农业直播如何运营？

一、农业直播如何运营？

农业直播的运营方式可以分为以下几个方面来考虑：

1. 资源准备：首先，需要准备好所需的设备和技术。这包括摄像设备、音频设备、流媒体平台或应用程序等。确保设备的稳定性和流畅性，以便提供高质量的农业直播内容。

2. 内容策划：提前制定好农业直播的内容策略和计划。根据观众的需求和兴趣，选择合适的主题和话题。例如，可以分享农业知识、实地示范种植过程、介绍新技术和农业设备等。

3. 直播平台选择：选择适合农业直播的平台进行直播。可以考虑使用流媒体平台，如YouTube、Twitch、Bilibili等。这些平台拥有大量的用户，并且提供了直播功能。

4. 定期直播：制定一个稳定的直播计划。根据观众的习惯和时间，选择合适的时间段进行直播，以便最大程度地吸引观众。定期直播可以增加观众的粘性和参与度。

5. 互动交流：在直播过程中，与观众积极互动。回答观众的问题，倾听意见和建议，并与观众互动。这可以增加观众的参与感和忠诚度。

6. 推广和营销：利用社交媒体平台，例如微博、微信、Twitter等，进行推广和营销。定期发布相关的预告、回顾和亮点片段，吸引更多的观众关注农业直播。

7. 追踪和分析：在直播结束后，通过观众的反馈和评论，持续追踪和分析农业直播的效果。根据观众反馈的意见和建议，不断改进和优化直播内容。

通过以上方法，你可以有效地运营农业直播，并吸引更多观众的参与和关注。祝你的农业直播事业蓬勃发展！

二、数据运营专员前途如何？

数据运营专员前途无量，发展中的国家非常需要这些高科技一一数据。

三、数据如何驱动运营？

北海在做公司官方新媒体账号以及个人自媒体账号过程中，在每日的数据整理阶段，积累了一些心得，跟大家分享下。

这篇回答咱们暂且不谈高大上的理论，只从基础工作出发，下面为大家介绍6个数据分析在运营工作中应用的案例，来证明数据如何驱动运营？

数据思维是每个领域的运营都应该具备的职业习惯。数据分析是也许影响不了全盘运营。但数据可以展现营销和运营的效果，辅助运营过程，优化运营结果。

1.数据对比

通过数据对比来判断运营结果是数据分析的入门，这也是身为运营最基本的思维。数据对比又分为横向对比和纵向对比。

比如运营的店铺当日营业额1万元，从单一数据你无法判断店铺运营效果，但如果有了竞争对手的日营业数据，你就可以通过对比来分析原因，这就是横向对比。这样得出的结论更有价值，并依此结论来优化下一步的运营动作。

类似下图，同品类的同比数据分析法，应用的道理也是如此：根据数据反馈，找出原因。

2.数据细分

数据细分运用的是溯源思维。将采集的数据进行层层细分，直至找到数据波动的真实原因以及背后隐藏的逻辑关系。

比如你是新媒体运营。今天你发现某短视频平台账号流量暴涨。作为一名运营，你需要将数据进行细分，判断是账号流量波动的真实原因是整体作品暴涨还是单条短视频带动的流量上扬。如果是账号整体数据暴涨，这就证明账号运营方向正确，内容优质，账号已经度过了冷启动阶段；如果某一条视频带动，你需要看视频的发布时间，如果是近期发布，证明视频踩中热点，但如果视频是之前发布，就证明该条视频享有长尾流量，说明视频质量、创意、内容优质，可以进行复制。

3.相关数据

面对有限的蛋糕，为什么大佬总能吃到第一口，并且吃得很饱，而我们屈居人后拣剩下的？最主要的原因是大佬具备相关思维。开发A市场的同时，就根据市场属性延展到与A相关性较强的B市场进行考察。

当下是互联网时代，没有一块信息是单独存在的，我们更不能只根据眼前的信息而轻下结论。

假如你是一名直播运营，公司主营业务是美妆。下播后，采集直播数据，你不能仅仅分析主打产品的数据，还要去分析与主打品相关性较强的产品数据。比如今天直播主打产品是粉底，与粉底相关的产品是什么？是美妆蛋。假使美妆蛋的下单量也不错，那么下次直播就可以对上车顺序进行调整，利用主打产品的流量带动相关产品的下单量。

作为运营，在没给公司多花一分推广费的情况下，就带来两种产品GMV升级，请问如果你是老板，面对这样运营，谁不爱？

4.数据假设

所谓数据假设就是利用“假设性思维”进行数据采集，从而拓展思路，最快得出结论。

假使你是电商运营，发现最近店铺主打品搜索量断崖式下跌，领导让你马上做一个数据分析报告，下班前就要上交。

新手运营只会催每项数据进行一一对比，费时费力，针对性差；而资深运营，会根据目前店铺情况，对几个关键数据提出假设，然后根据假设进行数据采集，来验证论点，从而缩短汇报时间。

