介绍一个通用的数据分析方法论如何运营分析？( 二 ) _运营分析

比如，在增长案例中常见的，在相同页面的相同位置放置不同的文案或者图片素材进行版本间的A/B Test，那么具体展示哪个版本就是一个可以自由操作的维度，因为一旦发现哪个版本更好，我们可以很快采取行动，替换掉其它表现不好的版本。因此展示版本这个维度很适合用来切分指标。
如果说【汇总】的部分只是个监控的话，在【细分】的步骤中，就已经体现出一些分析的感觉了。在【细分】这个步骤中，我们需要找到那些真实可操作的拆分维度，以便让我们的分析结论能尽快落地。但这部分还留下一个问题，就是如果存在多个可操作的拆分维度，那么它们之间理应是有区别的。
比如：我们可以简单地替换图表和文案，但我们也可以煞费苦心地给产品迭代一个大版本。
如何在分析的过程中体现并衡量这种操作的复杂度呢？这个就要说到【评价】的问题。
1.1.3 评价
在【评价】的步骤中，我们要用到【汇总】步骤中的那个作为目标的指标，以它作为评价的唯一标准。如果我们的目标就是简单的GMV，甚至更简单的PV和UV，那么到了【细分】的步骤之后，我们基本就可以开始下结论了，但是在实战中并非如此。我们的目标可能是一个复合目标——在拉高GMV的同时，还要控制成本；在拉高PV的同时，还需要提高GMV；或者直接是一个ROI这样的复合指标。
在这个时候，我们就不能只关注目标这一个指标了，而要关注复合指标。例如：我们的目标是在拉高GMV的同时控制成本。为了进一步简化问题，我们把成本具体地定义为：促进老用户产生GMV的成本和获得新用户产生GMV的成本。因为通常在运营中，拉新与促活的手段是不同的，这与【细分】部分的原则对应，即：是否存在操作空间以及操作空间的大小。
之后，我们就可以分别按照拉新和促活的不同纬度，对产生的GMV和投入的成本这两个指标分别进行细分了。例如：在拉新方面，我们有外投百度关键字、有外有广告联盟、还有与其他APP的合作换量；而在促活方面，我们在APP上的ABCD四个Banner上设置的A/B Test 。
那么对于新用户的部分，我们就可以分别针对百度关键词、广告联盟和合作APP这三种方式，评价每投入一块钱的成本分别可以得到多少新增的GMV 。通过这种评价，我们就能简单地在不同的拉新方式中，选择更优的方式，并在已有的方式中调整更优的成本投入。而对于老用户的部分，我们同样可以针对ABCD四个Banner各自的A/B Test，评价不同的展示版本中每投入一块钱可以产生多少GMV 。
简而言之，在【评价】这个步骤中，我们需要把【汇总】部分的指标分成两类——最终的目标，与实现目标的手段。比如在前面的例子中，投入的成本就是实现GMV提高的手段。因此，每一块钱的成本投入，我们都需要以产生的GMV来评价它。这时，要实现GMV提高的目标，可选择的手段就比较多了。
比如，针对老用户促活，我们可以：

保持成本投入不变，更换更容易带来GMV的图片和文案，来提高投入的每一块钱带来的GMV（优化效率）；
保持每一块钱带来的GMV不变，（在限制范围内）追加成本投入。

这两种方式，都有意识地忽略了GMV可能带来的价值。如果我们将这部分价值考虑进来，它就能抵消掉一部分投入的成本，那么备选方案还会更多。
总之，在前面这个例子中，由于我们的拆分维度本身比较简单，只考虑了APP中的Banner和外部拉新的方式，因此比较容易通过数据中的一些标记进行细分。但是在实战中，还有些情况是我们无法进行明确地拆分的。
比如在用户交互中，产生一个GMV的路径需要经过几个环节的跳转，或者就像前面那个例子中的ABCD四个Banner，如果用户点击了其中的两个甚至三个Banner，那么我们如何拆解呢？这个问题就是下一个步骤【归因】了。
1.1.4 归因
【归因】这个步骤就是“最后一公里”了，也就是我们常说的剖析“为什么”的过程，之后便可以得出结论并进行决策。
在前面的步骤中，通过案例能清楚地看到，我们已经得到了一些可以直接对比的量化指标了。在这种情况下，其实我们不需要在【归因】的步骤中做什么特殊的操作，可以通过数值的比较直接下结论。但是如果我们遇到了细分的问题，也就是多个环节或者方法之间无法进行明确地拆分时，应当怎么办呢？
在日常的数据分析中有几种常用的归因思路：