青春看起来如此完美，没空闲去浪费时间
1 知识体系
数据分析的本质其实是解决问题。
分析的结构层次：
- 底层数据的收集（用户行为-产生的原始数据）
- 数据业务化（原始数据-加工数据）
- 数据可视化（加工数据-可视化数据）
- 数据决策和执行（可视化数据-决策数据）
- 数据模型（数据决策-数据应用/产品）
- 数据战略（数据工具-数据体系/战略）
三种核心思维
1、结构化
往往就是思维导图，举个例子
线下销售的产品，8月销售额下降，和去年同比下降20%，找原因？
答：从内部、外部两个维度；
内部：消费者、地区、时间/外部：市场竞争、市场容量、政策风险；再细分：
内部：消费者-新、老；地区：A、B、C-各地区销售单价/销售率；时间：上、中、下，是否遇到促销
外部：市场竞争-同类商家、上下游商家；市场容量：饱和；政策：国家/地区
其实结构化也可以和其他的方法相结合。
2、公式化
同样去解答上一个例子
答：销售额=销量*客单价
利润=销售额收益-成本
销售额单一吗？不是，是多个商品SKU的总和
而地区销量由什么组成？是不同线下渠道的累加
销量再细挖=人均销量*购买人数
接下来再结合第一种结构化思维
销售额度分为地区A和其他地区
分为销量和客单价
销量=人均销量*购买人数（新客+老客）
客单价=原价 *折扣率
举一个新的例子
AARRR模型中第一个A-如何获取用户？
A=主动+被动
主动有活动、推广等等—细分渠道的总和
而渠道=（曝光量*转化率）
被动有邀请应用商店搜索
转发人数*人均邀请量*转化率
3、业务化
是一种结合实际业务的一种思维
举个例子，预估某地共享单车投放量？
答：地区流动人口、区域人口密度、城市交通数据、个人保有自行车量、单车损耗率等
再举个例子，一家销售公司没有起色，进行分析
答：销售人员效率降低，产品质量不佳、价格平平、营销渠道方案有误、等等
数据分析的思维技巧
-
象限法：比如高频、低频为横轴，垂直、综合为纵轴来划分APP，或者是立体象限，RFM模型分别为X\Y\Z轴。
-
多维法：比如用户统计维度：性别、年龄；用户行为维度：注册用户、用户偏好、兴趣、流失；消费维度：消费金额、频率、水平；商品维度：品类、品牌、属性等等
-
假设法：举个例子
公司节日进行营销，APP销量上周上升20%，分析是否是由于营销活动导致。
答：假设该营销活动有效，则会有一定用户购买，就能产生一定可观测行为，进而能从评论中获取相关活动字眼，进而分析活动字眼出现占比。
假设没有效，则行为没有变化，通过历史用户评论占比，推出购买数。
再举个例子：
某自营商品提价，会导致收入怎样变化？
答：提价，销量一定会下跌，下跌多少？
假设流量不变，流量和营销渠道正相关，渠道没变，流量不变，商品价格影响转化率，确定转化率波动。
接着就是找出平时转化率，预估提价转化率变化。怎么做呢？继续假设各类用户对价格敏感度不同，将用户先分类为忠诚、普通、羊毛
最后不同用户层次数量不同，反应不同，忠诚用户转化率变化低，羊毛基本不变，重点分析普通用户的变化。
- 指数法
比如分析一个用户的价值：用户忠诚度、贡献金额、社交指数
法一：用户忠诚度=1-(1/消费次数)
一般用反比例函数，结合线性加权分析比较准确
【结合一下业务场景】
其实对于商家来说，难的是0次到1次，1次到2次的转换，但其实50次和100次对于拓展新流量来说是没有太大区别的
法二：用户忠诚度=消费次数/(消费次数+1)，也是一种收敛，在0-1-2这样的区间变化快，适用于有0的场景。
推荐一个经典的热度公式
log(uv+5*评论，2)+（现在的时间-刚发出的时间）/10
涵盖浏览量，评论数，距今时间，且可以一定程度上通过强收敛过滤刷单行为
-
二八法
突出抓重点的思维，关注topN，有时数据模型划分训练集和测试集会用到 -
对比法
好的数据指标，一定是比率和比例。
例如： 竞争对手对比、类别对比、特征属性对比、时间环比、转化环比、
举个例子：孤数不证
节日大促，女生消费占比从60%到70%，得到结论女生节目爱消费？
答：是不准确的，第一占比提高不代表绝对值提高，某商品平日销售100万，女生占60万，节日销售80万，女生占50万？
第二，竞争对手上升比我们快? -