比如你将原因初步设定为市场大盘下跌、搜索点击率下跌、市场竞品款式数据这三点。然后根据这三点原因去采集数据，发现竞品公司上了新款，并且新款数据很好，所以流量才被抢了去。从而判断出店铺搜索量下滑的真正原因，想出应对政策后再去汇报，这样会大大增加工作汇报的通过率。

数据分析的应用范围其实很广，这是一门学问很深的功课，它不仅包括数据分析的方法论还包括数据分析工具的使用。无论是运营从业者还是普通的职场白领，亦或是已经有所小成的创业者，都应该尝试建立数据分析思维。

我们大可不必起步阶段就花高价去上专业课，这款知学堂推出的数据分析训练营试听课就挺不错，不会做表格、见到数字就晕头转向的小伙伴可以一试，只需0.1元，来薅官方的羊毛吧~

5.数据匹配

做过账号的人，都非常关注的一个点就是粉丝画像。粉丝画像关乎于后期变现。当粉丝画像与购买力人群相匹配的时候，你的账号才具有商业价值。

有些自媒体博主，为了快速涨粉经常做一些互关互赞的操作。但殊不知这样会影响账号标签，导致作品推送不到正确的观看人群，从而影响完播率，导致账号流量下滑，影响涨粉。其次，无论是直播带货还是视频橱窗带货，虚假粉丝对转化率起不到任何帮助。

所以，运营在分析数据时，需要通过数据匹配来判断账号、作品以及营销质量。

我们举个例子：

绿色为粉丝画像，蓝色为下单用户的年龄画像，根据数据分析的柱形图可以得知，账号粉丝构成的主力军是30-39岁年龄段，而下单用户主力军客户的年龄画像也是30-39岁年龄段。这就说明，大部分下单用户，是我们的粉丝，也可以说明，我们账号的定位与变现人群是非常匹配的，可以实现长期变现。但假如，我们粉丝画像主力军是30-39年龄段，但下单用户却是30岁以下的，就说明这个产品不适合作为这个账号的主打品，或者形成购买力的用户根本就不是我们的固定粉丝，也许是系统推送的极速流而进入的直播间，看商品比较合适才买的。这部分用户，我们也只能赚他们一次钱。

6.数据模型

将数据看作一个模型，设置X、Y、Z轴。

三轴可以代表不同的数据维度，比如时间、地区、人群...每个维度下的信息（比如时间维度的年月日，地区维度中的省份，人群维度的性别年龄）就是为了满足“信息”可以在不同角度上的聚合与反馈。

当我们设定好了数据维度，就可以通过不同维度的组合，形成不同的数据模型，得出更深更广的结论。

比如在分析店铺的年度销售额时，可通过销售额分析得出哪个款式卖的好，哪个时间段卖的好、哪种人群购买力强以及哪个款式在哪个城市销售额更高等等一些列的数据信息，然后根据不同维度的信息组合构建数据模型，再通过模型来制定下一阶段的销售策略。

可以斩钉截铁的说，做运营就必须拥有数据思维。习惯以数据为导向，监测和统计用户对所发布内容实施的行为数据，通过分析，得出优化迭代的运营策略。

不要只把数据分析当做运营工作中的一环。运营动作是表象，其本质是通过逻辑分析找到问题关键，对症下药。而数据分析恰巧锻炼的就是逻辑思考的能力。所以，在工作中要先养成看数据的习惯，再去学会如何看懂数据，透过数据，寻找本质。这才是资深运营与运营小白的根本差别，也是薪资差别的原因所在。

四、如何做好淘宝数据化运营？

　　一、淘宝指数

　　淘宝指数是淘宝官方推广的免费工具，对于小卖家有很大的帮助，通过此工具可以分析宝贝的市场走向，研究消费者的年龄丶地域丶消费层级丶星座爱好等数据信息。

　　二、流量解析

　　流量解析是淘宝直通车的数据洞悉产品，通过记录一段历史时期内关键词或类目在淘宝直通车的各类市场数据，帮助你洞悉市场变化情况。在开车过程中流量解析工具可以给我们很好的建议，大部分人可能只用这个查看推广词表每项数据并没有深入研究。比如竞争透析这个数据，在我们关键词出价时能给出很好的参考，通过这个数据调整关键词出价，优化直通车推广效果。

