数据分析，结合运营目标和路径构建数据化运营指标体系。
如果你不能用指标来描述业务，那么你就不能有效增长它。那么在本环节要做的就是将你的业务指标化。数据指标不是恒定不变的，它依托于你产品的业务流程或功能流程，和目标及目标实现路径密切相关。
用户运营的目的是最大化提升用户价值，如果你是电商产品，那你的目的就是让用户付费购买商品，如果你是社区产品，那你的目的就是让用户贡献传播内容。但是产品目标和用户价值的实现是个循序渐进的过程，也是个动态演变的过程，有的从潜在用户注册成为活跃用户，有的从活跃转为流失，也有的从流失回流到活跃。
上图中橙色是用户状态的动态演变，红色是运营目标。沿着目标–途径–效果的运营思路，数据分析就是将你的目标拆分后表现在具体数据指标上作为核心考察指标，利用数据对目标实现途径的监测来评价效果，对比当初设立的核心考察指标，来判断、验证、修正、优化工作途径，达到更好更快的效果。依照此思想，我们构建如下数据化运营指标体系，每个体系下都包含有一系列相关的指标。指标体系的构建都是在第一部分收集的用户数据的基础上通过数据处理、加工来实现的。
1.在从潜在用户变为注册用户的拉新环节，我们要做的是对拉新渠道及在各渠道上采用的推广策略的分析，通过数据指标评估渠道质量，优化渠道推广策略。数据指标主要包括新增用户数、用户获取成本，新用户留存率。
新增用户数：新增用户是指安装应用后，首次启动应用的用户。按照统计时间跨度不同分为日、周、月新增用户。新增用户量指标主要是衡量营销推广渠道效果的最基础指标；
用户获取成本：对于付费渠道反应渠道的转化率。
新用户留存率：反应新增用户的质量，与目标用户的契合度。另外对于成熟版本的产品，如果用户留存率有明显变化，则说明用户质量有明显变化，很可能是因为推广渠道质量的变化所引起的。
渠道A： SEM
渠道B： 微博
2.针对注册用户和活跃用户的促活留存环节是运营人员的最主要工作之一，我们日常所做的用户分层分类、用户成长激励体系等都是在这个环节做的，体现在数据上我们可以设立的指标体系包括了解用户规模和质量的体系，了解用户参与度（使用深度）的体系和了解用户属性的用户画像体系。
（1）用户规模和质量
活跃用户指标：活跃用户指在某统计周期内启动过应用(APP)的设备数。活跃用户是衡量应用用户规模的指标。通常，一个产品是否成功，如果只看一个指标，么这个指标一定是活跃用户数。活跃用户数根据不同统计周期可以分为日活跃数(DAU)、周活跃数(WAU)、月活跃数(MAU)，产品类别不同统计周期也不一样。
新增用户指标：新增用户量指标在前面说过是衡量推广渠道效果的主要指标；另外新增用户占活跃用户的比例也可以用来用于衡量产品健康度。比例过高时要特别关注留存率。
用户留存率指标：用户留存率是指在某一统计时段内的新增用户数中再经过一段时间后仍启动该应用的用户比例。用户留存率可重点关注次日、7日、14日以及30日留存率。留存率一方面反映用户质量，一方面也反映产品吸引力。留存率出现异常时可在这两方面查找原因。
用户构成指标：用户构成是对统计周期内活跃用户的构成进行分析，以周活跃用户为例，周活跃用户包括本周回流用户、连续活跃n周用户、忠诚用户等，有助于通过新老用户结构了解活跃用户健康度。
单用户活跃天数指标：是在统计周期内，平均每个用户在应用的活跃天数。如果统计周期比较长，如统计周期一年以上，郡么，每个用户的总活跃天数基本可以反映用户在流失之前在APP上耗费的天数，这是反映用户质量尤其是用户活跃度很重要的指标。
（2）用户参与度
用户参与度体系是衡量用户活跃度的重要指标体系。活跃在不同的产品中的定义不同，如电商产品中的活跃可以定义为购买，社区产品中的活跃可以定义为内容贡献。因此下面的三个指标在不同的产品中可以做不同演化。
