最近中文字幕2019高清,亚洲人成高清在线播放,男生淦哭男生图片动漫有字,国产亚洲精品九九久在线观看,无码av专区丝袜专区

　　10 種常用的數據分析思路
　　數據分析的思路及其重要，以致于我們總是忽略它，重“術(shù)”而輕“道”，但其實(shí)應該一視同仁。這篇文章講了表單分析、用戶(hù)分析、埋點(diǎn)分析、聚類(lèi)分析等10種分析方法，先學(xué)為敬~
　　道家曾強調四個(gè)字，叫“道、法、術(shù)、器”。
　　層次分別為：
　　“器”是指物品或工具，在數據分析領(lǐng)域指的就是數據分析的產(chǎn)品或工具，“工欲善其事，必先利其器”；
　　“術(shù)”是指操作技術(shù)，是技能的高低、效率的高下，如對分析工具使用的技術(shù)；
　　“法”是指選擇的方法，有句話(huà)說(shuō)“選擇比努力重要”；
　　“道”是指方向，是指導思想，是戰略。
　　在數據分析和產(chǎn)品、運營(yíng)優(yōu)化方面，數據分析方法是其核心，屬于“法”和“術(shù)”的層次。
　　那么如何做好數據分析呢，今天咱們來(lái)講講十大數據分析的方法。
　　1、細分分析
　　細分分析是數據分析的基礎，單一維度下的指標數據信息價(jià)值很低。
　　細分方法可以分為兩類(lèi)，一類(lèi)是逐步分析，比如：來(lái)北京市的訪(fǎng)客可分為朝陽(yáng)，海淀等區；另一類(lèi)是維度交叉，如：來(lái)自付費SEM的新訪(fǎng)客。
　　細分用于解決所有問(wèn)題。比如漏斗轉化，實(shí)際上就是把轉化過(guò)程按照步驟進(jìn)行細分，流量渠道的分析和評估也需要大量的用到細分方法。
　　2、對比分析
　　對比分析主要是指將兩個(gè)相互聯(lián)系的指標數據進(jìn)行比較，從數量上展示和說(shuō)明研究對象的規模大小，水平高低，速度快慢等相對數值，通過(guò)相同維度下的指標對比，可以發(fā)現，找出業(yè)務(wù)在不同階段的問(wèn)題。
　　常見(jiàn)的對比方法包括：時(shí)間對比，空間對比，標準對比。
　　
　　時(shí)間對比有三種：同比，環(huán)比，定基比。
　　例如：本周和上周進(jìn)行對比就是環(huán)比；本月第一周和上月第一周對比就是同比；所有數據同今年的第一周對比則為定基比。通過(guò)三種方式，可以分析業(yè)務(wù)增長(cháng)水平，速度等信息。
　　3、漏斗分析
　　轉化漏斗分析是業(yè)務(wù)分析的基本模型，最常見(jiàn)的是把最終的轉化設置為某種目的的實(shí)現，最典型的就是完成交易。但也可以是其他任何目的的實(shí)現，比如一次使用app的時(shí)間超過(guò)10分鐘。
　　漏斗幫助我們解決兩方面的問(wèn)題：
　　在一個(gè)過(guò)程中是否發(fā)生泄漏，如果有泄漏，我們能在漏斗中看到，并且能夠通過(guò)進(jìn)一步的分析堵住這個(gè)泄漏點(diǎn)。
　　在一個(gè)過(guò)程中是否出現了其他不應該出現的過(guò)程，造成轉化主進(jìn)程收到損害
　　4、同期群分析
　　同期群（cohort）分析在數據運營(yíng)領(lǐng)域十分重要，互聯(lián)網(wǎng)運營(yíng)特別需要仔細洞察留存情況。通過(guò)對性質(zhì)完全一樣的可對比群體的留存情況的比較，來(lái)分析哪些因素影響用戶(hù)的留存。
　　同期群分析深受歡迎的重要原因是十分簡(jiǎn)單，但卻十分直觀(guān)。同期群只用簡(jiǎn)單的一個(gè)圖表，直接描述了用戶(hù)在一段時(shí)間周期（甚至是整個(gè)LTV）的留存或流失變化情況。