　　三、数据魔方

　　数据魔方是淘宝官方出品的一款数据产品。主要提供行业数据分析，店铺数据分析。懂得这个工具的使用能很好的帮助我们做店铺推广。

五、数据运营如何梳理数据埋点需求？

数据分析数据治理入门分享-转载渭河数分星球嘉宾SpaceLion的文章（四年互联网大厂数据科学经验），未经许可不能转载

1、前言

看到这个标题可能有的同学会有疑惑，为什么我作为数据分析师还需要去管数据治理的活，这个不是会有专门的同学去做吗？

确实，在很多大厂，数据开发和数据分析职能都是分开的，数分的同学一开始拿到的表就是已经清洗过的宽表，BI看板搭建就是写几条sql配置一下，日志埋点的工作都会交给产品来完成。但是很多中小公司是不具备这种条件的，尤其是很多初期的创业公司，在产品架构尚未完善，团队分工不够明确的情况下，很多时候日志埋点，数据清洗的工作都会落到数据分析同学的身上。

在择业的时候，遇到这种分工尚未明确的项目，可能有一部分同学就直接放弃了，有的同学可能会说：我想专精数据分析，不想在数据治理上花时间，我找一个分工明确的团队就行了，如果职能分工不明确，说明这个项目的老板不懂数据等等诸如此类的。当然这也是没问题的，人的精力是有限的，追求知识的深度那必定会导致广度的不足。

不过从我个人的角度来看的话，这样可能就会使我个人的择业范围受限，只能选择一些数据建设相对较好的团队。另一方面，如果能够懂得一些数据治理的方法，那么在一些场景下也能够给数据分析工作带来一些便利性，包括能够让数据分析人员更好地定义口径，在复杂的统计任务中通过埋点和数仓来解决问题等。例如，一个刚刚搭建起来没多久的电商APP，想要分析用户点击下单之前上一个页面来自于哪里，假设我只在应用层面解决，那我可能需要把用户的点击事件按照时间排序，再进行清洗计算，费时费力。但是这个时候如果我通过埋点解决这个问题，让程序在用户的点击事件日志上加入一个refer字段，记录了上一个页面的url，这样无论是统计分析，还是搭建后续的BI能力，都能够快速解决

因此本篇随笔的目的就是分享一些本人在数据治理方面的入门经验，希望能给到一些完全没接触过数据治理的同学一些帮助。

2、数据治理链路以及数分同学参与的环节

国际数据管理协会DAMA对数据管理的主题分类可以分为以下几种类型：数据治理、数据架构、数据建模和设计、数据存储和操作、数据安全、数据集成和互操作、文件和内容管理、参考数据和主数据、数据仓库和商务智能、元数据、数据质量。而对于这些工作的从层次划分，网上有各种不同的概念，毕竟不同的公司架构不太一样，我们在这里引用《大数据之路：阿里巴巴大数据实践》书中的数据体系。整个架构分为四个层次：数据采集层，数据计算层，数据服务层，数据应用层。

1、数据采集层：包括日志收集，数据库，数据同步；

2、数据计算层：包括离线数据计算，数据仓库，实时数据

3、数据服务层：基本上就到了我们比较熟悉的环节，包括数分同学平时能拿到进行分析的mysql数据源，hive数据源，数仓的cube等等，数分同学的大部分工作，可能就是拿着这些数据源去做数据应用层的东西，不管是统计分析还是数据建模。

4、数据应用层：这里就是到了一些应用层的数据，对线上产品的，对内部系统的等等

在整条链路中，一些纯技术向的，涉及线上开发的内容是不用数分的同学参与的，一般数分的同学可能参与的环节主要在日志埋点和数仓设计两部分，参与的深度视实际需求会有灵活的变化。

3、日志埋点

3.1 数分同学参与日志埋点工作的优势

在日志收集环节，数据分析师可能会参与到日志埋点工作当中，有些尚没有实际工作经验的同学可能不太清楚，线上产出的原始数据都是json或者双逗号分割等不同类型的的字符串，其中定义了每一个字段的key-value，需要经过清洗才能够变成我们常用的数据表格式。那么一般数据分析师要做的就是配合产品运营，定义清楚每一条日志的上报机制，以及对应的key-value含义。

有的同学会讲这个东西不是应该产品自己来搞吗？没错一个基础能力强的产品确实是能够承担埋点的工作，并且产品功能是他设计的，他比谁都更清楚功能上线之后他想要知道哪些信息，对应所需要埋哪些点。但是有的时候一些产品虽然懂得功能设计和交互，但是却不太懂数据，他们想要的可能是一个抽象的概念，比如功能上线之后他想知道用户的活跃，用户的漏斗转化，此时如果没有专门的数分同学参与，那么产品估计就会去找开发，开发可能更了解底层架构，但是不了解业务，如果没有定义清楚日志上报机制和含义，那么可能就会出现这样一种情况：

