導讀：數據化運營是提高利潤、降低成本、優化運營效率、最大化企業財務回報的必要課題。Python作為數據科學界的關鍵工具之一，幾乎可以應用于所有數據化運營分析和實踐的場景。

作者：宋天龍

如需轉載請聯系大數據（ID：hzdashuju）

01 用Python做數據化運營

Python是什么？數據化運營又是什么？為什么要將Python用于數據化運營？本節先來回答這幾個問題。

1. Python是什么

Python是一種面向對象的解釋型計算機程序設計語言，由荷蘭人Guido van Rossum于1989年發明，第一個公開版發行于1991年。Python開發的初衷其實是一個開發程序語言，而非專門用于數據工作和科學計算的數據處理或建模程序（當然，現在已經是了）。

為什么我們要選擇Python而非其他語言（例如R）進行數據處理、分析和挖掘呢？這是因為Python先天和后天具有的一些特殊條件和能力，使其成為目前企業（尤其是大數據領域）做數據化運營最為合適的工具。

• 開源/免費：使用Python（及其第三方庫）無須購買產品、授權或license費用，無論對于個人還是對于企業都是如此。

• 可移植性：Python程序可以跨Windows、Linux、Mac等多平臺運行，這點決定了它的移植性非常強，一次開發，多平臺應用。

• 豐富的結構化和非結構化數據工作庫和工具：Python除了自帶數學計算庫外，還包括豐富的第三方庫和工具，例如用于連接Oracle、MySQL、SQLite等數據庫的連接庫，數據科學計算庫Numpy、Scipy、Pandas，文本處理庫NLTK，機器學習庫Scikit-Learn、Theano，圖形視頻分析處理和挖掘庫PIL和Opencv，以及開源計算框架TensorFlow等。

• 強大的數據獲取和集成能力：Python除了可以支持多種類型的文件（圖像、文本、日志、語音、視頻等）和數據庫集成外，還能通過API、網絡抓取等方式獲取外部數據，內、外部數據源整合、多源數據集成、異構數據并存、多類型數據交錯正是當前企業數據運營的基本形態。

• 海量數據的計算能力和效率：當面對超過GB甚至TB規模的海量數據時，傳統數據工具通常無法支撐，更不要提計算效率了。Python對于這個規模數據的計算能力和工作效率要遠超過其他數據工作語言。

• 與其他語言的集成：Python具備“膠水”能力，能與Java、C、C++、MATLAB、R等語言集成使用，這意味著既可以把其他語言寫成的腳本嵌入Python，也可以把Python腳本嵌入其他語言。

• 強大的學習交流和培訓資源：Python已經成為世界上最主流的編程語言和數據處理工作的核心工具之一，有非常多的社區、博客、論壇、培訓機構、教育機構提供交流和學習的機會。

• 開發效率高：Python語言簡潔、規范，使得在使用Python開發程序時用時更少。這對于以效率優先的程序工作或驗證性項目來說非常關鍵，效率決定商機。

• 簡單易學：Python語法簡單，即使是沒有任何代碼基礎的人也能在幾個小時內掌握基本的Python編程技巧，這對于初學者而言至關重要，因為這說明編程式數據分析不再遙不可及，他們能像使用Excel一樣使用Python。

總而言之，在具備一定Python經驗和技巧的情況下，幾乎沒有Python無法勝任的工作場景！如果有，那么用Python調用其他語言或用其他語言調用Python后，就會勝任。

02 數據化運營是什么

數據化運營是指通過數據化的工具、技術和方法，對運營過程中的各個環節進行科學分析、引導和應用，從而達到優化運營效果和效率、降低成本、提高效益的目的。

運營是一個范圍“彈性”非常大的概念，最大可以延伸到所有公司的事務管理，最小可能只包括網站運營管理工作。運營的范圍包括會員運營、商品運營、流量運營和內容運營4方面內容。

1. 數據化運營的重要意義

數據化運營的核心是運營，所有數據工作都是圍繞運營工作鏈條展開的，逐步強化數據對于運營工作的驅動作用。數據化運營的價值體現在對運營的輔助、提升和優化上，甚至某些運營工作已經逐步數字化、自動化、智能化。

具體來說，數據化運營的意義如下：

1）提高運營決策效率。在信息瞬息萬變的時代，抓住轉瞬即逝的機會對企業而言至關重要。決策效率越高意味著可以在更短的時間內做出決策，從而跟上甚至領先競爭對手。數據化運營可使輔助決策更便捷，使數據智能引發主動決策思考，從而提前預判決策時機，并提高決策效率。

