數據分析師事前與運營保持良好的溝通，事後為覆盤做好準備，讓數據分析助力運營工作，合作共贏。
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，以至於大家在網上看到的數據分析文章，十篇裏有六篇是運營寫的。運營對數據分析涉入的如此之深，以至於經常在分析思路、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，和數據分析關係最緊密，也是懟的最多的崗位，今天就用它舉例子。
請聽題：
某遊戲APP，用户活躍率在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，提高用户活躍度（具體提高多少沒説），現活動前後數據如下圖所示，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。老闆認為這是扯淡。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。
問：你是數據分析師，你該怎麼辦？
01 科學旗號下的荒唐事首先問，這個題的題眼在哪裏？
A、用户活躍率減少
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，一個人拿着弓來問你：“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”你會怎麼辦？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？”
如果他説：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麼東西嗎？——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：具體提高多少沒説。甚至題目本身都是有問題的。請注意問題的來源是活躍用户數量減少。結果運營在設目標的時候變成了用户活躍度。一字之差，含義就從清晰變模糊。
- 到底什麼算“度”
- 含義是用户活躍人數，為啥不直接用？
- 含義是用户活躍率？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，對活動後分析是一場災難。簡直就是射箭故事的翻版。問題是：為啥會出這麼奇葩的事。
02 荒唐背後的苦衷真正在企業上過班就知道：並非所有決策都是高度理性的，比如：
- 這是常規活動，運營只是拿着模板改了改就推上線了
- 這是老闆親自指示乾的，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，真實企業裏，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：提高用户活躍人數，5月dau維持在XX水平以上
當然，在管理規範的大企業裏，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，事後指望大數據來分析。甚至企圖通過人造一個很低的、負增長的自然增長率，來矇混過關。真要是碰上這種事，咋辦呢？
首先，堅決不扯什麼“自然增長率”。特別是在這種短期活動很密集的業務裏。如果一定要扯，採用買定離手的機制：大家事先談好自然增長率是多少，事後就看這個數，不要再調整。這就跟下棋的時候拒絕悔棋是一個道理。
- 做什麼目標，事先説清楚，從X%提升到y%；
- 找清晰、直觀的目標，避免玄幻/複雜概念；
- 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，這麼做會遇到兩個挑戰：
- 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？
設定目標有三種基本方法：
- KPI分解法
- KPI倒推法
- KPI場景法
分別對應：
- 活動目標是KPI指標
- 活動目標是KPI過程指標
- 活動目標是KPI關聯指標
有同學會問：為啥都和KPI掛鈎？答：如果做的事跟KPI沒啥關係，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：
KPI倒推法舉例：
KPI場景法舉例：
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，還能為上線後監控、事後覆盤做好準備，一舉三得。事前工作到位，事後不用吵架，大家合作共贏，是最好的狀態。
04 事後補救的基本方法如果事前沒有定目標，一定要事後補救的話，牢記：核心不是什麼自然增長率，而是“業務到底需要把指標做成什麼樣子”。特別是如同開頭的情況。整體目標已經撲街的情況下，事後再糾結自然增長率，往往會淪為甩鍋大戰。這時候可以分三步做：
第一步：定方向
通過這樣的操作，至少能結束稀裏糊塗的狀態，明確：我們到底要把曲線做成什麼樣。判斷本次的方法要換成那種。在細節裏，為下一次迭代找到優化方向。
注意，這麼做更多是基於“目前已撲街”的判斷。這麼做在評估活動效果上並不科學。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，測試用户響應效果。還是那句話：提前多準備，事後少糾結。
很多同學會説：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：這個事該怎麼做。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：你就是得帶着鐐銬跳舞，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。
有同學會説：咦？咋只少了一半打架，另一半是啥？答：是活動事後分析的另一個永恆糾結的問題：你做這個又怎樣！為什麼活躍用户人數不能再高點？高了怎麼多又如何呢？它一個指標高了，其他低了，又咋辦！這就是我們常説的綜合評估問題（陳老師習慣簡稱：又如何問題），有興趣的話，我們下篇來分享這個問題。
#專欄作家#接地氣的陳老師，微信公眾號：接地氣學堂，人人都是產品經理專欄作家。資深諮詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。
本文原創發佈於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議