产品上了一个促销活动的页面希望知道用户的PV，以及页面带来的GMV，开发随便埋了一个服务端日志，只要用户发送了访问页面请求就记录一条，结果数分同学统计出来发现PV量巨大，但是GMV少的可怜，于是产品疯狂优化交互，但是GMV依旧没有什么提升。最后经过多方排查发现，原因是由于前端页面加载问题导致很多用户虽然请求了链接，但是页面素材却加载不出来，而PV统计的是服务端日志，也许后面的转化其实还可以，但数据口径的差异导致了整个问题的误判。

以上这个例子是我编的，但是参考了一些工作当中踩过的坑点，我们可以发现在产品或者技术自身能力不够强的时候，把埋点全权交给他们就容易出现数据统计口径不明确的问题。而反过来看，数据埋点也是要为业务服务的，最好是通过需求和数据指标反推需要什么埋点，这就决定了数据分析的同学在这个环节当中有着很大的参与空间，其意义在于：

1、明确埋点机制对应的数据指标口径，避免业务分析的偏差。

2、帮助数分同学了解底层架构，拓展业务分析当中的思路。

3、数分同学可以自主增加便于分析的日志埋点，提升效率。

3.2 日志埋点的经验分享

埋点的方法根据每个公司使用的数据服务不同也有很大差异，我个人将埋点方法分为两类：全埋点，代码埋点。代码埋点又分为前端和服务端埋点。

全埋点就是部署了一些sdk，能够把APP的所有行为全部记录下来，然后由分析人员自定义关键事件，直接圈选分析。使用这种方法一般是接入了一些外部的数据服务供应商的系统，比如神策之类的，优点是你想怎么定义都行，无需重新开发，缺点就是这么多数据占用空间大不能存太久，也只适合一些轻量级的项目分析，我自己是没用过这种方法。

代码埋点顾名思义就是需要让开发把一些关键事件信息的返回写到代码里面去，需要预先定义好在什么场景下，返回一些什么字段，这个就是我们最常用的一种方式。

前端埋点主要是在APP客户端，或者网页页面当中，触发了一些关键素材时返回日志，比如页面加载，素材图片的加载，按钮的点击之类的。这类埋点上报会受到页面改版，网络等问题的影响，会有一些误差；服务端埋点指的是成功请求了一个服务器接口时返回日志，这种日志通常是最准确的，比如下单，播放视频等，请求成功了就是成功了，不受前端改版等问题的影响。

设计埋点的时候我一般遵循这几个步骤：

第一步肯定是要跟产品运营对齐，看一遍产品文档，新功能页面做了什么改动，新增改动了什么功能，是否需要添加前端或服务端埋点；然后再明确这个功能上线之后要看哪些核心的数据，分别需要在前端和服务端埋一些什么内容，确保功能上线能够统计到对应的数据。输出好需要哪些字段之后，需要跟开发对齐，在什么情况下上报，字段都能不能上报，可能有些字段是记录不了的要怎么处理，这些明确了之后才能进入开发。

对于日志字段的设计，个人的经验是可以按照几个大类进行梳理：

维度	信息	备注
日志基础信息	日志唯一标识，日志id，事件id，事件类型等	用作日志的分区字段
页面信息	名称，title，模块，链接等	一般前端需要的较多
用户基础信息	用户id，设备信息（设备号，型号），操作系统（语言，版本），网络信息（ip等），应用信息（版本，包体信息）等等	有些敏感信息不一定能获取到，用户明文账号等信息注意加密
时间信息	日志上报时间，上传时间，更新时间，创建时间	如果是一次性的事件则记录上报时间即可，但是如果记录对象是可累积更新状态的，例如订单等，则需要记录不同状态的时间
业务关键信息	比如如果关注用户增长，就可以记录点击来源，渠道等信息，如果关注用户的停留消费，那可以记录时长，下单金额；如果是有用户跟另一个对象交互的日志，比如用户-物品，用户-视频，那就需要记录商品id，视频id等等	这块不是公共参数，可以根据业务的不同定义去定义
拓展字段	可以留出一个空的desc或者info字段，未来业务有新增需求的时候，可以在这个字段当中以json字符串的形式进行拓展

以这样的标准去写埋点文档，就有利于拉齐大家对埋点的认知，从而更高效，准确的沟通。核心的逻辑是从产品对UI的理解过渡到数据指标的设计然后到具体的开发环节，所以需要三方都要听得懂

最后成型的埋点文档应该长下面这样

日志基础信息	页面信息	具体字段	UI图
事件	事件类型	名称	模块	记录字段	记录值
首页浏览	page_view	首页	曝光	公共字段	包含用户id，设备号，时间页面id等	首页ui图
	游戏id	如果首页属于某个游戏或者某个商品

