为什么美国互联网没有“运营”岗？ _互联网

文章插图
图片来源：视觉中国

钛媒体注：本文来自于公众号三节课（sanjieke01），作者：黄有璨、孙沁滢。钛媒体经授权转载。

大约2个月前，一位刚刚从美国硅谷某知名互联网公司回到国内的朋友专程托朋友介绍找到我，他此前在硅谷先后担任过产品经理、增长两个岗位。
而他之所以想要找我，原因说起来也很有趣——他发现，回到国内后，到处都会听到人谈“运营”，然而美国互联网基本是不存在“运营”这样一个明确的岗位的，因此他感到很困惑，想要找我交流一下，到底什么是运营？
说起来确实很有趣，美国是互联网的发源地，自有网以来，中国互联网的许多东西，从商业模式到产品形态，无不是在模仿借鉴美国互联网。
但唯有“运营”这样一个岗位，在国内极度火爆，从业者数量大约是产品经理的3-4倍左右，而在美国，运营岗非常少，一般只有各电商公司才会设置少量几个跟“运营”有关的岗位，这些岗位中又只有极少数才会被称为是“Operation” 。
因此，运营这个工种，似乎成为了中国互联网的一个“独创发明” 。
于是，我和上文提到的这位朋友有了一次长达3小时的深入交谈。
借助这一次交谈，以及本文作者之一孙沁滢在美国本土的一些所见所闻，也让我们对于中美两国互联网行业的差异，以及为什么运营岗在美国几乎不存在的现状，有了更深入全面的理解。在此，我们想把一些思考分享给你。
一长久以来，运营对于很多人来说都是非常模糊的一个概念，甚至很多在做运营的人也不能清除描述互联网运营是干什么的。
因此，我们或许有必要先统一一下认知。
在《运营之光》一书中曾对于“运营到底是什么”有过总结，其中提及到：运营，本质上是为了帮助产品与用户之间更好的建立起来关系，我们所需要使用的一切干预手段。
体现在具体工作方向上，运营有两大导向，一是拉新、引流、转化，二就是是用户管理和维系。
这一定义，在业内还算有普遍认同，理论上也是任何一家互联网公司都势必需要面对和解决的问题。
但，相比起国内将这部分工作归入到“运营”岗位的工作范畴中，美国互联网公司的做法截然不同——一般来说，拉新、引流、转化的工作，在美国多通过销售或广告投放来完成，这两部分工作，在一家公司内，往往会由销售部门或市场营销部门来承担。
而用户维系和管理的工作，一般则由用户体验部门来承担，以及，部分科技背景雄厚的公司往往还会引入一群数据科学家和增长黑客，通过明确的算法和模型，以数据和技术手段驱动的方式系统性地实现用户增长。
而近两年在国内极度火热的“社群运营”、“新媒体运营”等工作内容，包括在互联网公司内大量存在的“产品运营”、“用户运营”等岗位的工作内容，在美国互联网公司几乎很少存在，即便有一些相关的工作内容，也多会由其他的产品、研发、市场等团队来承担。
所以，到底为什么会出现这样的现象？
二我们或许需要先充分理解一个极度重要的背景——中国互联网的层次丰富程度，可能远要比美国多得多。
具体来讲，美国的社会形态和社会阶层相对更加稳定和单一，城市与城市之间的地域差异性较小，大家在衣食住行等各方面的需求也相对统一（好比美国同学无论何时何地最开心的就是大家一块叫个披萨，区别只是叫的披萨的口味可能不一样），这造成了在很多领域内，是有可能以一个比较标准化的解决方案来解决海量用户的需求的。
然而，中国则不同，中国人口数量众多，社会形态更多样，用户属性和行为习惯从一线城市到二三线城市再到四五线城市再到乡镇县城，可能都会存在着很大的差异，就更不用说这其中每个年龄段、不同兴趣爱好者还可以再分隔出来诸多个性化需求。
以上述提到的饮食来说，中国有8大菜系，几乎每个省份甚至许多城市都有自己的特色小吃，基本你去到一个新地方，很容易就能做到每周7天，每天每顿吃的都不一样。这样的状态，造就了中国用户需求的丰富性和复杂性，也让中国互联网的层次要丰富得多，同一类需求下，也许能够同时有数十个产品并存——这在美国几乎不可能看到。
举个例子。2007年，淘宝年销量突破400个亿的时候，没有人能想到刚刚改名为京东商城的京东能成为今天的第二大电商平台。
而今年，当人们认为阿里和京东的电商巨头地位无人可以动摇的时候，拼多多作为一匹黑马，又一次杀出重围。淘宝主打商品的全面，京东主打自营的产品和物流的速度，拼多多主打价格便宜。这三家的用户群体，是对同个需求用户分层的一个极佳诠释。
而除开这三家，其他各类电商互联网公司仍层出不穷。主打女性时尚购物和海淘的公司聚美优品、小红书、网易考拉、蘑菇街，主打电器的苏宁易购和国美，主打通过微信直接购买的微店，主打奢侈品的寺库和唯品会，等等等等。
而在美国，抛开各大零售商自己出的APP（Walmart，Target等等）还有各个网红明星代货的美妆时尚类电商外，耳熟能详的电商网站可能就只有一个：亚马逊。

