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，往往是为运营服务的，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十篇数据分析文章，有六篇是运营写的。运营介入数据分析太深，经常会和数据分析师在分析思路、方法、结论上产生冲突。
今天我们将首先来看一个最大的问题。工作类型很多(如下图)，其中活动运营最具战略性，与数据分析密切相关，也是最难的岗位。今天我就以它为例。
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(具体提升幅度没说)。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月份自然增长已经下降了。老板觉得这是扯淡。活动运营团队表示: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:你是数据分析师。你该怎么办？
01 科学旗号下的荒唐事首先，这个问题的眼睛在哪里？
a、用户活跃率降低
B.自然增长率
c、人工智能大数据
想
考试
一个
第二
时钟
先问个问题:有一天，一个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，我的自然命中率到底高多少。”你会怎么做？你会拿起键盘开始写代码吗？-不！你会先问他:“你拍了什么？”
如果他说，我不知道我拍的是什么，你帮我分析一下好吗？你会怎么做？你会用人工智能大数据分析他要拍什么吗？-当然不是！如果你有礼貌，你会让他先找到自己射出的箭；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，射箭首先要造靶。这是常识。
所以总体的问题是:具体改善多少还没说。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。结果，操作变成了设置目标时的用户活动度。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？指标本身并不明确，也没有明确指出要提高多少，对于活动后分析来说是个灾难。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？
02 荒唐背后的苦衷如果你真的在一个企业工作，你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！一下就有了吧简而言之，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，这样的乱象要少得多。而类似的问题在大部分企业都存在，事先没有写清楚目标，期待事后大数据分析。甚至试图通过人为制造非常低的负自然增长率来蒙混过关。出现这种情况我该怎么办？
首先，一定不能谈“自然增长率”。尤其是在这种短期活动密集的业务中。如果有必要，采用买留的机制:先说好自然增长率，事后再看，不要再调整了。这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，这将遇到两个挑战:
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场景法对应于:
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反演方法示例:
KPI方案方法示例:
平时要和运营保持良好的沟通，让数据分析师早做打算就能介入。既能帮助运营理清思路，又能帮助运营计算目标。还可以为上线监控和事后恢复做准备，一举两得。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你事先没有设定目标，事后又必须补救，请记住:核心不是自然增长率，而是“业务需要让指标变成什么样子。”尤其是在开始的时候。当总体目标已经抛到大街上，如果事后再纠结于自然增长率，往往会变成抛锅大战。此时，可以分三步完成:
第一步：定方向第二步：找方法第三步：看细节通过这个操作，我们至少可以结束这种浑浑噩噩的状态，明确一点:我们应该做出什么样的曲线？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“目前街道有救了”的判断。这样做在评价活动效果上是不科学的。想要科学的评价活动，就必须提前设计实验，分测试组和参照组，测试用户的反应效果。还是那句话:事前多准备，事后少纠结。
很多同学会说:就算我们这样做了，我们公司领导还是迷信，操作还是很无脑。如果出了问题，我们仍然到处扔罐子。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。如果遇到这样的问题，至少大家可以判断是我的问题还是别人的问题。至少知道往哪个方向努力。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:哎？为什么只少了半架？另一半是什么？答:是事件分析之后的又一个永恒的纠结问题:如果你这么做了呢？为什么活跃用户数不能更高？高多少？那又怎样？如果它的一个指标高，其他指标低怎么办？这就是我们常说的综合评价问题(陈老师习惯简称:什么问题)。有兴趣的话，下一篇文章再来分享这个问题。