2）提高運營決策正確性。智能化的數據工作方式，可以基于數據科學方法進行數據演練，并得出可量化的預期結果，再配合決策層的豐富經驗，會提高運營決策的正確性。

3）優化運營執行過程。數據化運營可以通過標準口徑的數據、信息和結論，為運營部門提供標準統一、目標明確的KPI管理，結合數據化的工作方法和思路，優化運營過程中的執行環節，從而降低溝通成本、提高工作效率、提升執行效果。

4）提升投資回報。數據化運營過程中，通過對持續的正確工作目標的樹立、最大化工作效率的提升、最優化工作方法的執行，能有效降低企業冗余支出，提升單位成本的投資回報。

2. 數據化運營的兩種方式

從數據發揮作用的角度來看，數據化運營分為輔助決策式數據化運營和數據驅動式數據化運營。

（1）輔助決策式數據化運營

輔助決策式數據化運營是運營的決策支持，它是以決策主題為中心的，借助計算機相關技術輔助決策者通過數據、模型、知識等進行業務決策，起到幫助、協助和輔助決策者的目的。例如，通過為決策者提供商品促銷銷量信息，對企業的促銷活動提供有關訂貨、銷售等方面的支持。

（2）數據驅動式數據化運營

數據驅動式數據化運營是指整個運營運作流程以最大化結果為目標，以關鍵數據為觸發和優化方式，將運營業務的工作流程、邏輯、技巧封裝為特定應用，借助計算機技術并結合企業內部流程和機制，形成一體化的數據化工作流程。例如，個性化推薦就是一種數據驅動數據化運營方式。

輔助決策式數據化運營和數據驅動式數據化運營是兩個層次的數據應用，數據驅動相對于輔助決策的實現難度更高、數據價值體現更大。

• 輔助決策式數據化運營為業務決策方服務，整個過程都由運營人員掌控，數據是輔助角色。

• 數據驅動式數據化運營的過程由數據掌控，數據是主體，實現該過程需要IT、自動化系統、算法等支持，數據驅動具有自主導向性、自我驅動性和效果導向性。

注意：由于數據和流程本身會存在缺陷，同時運營業務通常都有強制性規則的需求，因此即使在數據驅動式數據化運營過程中也會加入人工干預因素。但即使如此，數據作為數據驅動的核心是不變的，也就是說，數據是決策主體本身。

3. 數據化運營的工作流程

上文我們介紹了數據化運營的兩種方式：輔助決策式數據化運營和數據驅動式數據化運營。其中數據驅動式數據化運營具體取決于應用場景，不同的場景，其具體工作流程不同。本節重點介紹數據驅動式數據化運營的工作流程。

數據驅動式數據化運營工作包含數據和運營兩個主體，在實際工作過程中需要二者協同。在某些大型工作項目上，還有可能涉及與IT部門、信息中心等部門的聯動。其工作流程分為３個階段，如圖1-1所示。

▲圖1-1 數據驅動式數據化運營工作流程

（1）第1階段：數據需求溝通

該階段主要包括需求產生和需求溝通兩個步驟。

1）需求產生：由運營部門產生的某些數據化運營需求，例如預測商品銷量、找到異常訂單、確定營銷目標人群名單等。

2）需求溝通：針對運營部門提出的需求進行面對面溝通和交流，溝通主要包含3方面：

• 一是業務需求溝通，包括需求產生的背景、要解決的問題、預期達到的效果等；

• 二是數據現狀溝通，包括數據存儲環境、主要字段、數據字典、數據量、更新頻率、數據周期等，如果沒有數據則需要制定數據采集規則并開始采集數據，該過程中可能需要IT部門的協助；

• 三是數據與分析的關聯性溝通，根據與運營人員的溝通，了解業務背景下哪些是常見的、帶有業務背景的數據、不同場景會導致數據如何變化、分析中會涉及哪些關鍵字段或場景數據等，業務人員豐富的經驗會幫助數據工作者少走很多彎路。

（2）第2階段：數據分析建模

從這一階段開始進入正式的數據工作流程，包括獲取數據、數據預處理、數據分析建模和數據結論輸出4個步驟。

1）獲取數據：數據化運營分析所需的數據需要經過特定授權從數據庫或文件中得到。

2）數據預處理：在該過程中對數據進行質量檢驗、樣本均衡、分類匯總、合并數據集、刪除重復項、分區、排序、離散化、標準化、過濾變量、轉置、查找轉換、脫敏、轉換、抽樣、異常值和缺失值處理等。