文章插图
小米应用商城排名前36的购物APP，整个小米商城上的购物类APP超过2000个
三在中国，不仅是一个大市场可以分为很多个层级，哪怕是一家公司所关注的用户，也往往需要再次细分成很多层。
以大众点评为例。大众点评的用户可能可以大概分为以下几类。

第一类是想要（约人）出去玩的用户，只是通过大众点评，想要直接寻找符合一定条件的、并且评论看上去很棒的商家；

第二类是以拔草为目的，会长期关注各类榜单和推荐内容，并且在到访商家后会认真写评论的用户或者美食博主；

第三类是介于两者之间，可能会在一定激励下去一些商家并且写评论的用户；第四类可能是把大众点评当作美团外卖入口的用户。

很显然，这几类用户各有各的使用逻辑，故而每一类都应该区分对待。但更进一步的，考虑到大众点评依赖于用户点评所营造的社区，如何引导每一类用户留下有价值的评论是一个需要花大力气的事情。
可能的解决方案会是根据用户类别设置奖励机制，举办活动（例如大众点评霸王餐会让用户转发抽免费体验机会），召回不活跃用户等。而这种事情，是机器很难用算法完成的。这就要求大量的人力投入。
那这部分工作为什么不归在UX或市场、销售等职能呢？
因为这些工作更多是UX与销售的混合职能，既需要考虑用户习惯和原型，又需要考虑推广和营销。光以用户体验设计的视角来看，很难完成对用户的长期培养和消费路径的转化。而很多运营的工作是以营造氛围为主，和最终销售不一定有直接转化关系。
在美国，产品很少会有这么复杂的分层——美国地广人稀，生活方式除了南北方地区差异比较大之外，总体较为一致。与中国复杂的分层相比，美国的情况更适合使用算法和模型的使用与增长黑客，来实现用户的维系和转化。
我们不妨以和大众点评对标的Yelp为例做个简单的对比。

