从战略到战术 之降龙十八掌（7）

对接上文

第十五步，运营落地龙战于野

第十六步，数据验证履霜冰至

第十五步，运营落地龙战于野

这是一个产品最具有个性化的环节，不同的产品会是完全不同的运营方式。抽象的去沟通，就缺乏针对性，即使是说也是无根之本，所以要提前申明，该部分很重要，但这里会说的比较少。

在没有针对产品的时候，那我们能说点什么呢？

首先，运营是什么？

个人理解：运营，就是将已经开发完成的产品推出，并将的产品提供给目标用户使用，并由此达成产品的目标。

这里尝试拆分为三个阶段：推出前 、推出、推出后；

推出前：做好前期准备，包括：目标用户/触达渠道/活动策划/预置内容/数据统计/…；

推出：之前方案执行力的充分体现，方案&准备&调动&应变&敏感

推出后：结果的获取，循环的推进。结果是在目标方向上推进操作后的效果，发现差距，分析原因，修正改进（方案or产品），发现机会，探索尝试。

其次，运营的目标是什么？

每个产品的具体运营目标都会有所不同，但核心上，都是保障目标用户的使用，在百科上写的目标有：

扩大用户群

提高用户活跃度

改进产品体验

找到盈利模式或增加收入

站在维护用户角度，其基本上就是在解决：找到足够的用户，让其使用产品，让产品使用的好，能够挣钱。

最后一条，可以看做是商业目标，其实也是该产品能够持续的基础，否则产品就不能持续。举例：共享单车，是个好产品，但目前没有看到有人能够找到适合当前社会环境下的盈利方式，储备金的路一封，好似整体行业就开始走下坡路了，大家可以站在这个角度看看。

最后，运营的方法

Do everything that you can do.

close the users,

into their heart,

explore different angles,

keep touching,

keeping fresh.

触达用户的渠道，希望传递的信息，选择进入用户的切入点、角度和形式，获取用户反馈信息，验证结果，再反馈的速度，等等。

最后要说的一句是，运营全是细节，每一个细节都影响着最终的结果，没有细节产品人还勉强可以说有需求、有逻辑、有框架（当然这些不够好），可没有细节的运营人就什么都没有了。

其实，如果把运营和产品拆开来当做同级别的事项来看，我的理解其正好是一个互逆的过程。

产品：根据需求，提供解决方案；基础立于用户，根据用户设计产品，并让用户使用。

运营：根据资源，提供解决方案；基础立于产品，根据产品找到用户，并让用户使用。

所以，当走到了运营这一环节的时候，整个业务就形成了它的车轮：根据初始（或预期）用户设计产品，在现实中运营验证，并逐步扩大用户群（或者用户服务范围），业务的发展带来进一步的需求从而转化为新产品新服务，新产品新服务进一步扩大用户规模（或扩大价值），持续迭代，持续发展。

第十六步，数据验证履霜冰至

这里说的数据就是量化。我们在讨论一个概念、一个方向、一个需求的时候，尚可以在定性的角度来讨论，但在产品具体实操的环节，量化数据就是决策的基础。

首先，说一下特别重要的点，数据是客观的，但解读是主观的，有的时候同一个数据在不同人那里会有不同的解读。是有差距还是有空间，这个在实际工作中很多时候真的就是看问题的角度所决定，但无论怎样，准确的数据获取是前提。

具体数据当然和具体的产品紧密相关，我们这里主要看常常围绕数据做的事情。

做的事情大致可以分为：

采集，具体操作就是部署数据埋点，简单说来，就是根据需要统计哪些数据，在哪个位置节点上完成统计的触发，将该触发点预设在相应的程序中。

存储，采集的数据当然要存下来，这个不用说。需要说的是，保存的数据的结构和设计，能够体现你对于数据关系的认知和理解。

观察，单点的数据体现出来的信息较少，存储的数据，将产生连续的持续的数据则会充分体现其价值。而通过图表的方式，能够更加清晰的发现变化和问题。

分析，可以直接从数据中发现问题，更经常的是为实现业务目标而去寻找方案。抱着这些目标，在产品的数据上判断当前状况。应该说数据是比用户问卷甚至是访谈更准确更直接的反馈，前提是你能够客观的去看待分析数据。

