编辑导读：用户运营中的数据分析对于很多人来说是个盲区，不知道是做什么的？本文作者对此进行了分析，与你分享。
提问（修改）：很幸运收到用户运营这个岗位的面试通知，但是之前完全没有工作经验，我看到岗位职责里要求定期做数据分析，所以很想知道数据分析指的是什么。
一、用户运营 X 数据分析作为任职于某上市公司的集团用户数据中心的数据分析师，认为题主的问题就是在问我的日常工作：用户运营 X 数据分析。
用户运营是做什么？
先介绍一下题主入职后可能会接触到的工作：
答主就职的部门有三个职能：用户运营、数据分析、数据产品。
以我所在的新零售+电商行业为例。
二、用户运营核心就是围绕【人货场】进行运营，进而提升复购率等指标：
【人】即客户，了解整体画像，根据场景进行用户分层营销【货】即产品及与之搭配的促销策略【场】广义来说，即为渠道、节日活动，与客户触达的“天时地利”大白话说，就是解决【什么时客单价候什么样的人会在怎样的场合下购买什么产品】的问题
根据【人货场】的不同组合，可产生不同的业务场景，例如：
【货场→人】天猫确定了情人节活动，产品部门要求主推情人节套装产品，平台运营明确了折扣政策，此时，用户运营部就出场 → 圈选出可能会在情人节复购的人群A，圈选可能偏好主推产品的人群B，对人群A与人群B做交叉即为此活动目标人群，根据促销政策制定优惠券，并触达人群。【人场→货】用户运营部门使用RFM模型对人群精细化运营，明确需提升重要价值用户比例，即明确了目标人群 → 此时用户运营的童鞋就需要去找产品要合适的产品，找运营拿折扣，甚至找推广配合做投放。等等1. 数据分析在【人货场】各种组合而成的复杂业务场景中，仅凭“直觉”，甚至“拍脑袋”，已经无法业务目标。绝大部分行业进入存量运营的今天，数据化决策已经是红海战场上的武器。所以，从前面【用户运营】的工作中，存在着许多数据分析的需求。它们的目的是通过数据分析找到业务增长的钥匙：
【货场→人】此场景已明确需主推的产品、节点及促销政策，需进行数据分析的地方：
【人货匹配】确定产品后，需要从全量人群中找到可能喜欢该产品的人。
简单点的方式可以通过历史订单统计实现，即提取出产品的元素，如爱心形，再从人群历史订单中找到喜欢心形的客户，认为他们可能也喜欢该新品。
复杂点的方式可以通过例如复购关联分析、商品推荐等模型反向找人群。
【复购周期】每个客户的活跃状态都不同，要先了解行业或者该品类客户的【生命周期】是多长，即复购间隔，如30天 → 找出30前刚买完的客户，认为他们处于活跃购买状态【节日偏好】一般认为多次在节日节点购买的客户是偏好该节日的，例如产品有送礼属性，则客户在情人节买就是送对象的，一般他们感情不破裂就有可能在下个情人节继续送【折扣敏感】不可否com认的确存在对价格敏感的客户，甚至是“羊毛党”，折扣力度大才会现身购买，发现这样的规律能更好地将优惠券与客户匹配【人场→货】与第一个场景不同的是，此场景先明确人群，再去匹配产品、折扣等，需进行数据分析的地方：
【RFM】基于RFM模型划分人群后，提出目标要提升重要价值用户是无法落地的，需要进一步讨论：该行业或品类下的重要价值用户更容易从哪个人群转化而来？例如一般价值用户，刺激他们连带消费、复购，即提升M，就可转为重要价值用户。这样才能提出落地的策略：针对一般价值用户进行连带提升。【商品推荐】找出人群可能喜欢的商品，简单的方式可通过对历史订单的统计，复杂的方式可通过协同过滤等算法实现。此外，需要将推荐模型与实际场景结合，此处目标为提升连带，可以结合“购物篮分析”设计搭配组合。【偏好价格】每个客户历史消费的客单价都不同，需要列出价格带分布进行分组营销，避免对低价位段客户推荐高价品。当然一个好的推荐模型可以避免这样的尴尬。【注意】并不是说要对每个场景都这样严格进行人群交并。更重要的是灵活应用，例如人群基数太少，则减少划分规则，或选择性地合并人群。
2. 数据产品从用户运营需求出发，数据分析赋能业务增长，经测试有效后，需进一步以产品的形式落地。
用户运营经常会接触到各种数据产品：
如果是在天猫平台，接触到的就是天猫第三方服务商的用户营销管理工具如果是线下门店，接触到的就是CRM此外，还有帮助业务分析的BI、CDP等经测试有效的数据分析结论可以通过报表、模型、标签等形式复购率插入到这些数据产品中。其中，最重要的是形成的这些产品一定是经过“业务改造”，适配业务习惯的，这样才能融入到业务的实际工作流中。
所以，这些结论以什么样的方式呈现在你面前才能提高效率，就是用户运营部门需要考虑的。
本文由 @饼干哥哥 原创发布于人人都是产品经理，未经作者许可，禁止转载。
题图来自Unsplash，基于CC0协议