4、数据仓库

4.1数分同学参与数仓的优势

数据仓库一般跟数据存储，数据安全这些职能是绑定的，所以大部分工作会落到数据开发的同学身上。不过这种情况是在数据体系已经有一定沉淀的基础上，如果是从零到一的数据仓库搭建，数据分析同学的参与空间也是很大的。

数据开发的同学擅长将数据仓库设计的高效，可拓展，可维护，但是在服务层和应用层当中要结合业务进行设计，比如对于一个短视频产品，数开的同学能够做到让上数十亿条数据的用户-视频维度的事实表清洗任务时长缩短一半，但是到了服务层以上，需要定义一些“近30天用户活跃天数”，“近90天用户观看时长”的时候，数据开发的同学可能就会不知道怎么去设计能更加贴合业务了，此时就需要数分的同学参与进来。

4.2 数仓设计的经验分享

数据仓库一般分为：

1、ODS层（数据准备层）：包含业务的原始日志，是直接接入数据源的部分。

2、DWD层（数据明细层）：将DW层（DWD，DWM，DWS）与业务层（ODS）隔开的部分，在数据字段的定义上与ODS层保持相同的颗粒度，但是会把ODS层的原始JSON等字符串日志进行解析变成数据库表，同时会做一些空值填补等数据清洗操作。

3、DWM层（数据中间层）：在DWD的基础上做轻微的聚合，计算出相应的统计指标，例如假设对于一个短视频产品，DWD层记录的是，用户-创作者-作品-时长的维度数据，并且当一个用户多次观看同一个视频，可能会产生多条记录，那么在DWM层可能会根据业务需要把表聚合为用户-创作者-时长的维度数据，每一对用户-创作者的只会对应一条记录。

4、DWS层（数据服务层）：在DWM的基础上整合的主题数据表，例如上面说的用户-创作者-时长的中间表，可能会根据业务需要被聚合为用户主题表：用户-总时长-创作者人数....；创作者主题表：创作者-用户数-总时长......；这里的数据维度通常就已经是具有业务含义的数据指标了

5、ADS层（数据应用层）：这里主要是给提供给产品或者数据分析的表，比如BI展示的数据指标表，以及一些为了方便快速分析预聚合好的数据表，其数据指标自定义程度也会更高，比如”近90天观看视频数”等等。

通俗地说，数据仓库从下层往上层设计的过程就是一个不断group by的过程，从多条明细group by成一条，从N个维度group by成一两个维度如何选择维度，以及要group by出哪些指标，就是数据分析同学发挥作用的地方。一般ODS，DWD这两个维度可以不需要数分同学参与，数据开发的同学保证数仓的准确性和稳定性即可，但是到了DWM层数据分析的同学就可以适当参与进来。比如此时DWM层待聚合的维度有20个左右，包括用户id，创作者id，视频信息，用户的机型设备IP这些，那么数分的同学就可以结合平时的分析经验挑选需要聚合哪些维度，比如IP，机型，如果在分析当中并不是一个主要的维度，那么在DWM层当中就无需保留，那么假设数分的同学平时要经常统计“活跃设备数”这样的指标，那么设备ID就需要在DWM层保留下来。

设计数据仓库的过程这里介绍Kimball的维度建模步骤：

1、选择业务过程：这个步骤通俗地讲就是业务场景，比如在某个直播产品当中，我们定义一条用户的核心业务路径定义为观看直播-付费充值-礼物打赏，那么最初的事实表就需要确定是单一场景的观看直播行为表，还是观看直播-付费充值两个场景叠加的表。

2、声明粒度：确定主键，比如在上述的观看直播行为表中，我们选择用户作为粒度。

3、确认维度：根据关联分析的常用维度挑选字段，比如以用户为粒度的表中，我们通常会关注用户看了哪些主播，在什么渠道下看的，看的什么类型，那维度就需要包含主播id，渠道来源，直播品类，核心考量的就是业务相关性。

4、确认事实：也就是确定业务的度量指标，比如观看直播场景下，业务需要关注时长，PV，那么就需要在聚合的过程中把这两个指标计算出来。

如果按这个过程无限拓展，数仓的维度是可以拆出非常多的，常用的模式有：

模式	特点	维护难度	使用广泛度
星形模式	以事实表为中心，全部的维表直连在事实表上	低	高
雪花模式	维度表可以拥有其他的维度表	高	低
星座模式	基于多张事实表，共享维度信息	高	高