评判，业务核心数据通常是直接的业务考核标准，这里反而要提醒的是，多挖掘数据产生的原因，而不要唯数据论。当然数据也是一切改进调整的验证标准。总之，数据即结果，是评判的重要标准。

建模，通过规模数据的分析，将具有某些相同特征的数据，形成某一个数据模型，进行针对的服务、反馈及优化。（实际经常是反过来，根据用户进行分析找到相同的特征，从而创建相应的数据模型。）

AI，AI当然有着一系列的算法和技术，这里更多的是应用的目的，之所以需要AI，最核心是需要提供个性化的服务，不同的用户不同的场景不同的需求，在一个服务中得到不同的反馈及服务，是AI的目标。所以AI叫人工智能，智能的体现不也是之前所学习到的知识在人脑的处理器下给予的反馈吗。对比之下知识就是信息库，人脑就是算法。

这里插一句，泛互联网行业的一大特色就是，能够通过数据算法为用户提供个性化的服务，这是传统行业无法做到的地方。

之所以能够做到个性化服务，核心就是数据化。其带来的便于统计、便于尝试、便于验证、便于迭代，这些环节相较传统行业几乎0成本（时间/人力/财物）的执行，让其具备了个性化基础。

下面提几个零散的点：

用户漏斗

将用户从触达到激活到使用到留存到睡眠的完整路径及节点整理出来，并完整统计各节点的流失率统计出来，就可以形成一个用户漏斗。

围绕着用户漏斗，一个点一个点的解决问题能够带来超出想象的效果。

例：渠道流量100W，7级，每级流失率为30%，

100W*30%*30%*30%*30%*30%*30%*30%=218.7；

如果每级优化提升至50%，这个大概率是可实现的，那数据就会变成

100W*50%*50%*50%*50%*50%*50%*50%=7812.5；整整提升35.7倍。

不要以为不现实，笔者在覆盖流量也有所增加的情况曾做到近百倍的增长。所以请找到你的用户漏斗，盯住每一个数据。

AB测试

基本理念很简单，将多种可能的选择项放到真实环境中，根据用户使用中的具体反应进行最后的选择。

而为了保障测试的有效性，常常采用的方式是，在整体流量（用户）中分流小部分流量，再将其进一步切分提供对应的不同方案，分配后根据实际使用结果进行判断选择，并持续验证。需要注意的是，对比组尽量只有1个对比点，能够更加准确判断。

本身很简单的理念，但感觉在之前传统行业应用却比较少（肯定有，但不彰显），在互联网行业非常实用，这是因为互联网可以根据规则而做到几个关键要素：

公平分流：不会因为提供服务者的不同而带来体验的不同，能够保障验证的有效性。

规模验证：即使切分的小部分流量，也可以在短时间内达到一定规模，从而达到有效验证。

持续迭代：不断验证方案，优中选优，持续优化。这与互联网产品更新成本极低是绑定的。

提供一些数据维度参考，非常不具体~~

用户数据，产品的基础业务数据，代表着产品的规模和状态。可进一步拆分为规模、留存、渠道等多角度。

行为数据，用户在产品上发生的关键行为。代表着产品核心服务的使用情况。

财务数据，商业模式的验证，所有公司产品都是核心数据。ARPU等数据除了财务价值也是产品状态的核心指标。

最后

数据还是业务的结果体现，是量化指标。

结果导向就是数据导向。

关注数据才是关注产品，对数据敏感是对产品敏感的重要体现之一。

数据分析是用来解决问题的，而不是为了解决问题而解读数据。

合适的数据图表是分析、发现、报告的重要工具。