青春看起來如此完美，沒空閒去浪費時間
1 知識體系
數據分析的本質其實是解決問題。
分析的結構層次：
- 底層數據的收集（用戶行爲-產生的原始數據）
- 數據業務化（原始數據-加工數據）
- 數據可視化（加工數據-可視化數據）
- 數據決策和執行（可視化數據-決策數據）
- 數據模型（數據決策-數據應用/產品）
- 數據戰略（數據工具-數據體系/戰略）
三種核心思維
1、結構化
往往就是思維導圖，舉個例子
線下銷售的產品，8月銷售額下降，和去年同比下降20%，找原因？
答：從內部、外部兩個維度；
內部：消費者、地區、時間/外部：市場競爭、市場容量、政策風險；再細分：
內部：消費者-新、老；地區：A、B、C-各地區銷售單價/銷售率；時間：上、中、下，是否遇到促銷
外部：市場競爭-同類商家、上下游商家；市場容量：飽和；政策：國家/地區
其實結構化也可以和其他的方法相結合。
2、公式化
同樣去解答上一個例子
答：銷售額=銷量*客單價
利潤=銷售額收益-成本
銷售額單一嗎？不是，是多個商品SKU的總和
而地區銷量由什麼組成？是不同線下渠道的累加
銷量再細挖=人均銷量*購買人數
接下來再結合第一種結構化思維
銷售額度分爲地區A和其他地區
分爲銷量和客單價
銷量=人均銷量*購買人數（新客+老客）
客單價=原價 *折扣率
舉一個新的例子
AARRR模型中第一個A-如何獲取用戶？
A=主動+被動
主動有活動、推廣等等—細分渠道的總和
而渠道=（曝光量*轉化率）
被動有邀請應用商店搜索
轉發人數*人均邀請量*轉化率
3、業務化
是一種結合實際業務的一種思維
舉個例子，預估某地共享單車投放量？
答：地區流動人口、區域人口密度、城市交通數據、個人保有自行車量、單車損耗率等
再舉個例子，一家銷售公司沒有起色，進行分析
答：銷售人員效率降低，產品質量不佳、價格平平、營銷渠道方案有誤、等等
數據分析的思維技巧
-
象限法：比如高頻、低頻爲橫軸，垂直、綜合爲縱軸來劃分APP，或者是立體象限，RFM模型分別爲X\Y\Z軸。
-
多維法：比如用戶統計維度：性別、年齡；用戶行爲維度：註冊用戶、用戶偏好、興趣、流失；消費維度：消費金額、頻率、水平；商品維度：品類、品牌、屬性等等
-
假設法：舉個例子
公司節日進行營銷，APP銷量上週上升20%，分析是否是由於營銷活動導致。
答：假設該營銷活動有效，則會有一定用戶購買，就能產生一定可觀測行爲，進而能從評論中獲取相關活動字眼，進而分析活動字眼出現佔比。
假設沒有效，則行爲沒有變化，通過歷史用戶評論佔比，推出購買數。
再舉個例子：
某自營商品提價，會導致收入怎樣變化？
答：提價，銷量一定會下跌，下跌多少？
假設流量不變，流量和營銷渠道正相關，渠道沒變，流量不變，商品價格影響轉化率，確定轉化率波動。
接着就是找出平時轉化率，預估提價轉化率變化。怎麼做呢？繼續假設各類用戶對價格敏感度不同，將用戶先分類爲忠誠、普通、羊毛
最後不同用戶層次數量不同，反應不同，忠誠用戶轉化率變化低，羊毛基本不變，重點分析普通用戶的變化。
- 指數法
比如分析一個用戶的價值：用戶忠誠度、貢獻金額、社交指數
法一：用戶忠誠度=1-(1/消費次數)
一般用反比例函數，結合線性加權分析比較準確
【結合一下業務場景】
其實對於商家來說，難的是0次到1次，1次到2次的轉換，但其實50次和100次對於拓展新流量來說是沒有太大區別的
法二：用戶忠誠度=消費次數/(消費次數+1)，也是一種收斂，在0-1-2這樣的區間變化快，適用於有0的場景。
推薦一個經典的熱度公式
log(uv+5*評論，2)+（現在的時間-剛發出的時間）/10
涵蓋瀏覽量，評論數，距今時間，且可以一定程度上通過強收斂過濾刷單行爲
-
二八法
突出抓重點的思維，關注topN，有時數據模型劃分訓練集和測試集會用到 -
對比法
好的數據指標，一定是比率和比例。
例如： 競爭對手對比、類別對比、特徵屬性對比、時間環比、轉化環比、
舉個例子：孤數不證
節日大促，女生消費佔比從60%到70%，得到結論女生節目愛消費？
答：是不準確的，第一佔比提高不代表絕對值提高，某商品平日銷售100萬，女生佔60萬，節日銷售80萬，女生佔50萬？
第二，競爭對手上升比我們快? -
