1. 分解思路
做網際網路運營的資料分析，首先就是學會「分解」。將資料分解，將問題分解。所有的資料都可以層層向下分解，找出更多的「子資料」，通過對子資料的挖掘和優化，往往能逐個擊破，找到方向，提公升最後的「關鍵指標」。這個重要的思路也貫穿了本文章下面幾乎所有的內容。很多時候我們找不到努力的方向，往往是分解的能力還不夠，只盯著最後大的成交額指標不放，不去挖掘這個指標下面的相關因素，而這些因素就是所謂的細節，做好了，就成為「極致」。
分解思路還有乙個好處是可以幫助運營更好的分工，進行組織架構的優化調整。使員工更專業，更聚焦到某一塊業務上，從而培養出乙個細分職能的專家，當每個細分職能都有專家時，又會反應在運營細節的完美上。
2. 追蹤思路
運營的問題，是追蹤出來的，不是一次就看出來的。所有的資料都是靠積累和沉澱才能發現問題，單一的數字沒有任何意義，只能稱為 「數值」。比如乙個店鋪今天的流量是2000，轉化率1.5%，成交額3000 ，好還是不好，進步還是退步了，不知道。只有放到近1周，近1個月，甚至是近1年的資料中，組成線性的趨勢去研究，才能找到「問題」，這個時候的資料才是有意義的。
所以，無論到哪乙個階段的店鋪，都要養成乙個每日積累資料的習慣，我們知道**後台會有成熟的資料產品，會給你看乙個趨勢和歷史資料，但這個遠遠不夠，需要把所有資料都摘錄到自己的資料庫中，結合不同資料維度去綜合分析問題，建立追蹤機制，也就是下面講的「結合思路」。中型以上的電商都會有一套自己的資料管理模式，對重點指標進行監控，以保證及時定位到問題作出相應決策。
比如下方某電商用finereport搭建的資料決策系統。
3. 結合思路
單獨追蹤乙個資料的會比較「片面」，得出結論甚至是錯誤的。因為所有電商的核心資料在一段時間內，具備偶然性和關聯性的。
偶然性是指，可能某一天，轉化率突然降低，比日常要低很多，這個是非常可能發生的。於是，所有人都驚慌失措，找到轉化率相關的因素，看產品詳情頁的設計，產品的**，找客服聊天記錄，「優化了」整整1天詳情頁的設計，使產品**更低了，售前客服被整頓了。最後發現一切照舊，還浪費了1天時間做了很多無用的工作。
關聯性是指，大部分指標都是具有關聯性，正相關或者負相關，轉化率突然的降低，最後發現是在昨天流量突然暴漲，再看看流量**，大部分來自於推廣流量，不精準，但人多。
所以，追蹤資料一定是多個維度一起看的，一般來說，轉化率和流量是負相關的，流量暴漲，轉化率就會下降；轉化率上公升，客單價就會下降。（大型**活動除外）
但是，追蹤了資料，多個維度結合了來分析資料，結論依然可能會不準確，原因在於，這2個思路都是在和「自己比」，我們還需要進行「與其他人對比」。這就是下面介紹的「對比思路」。
4. 對比思路
對比就是和其他人比。這個其他人一定要選擇「合適的」。可以是與自己品牌定位相似的店鋪資料，也可以是同行業中做的比較好的店鋪資料。最具有可比性的還是跟自己「同層級」店鋪。通過對比，才能發現自己差距到底在哪，找到優化的正確方向。
實際案例，之前做微波爐產品，銷售量一直不如競爭品牌—格蘭仕，然後去分析資料發現流量差很多。於是加大了展示類（鑽石展位，cpm）和競價類（直通車，cpc）廣告的投入，卻發現收效甚微，甚至犧牲了大部分利潤。最後我們拿著同型別的乙個產品，做了深度對比分析，發現流量**中，自然搜尋相差比較大，才發現是品牌認知的問題。於是推動品牌商著重於對產品品牌的打造。
5. 節點思路