漏斗法：一种流程化的思考方式，结合对比的方法
思考：
一天人流量多少？
分类别：早餐店？快餐店？西餐店？中餐店？高端店？
分时段：早，中，晚，上班高峰，午间高峰，下班高峰
分地理位置：分交通情况： 分竞争情况：
一年呢？
是不是要考虑节假日，考虑政策，考虑双十一，年中大促销？
建立业务数据模型
1、指标模型
比如提到电商，我们会想客单价。
提到活动，我们讲ROI投资回报率=利润/投资总额*100%，当然还有很多衍生。
提到内容，我们讲流量uv(独立访问量)，pv(网页访问量)，GMV（网站成交金额）
下图是涉及业务指标的一个模型
首先从邀请和传播到渠道曝光，我们分析病毒传播量，最后邀请用户数
从渠道到客户下载，我们分析用户获取成本，广告费用，下载转化率
从下载到客户新用户注册，我们分析下载成功率
从注册到注册成功，我们分析注册成功率
在顾客使用的周期，我们分析活跃率？留存率？流失率
从顾客离开到又使用，我们分析回流率
2、讲讲都有哪些指标名词
第一：市场营销领域：
用户生命周期（新，老，流失）
用户价值：sum(贡献率=（产出量/投入量*100%）)
RFM模型：R:最近一次消费时间、M:消费金额、F:消费频次
第二种：产品运营指标：
AARRR模型
用户获取：曝光量，渠道转化率，ROI
提高活跃：会话次数、访问时长、平均访问次数
提高留存：某段时间再次使用，七日留存率
盈利获利：ARPU，某时间段内每位用户平均收入，占比
ARPPU：平均每付费用户收入
客单价：每位用户平均购买商品的金额（销售总额/顾客总数
客单价与ARPU区别在于加没加时间这个维度
LTV=ARPU*1/流失率
LTV用户生命周期价值：只看一个周期内的 value就行。
（举个栗子:从简单开始，以一天的新增用户为对象，计算LTV7
1月1日新增了100个用户不管这100个用户在未来7天流失了几个；
不管这100个用户有几个花钱；
不管这100个用户哪个花的多，哪个花的少；
只看这100个用户在这7天内一共花了1000块钱。
那么LTV7就是10块钱）
为了说明一段时间的LTV，我们再举个复杂的栗子:
1月1日新增了100个用户，1月2日新增了200个用户，1月3日新增了300个用户。
这3天总共新增了600个用户，这600个用户的LTV7要怎么算？
1日的100个新增在未来7天一共花了150块钱；
2日的200个新增在未来7天一共花了400块钱；
3日的300个新增在未来7天一共花了900块钱；
那么1-3日的600个新增的 LTV7 = （150+400+900）/（100+200+300）= 2.41
所以大家说 LTV 的时候后面都会跟一个数字，这个数字就是统计周期。
LTV经常会和CAC（Customer Acquisition Cost）“用户获取成本”、PBP（Payback Period）“回收期”一起来讲。
市场普遍认为 LTV>CAC的时候公司是有可能性的，LTV<CAC的时候模式是无意义的，而LTV/CAC=3的时候是公司最能健康发展的（小于3说明转化效率低，大于3说明在市场拓展上还太保守）。PBP的意思是花出去的用户获取成本可以在多长时间内回本。PBP越短越好，说明资金周转快，企业能更快增长。
自传播：K因子（用户能带几个新用户）=用户数x平均邀请人数x邀请转化率
三、电子商务指标
购物篮分析：笔单价、件单价、成交率、购物篮系数（连带率）
复购率：一段时间内多次消费的用户占总消费用户数的占比
比如：4月有1000名消费者，其中600名在本月消费了不止一次，则复购率60%
回购率：一段时间内消费过的用户，在下一段时间内仍旧消费的占比。
比如：4月有1000名用户消费了，这1000名中在5月有500名又消费了，则回购率为50%
流量指标
pv(浏览网页次数)，容易虚高
uv(一定时间内访问网页的人数)，独立访客，通过cookie和ip
新老访客占比：推广，拉新，粘性，太低太高都不好
访问时间：区别标题党
访客平均访问页数：衡量访客深度
首页访客占比：对新用户的界面友好指数
举个例子：
重度访问用户占比（访问时间5分钟以上）：访客访问时长+uv
有效消费会话占比：用户会话次数+成交率