数据运营方法论（由“点”到“面”的体系法）

    互联网时代，所有用户行为都会留下足迹，而这些足迹在前端表现为用户行为，在后端则表现为业务逻辑。企业在日常数据运营中，一方面因为日常报表展现的信息量过大，让日常运营人员难以抓住重点；另一方面，又因为各部门的信息缺乏有效整合，难以形成完整的数据链条，进而在关键业务逻辑数据缺乏支撑点。

    针对日常数据运营的问题，企业一方面需要梳理组织架构，让数据化运营各个环节流程有效的组织起来，另一方面则需要一套行之有效的方法体系，指导企业日常运营分析行为，而这个方法论就是本次提出的数据运营方法论——“点、线、面、体，四位一体方法论”。

一、点

    点，这里是指业务上的痛点或high点，进一步可理解为业务发展异常点或进阶发展点，未来业务拓展关键点和BOSS关注点等。在数据上则体现为业务发展趋势中的波峰、波谷和数据离散点。

    点，是我们在数据运营中首先要关注的地方，是整个数据运营分析中的起点和基础点，也是“点、线、面、体”四位一体方法论中最基础的元素，是整个数据运营进程的扩展点。例如我们平时在网站或APP分析过程中，发现某一天的访客数明显低于正常水平，那么是什么原因导致这个异常点出现呢？又比如当月的销售量，某日的销售量明显低于其他什么原因引起的？此时的这个点就是我们数据运营的切入点。

    点的发现关键在于数据的统计整理，形成规范，找出规律和切入点。比如我关注流量这一指标，通过FineBI将各时段的流量数据抽取出来，前端做成一个dashboard界面，利用时间和查询控件供自助查询。

二、线

    两点成一线，推己及人，将业务中的异常点和我们日常运营目标有效的结合起来，就能形成一条清晰的数据运营分析线。除此之外，在数据运营数据积累过程中，随着时间的推进，也能形成一条它自己的“时间序列曲线”，进而在分析过程中实现数据的时间价值。线的分析是实现数据与数据关联的过程，是看趋势的过程，是实现数据的时间价值与串联识别价值的过程。

    另一方面，线的分析是维度分析的基础，思考问题的开始，这个过程有如数据在数据库中实现上下钻取、OLAP分析的过程。理解线的分析，一方面通过对运营目标的分析，来反思影响这一目标的各指标权重影响，简单点说，哪个因素发生变化会对销售量产生巨大影响，那这个指标的权重就越大，需要控制好。另一方面，比如分析流量在某一天下滑对月度销售额的影响，从流量下滑这一点出发，到对目标结果影响这一点关联分析的过程。一个是从结果出发分析影响因素，一个是从过程出发预测对关注目标的影响。

    “线”的分析在数据分析操作上体现在分析模型的建立，各指标的关联。比如下图我用FineBI建立了这样一个dashboard,右侧的数据与地区建立了关联，地区可进行多层钻取，右侧数据跟随着地区指标联动。见：地区数据（多层钻取联动）

三、面

    一条直线和直线外一点，构成面。此时的分析在“直线”分析的基础上将外部影响因素“点”考虑进来，形成对目标分析更周详的考虑。面的分析一线与多点的考虑，面比较点和线多的是辐射的影响与考量，是点、线分析整合的基础上引入了运营场景的考量，并将不同数据运营过程场景化，简单的讲，一个场景就代表一个面。

    理解面的分析方法，应从应用场景方面考量，考量各方影响因素。因为“面”，所以有了数据的角色化、场景化。

    同样是销售的分析，对内受一些列因素影响，比如营销力度、人员分布。但放到市场环境中也会受到来自同行或者同产业链的辐射影响。有些企业会将市场环境因素纳入到分析监控中。如某涂料厂商处于所处房地产建材行业，在全局分析中纳入了房地产行业的分析。

四、体

    多面成体。如果说面是考虑到了影响店与目标结果的各个因素，那么体则是从多面角度出发，能够从“旁观者”的角度看待整个分析“体”，更多的是强调全局观，是对整个分析体系的认知，是对点、线、面的全面整合，是完成的数据运营体系。

    点、线、面、提“四位一体”方法论是一个层层递进的过程，是对运营业务场景分析从简单到复杂的过程，从局部到全局的过程，是利用数据运营的思维方法。