由于运营部门是互金平台公司里需要对业绩对KPI负责的部门，这决定了运营人员需要时时刻刻观察数据，从数据出发找到公司运营的异常情况。

若上天保佑大吉大利，业务数据增长符合预期，那很棒今晚可以吃鸡；若多灾多难，业务数据下滑严重出现异常，也不必慌张，学会利用和使用数据，通过数据多维度的对比分析，找出数据波动的潜在因素，并思考对应的运营策略并迅速做出调整，保证公司业务回归正常，所谓兵来将挡水来土掩。

市面上互金产品的运营端工作主要分为两种，一种是资金端（即出借人Or投资人）的获取，另一种是资产端（即借款人）的获取。前者典型例子为证券炒股类、银行理财类、P2P类的互金产品，后者典型代表为现金贷类、借款类的互金产品。本文的研究对象是前者，通过三种常见的数据分析模型，阐述资金端获取的互金产品的数据分析角度，希望对大家有益。

模型一，AARRR模型，针对整个产品层面：

从整个产品日常运营层面做分析，笔者套用现在市面上比较流行的AARRR运营模型。这个模型几乎可以套用所有的互联网产品，大家也可以尝试着在自己的垂直领域去套用分析。

获取用户（Acquisition）

关键数据指标：注册用户数、投资用户数、人均投资金额；

分析角度：需对比不同渠道的注册量与注册质量，注册量看注册用户数，注册质量看投资用户数与人均投资金额（即转化率）。

提高活跃度（Activation）

关键数据指标：浏览量（PV）、访客数（UV）、IP数、APP日活跃用户、APP日启动次数；

分析角度：不同于社交类或资讯类产品，互金类产品不是非常看重活跃度这个指标。因为从最理想的情况上分析，用户投资后，是不需要再点开APP进行任何操作，接着就是坐等本金和利息回款即可，这也是用户对投资产品信任和放心的一种体现。那什么时候活跃度这个指标值得运营者去重点关注呢，两种情况，重大利好或重大利空的消息发布。重大利好如平台融资、力度空前的营销活动等，重大利空如各种负面新闻曝光等，这个时候运营者需要去关注这个活跃度的波动，并要分析波动是否在预期范围里。

获取收入（Revenue）

关键数据指标：投资用户数、交易额、平均投资期限、满标时长；

分析角度：收入数据在电商平台里对应为营业额，在互金平台里则对应为投资数据。一个平台的“吸金”能力可以从投资用户数和交易额这两线指标里直观看出，另外还有两个辅助指标，一个是投资期限，一个是满标时长。借用马化腾爸爸说的一句话，“金融拼得不是谁跑得快，而是拼谁跑得长。”所以投资期限越长，代表用户信任平台，愿意长期限进行投资，也代表了平台的经营状况越好；而满标时长越短，说明资产供不应求，平台获取投资资金相对容易，这也代表了平台的经营状况良好。

提高留存率（Retention）

关键数据指标：充值金额、提现金额、充提率、回款金额、回款用户数、留存金额、资金留存率、资金复投率、留存用户数、留存用户比例、流失金额、流失用户数、资金净流入/流出

分析角度：做好留存是互金平台的重中之重，这里面牵涉的数据指标有很多，给人眼花缭乱的感觉，但核心只要关注两个数据，资金留存率和资金复投率，因为这两项其实是结合了回款、提现、充值、投资而综合计算出来的。短期看，留存率和复投率会随着短期的营销活动而产生剧烈波动；长期看，留存率和复投率会随着平台的征信、利率、产品体验等各方面的提升而稳步提高，反之亦然。

自传播（Refer）

关键数据指标：邀请用户数、邀请用户投资额、红包分享次数、活动分享次数

分析角度：做好自传播能帮助平台节省很多渠道费用和推广费用，把这部分费用让利给邀请人用户，邀请功能几乎也是很多互金平台的必备功能之一，除此以外，一些大型活动和功能也具有分享传播的价值。笔者见过最狠的是平安银行，手机App里几乎所有落地页面都具备分享功能，无时无刻都在提醒用户进行分享传播。数据层面关注对应的分享数据及转化数据即可，比较简单。