　　以前留存分析只要用戶(hù)有回訪(fǎng)即定義為留存，這會(huì )導致留存指標虛高。
　　5、聚類(lèi)分析
　　聚類(lèi)分析具有簡(jiǎn)單，直觀(guān)的特征，網(wǎng)站分析中的聚類(lèi)主要分為：用戶(hù)，頁(yè)面或內容，來(lái)源。
　　用戶(hù)聚類(lèi)主要體現為用戶(hù)分群，用戶(hù)標簽法；頁(yè)面聚類(lèi)則主要是相似，相關(guān)頁(yè)面分組法；來(lái)源聚類(lèi)主要包括渠道，關(guān)鍵詞等。
　　例如：在頁(yè)面分析中，經(jīng)常存在帶參數的頁(yè)面。比如：資訊詳情頁(yè)面，商品頁(yè)面等，都屬于同一類(lèi)頁(yè)面。簡(jiǎn)單的分析容易造成跳出率，退出率等指標不準確的問(wèn)題，通過(guò)聚類(lèi)分析可以獲取同類(lèi)頁(yè)面的準確數據用于分析場(chǎng)景。
　　6、AB測試
　　
　　增長(cháng)黑客的一個(gè)主要思想之一，是不要做一個(gè)大而全的東西，而是不斷做出能夠快速驗證的小而精的東西?？焖衮炞C，那如何驗證呢？主要方法就是AB測試。
　　比如：你發(fā)現漏斗轉化中中間有漏洞，假設一定是商品價(jià)格問(wèn)題導致了流失，你看到了問(wèn)題-漏斗，也想出了主意-改變定價(jià)。但主意是否正確，要看真實(shí)的用戶(hù)反應，于是采用AB測試，一部分用戶(hù)還是看到老價(jià)格，一部分用戶(hù)看到新價(jià)格，若你的主意真的管用，新價(jià)格就應該有更好的轉化，若真如此，新價(jià)格就應該確定下來(lái)，如此反復優(yōu)化。
　　7、埋點(diǎn)分析
　　只有采集了足夠的基礎數據，才能通過(guò)各種分析方法得到需要的分析結果。
　　通過(guò)分析用戶(hù)行為，并細分為：瀏覽行為，輕度交互，重度交互，交易行為，對于瀏覽行為和輕度交互行為的點(diǎn)擊按鈕等事件，因其使用頻繁，數據簡(jiǎn)單，采用無(wú)埋點(diǎn)技術(shù)實(shí)現自助埋點(diǎn)，即可以提高數據分析的實(shí)效性，需要的數據可立即提取，又大量減少技術(shù)人員的工作量，需要采集更豐富信息的行為。
　　如：重度交互（注冊，邀請好友等）和交易事件（加購物車(chē)，下訂單等）則通過(guò)SDK批量埋點(diǎn)的方式來(lái)實(shí)施。
　　8、來(lái)源分析
　　流量紅利消失，我們對獲客來(lái)源的重視度極高，如何有效的標注用戶(hù)來(lái)源，至關(guān)重要。
　　傳統分析工具，渠道分析僅有單一維度，要深入分析不同渠道不同階段效果，SEM付費搜索等來(lái)源渠道和用戶(hù)所在地區進(jìn)行交叉分析，得出不同區域的獲客詳細信息，維度越細，分析結果也越有價(jià)值。
　　9、用戶(hù)分析
　　用戶(hù)分析是互聯(lián)網(wǎng)運營(yíng)的核心，常用的分析方法包括：活躍分析，留存分析，用戶(hù)分群，用戶(hù)畫(huà)像，用戶(hù)細查等。
　　可將用戶(hù)活躍細分為瀏覽活躍，互動(dòng)活躍，交易活躍等，通過(guò)活躍行為的細分，掌握關(guān)鍵行為指標；通過(guò)用戶(hù)行為事件序列，用戶(hù)屬性進(jìn)行分群，觀(guān)察分群用戶(hù)的訪(fǎng)問(wèn)，瀏覽，注冊，互動(dòng)，交易等行為，從而真正把握不同用戶(hù)類(lèi)型的特點(diǎn)，提供有針對性的產(chǎn)品和服務(wù)。
