今天主要講到的點比較細，是社群營運裡面的群話題讨論如何進行資料分析和優化，是落地執行層面，大家也可以直接進行提煉，化為己用，延伸到更多領域。
在分享前，先自我介紹一下，我是青島藝形藝意文化傳媒有限公司聯合創始人、首席新媒體商學院創始人，資深新媒體營運人，騰訊網、百度網、今日頭條、搜狐網、網易新聞、鳳凰新聞等網站知名專欄作者胡耀文。
一、社群活躍初級資料分析模型
衆所周知，社群營運和産品營運、以及産品營運都是一樣的，也是會有生命周期的存在，在社群管理到位的情況下，如果不在合适節點進行促活，那麼社群就會迅速趨向死亡。
那麼，在社群營運中，群話題讨論就是一個很好的促活手段。
不但成本低；
而且産出的内容經過二次梳理，做成腦圖和文章等内容幹貨進行複用和輸出（以前整理了一篇去中心化的内容産出文章，因為之前懶，後面要是來勁了，給大家分享一下）；
還能維護使用者的活躍。
是一個ROI極高的活躍方法，但是并不是純粹做了就做了，很多社群營運人員，僅僅隻是達到做了的層面，沒有一個系統性的SOP規劃（這裡會涉及到一個社群營運系統性的SOP周期規劃，在這裡不做詳細闡述，後續來勁的話也分享一下，哈哈哈）和資料分析。
因為本文重點是講如何對群話題讨論這個社群活躍的手段進行資料分析，是以對于話題讨論的具體執行流程不做闡述。如果你有社群營運的經驗，那麼你應該也知道，話題讨論需要準備的話題。
社群營運的話題讨論主要有兩個分類名額：規模和難易程度。今天抛開規模這個變量，主要從難易程度來進行分析。下文的社群營運讨論統稱為“群話題讨論”。
群話題讨論的根據内容的難易程度以及參與使用者的參與情況的不同程度進行分級，但是僅僅是分級還不夠，因為我們還需要進行資料分析，那麼就需要對不同情況進行量化。
如果不能進行量化的，你就做不到資料可視化（資料可視化是資料分析中重點的重點，尤其是在龐大的資料量面前）。
如果你沒有很完整的社群輔導工具提供你進行一些量化的資料的話，你可以對不同的分級情況進行指派。
最後對話題讨論的内容進行收集和分級，彙總成一個比較簡單資料表格。如果資料量小的情況下，可以通過肉眼進行分析找到規律，但實際工作中，往往不止隻做6期。
如果資料量達到這個量級或以上的時候，你是否還能通過肉眼去進行分析找到其中的規律呢？如果不止一個類型群呢，是多個類型的社群執行不同類型的話題讨論呢？
是以這時候就需要借助資料可視化來輔助判斷，很明顯不能。
一般這種情況，我會采用散點圖來進行可視化的描述（下面是假設圖，僅供大家了解）。一般根據你資料描繪出來散點圖，有5種情況：強正相關、弱正相關、強負相關、弱負相關和不相關。
基本會出現以下5種情況，至于強弱我就不闡述了，主要是相關性的問題，以上面的模型為基礎：
正相關：就是話題越難，社群使用者的參與度就越高；
負相關：話題越難，社群使用者的參與度就越低；
無相關：難易程度和參與度沒有相關性。
如果你完成了以上的基礎操作和資料分析，那麼已經具備基礎的掌握了。
如果難易程度和參與度沒有關系，那麼還有什麼影響到社群使用者的參與度呢，這裡的話還有建群的時間和營運的強度有關。
二、進階版：資料分析模型變量替換和交叉分析
【資料分析模型變量替換】除了難易程度會影響參與度之外，社群建立的時間長短以及營運的投入的強度也對參與度有很大的關系。
假設，如果你遇到難易程度和參與度沒有相關性，那麼這個時候，你還可以對散點圖的其中一個變量進行替換。找出影響社群使用者參與度的核心因素。營運的投入一般有幾個方面：
資金成本：搶紅包、禮品等；
人力成本：投入了多少人力、跨團隊協作溝通成本等；
時間成本：從準備到執行所投入的時間等；
等等以上多個次元進行綜合考慮，同理，如果無法進行詳細的資料量化，那麼可以根據營運人員的實際考慮對每個次元進行分級指派，得出量化資料。
【交叉分析】如果難易程度和參與度存在相關性的情況下，你想再進一步分析影響參與程度的更多潛在因素，可以在散點圖上進行交叉分析等資料分析模型。
像下述的散點圖中，除了可以觀察難易程度和參與程度以外，還能通過不同色階觀察到營運強度的分布。
這樣的資料可視化圖形，可以幫助我們快速找到ROI高的案例，譬如：參與度高營運強度低的點，我們應該對這類重點案例進行快速的抽離和分析，進行複制。
三、高階版：回報執行和調整
資料分析最終目的是輔助我們進行複盤總結，還有找到特異點，最終得出解決方案或可複制的優秀方案，回報到整體營運體系，提升整體的營運效率。
找到核心資料和關鍵名額；
對關鍵資料進行關聯分析；
得出解決方案或優秀案例，回報執行系統。
【最後的超級重點】資料分析的是一項重投入的營運環節，并非事無巨細、所有環節都需要進行資料分析。如果在人力有限的情況下，無差别地對每個環節都進行分析：
隻會大幅降低營運的效率；
還有陷入分析癱瘓的怪圈（懷疑人生）。
是以應該對哪些核心環節進行資料分析和合理投入，是項目負責人的一項核心的底層能力。
本文為基于多年經驗和觀察得出的個人觀點，如果内容對你有幫助，記得分享給你的朋友。如果大家有什麼看法，歡迎大家在下邊評論區留言，最後非常感謝大家的閱讀。