模型二，占比模型，针对某项功能层面：

除了产品日常运营需要做数据分析，互金类产品上线了新版本，更新了如VIP体系、积分体系、任务体系、自动投标、智能投顾等新功能，这个时候运营也需要对特定功能进行数据跟踪与分析，了解用户对新功能的反馈。

有些运营喜欢对用户进行回访调研去了解用户的接受度，但笔者认为只有数据是最客观最真实的，能切实解决用户需求的功能，一定能在数据层面有好的体现。下面介绍两种判别方法：

1. 新功能是否受欢迎？

衡量指标：活跃比例。即：使用新功能的活跃用户数/同期活跃用户数。

2. 用户是否会重复使用？

衡量指标：重复使用比例。即：第N天的继续使用新功能的用户数/第一天使用新功能的用户数。

（以上部分内容引用于“艺林小宇”专栏文章）

模型三，漏斗模型，针对运营活动层面：

活动是运营人员的日常工作，如果把一个活动比作一个项目，一个再复杂的项目都可以通过WBS：工作分解结构（Work Breakdown Structure）进行拆解。

同理，一个再复杂的活动也可以拆分成多个步骤去分析，这里常用的分析方法就是进行漏斗模型分析，分析从潜在用户到最终用户这个过程中用户数量的变化趋势，从而寻找到最佳的优化空间。比如，下面的例子是分析从用户进入某个活动页面到最终产生投资行为的变化趋势。

最后，我们从这个漏斗中去分析，每个环节的转化率有没有达到预期。如果没有，就要反思活动流程中还有哪些可以优化的环节，比如文案是否足够吸引、步骤是否足够精简、体验是否足够流畅。

数据会说谎

数据会说谎这种说法相信大家都听过，其实数据本身是不会说谎的，是收集、分析数据的方法会说谎。数据分析过程中，如果结合其它维度再次做分析，有时候是会得出完全不一样的结论。

举个例子，一个用户运营团队要做用户喜爱度调研，于是给所有每天使用他们产品的用户致电访问，最后调研结果显示，他们的产品用户喜爱度接近100%，他们信心满满，觉得产品太完美了。可是，不喜欢谁会天天使用你们的产品？（这个例子类似“幸存者偏差”陷阱）

互金产品里一样也会出现数据说谎情况，举个典型的例子，A渠道投资转化率为60%，B渠道投资转化率为40%，从以上数据分析，A渠道的用户质量明显比B好。

可是，如果结合不同的维度，结论有可能是B渠道的用户质量是比A渠道的更好。比如结合金额留存率这个维度，A渠道用户的金额留存率是10%，B渠道用户的金额留存率是50%。这说明A渠道用户的“羊毛”属性明显更重，用户都是投完一笔拿完首投奖励就走，相比B渠道的用户能在首投后留下来继续投资，所以B渠道用户的整体质量是更高的。这种情况下，我们就得到了和之前截然相反的结论了。

因此，产品运营人员做数据分析时，一定要尽可能把各种干扰因素考虑进去。一个错误的数据分析结论比不做任何分析都还要遭，毕竟掉进坑里后，还要花费力气跑出来，这里面的时间成本、机会成本实在太高。

结语

在互联网这个信息洪流中，不少人幻想着能抓住一些一夜爆红的秘籍，各种含金量不高的营销类、学习类账号（人人都是产品经理当然除外）也喜欢分享以下类型文章，如《如何制作刷爆朋友圈的某某H5》、《四个方法教你打造爆款》、《写出10万+文案的七个细节》等等。很多互联网运营者热衷于学习研究上述各种“看得见”的道和术，但对许多“看不见”的体系内容缺乏足够的关注。数据运营分析，就是“看不见”内容中的重中之重。

看数据、找原因、想对策，基本上就是一个运营人员每天的日常工作。除了“想对策”这步，需要结合运营人员对业务、对用户、对产品的熟知和了解（通常也是由运营总监做出决策）。其余两步，懂得“看数据、找原因”，就是一个合格运营人员的必备技能，而且这项技能越娴熟，越懂得用数据指导运营工作，运营人员的阶位就越高。

最后，希望大家都能成为运营大神。