1. 数据化运营的概述
数据化运营是指通过数据化的工具、技术和方法，对运营过程中的各个环节进行科学的分析、引导和应用，从而达到优化运营效果和效率、降低运营成本、提高效益的目的。包括会员运营、商品运营、流量运营和内容运营四方面的内容。
2. 数据化运营的意义
数据化运营的核心是运营，数据化运营的价值体现在对运营的辅助、提升和优化上，将运营工作逐步数字化、自动化和智能化。
- 提高运营决策效率
- 提高运营决策正确性
- 优化运营执行过程
提升投资回报
3. 数据化运营的2种方式
- (1) 辅助决策式数据化运营
通过数据、模型、知识等进行业务决策，起到帮助、协助和辅助决策者的目的。通过为决策者提供商品促销销量的信息，为企业的促销活动提供有关订货、销售等方面的支持。 - (2) 数据驱动式数据化运营
整个运营运作流程以最大化结果为目标，以关键数据为触发和优化方式，将运营业务的工作流程、逻辑、技巧封装为特定的应用，借助计算机技术并结合企业内部的流程和机制形成一体化的的数据化工作流程。
个性化推荐是一种数据驱动数据化运营方式。
辅助决策式数据化运营和数据驱动式数据化运营是两个层次的数据应用，数据驱动相对于辅助决策的实现难度更高，数据价值更大
-- 区别： - 辅助决策式数据化运营为业务决策方服务，整个过程由运营人员掌握，数据是辅助决策。
数据驱动式数据化运营的过程由数据掌控，数据是主体，实现该过程需要IT、自动化系统、算法等支持，数据驱动具有自主导向性，自我驱动性和效果驱动性。
4. 数据化运营的工作流程
- 第一阶段 数据需求沟通
包括需求产生和需求沟通两个步骤
(1) 需求产生：由运营部门产生的数据化运营的需求，例如预测产品销量、找到异常订单、确定营销目标人群
(2) 需求沟通(沟通很重要)
- 第二阶段 数据分析建模
包括数据获取、数据预处理、数据分析建模和数据结论输出四个步骤。
数据预处理：对数据进行质量检验、样本均衡、分类汇总、合并数据集、删除重复项、分区、排序、离散化、标准化、过滤变量、转置、查找替换、脱敏、转换、抽样、异常值、缺失值处理等
数据分析建模：运用多种数据分析和数据挖掘方法，对数据进行分析建模。方法包括统计分析、OLAP分析、回归、聚类、分类、关联、异常检测、时间序列、协同过滤、主题建模、路径分析、漏斗分析。
数据结论输出：报告、Excel统计结果、数据API输出、数据结果返回数据库、数据结果直接集成到应用程序中进行自动化运营。 - 第三阶段 数据落地应用
数据结论沟通
数据部署应用，预测结果作为下一个月KPI，或者将选择出来的用户作为重点客户进行二次营销。并对后续效果进行监测和反馈。
宋天龙老师 《Python数据分析与数据化运营》学习笔记