漏斗法：一種流程化的思考方式，結合對比的方法
思考：
一天人流量多少？
分類別：早餐店？快餐店？西餐店？中餐店？高端店？
分時段：早，中，晚，上班高峯，午間高峯，下班高峯
分地理位置：分交通情況： 分競爭情況：
一年呢？
是不是要考慮節假日，考慮政策，考慮雙十一，年中大促銷？
建立業務數據模型
1、指標模型
比如提到電商，我們會想客單價。
提到活動，我們講ROI投資回報率=利潤/投資總額*100%，當然還有很多衍生。
提到內容，我們講流量uv(獨立訪問量)，pv(網頁訪問量)，GMV（網站成交金額）
下圖是涉及業務指標的一個模型
首先從邀請和傳播到渠道曝光，我們分析病毒傳播量，最後邀請用戶數
從渠道到客戶下載，我們分析用戶獲取成本，廣告費用，下載轉化率
從下載到客戶新用戶註冊，我們分析下載成功率
從註冊到註冊成功，我們分析註冊成功率
在顧客使用的週期，我們分析活躍率？留存率？流失率
從顧客離開到又使用，我們分析迴流率
2、講講都有哪些指標名詞
第一：市場營銷領域：
用戶生命週期（新，老，流失）
用戶價值：sum(貢獻率=（產出量/投入量*100%）)
RFM模型：R:最近一次消費時間、M:消費金額、F:消費頻次
第二種：產品運營指標：
AARRR模型
用戶獲取：曝光量，渠道轉化率，ROI
提高活躍：會話次數、訪問時長、平均訪問次數
提高留存：某段時間再次使用，七日留存率
盈利獲利：ARPU，某時間段內每位用戶平均收入，佔比
ARPPU：平均每付費用戶收入
客單價：每位用戶平均購買商品的金額（銷售總額/顧客總數
客單價與ARPU區別在於加沒加時間這個維度
LTV=ARPU*1/流失率
LTV用戶生命週期價值：只看一個週期內的 value就行。
（舉個栗子:從簡單開始，以一天的新增用戶爲對象，計算LTV7
1月1日新增了100個用戶不管這100個用戶在未來7天流失了幾個；
不管這100個用戶有幾個花錢；
不管這100個用戶哪個花的多，哪個花的少；
只看這100個用戶在這7天內一共花了1000塊錢。
那麼LTV7就是10塊錢）
爲了說明一段時間的LTV，我們再舉個複雜的栗子:
1月1日新增了100個用戶，1月2日新增了200個用戶，1月3日新增了300個用戶。
這3天總共新增了600個用戶，這600個用戶的LTV7要怎麼算？
1日的100個新增在未來7天一共花了150塊錢；
2日的200個新增在未來7天一共花了400塊錢；
3日的300個新增在未來7天一共花了900塊錢；
那麼1-3日的600個新增的 LTV7 = （150+400+900）/（100+200+300）= 2.41
所以大家說 LTV 的時候後面都會跟一個數字，這個數字就是統計週期。
LTV經常會和CAC（Customer Acquisition Cost）“用戶獲取成本”、PBP（Payback Period）“回收期”一起來講。
市場普遍認爲 LTV>CAC的時候公司是有可能性的，LTV<CAC的時候模式是無意義的，而LTV/CAC=3的時候是公司最能健康發展的（小於3說明轉化效率低，大於3說明在市場拓展上還太保守）。PBP的意思是花出去的用戶獲取成本可以在多長時間內回本。PBP越短越好，說明資金週轉快，企業能更快增長。
自傳播：K因子（用戶能帶幾個新用戶）=用戶數x平均邀請人數x邀請轉化率
三、電子商務指標
購物籃分析：筆單價、件單價、成交率、購物籃係數（連帶率）
復購率：一段時間內多次消費的用戶佔總消費用戶數的佔比
比如：4月有1000名消費者，其中600名在本月消費了不止一次，則復購率60%
回購率：一段時間內消費過的用戶，在下一段時間內仍舊消費的佔比。
比如：4月有1000名用戶消費了，這1000名中在5月有500名又消費了，則回購率爲50%
流量指標
pv(瀏覽網頁次數)，容易虛高
uv(一定時間內訪問網頁的人數)，獨立訪客，通過cookie和ip
新老訪客佔比：推廣，拉新，粘性，太低太高都不好
訪問時間：區別標題黨
訪客平均訪問頁數：衡量訪客深度
首頁訪客佔比：對新用戶的界面友好指數
舉個例子：
重度訪問用戶佔比（訪問時間5分鐘以上）：訪客訪問時長+uv
有效消費會話佔比：用戶會話次數+成交率