无论是哪种，其实核心都是要在存储空间和业务便捷性当中找到一个平衡点，维度表越多，分析的便利性就更强，但是同时增加了存储成本；维度设计的简单，数仓运行更高效，但是可能每次做稍微复杂的分析都要从最底层的表开始用起，降低分析效率。这一块工作是需要数据分析和数据开发的同学长期共建的，数分同学提供业务视角的建议，数开的同学提供技术上的方案，单一方我觉得都很难把这块做好。

5、数据治理-数据分析共同进化

其实分享了这么多，其实核心都是希望能够给数分的同学提供一些跳出数据分析框架解决问题的思路，如果能够了解一些数据治理的基础方法，在一些关键的节点上就可以寻求数据开发的帮助。例如你在分析用户路径的过程中发现了一个很关键的行为，比如用户在浏览3次以上商品详情页之后，购买率会提升10%，那么是不是可以设计对应的埋点，在每次用户曝光商品时，让开发同学记录当天已曝光该商品的次数，产品也可以直接读取这个数据做对应的干预策略；又例如某个视频产品的数仓以前只有简单的用户-创作者-视频维度的事实表，结果最近运营总是提需求看不同MCN机构的数据表现，那我们是不是可以给数仓的同学提需求增加对应的字段或者设计新的事实表和维度表，方便后续的BI能力搭建。

反过来说，数据开发的同学也能得到业务经验的反哺，我发现商品曝光次数是一个非常关键的行为，那么我在下次打其他埋点的时候，也可以建议产品加上这个数据；我发现业务方经常看A维度数据不看B维度的数据，那我也可以设计一些更加便捷的维度表给他们用。

整体来说，我觉得对于数据治理这项工作，数分和数开的同学是一个相辅相成，共同进化的合作关系，如果未来大家在做项目的时候，遇到了需要自己参与到数据治理工作当中的情况，希望本文可以给到大家一些启发。

六、大乔体系如何运营？

大乔体系是一个以大乔集团为核心的商业运营模式。它通过整合资源、优化管理、创新产品和服务，实现多元化发展。

大乔体系注重市场调研，了解消费者需求，提供高品质产品。同时，它建立了完善的供应链和物流系统，确保产品的高效运输和配送。

大乔体系还注重品牌建设和市场推广，通过广告、促销和社交媒体等渠道，提升品牌知名度和影响力。

此外，大乔体系还积极参与社会责任活动，回馈社会，树立良好的企业形象。通过这些运营策略，大乔体系实现了持续增长和盈利。

七、如何获取网站运营数据？

数据问题一直是很多运营人员头疼的问题。之前的回答说了一些，但都没有展开说，我也不知道进阶篇能说到啥程度，但先说着吧。

1 数据的定义

数据，其实就是一堆数值。

但这些数值，是从用户的行为统计而来。用来便于需要使用数据的同学进行研究和分析之用的基础素材。

2 有哪些数据

我们在入门篇的最后，列出了一些核心数据，我用一张脑图来简单的归纳一下，并进入我们这一节的内容：

这张脑图，仅仅简单的展示了可能是通用的部分运营数据，但如果我们仔细去看，会发现三个数据类型，是所有运营都需要具备的：

渠道、成本、收益。

如果要我简化上面这张脑图，我会告诉你，做运营，需要获取的数据，就是这三大类数据：

渠道数据、成本数据、收益数据。

渠道数据，是用来衡量渠道质量、渠道作用的，它由产品本身的定位的客群和产品的特性所决定。我们其实很容易可以推倒，一个理财产品如果投放游戏社区这种渠道，其运营效果可能并不会太好，可如果换成彩票、博彩，可能效果就很好；同理，传奇这一类的游戏的宣传与活动如果投放到女性社区平台，其效果几乎也可以无视，而如果换成一款Q版小游戏，或许效果就很好。

成本数据和收益数据，则会从不同层面反映出运营的效果。

在这里插一句，千万不要相信网上流传的各种《XX高管教你不花钱做运营》这种鸡汤文，运营一定有成本，必然有成本，如果认为运营高手可以不花钱办成事儿，那不如去相信男人可以怀孕生孩子。运营的效率可以通过经验、熟练度、创意等各种手段来提升，但运营的成本是必然存在的，并且和运营效果一般来说是成正比关系的。很简单的一个道理：

两个活动，一个活动送100台iPhone6，一个活动送1台iPhone6，哪个效果会好？

做运营的同学，请一定要认真的去评估每一个运营动作背后的成本。

而所谓“收益”，并不等价于“收入”，获得金钱是收益，获得用户也是收益，获得口碑同样是收益。

如果我们了解了渠道、成本、收益这三类数据，是指导运营的核心数据，我们就可以根据自身的产品特性去设定需要获取哪些数据。

我们拿最近很火的那个App——足记来举个例子吧。

“足记”因为一个非核心功能火了，但作为这样的应用，它会关注哪些数据呢？从产品的层面，它会去关注：1）App每日的打开数2）各种功能的使用次数和使用频次3）各种Tab的点击次数和对应页面的打开频次从运营的层面，它可能会去关注：1）App每日的活跃用户数2）每日产生的UGC数量（区分新老用户）3）每日分享到社会化媒体的UGC数量（同时考虑单位用户的产生内容数）4）分享出去的UGC带来的回流新装机、新激活用户数