3）數據分析建模：運用多種數據分析和挖掘方法，對數據進行分析建模。方法包括統計分析、OLAP分析、回歸、聚類、分類、關聯、異常檢測、時間序列、協同過濾、主題模型、路徑分析、漏斗分析等。

4）數據結論輸出：數據結論的輸出有多種方式，常見的方式是數據分析或挖掘建模報告，另外還包括Excel統計結果、數據API輸出、數據結果返回數據庫、數據結果直接集成到應用程序中進行自動化運營（例如短信營銷）。

（3）第3階段：數據落地應用

該階段是數據化運營落地的關鍵階段，前期所有的準備和處理工作都通過該階段產生價值。該階段包括數據結論溝通、數據部署應用及后續效果監測和反饋3個步驟。

1）數據結論溝通：對于輸出為報告、Excel統計結果等形式的內容，通常都需要與運營對象進行深入溝通，主要溝通的內容是將通過數據得到的結論和結果與業務進行溝通，通過溝通來初步驗證結論的正確性、可靠性和可行性，并對結果進行修正。如果沒有可行性，那么需要返回第2階段重新開始數據分析建模流程。

2）數據部署應用：經過溝通具有可行性的數據結論，可直接應用到運營執行環節。例如，將預測結果作為下一個月的KPI目標，將選擇出來的用戶作為重點客戶進行二次營銷。

3）后續效果監測和反饋：大多數的數據化運營分析都不是“一次性”的，尤其當已經進行部署應用之后，需要對之前的數據結論在實踐中的效果做二次驗證，若有必要則需要進行結論的再次修正和意見反饋。

很多人認為數據化運營工作應該從數據產生之后開始，這是錯誤的觀念，原因在于數據化運營工作的起始是需求產生，而需求的產生與數據的產生往往沒有必然關系。

03 Python用于數據化運營

Python用于數據化運營，將充分利用Python的強大功能和效率來滿足數據化運營的復雜需求。

• Python可以將數據化運營過程中來源于企業內外部的海量、多類型、異構、多數據源的數據有效整合到一起，提供豐富的集成、開發、分析、建模和部署應用。

• Python高效的開發效率能幫助數據化運營在最短的時間內進行概念驗證，并提供科學的預測結果，為數據化運營的快速和準確提供基礎。

• Python可以將數據工作流程和IT工作流程無縫對接，有利于實現數據工作與運營工作的融合。這也是數據驅動式數據化運營的工作方法，有利于真正實現數字化、智能化的運營工作。

04 Python程序

1. Python 2還是Python 3

目前，Python仍然是兩個系列的版本并存，一個是Python 2，另一個是Python 3。這兩個版本的語法不完全兼容，因此兩個版本的程序調用對方的執行腳本將很可能報錯。

如果沒有特殊需求，大多數場景下選擇Python 3都是一個正確的選擇。但結合特定場景，筆者還是給出以下具體建議：

• 如果想要成熟、可靠且穩定的程序，選擇Python 2和Python 3都可以。

• 如果只是學習或了解一下Python，優選Python 3。

• 如果是企業內部應用，有歷史程序需要執行和開發，具體看企業用的是哪個版本。

• 如果你的工作中需要大量的第三方庫，而且是比較早期的庫，那么使用Python 2。但更多情況下，即使那些只支持Python 2的庫不再更新了，也有很多替代庫可以實現，因此如果不是必須使用Python 2，還是建議使用Python 3。

• 如果你的程序需要在Linux服務器上運行且使用其原生程序，那么去看看你的Linux服務器自帶的Python版本（通常Linux服務器上自帶Python 2的居多）。同樣的，即使Linux原生帶的程序版本低，仍然可以安裝并使用Python 3。

• 如果上述沒有任何一個場景滿足你的需求，那么就從Python 3開始吧。

2. 32位還是64位

大多數情況下，如果沒有特殊需求，盡量選擇64位版本。

筆者選擇了64位Python，3.7版本。選擇64位的原因是它能應對更大容量的數據應用，用Python 3除了因為這是趨勢外，還有一個重要原因是Numpy已經宣布從2019年1月1日起新功能將只支持Python 3，相信很多系統和工具也開始慢慢放棄對Python 2的支持了。

3. Python環境的搭建

一般情況下，我們可以直接到Python官網https://www.python.org下載需要的版本，然后在安裝好Python程序后根據需要自定義安裝其他相關庫和包。但對大多數初次接觸Python的讀者來講，如果能有“一鍵安裝”就更好了。在此，我們介紹Anaconda。