启动次数=购买次数=内容贡献次数；
最近一次使用=最近一次消费=最近一次内容贡献；
使用时长=消费额=内容贡献量；
使用时间间隔=购买频率=内容贡献频率。
启动次数：指在某统计周期内用户启动应用的次数。在进行数据分析时，一方面要关注启动次数的总量走势，另一方面，则需要关注人均启动次数，即同一统计周期的启动次数与活跃用户数的比值，如人均日启动次数，则为日启动次数与日活跃用户数的比值，反映的是每天每用户平均启动次数。
最近一次使用：用户最近一次使用距离现在的时间，通过维度和分布的分析，也可在一定程度上反应活跃度。
使用时长：指在某一统计统计周期内所有从APP启动到结束使用的总计时长。使用时长还可以从人均使用时长（使用总时长和活跃用户数的比值）、单次使用时长（使用总时长和启动次数）等角度进行分析，是衡量产品活跃度、产品质量的重要指标。
使用时间间隔：使用时间间隔是指同用户相邻两次启动的时间间隔。我们通常要分析使用时间间隔分布，一般统计一个月内应用的用户使用时间间隔的活跃用户数分布。也可以通过不同统计周期(时间点不同，但跨度相同)的使用时间间隔分布的差异，以发现用户体验的问题。
访问页面：访问页面数指用户一次启动访问的页面数。我们通常要分析访问页面数分布，即统计一定周期内(如1天、7天或30天)应用的访问页面数的活跃用户数分布，如访问1-2页的活跃用户数、3-5页的活跃用户数、6-9页的活跃用户数、10-29页的活跃用户数、30-50页的活跃用户数，以及50页以上的活跃用户数。同时，我们可以通过不同统计周期(但统计跨度相同，如都为7天)的访问页面分布的差异，以便于发现用户体验的问题。
在以上用户参与度指标中，我们可以选取一个可以反映主运营目标的指标，如消费额，搭建用户等级模型（用户分层），也可以选取多个相关指标，如最近一次消费时间R，消费频率F，消费额M搭建常用的RFM用户模型。
作用在于可以根据构建出的模型中的不同等级（用户分层）或不同区域（RFM模型）的用户的特征制定针对性的运营策略或制定层级间转化的用户激励体系。
以问答社区为例，主要KPI是内容数量和质量，体现在用户所贡献内容获取的认可数上，通过数据收集整理得出用户认可数分布如下，我们以用户认可数为指标建立用户分层。
可以看出分布近似于对数正太分布，通过类似分布直方图定义第一，第二，第三四分位点作为临界值，将用户划分为普通用户、内容生产者、内容贡献者和大V四个等级用户。
当用户量足够大时，每一层用户等级里的用户特征也表现出很大差异性，比如内容贡献者一层里，有人以发表文章为主，频率低，单篇认可数高；有人以问答为主，频率高，单篇认可数低；这就结合RFM模型对每一层内用户再做细分。
再比如有人是3年以下，有人是5年以上，有人喜欢社交类内容，有人喜欢电商类内容，这就就可以结合下文介绍的用户画像对用户做更精细属性描述，做到更精细化运营的效果。
RFM模型
（3）用户画像
用户画像就是通过各种数据勾勒出用户的轮廓，凡是可以定义出用户属性的指标都可以放在用户画像里，包括性别、年龄、学历、收入、支出、职业、行业、个人兴趣爱好、商业兴趣、社交关系等等，数据越多，用户的轮廓就越清晰，相应的制定运营策略的时候就越有针对性。
3.我们每天手机上会收到各种短信、PUSH、陌生电话，邮箱里经常收到广告邮件，且越来越精准的戳中你的点，促使你再次启动app，如果你很久没有使用这个app了，那这很可能就是运营人员基于数据分析采取的召回措施，试图挽回流失的用户。
这一阶段主要是对流失原因的分析以相应召回方案的制定，数据指标用来衡量工作效果。体现在数据指标上为流失和召回体系，包括流失率、到达率、打开率、打开点击率、回流率。