　　用戶(hù)畫(huà)像基于自動(dòng)標簽系統將用戶(hù)完整的畫(huà)像描繪清晰，更有力的支撐運營(yíng)決策。
　　10、表單分析
　　填寫(xiě)表單是每個(gè)平臺與用戶(hù)交互的必備環(huán)節，優(yōu)秀的表單設計，對轉化率的提升起到重要作用。
　　用戶(hù)從進(jìn)入表單頁(yè)面之時(shí)起，就產(chǎn)生了微漏斗，從進(jìn)入總人數到最終完成并成功提交表單人數，這個(gè)過(guò)程之中，有多少人開(kāi)始填寫(xiě)表單，填寫(xiě)表單時(shí)，遇到了什么困難導致無(wú)法完成表單，都影響最終的轉化效果。

　　一份給數據分析小白的指南
　　轉行數據分析的路上，很多同學(xué)都有這些困擾?！懊鎸ξ寤ò碎T(mén)的學(xué)習資料，不知道從哪兒入手”
　　“沒(méi)接觸過(guò)數據分析工具，擔心學(xué)習起來(lái)很難”
　　“沒(méi)有數據分析項目經(jīng)驗，害怕找工作被拒”很多小白在剛接觸數據分析的時(shí)候，缺乏數據思維的支持，做起分析來(lái)感覺(jué)找準方向，很難通過(guò)分析挖掘出數據的價(jià)值。為幫助大家更好的了解數據分析，快速補齊數據分析崗位所需能力，我今天給剛入行的新人們分享一種通用的數據分析思維，“Why-What-How”模型，這個(gè)模型在講解概念和執行上是個(gè)不錯的思維模型，在很多種分析場(chǎng)景都可以借鑒使用。本文將按照這個(gè)模型框架來(lái)拆分數據分析幫助新手小白更好地理解數據分析師這個(gè)崗位。WHY：為什么要做數據分析？數據分析是為了能以量化的方式來(lái)分析業(yè)務(wù)問(wèn)題并得出結論，其中有兩個(gè)重點(diǎn)詞語(yǔ)：量化和業(yè)務(wù)。量化是為了統一認知，并且確保路徑可回溯，可復制。除量化之外，另外一個(gè)重點(diǎn)詞語(yǔ)是業(yè)務(wù)。只有解決業(yè)務(wù)問(wèn)題分析才能創(chuàng )造價(jià)值，價(jià)值包括個(gè)人價(jià)值和公司價(jià)值。那么，如何站在業(yè)務(wù)方的角度思考問(wèn)題呢，總結起來(lái)就是八個(gè)字：憂(yōu)其所慮，給其所欲在溝通上，確定業(yè)務(wù)方想要分析什么，提出更合理專(zhuān)業(yè)的衡量和分析方式，同時(shí)做好節點(diǎn)同步，切忌一條路走到黑。舉例來(lái)講，業(yè)務(wù)方說(shuō)要看頁(yè)面停留時(shí)長(cháng)，但他實(shí)際想要的，可能是想衡量用戶(hù)質(zhì)量，那么留存率、目標轉化率才是更合適的指標。在闡述分析結果上，要記得結論先行，逐層講解，再提供論據。
　　因為業(yè)務(wù)方或管理層時(shí)間都是有限的，洋洋灑灑一大篇郵件，未看先暈，誰(shuí)都沒(méi)心思看你到底分析了啥。在提供信息量及可落地建議上，先要明白什么叫信息量：提供了對方不知道的信息。太陽(yáng)明天從東方升起不算信息量，從西方升起才是。WHAT：什么是數據分析？數據分析的本質(zhì)是抓住變與不變?！白儭笔菙祿治龅幕A，如果一個(gè)業(yè)務(wù)每天訂單是 10000 單，或者每天都是以 10% 的速度穩步增長(cháng)，那就沒(méi)有分析的必要了。而若想抓住變，得先形成“不變”的意識。因此，我建議新手要形成習慣，每天上班第一時(shí)間查看數據：實(shí)時(shí)&日周月報；記錄關(guān)鍵數據（榜單&報告）。