文章插图
美国Yelp

文章插图
大众点评
Yelp的首页与大众点评相比，可以说是质朴：没有时尚生活社区的信息流推送，没有各种各样的活动横幅，没有视频，也没有关注。
总体而言，Yelp并不具有多样化社区的属性，也并没有开展什么运营活动，而是更像一个工具，可以查询附近店家的信息。这样的产品属性决定了单独成立一个运营部门并没有太大的意义。
但Yelp并不是没有运营动作，我们不时会收到来自Yelp的邮件（在美国，邮件是一个盛行的推广方式），或是向我推荐周边的几家餐厅，或是征询我的口味，或是提醒我很久没用软件了，或是宣布一个官方消息。这些运营动作大多是通过制定一套完整的规则后，由算法监测驱动。
这可能也是大部分美国互联网公司的情况。工程师文化盛行的美国，如何紧紧拉住用户并建立深层的联系，可能是一个交给机器的问题，而不是交给人。
而相比起来，大众点评的首页则要丰富得多，用国内互联网的眼光来看，这个首页上，到处都是可被干预的“运营位”啊！
一个最简单的共识是：一项业务中，个性化需求越多，用户需求越丰富越复杂，就意味着你面临着更大的变量，需要更多人去关注这样的变量，而无法依赖于一个标准化的简单方案满足大量用户。
于是，在中国互联网，就导致了很多产品需要持续的被“运营”，哪怕只是站内每周都要做点不同的活动，又或者是要面向不同的用户进行不同的推送，这与美国完全不同。
美国的APP和产品充满了“性冷淡”的风格，鲜少由官方发起做大量的活动，也鲜少在页面上呈现大量可以刺激诱导用户的元素，充满一副“你爱用不用”的姿态，看看亚马逊的购物页面和淘宝、天猫、京东的购物页面对比，你就能够深深感受到这种骨子里的不同。
四除了产品和需求的丰富性之外，国内互联网与美国相比，还有一个显著的差异，那就是——劳动力充分且廉价（相比于美国而言），尤其是低端人才方面，可以说是完全充裕甚至过剩的。
【为什么美国互联网没有“运营”岗？】这导致了，在中国，很多增长、用户维系，管理的工作，我们也许可以简单粗暴的依赖大量的人力堆砌和大量的简单重复劳动来解决。
于是，你会看到，在国内“运营”工作的语境下，存在着大量诸如“社群运营”、“刷榜刷量”、“论坛发帖推广”、“线下地推”等在美国几乎很少存在的工作内容，它们都有一个共同的特点——依赖大量简单的人力劳动而完成，对于执行者不会有太高要求。
此外，国内人口基数众多+人口受教育程度不均等的状态，也导致了每隔一段时间，一定会有部分产品崛起，独立形成一个巨大的流量生态，从最早的QQ、豆瓣、天涯、猫扑，再到如今的微博、知乎、微信，无不如此。而在美国，这样巨大的可供个人自由耕耘挖掘的流量生态，除了Facebook，Ins等社交软件之外，似乎再难看到。
而此时，另一个有趣的区别也开始显现出来——在美国，人们似乎天然有着对“规则”和秩序的尊重，在明确的规则面前，大家都不会轻易进入敏感地带。而在中国的商业世界中，人们则天然有着不断冲击和挑战“规则”、“边界”，从而使自己获利的欲望和能力。
这样的背景下，你会发现国内互联网，以及对于各流量生态的流量价值挖掘手段和挖掘能力，似乎从来都要远胜过美国。
举例来说，在微博+微信时期，先后出现过“九宫格推广”、“抽奖转发涨粉”、“大号互推带量”、“投票活动涨粉”、“裂变涨粉”、“微商三级分销”等等多少打着一些擦边球的关于流量获取+流量变现的诸多经典玩法。
且每一个玩法背后，都意味着诸多红利，可能都有一堆注意事项+工具可以去挖掘，于是，在类似地带下，也聚集了大量“运营人”的时间与心血。
而所有上述的裂变、分销之类的东西，在美国互联网，几乎闻所未闻——在美国，大家都更倾向于通过技术手段+创意+循规蹈矩的广告投放来实现增长和流量变现。
五说来说去，最后我们也许需要再花一些篇幅探讨一下在美国互联网最受推崇的用户增长方式——依靠数据驱动增长。
我们想探讨的问题是：为什么这样的增长方式在国内从未成为主流？
如果你关注互联网，你应该知道，在过去2-3年时间内，一种叫做“增长黑客”的方法正在风靡互联网，在国内开始受到巨大追捧。其背后的核心理念，恰恰就是要依靠数据和技术手段来驱动增长。
然而，迄今为止，这样的方法在国内能够得到成功应用的案例，仍然少之有少，至少，它绝对谈不上普及。
背后的核心原因，我们认为有两个——