流失率：流失率和留存率是互为此消彼长的一对概念，某个统计时间后不再使用产品的用户比率，两个指标一般都是采用同期群的计算方式，但因为流失率有一定的滞后性，所以通常是通过查询留存率来预计流失率。
到达率：推送到达用户手机或邮箱的比率。
打开率：用户看到推送打开的比率。
打开点击率:用户打开后点击内容/链接的比率。
我们的目标是让流失用户回流，但却不是一蹴而就的，后面四个指标层层递进，形成一个转化漏斗。推送的形式、推送发送时间、推送标题、发件人是否官方、发送对象是否精准、实际内容与标题是否一致甚至页面排版都会影响到每一层的转化。
有了结构化的数据指标体系，但这还不能算是完整的运营体系。数据本身是没有价值的，变成策略才有价值。我们构建出来的数据指标都是为决策来服务的，帮我们制定和优化运营策略。
通过数据我们不仅是要知道“是什么”和“有多少”的问题，更重要的是要知道“为什么”？这才是数据能驱动业务的关键。数据驱动业务体现在两个方面：
一是用数据优化运营策略，比如用户留存率低，而留存率与用户质量和产品吸引力有关系，通过渠道分析发现用户质量没有问题，而通过用户流失分析发现主要流失阶段在初始接触期，这就找到了原因，于是在产品稳定性、易用性和新用户引导上做优化。
二是数据验证运营策略，比如你想上线一个新的用户激励措施，但不确定和原有方式相比是否会有更好结果，这时候通过合理的AB测试得出的对比数据可以为你提供决策依据。
数据分析查找原因和运营策略优化是互相反复进行的过程，我们以用户的防流失为例来说明。
防止用户流失工作的核心是降低用户流失率或者延长用户的生命周期（流失无法避免的情况下）。造成用户流失的原因千差万别，有的是在推广过程吸引了大量价值不高的用户，有的是用户对产品不感兴趣，有的是使用过程中兴奋点不断提高而兴趣不断降低，只有找准用户流失的原因才能推出有效的防止用户流失和流失用户召回策略，而这都需要依赖于通过数据指标体系来说明问题。
1.不同渠道用户流失率分析
渠道A：SEM
渠道B：微博
全站用户
通过分析不同渠道用户的流失情况，我们会发现不同渠道的用户流失率明显不同，并且与全栈的用户流失率也不同。
在第一周，渠道A—通过SEM注册产品的用户流失为34%，而渠道B—通过微博注册产品的用户流失率为54%。为何渠道A的用户情况会明显好于渠道B？无论是渠道A的关键词主动搜索也好还是渠道B的推广链接感兴趣点击也好，用户的需求基本是一致的，否则在注册阶段就会流失了。
再往下分析，因为SEM是付费推广而微博是免费自然流量，运营为了提高SEM的投入产出比，渠道A的用户进入产品页面后会有专门的着陆页介绍产品，而微博直接链接到活动页，用户对产品认知较差，导致用户流失增加。
运营可以通过为通过微博来的用户添加新用户引导功能，继续观察微博过来的新用户的数据。如此反复不断优化策略。
2.不同生命周期用户流失率分析
通过使用时长和使用频次两个指标将用户生命周期划分为为接触适应期、探索成长期、成熟稳定期、衰退期，不同时期的用户人数和流失率统计如下：
从上表可以看出，在用户刚开始接触产品的探索适应期流失率偏高，有很大改进空间。根据我们用户运营的经验，在此阶段用户流失的原因一般包括新手引导体验差、访问速度慢、学习成本高、内容不匹配等，而这些在数据上都会有所体现，通过相应数据的分析查找原因，并制定相关的用户策略，再继续观察数据，反复优化策略。
以上以防止用户流失为例来说明如何利用数据来驱动用户运营，其它环节大同小异，利用用户运营的思想，结合数据分析的思路，选定合理的数据指标体系，精准分析原因，制定相应策略，重新观察数据优化策略。
四、总结