在“不變”的基礎上，便能逐漸培養出指標敏感性，即意識指標偏離的能力。這主要是通過(guò)各種日環(huán)比，周月同比的監控以及日常的好奇心來(lái)保持。HOW：怎么進(jìn)行數據分析？下面我將從數據分析師的類(lèi)別，需要掌握的技能以及工作日常三方面進(jìn)行講解。1、數據分析的類(lèi)別科研數據分析：模型非系統化，純粹學(xué)術(shù)，實(shí)際應用很難落地；要求編程能力極強，模型理論能力極強業(yè)務(wù)數據分析：非系統化，純粹業(yè)務(wù)，無(wú)需要求編程能力，模型較為簡(jiǎn)單數據挖掘解決方案：系統化，糅合學(xué)術(shù)與業(yè)務(wù)，要求編程能力中等，模型理論能力中底下一般來(lái)說(shuō)，業(yè)務(wù)數據分析應用場(chǎng)景廣泛，更適合職場(chǎng)人士。
　　2、數據分析師需要的技能2.1 統計學(xué)與概率論統計概率是數據挖掘理論知識的基礎。在日常的數據分析工作中，常常會(huì )用到統計概率論的知識。統計概率涉及到的條件概率、概率分布，統計檢驗等知識是學(xué)習數據挖掘必備的先驗條件。書(shū)籍推薦：《深入淺出統計學(xué)》《統計學(xué)-從數據到結論》2.2 思維邏輯能力想要從事數據分析一職，最重要的就是要擁有數據分析的思維，很多小伙伴上來(lái)就學(xué)習各種工具和編程語(yǔ)言，但是發(fā)現學(xué)會(huì )了這些編程語(yǔ)言之后依然不會(huì )數據分析。數據分析的思維也不是一蹴而就，需要慢慢積累，多學(xué)一些分析的模型，多看一些數據分析的案例，以下是小編整理了數據分析常用到的模型。
　　由于不同版本的演繹，造成了分析方法種類(lèi)繁多，令人眼花繚亂，甚至高深莫測。其實(shí)真不用把分析方法看的太高大上了，所有的分析方法總結起來(lái)就兩種：分類(lèi)和對比。2.21 對比分析顧名思義就是將兩個(gè)或兩個(gè)以上的數據進(jìn)行比較，分析它們之間的差異，從而發(fā)現數據的變化情況和規律。對比分析法分為靜態(tài)比較和動(dòng)態(tài)比較兩類(lèi)，用來(lái)判斷某個(gè)數據是好還是壞，以及某幾個(gè)數據之間的差異性。一般在數據分析中我們可以從這樣幾個(gè)角度進(jìn)行對比：2.22 分類(lèi)分析分類(lèi)分析就是把分析對象總體中具有不同性質(zhì)的對象區分開(kāi)，把性質(zhì)相同的對象合并在一起，保持各組內對象屬性的一致性、組與組之間屬性的差異性，以便進(jìn)一步運用各種數據分析方法來(lái)揭示內在的數量關(guān)系，最終目的是為了方便對比， 所以經(jīng)常和對比分析法一起用 。分類(lèi)分析一般有以下幾種分類(lèi)方法：2.3 業(yè)務(wù)知識數據分析是用來(lái)解決具體行業(yè)問(wèn)題的，需要從業(yè)務(wù)的角度出發(fā)了解各個(gè)指標，以及每個(gè)指標之間的關(guān)系，還需要聯(lián)系業(yè)務(wù)去理解數據。所以，工作中數據分析脫離不了業(yè)務(wù)，在分析中要找到導致問(wèn)題發(fā)生的根本原因，而不只是單純的統計數據。業(yè)務(wù)知識包括某個(gè)行業(yè)的常用指標、業(yè)務(wù)流程。需要注意的是，不同行業(yè)的指標、業(yè)務(wù)流程是不一樣的，所以需要學(xué)習的時(shí)候針對你的目標行業(yè)去學(xué)習準備。如果是剛入門(mén)，這塊內容做到了解即可，等進(jìn)入工作以后，再慢慢深入業(yè)務(wù)，積累業(yè)務(wù)經(jīng)驗。下面列舉了工作中常用到的指標（部分）：
