其实原始数据也是完全一样的
什么节点数据上升，什么节点数据下降，找出原因，形成经验，对运营人员的工作来说至关重要。 通过规律反向进行数据预测。运营人员掌握了规律，就具备了做数据预测的基础。过往3年，国庆节期间，网站的流量都会有明显提升，那么运营人员要不要提前为每年国庆节做一些规划呢？ 学会对数据进行拆解。数据量越大、维度越多，数据越需要拆解，可以分为按照时间的拆解和按照相关性的拆解。运营人员懂得拆解数据，意味着有能力把控运营的节奏。这是需要每个从事运营工作的人注意的地方。运营数据分析的误区 不要用单一类型的数据去评价全局。我们举个例子，见图62。图62 近三个月支付宝网站日平均访问人数Alexa排名走势资料来源：Alexa网站这是Alexa（一家专门发布网站世界排名的网站）统计的支付宝2014年4月~6月日平均访问人数的走势，我们可以通过这个数据认为支付宝的活跃用户在减少么？答案是不能。因为Alexa只统计Web端，支付宝移动端的活跃用户是否在增加呢？我们并不能从这个数据中得到答案。 不要夸大偶然事件，认为带来必然结果。运营人员经常会发现一个活动上线之后，运营数据有很大的提升，但是，这有可能是一个偶然事件，如果你认为这样的活动形式必然对数据有所帮助，那么你需要更多的数据来佐证它，并且适时将这种活动转化为机制，如果它真的有效。如果你不能证明两者之间的必然性，那么就有理由怀疑，你的运营效果是其他渠道导致的。 避免用结论推导原因。运营人员很容易犯的数据分析的错误是，发现数据增长了，然后寻找各种对数据增长可能有帮助的事件，并且将数据增长的原因归功于这些事件。运营人员发现数据增长，或者下降，希望找出原因，最好的方式是再现。 避免唯数据论。数据既可以说明问题，也可能遮蔽视线。数据并不能解决所有问题，它给你的是一个参考，而不是一个结论。运营数据说谎的手法想要运营数据说谎，其实很简单，在此简单地举出几种。 拉伸图表。图63 当日活跃用户数（人）图64 当日活跃用户数（人）上面两张图，其实源数据是完全一样的，但是相同的数据却带来了不同的感受。这就是拉伸图表所带来的结果。 修改坐标轴数据。图65 当日活跃用户数（人）图66 当日活跃用户数（人）上面两幅图表，其实原始数据也是完全一样的，但是图66传递的用户波动的幅度比图65要小得多，这得益于图表制作者使用了对数刻度，从而让数据的波动没有体现得那么强烈。 故意选择有利的样本。这种情况很常见。在运营过程中，运营人员会比其他人更了解自己的用户，那么就会出现下面这种情况：一个电商平台要做流失用户挽回活动，运营人员要针对流失用户进行选型。这次选型有两个选择：一是半年内未购物的用户，二是半年内未购物但有登录的用户。那么，针对哪个样本选型用户的流失挽回活动效果会更好？毫无疑问，答案是后者，因为第一个选型样本里包含了有登录和无登录两种类型。很显然，如果我们单单考虑挽回流失用户的难度，对半年都没有登录的用户进行挽回，比对半年内有过登录但是没有购物的用户要难得多。 样本规模差异。在产品的运营上，我们经常需要做一些A/B测试来验证某个功能或者设计方案哪个更好，这个时候，最容易犯的错误，也是最容易带来数据说谎结果的情况，是样本规模有差异。比如，A类选型选择了100个用户，而B类选择了1 000个用户，不管我们最终选择绝对值，还是比例，其结果都会存在巨大的误差。这些数据分析的误区以及数据说谎的手段，希望引起大家警惕，不要为了指标而做指标，也不要为了汇报好看而去对数据做手脚。这样的做法会逐渐积累风险，最后一发而不可收拾。活动数据分析样例图67是几个活动参与用户数的数据样例，让我们试着分析一下发生了什么。活动1是一个参与用户数缓慢上升，到达峰值后回落的活动。活动2是一个参与用户数有明显波动，经历高开&&稳定&&冲新高&&回落的活动。活动3是一个参与用户数高开低走的活动。活动4是一个参与用户数异常稳定的活动，高峰和低谷基本处于同一水平。通过第1个活动的数据，我们大概可以得出以下结论： 该活动提前预热不够； 该活动随着时间推移，效果有明显提升； 该活动开始后没有进行过任何调整（包括宣传与奖励）。通过第2个活动的数据，我们大概可以得出以下结论： 该活动的提前预热做得很好； 该活动开始后进行过调整（宣传或者奖励）； 该活动的奖品发放控制可能有问题，后期力量不足。通过第3个活动的数据，我们大概可以得出以下结论：图67 该活动提前预热做得很好； 该活动没有进行过任何调整（包括宣传与奖励）。通过第4个活动的数据，我们大概可以得出以下结论： 该活动宣传不足或