節點思路就是將大的營銷事件作為節點單獨標記，資料剔除出來單獨進行分析。在日常運營中，營銷活動對資料影響還是非常大的，尤其是突然參加了**官方的活動，比如聚划算等，會讓某幾天的流量，轉化率，成交額飆公升，這個時候我們再將這些資料插入到日常運營資料分析中，就會引起「失真」，影響對店鋪日常運營優化方向的判斷。
6. 錨點思路
錨點思路有2層含義，第乙個含義是在做業務資料分析中，當存在多個因子影響乙個資料指標時，只留乙個因子做變數，其他因子保持不變，然後測試這個因子對於最終指標影響的程度。比如，下面會講到的轉化率，有6個因子與之有關，但每個因子對於轉化率的影響又不相同，這個時候，需要進行乙個小測試，保持1個因子變動，其他5個不變，放到市場中實際銷售，最終得出這個因子與轉化率的具體影響關係，以便後續做更多優化。
第二層含義是產品競爭力層面。通過錨點策略可以讓使用者更快速的做決策，使產品銷售的更好。比如，a和b兩個店鋪經營同乙個品牌，這個品牌下面有1號和2號產品，這個時候，a店鋪與b店鋪溝通，a主力賣1號，b主力賣2號，這時，a可以把2號產品**標高，以便幫助b店鋪做**「錨點」，讓使用者知道b店鋪2號產品確實有**優勢，這樣使用者決策將加快。a店鋪也同理。
7. 行為標記思路
行為標記法，就是將大動作的優化，大的專案上線及時標註在資料包表中。以便在後面通過資料檢驗是否是有效。因為大部分的優化導致的結果，都是「滯後」的，也就是說，乙個大的優化動作，可能在1個月後才能體現出來效果，甚至是半年後才會有效果。當然，也有些優化動作是即時的，比如寶貝標題對於搜尋結果的影響。無論怎樣，在運營過程中我們要明確的知道，哪些事情是花費了大量時間有效的，哪些是無效的。
之前我們做產品包裝優化，用了1個月與品牌商溝通，品牌商再通過各種測試，實驗，採購新的包裝材料，2個月後我們給使用者發出的貨就都是新包裝的產品了。但是，在採用新包裝產品1個月後，退貨率只是緩慢下降，到第2個月後才明確的在財務表中提現，因破損造成的退貨下降了很多，使用者體驗好了，再1個月後回購率也提公升了。進而提公升了整個店鋪銷量和好評率。
以上7種思路是資料分析基礎，下面將落實到具體每個運營指標的優化，你將看到所有指標都被7種思路的某一種或某幾種所貫穿。有了這樣的分析思路，無論做哪一塊內容，都將快速的找到核心問題，進而再找到解決問題的方法。
資料化運營7大經典思路
1.分解思路 做網際網路運營的資料分析，首先就是學會 分解 將資料分解，將問題分解。所有的資料都可以層層向下分解，找出更多的 子資料 通過對子資料的挖掘和優化，往往能逐個擊破，找到方向，提公升最後的 關鍵指標 這個重要的思路也貫穿了本文章下面幾乎所有的內容。很多時候我們找不到努力的方向，往往是分解的...
資料探勘18大經典演算法
本文所有涉及到的資料探勘 的都放在了我的github上了。大概花了將近2個月的時間，自己把18大資料探勘的經典演算法進行了學習並且進行了 實現，涉及到了決策分類，聚類，鏈結挖掘，關聯挖掘，模式挖掘等等方面。也算是對資料探勘領域的小小入門了吧。下面就做個小小的總結，後面都是我自己相應演算法的博文鏈結，...
8大經典資料探勘演算法
大概花了將近2 個月的時間，自己把 18大資料探勘的經典演算法進行了學習並且進行了 實現，涉及到了決策分類，聚類，鏈結挖掘，關聯挖掘，模式挖掘等等方面。也算是對資料探勘領域的小小入門了吧。下面就做個小小的總結，後面都是我自己相應演算法的博文鏈結，希望能夠幫助大家學習。1.c4.5演算法。c4.5 演...