Anaconda是一個Python發行版本，其包含了conda、Python等180多個科學包及其依賴項，它是科學計算領域非常流行的Python包以及集成環境管理的應用。它的優勢主要表現在以下幾個方面：

• 默認可以幫你安裝好Python主程序，而不用單獨下載安裝。

• 常用的數據工作包，包含數據導入、清洗、處理、計算、展示等各個環節的主要包都已經安裝好，如Pandas、Numpy、Scipy、Statsmodels、Scikit-Learn（sklearn）、NetworkX、Matplotlib等。常用的非結構化數據處理工具也一應俱全，如beautifulsoup4、lxml、NLTK、pillow、scikit-image等。
  

• 很多包的安裝有依賴，這點在Linux系統上非常常見，而Anaconda已經將這些依賴的問題統統解決。尤其在離線環境下做Python和大量庫的安裝部署工作時，Anaconda大大降低了實施難度，是項目開發過程中必不可少的有效工具。

• 提供了類似于pip的包管理功能的命令conda，可以對包進行展示、更新、安裝、卸載等常用操作。當然，如果你更喜歡pip，仍然可以繼續使用該命令，因為Anaconda默認也安裝了該命令。

• 多平臺、多版本的通用性，而且緊跟Python主程序更新的步伐。Anaconda支持Windows、Mac OS和Linux系統，且同時包含32位和64位的Python版本（Python 2和Python 3全都支持）。

• 提供了IPyton、Jupyter、Spyder交互環境，可以直接通過界面化的方式引導用戶操作，易用程度非常高，甚至連具體細分的學習資源都準備好了。

要安裝Anaconda環境，只需要登錄https://www.anaconda.com/download下載對應版本的安裝包即可，如圖1-2所示。目前Anaconda發行的最新Python版本包括32位和64位的Python 2.7和Python 3.7。

▲圖1-2 Anaconda下載頁面

以Windows64位Python 3.7版本為例，下載完成后，會在本地計算機中存在.exe文件，安裝過程只需使用默認配置即可。

關于作者：宋天龍，深大數據技術專家，觸脈咨詢合伙人兼副總裁，前Webtrekk中國區技術和咨詢負責人（德國最大在線數據分析服務提供商）。擅長數據挖掘、建模、分析與運營，精通端到端數據價值場景設計、業務需求轉換、數據結構梳理、數據建模與學習以及數據工程交付。在電子商務、零售、銀行、保險等多個行業擁有豐富的數據項目工作經驗。

本文摘編自《Python數據分析與數據化運營》（第2版），經出版方授權發布。

延伸閱讀《Python數據分析與數據化運營》

（第2版）

點擊上圖了解及購買

轉載請聯系微信：DoctorData

推薦語：這是一本將數據分析技術與數據使用場景深度結合的著作，從實戰角度講解了如何利用Python進行數據分析和數據化運營。本書與同類書大的不同在于，并不只有純粹的關于數據分析技術和工具的講解，而且還與數據使用場景深度結合，在業務上真正可指導落地。此外，本書作者提供微信、郵箱等，可通過實時和離線兩種方式及時為讀者在線傳道、受業、解惑。

有話要說?

Q:?數據幫你做了哪些決策？

歡迎留言與大家分享

猜你想看?

• 最后2天，錯過等1年，這7本計算機經典圖書竟然打折了！
  

• 一文看懂用R語言讀取Excel、PDF和JSON文件（附代碼）
  

• 人民日報喊你學數學！實力不允許？8本書帶你入門
  

• AI魔幻行為大賞：細數機器視覺的9大應用場景

更多精彩?

在公眾號對話框輸入以下關鍵詞

查看更多優質內容！

PPT?|?報告?|?讀書?|?書單?|?干貨?

大數據?|?揭秘?|?Python?|?可視化

AI?|?人工智能?|?5G?|?區塊鏈

機器學習?|?深度學習?|?神經網絡

合伙人?|?1024?|?段子?|?數學?|?高考

據統計，99%的大咖都完成了這個神操作

?

覺得不錯，請把這篇文章分享給你的朋友

轉載 / 投稿請聯系：baiyu@hzbook.com

更多精彩，請在后臺點擊“歷史文章”查看

點擊閱讀原文，了解更多

總結

以上是生活随笔為你收集整理的这才是真正适合小白的教程：Python有什么用？数据化运营怎么做？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。