数据分析师事前与运营保持良好沟通，事后做好复盘准备，让数据分析助力运营，合作共赢。

做数据分析的同学最常服务于运营，最怕运营纠结。因为自身运营的工作与数据分析高度相关，所以你在网上看到的数据分析文章，十篇有六篇是运营写的。我对运营数据的分析非常投入，经常会和数据分析师在分析思路、方法和结论上产生交集。

今天，我们来看看最大的问题。运营有很多种类型(如下图所示)，其中活动运营最具战略性，与数据分析密切相关，也是最受欢迎的岗位。今天就以此为例吧。

请听问题:

某游戏APP，5月份用户活跃度略有下降，于是活动运营团队决定做一个签到打卡活动，提升用户活跃度(具体提升幅度未提及)。活动前后的数据如下图，活动运营团队坚持认为，如果不是因为活动，5月份的自然增长会下降。老板觉得这是扯淡。运营团队表示:数据分析师要利用人工智能大数据，精准分析自然增长率。

问:你是一名数据分析师。你该怎么办？

01科学旗帜下的荒谬之事

首先，这个问题的题目在哪里？

a、用户活跃率下降。

B.自然增长率

c、人工智能大数据

想

考试

一个

第二

时钟

先提个反问题:有一天，一个男人拿着弓走到你面前，问:“请用人工智能大数据精确分析一下，我的命中率比自然的高多少。”你会怎么做？你能抓起键盘开始写代码吗？不要！你会先问他“你拍了什么？”

如果他说，我不知道它在拍什么，你能帮我分析一下吗？你会怎么做？能不能用人工智能大数据分析他要拍什么？-当然不是！礼貌的话，你会让他先去找自己的箭；如果你很粗鲁，你可以把香味吐出来。因为就连幼儿园的孩子都知道射箭需要先定一个目标。这是常识。

所以总体的问题是:具体改善多少不说。甚至题目本身都有问题。请注意，问题的根源是活跃用户数量的减少。于是，在设定目标的时候，运营就变成了用户活动。词与词之间的差异使意思从清晰变得模糊。

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？

指数本身并不明确，也没有明确指出要提高多少。事后分析是一场灾难。这是射箭故事的复制品。问题是:为什么会发生这么奇妙的事情？

荒谬背后的痛苦

如果你在企业工作过，你就会知道，并不是所有的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，在现实企业中，大概是:

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，这种乱象要少得多。然而，大多数企业都存在类似的问题。他们不会事先写下明确的目标，并期待大数据在事后进行分析。甚至试图通过人为创造一个非常低的负自然增长率来逃脱惩罚。出现这种情况我该怎么办？

首先，不要谈“自然增长率”。尤其是这种短期活动密集的业务。如果有必要，就采取买了就走的机制:事先谈好自然增长率，事后再看数字，不要再调整了。和拒绝后悔下棋是一样的。

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个原则。

当然，这样做将面临两个挑战:

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？

03设定目标的基本方法

设定目标有三种基本方法:

KPI分解法KPI倒推法KPI场景法

分别对应:

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

三个场景

有同学会问:为什么都和KPI挂钩？答:如果你做的事情与KPI无关，那么你也知道这件事情的重要性和紧迫性。大张旗鼓地做一些与KPI无关的事情，本身可能就是影响KPI的原因。

KPI分解方法示例:

KPI向后方法示例:

场景方法示例:

平时要和运营保持良好的沟通，让数据分析师提前介入规划。既能帮助手术理清思路，又能帮助手术计算目标。还可以做好上线监控和事后恢复的准备，一举三得。事前工作到位，事后不吵架，合作共赢才是最好的状态。

04事后补救的基本方法

如果事先没有设定目标，事后一定要补救。记住:核心不是自然增长率，而是“业务需要让目标变成什么样子”。尤其是在开始的时候。当总体目标已经抛到大街上，自然增长率会在事后纠结，往往会变成抛锅大战。这可以分三步完成:

第一步:定方向。

第二步:想办法。

第三步:看细节。

通过这样的操作，至少可以结束糊里糊涂的状态，明确自己:到底要做出什么样的曲线？判断这个时间的方法应该换成那个。在细节中找到下一次迭代的优化方向。

注意，这更多的是基于“目前街道已经被扔了”的判断。在评价活动效果时这样做是不科学的。如果你想科学地评估活动，你必须事先设计实验，划分测试组和参考组，并测试用户的响应效果。还是那句话:事前多准备，事后少担心。

很多同学会说:就算我们这样做了，我们公司领导还是迷信，运营还是无脑。如果出了什么差错，我们会把锅扔来扔去。我们做什么呢即便如此，陈老师还是建议大家先掌握:如何做到这一点。遇到这样的问题，至少可以判断是我的问题还是别人的问题。至少知道该往哪个方向努力。这也是真实的商业场景和科学实验室的区别:你只需要戴着镣铐跳舞，在有限的数据、各种类型的同事、过高和过低的期望之间走钢丝。

有的同学会说:啊？为什么战斗只少了一半？另一半是什么？答:又是一个事后分析的永恒纠结问题:你这样做又怎么样！为什么活跃用户数不能更高？如果高很多呢？一个指数高，其他指数低怎么办！这就是我们常说的综合评价问题(陈老师以前简称:什么问题)。如果你有兴趣，我们在下一章分享这个问题。