等等。

而我们需要注意的是，这些关注的数据点，并不是一成不变的，它会因为产品的不同阶段而调整，如果我们假设未来足记有盈利模式，那么它关注的核心数据，就会从内容转向收入，这时候，转化率相关数据就会变的重要了。

同样，我们在本篇的第二章举过这样一个例子：

某个旅游网站，发起了老用户邀请新用户加入，老用户和新用户都可以获得100元的代金券，如果活动期间，新用户完成了一笔旅游订单，不论金额大小，作为邀请人的老用户还可以获得100元的代金券。

我们当时分析了活动流程，并针对活动流程做了关键点梳理，这些关键点就是需要获取的数据：

[图片]

我们需要的数据，根据实际的需求来进行设计，并没有一个完全通用的标准，当然，如果你做的越多，你会发现，你的数据感觉在不知不觉中获得了提升，这一点，非常重要。

3 如何获取数据

获取数据的渠道有很多，而方式基本就是自己做和使用外部工具两种方式。

自己做的话，App可以选择“埋点”、log等方式，而Web可以通过log、日志与按钮埋点等方式去做记录。

外部工具，则有很多第三方会提供服务。

获取数据的方式其实各种各样，而关键在于，作为运营人员要了解什么样的数据是重要的，对于这些数据的前后关联，是怎样的，这是一个联动的过程，不是一个单一的行为。

4 如何分析数据

对于数据的解读，每个人都有不同的方式。如果我们要简单的总结，数据分析的方法，无非是：

1）确定数据的准确性

这里包含了选择数据维度的合理性、数据统计的准确性。如果数据维度选择不合理、数据统计结果不精确，我们可能是无法得出正确的分析结果的。这是基础。

2）明确影响数据的因素

一个数据，会收到多种因素的影响，这些因素有内部的，有外部的，运营人员应当尽可能多的了解所有层面的影响因素，以利于我们对于数据的解读是在一个相对正确的范围内。

3）重视长期的数据监测

在运营数据分析中，经常会使用环比和同比方式来对比数据。简单的说，环比是本日与前一日的对比、本月与上月的对比、本季度与上季度的对比；同比是今年当日与去年当日的对比、今年当月与去年当月的对比、今年当季度与去年当季度的对比。环比帮我们看短期的数据波动，而同比帮我们了解大环境下的数据波动。

4）保持客观的视角

数据分析的过程中，客观非常重要，不以物喜不以己悲，做了错误的操作，带来了不利的影响要承认，获得了超出意料的成果要心平气和，切忌挑选有利于自身的结论。这是职业道德的问题，也是职业发展中非常常见的问题。

5）注意剔除干扰项

实际的工作中，我们会碰到很多问题，这些问题是干扰项，例如，在一个相对平稳的曲线中，突然出现了一个点上的强烈波动，这时候我们需要全面的了解个波动产生的原因，如果无法确认原因，就剔除这个波动，否则我们很难去获得一个正确的结论。

关于数据的内容，我个人其实说不出更多有价值的东西，抱着负责任的态度，写到这里，希望对此感兴趣的同学通过专业渠道去认真学习，并在实操中提高水准。

八、现代农业园区建好后如何运营？

现代农业园区是以技术密集为主要特点，以科技开发、示范、辐射和推广为主要内容，以促进区域农业结构调整和产业升级为目标。

但远景设计院谈到这类园区发挥了传统农业向现代农业转变的典型示范作用，探索传统农业向高产、高效、优质的现代化农业的发展路子，发挥了为农业服务的整体服务功能。拓宽园区建设的范围，打破目前形式上单一的工厂化、大棚栽培模式，围绕农业科技在不同生产主体间能发挥作用，将主导产业、优势区域促进农民增收的各种类型都纳入园区建设范围。至于后期运营，其实在园区建设规划时会有相当的考量。

