以下仅是我从工作经验以及后期学习书籍中总结的经验，如有不严谨之处，还请见谅。（这里赘述的区分偏向基础岗）

一，工作中数据分析与数据运营的区别

我的工作经验中，数据分析和数据运营是包含关系，当然是数据运营包含数据分析，数据分析是数据运营的子集。（这样说可能会和一些伙伴经验冲突，但我的确实是这样）

数据运营是基于数据去发现问题，分析问题，然后通过运营的手段找到问题的解决办法并付诸实践的闭环工作，而数据分析则是数据运营的一个关键环节和重要手段，但不是全部。

例如：领导问为什么收入环比降低？

数据分析师要做的事：通过分析影响收入的日常常规因素，市场动态趋势，竞品营销动作，领导层管理方式或者公司方针政策变革，人员离职等等可能的原因，提取出收入环比降低的最大影响因子，进而形成分析结论，好一点的数据分析师可能还会提出解决方案。但多数分析师止步于形成分析结论。数据运营要做的事：第一种，基于以上数据分析的结果，提出解决方案，经领导同意后，对接相关部门人员执行方案达到改善收入的目的：第二种，基于数据分析发现问题，把问题暴露给领导层，领导层安排相关人员去跟进，也可以达到后续优化的目的小提问：无论是什么岗位，领导问收入下降了？你的下意识回答是什么？——我的：什么时间发什么的，有没有终止，可控的还是不可控的。

二：数据分析师小注释

一般公司配置的数据分析师偏业务方向，他们可能会承接和响应不同部门的数据分析需求，当然也可能只需满足一个部门需求，通过某些分析模型和方法去满足这些需求。数据分析的结果往往是客观的数据结论，跟领导汇报时，有经验的分析师除了汇报结论外应该会加入一些自己的经验所得和猜测。

#数据分析广义上分2类，一种往技术上发展，一种往业务上延伸。当然了无论是不是专业的数据分析师，只要是大牛，他在硬件配置，思维格局上都有让人不断向他学习的本事。

销售型公司的数据分析师———最关键的结果性指标是，收入。影响收入的因素应该分类搭建监测工具，以便数据异常时，第一时间排查原因。

业务型的数据分析师对硬件要求不是那么高，当然大厂除外。小厂可能Excel熟练就可以了，但是我做分析和出报告的时候，除了表格技能，还需要SQL，SPSS，Python，用的不频繁，但是都会用到。技能要求符合二八定律，哈哈哈。如果会的话，面试的时候适当的吹个牛也是有助于身心健康的，当然不能骗自己。

三，数据运营的大篇章

下面很大一段，都会讲数据运营，应该会从以下2点入手:

1，关键数据指标

有针对性的去解决问题，就需要你了解公司的业务流程和分析的目的

关键数据指标就是围绕核心业务流程和分析目的展开的主要数据。一般来说，关键指标不超过5个，太多的指标意味着工作不聚焦，容易像无头苍蝇一样到处乱撞。

2，拆解关键数据指标

明确关键数据指标后，还不能指导我们的分析和运营工作，需要对关键指标进行拆解，通过更精准细化的数据指标去分析

以某平台交易类数据为例看指标分解（此处借鉴的别人的，因为拆解过程是类似的，不同的是业务，学习逻辑啦）

北极星指标GMV

GMV = 流量 * 转化率 * 客单价

流量 = 渠道A新增+渠道B新增+渠道C新增+渠道N+……

转化率（banner转户率、活动转化率、类目转化率、搜索转化率、提交订单转化率、绑卡转化率、支付转化率、）等各级漏斗转化率

平均客单价=GMV/付费用户数

3，数据指标的分析

据我多次吃亏经验，在这里重点提醒下，如果你的分析结果是要向业务或者领导汇报的，在数据分析框架已搭建好，指标拆解完成后，紧接着需要对齐指标口径（包括统一的名称，取数的范围，计算地逻辑等等),这一步对工作返工和报告解读上很关键（仅我的经验）

1）如果我们想分析GMV低的原因，可以从上述指标大体看出趋势

2）如果我们想提高GMV，那么多指标到底提高哪一个呢？

可以结合公司当前营销政策和预算，重点投资公司关注项 若公司没有政策，可以根据各指标提升效果，确定优先级，然后根据时间景里，重点发力几项。

4，数据驱动运营

这一步在数据分析里也是验证分析结果，在运营里是基于分析结论驱动运营。

数据驱动运营最重要的是具备两点：有明确的目标，有可追踪的数据

目标：一个明确的目标需要具备SMART原则，同时在运营的过程中，还要不断对比与目标的差距，对比才会发现问题。

追踪与优化：追踪和优化的过程是需要运营人员日常经验积累的。基于目标，定期追踪数据，如有有缺口时，才能想办法补救。

历时2年完结，感谢大家，也感谢我的经验和参考的书籍，这个文章才能有结尾。