与国内互联网的用户需求多样和用户人群层次丰富有关

要知道，数据驱动增长背后的关键，一定在于你需要找到一些用户行为与增长之间的关系模型或者叫做线索，而一项业务，用户行为越简单越标准，往往越容易找到这样的线索，就像美图秀秀这样的APP，其增长一定有关于用户进行社交分享的便捷性和质量。
然而，对于国内的大多数产品，尤其是非工具类产品来说（非工具类产品在国内普遍非标程度极高），由于用户需求的多样性和不标准，找到这样的模型与线索天然更困难，即便你找到了一个线索，在应用落地上也会面临人群受众是否匹配等一系列复杂问题。
这导致了，“数据驱动增长”这样的理想，在中国，可能只有对于用户体量足够大，能够明确基于数据对于用户进行划分的产品来说才会更有效效率更高，而对于很多初创期或早期的产品，可能依靠人为动作和资源来驱动的效率要远胜过依靠数据。

国内的数据人才极度稀缺，成本高昂

据职业社交平台LinkedIn发布的《2016年中国互联网最热职位人才报告》显示，数据分析师已成当下中国互联网行业需求最旺盛的六类人才职位之一。
数据分析人才的供给指数仅为0.05，属于高度稀缺。此外，数据分析人才的跳槽速度也最快，平均跳槽速度为19.8个月。根据中国商业联合会数据分析专业委员会统计，未来中国基础性数据分析人才缺口将达到1400万。
与此同时，在国内互联网公司，例如BAT，大数据分析师的薪酬可能要比同一个级别的其他职位至少高出20%至30% 。而雇佣一个同级别的运营从业者，成本可能是雇佣一个数据工程师的65% 。
如果换算到初阶、层级更低一些的运营从业者，从成本来看，可能5-6个运营的人力成本，才等同于一名数据人才的人力成本。
这样的现状，导致了在国内大量互联网公司内部，对“数据”的应用和价值挖掘都停留在非常原始的阶段，甚至大量经历了A轮融资的公司，可能连一些核心数据都尚不能做到能对其进行很完整的监测和分析。
所以，连监测和分析都没有，谈何应用？
以上两个核心原因，导致了在国内互联网行业，虽然很多人也知道“数据驱动增长”可能会更加科学，更加高效，但在绝大多数互联网公司内部，要将其真正落地都是一件难上加难的事。
相比起来，也许还是快速招一堆运营来干活会显得更加高效吧。
六最后不妨做个总结。
综上，我们认为，美国互联网不存在“运营”类岗位的核心原因，或许有如下几个——

第一，中美两地在社会形态、用户多样性方面拥有巨大差异

美国的用户差异、需求多样性等较为单一，而中国则极度丰富。这导致了美国互联网往往是技术创新驱动的，而中国互联网则是商业应用创新驱动的，纯粹依靠技术力量而获得成功的互联网公司在中国很少见。而在商业应用创新驱动的土壤上，“运营”一定拥有更高更大的权重；

第二，国内互联网的劳动力较为充分且廉价，美国则人力成本高昂

这导致了，在国内，很多公司可以依靠于简单的人力堆砌来开展许多用户增长、用户维系方面的相关工作，而在美国，大家则会尽量寻求通过技术手段和标准化流程来解决问题；

第三，美国人天然尊重规则

而中国的商业世界中，大家天然习惯于通过在一些规则边界的模糊地带进行探索而获利，且中国也拥有更多集中的大型流量生态。这导致了，大量中国互联网公司会愿意把资源和精力投入在对于大型流量生态的规则边界地带进行探索和尝试，且手段方法也更加草莽、粗暴和多样，这势必导致大量人力卷入；

第四，美国互联网公司最为推崇的“数据驱动增长”

但在中国，这种方式受限于两方面原因而很难在短时间内得到大范围普及：
1）用户需求更多样，导致大量业务非标程度较高的中早期公司很难做到通过数据快速找到可量化的增长模型，只有数据积累到一定体量的公司才更有机会通过数据驱动增长；
2）业内数据人才稀缺且成本高昂，导致有能力充分挖掘数据价值的互联网公司天然就很少。
以上，就是我们关于“美国没有‘运营’”这一现象背后的一些思考，希望能对你有些启发。
最后，如果本文中的论述有何偏颇之处，也还请指正。