九、十大大数据运营商？

十大数据中心公司

据最近报告显示，这些是全球最大的数据中心提供商，但市场在不断变化中。这部分的市场份额信息来自451 Research，而收入数据来自每家公司的最新年报。

1. Equinix

市场份额：9.5%总部：加州雷德伍德城。

提供的服务：批发和零售主机代管

年收入：36亿美元

数据中心数量：150多个

服务的市场：全球21个国家Equinix是数据中心行业无可争议的领头羊，它已宣布计划收购Verizon的数据中心业务，这让它有望获得更庞大的市场份额。客户包括：亚马逊网络服务、微软Azure、Salesforce.com、eBay、领英、奈飞、通用电气、雪佛龙、彭博社、纳斯达克、AT&T、T-Mobile及另外许多知名公司。

2. Digital Realty Trust

市场份额：5.7%

总部：加州旧金山提供的服务：批发和零售主机代管

年收入：21亿美元

数据中心数量：156个

服务的市场：北美、欧洲、东南亚和澳大利亚Digital Realty在四大洲30多个不同的市场运营数据中心，但其业务主要是在美国。它声称拥有“创行业记录的10年来99.999%”可用性和适应未来的战略。

3. 中国电信

市场份额：3.3%

总部：中国北京

提供的服务：批发和零售主机代管，主机托管集团

年收入：3520亿美元（备注：非IDC收入）

数据中心数量：400多个

服务的市场：主要在中国，在海外有一些设施虽然中国电信主要是一家电信服务提供商，但它也是中国最大的数据中心提供商，它还在美洲和欧洲设有子公司。

4. CenturyLink/Cyxtera Technologies

市场份额：2.1%

总部：路易斯安那州门罗

提供的服务：主机代管

年收入：175亿美元（CenturyLink）

数据中心数量：57多个

服务的市场：北美、亚洲、澳大利亚、英国和德国CenturyLink主要以一家互联网服务提供商出名，最近将数据中心业务卖给了一群投资者，投资者将以Cyxtera Technologies这个品牌名来运营这块业务。然而，CenturyLink还保留了Cyxtera 10%的所有权。它计划将出售数据中心业务所得的收入用来部分支付收购Level 3通信公司的成本。一旦这笔收购达成，有望大大提高其市场份额。

5. 中国联通

市场份额：2.1%

总部：中国北京

提供的服务：主机代管

年收入：2740亿美元

数据中心数量：未知

服务的市场：主要在中国与中国电信一样，中国联盟主要是归中国政府所有的一家电信服务提供商。它主要为在中国开展业务的跨国公司提供主机代管服务。

6. Verizon

市场份额：1.9%

总部：纽约市

提供的服务：主机代管和主机托管

年收入：1259.8亿美元

数据中心数量：29个

服务的市场：15个大都市区，主要在北美和南美Verizon现退出了数据中心行业，已将这一块卖给了Equinix，将改而专注于电信业务。这家公司还退出了云和主机托管两大业务，卖给了IBM.

7. DuPont Fabros Technology（DFT）

市场份额：1.9%

总部：华盛顿特区

提供的服务：批发和零售主机代管

年收入：1.24亿美元

数据中心数量：12个

服务的市场：北美与本文介绍的其他许多数据中心提供商一样，DFT即将被收购。2017年6月，Digital Realty宣布计划以76亿美元的股票收购这家规模较小的公司。

8. Level 3通信

市场份额：1.8%

总部：科罗拉多州布鲁姆菲尔德

提供的服务：主机代管

年收入：82亿美元

数据中心数量：350个

服务的市场：北美、欧洲和拉美除了数据中心服务外，Level 3还提供电信和互联网服务。它目前处于被CenturyLink收购的过程。

9. CyrusOne

市场份额：1.7%

总部：得克萨斯州达拉斯

提供的服务：批发和零售主机代管

年收入：5.291亿美元

数据中心数量：35个

服务的市场：美国、英国和新加坡虽然本文介绍的许多提供商除了数据中心外还提供其他服务，但CyrusOne主要专注于主机代管。它声称“CyrusOne已被《财富》20强和《财富》1000强选择，提供出色的可靠性和高扩展性数据中心解决方案，比其他任何数据中心和主机代管提供商更受青睐。”

10. Interxion

市场份额：1.6%

总部：阿姆斯特丹

提供的服务：主机代管

年收入：4.218亿欧元

数据中心数量：45个

服务的市场：欧洲20多年来，Interxion一直在整个欧洲运营数据中心。目前它在13个大都市区拥有数据中心设施，服务于1600多个客户。

十、三大运营商数据抓取合法吗？

三大运营商数据抓取是否合法，需要根据具体情况来判断。一般来说，如果数据抓取行为严格遵守隐私政策和相关法律法规，获得了用户的明确同意，并且仅用于合法用途，那么数据抓取是合法的。但如果数据抓取违反了用户隐私，未经授权擅自获取个人信息，或者用于非法目的，那么就是非法的。因此，在进行数据抓取前，应当详细了解相关法律法规，并确保合法合规地进行数据抓取。