　　2.4 必備工具由于需要處理大量的數據，所以在分析數據時(shí)經(jīng)常使用專(zhuān)門(mén)用于分析的工具。由于在數據分析過(guò)程中進(jìn)行的分析計算非常復雜，因此使用分析工具可以實(shí)現高效計算。每個(gè)公司使用的分析工具各不相同，如果對編程覺(jué)得有困難的小伙伴可以選擇SPSSPRO。SPSSPRO是一款免費的在線(xiàn)數據分析工具，也是一種簡(jiǎn)單易學(xué)的零編程語(yǔ)言。包含所有基礎基本統計分析算法，如描述性統計、相關(guān)、t檢驗、組間差異的非參數檢驗、相關(guān)與回歸、方差分析等。SPSSPRO具有數據處理、數據分析、pro繪圖、notebook編程等多種功能，可以滿(mǎn)足絕大多數數據分析的日常工作需求。
　　
　　3、工作日常經(jīng)過(guò)前面的分析，我們從整體上知道了數據分析師需要掌握的能力。但并不是說(shuō)，這些能力全都掌握了你才能找到一份數據分析師的工作。因為不同的職位的要求不一樣的。下面我們首先看看數據分析的工作內容是什么樣的？針對不同的工作內容，我們來(lái)談需要掌握的技能程度。數據分析師的日常工作內容可以大致分為以下三類(lèi)，每個(gè)類(lèi)型給出了相應的場(chǎng)景方便大家理解，通過(guò)這些常見(jiàn)的數據分析場(chǎng)景，你就可以獲得數據分析項目的基本流程。
　　3.1 日常運營(yíng)——基礎性工作3.11 基本統計指標數據指標是通過(guò)對數據進(jìn)行分析得到的一個(gè)匯總結果，是將業(yè)務(wù)單元精分和量化后得到的度量值，使得業(yè)務(wù)目標可描述、可度量、可拆解。如對一款軟件來(lái)說(shuō)，其常見(jiàn)的指標包括：每日活躍用戶(hù)數、新注冊用戶(hù)數、次日留存率、七日留存率等。
　　數據分析前需要確定使用哪些指標去衡量業(yè)務(wù)成果。例如，針對一個(gè)APP產(chǎn)品來(lái)說(shuō)，每當運營(yíng)上新功能或新活動(dòng)時(shí)，就需要去確定該用哪些指標去衡量這些功能或活動(dòng)的效果；若后續要做一些深入分析的話(huà)，還需要考慮設計一些更深層次的指標。但數據指標體系的搭建并不是單個(gè)部門(mén)能夠完成的，應至少有業(yè)務(wù)團隊（包括市場(chǎng)、運營(yíng)、產(chǎn)品等）、數據團隊以及開(kāi)發(fā)團隊三個(gè)團隊的共同協(xié)作。3.12 報表開(kāi)發(fā)——制作日常日報、月報、周報
　　圖中展示的是11月TOP10 熱銷(xiāo)產(chǎn)品情況，這是專(zhuān)門(mén)向領(lǐng)導匯報當月工作的內容， 告訴領(lǐng)導業(yè)務(wù)線(xiàn)的發(fā)展情況。如果在公司中只是處理類(lèi)似這樣的需求，數據源多數是在公司某個(gè)系統上進(jìn)行下載成 excel，然后用 excel + PPT 就可以完成。技術(shù)要求：可以使用數據處理、pro繪圖、ppt寫(xiě)分析報告即可業(yè)務(wù)要求：對于新手同學(xué)多做幾個(gè)開(kāi)源的項目，明白常規的分析思路就好3.13 可視化看板代替上述的日報、周報、月報當公司認為數據發(fā)揮的價(jià)值越來(lái)越大，業(yè)務(wù)需求也越來(lái)越多的時(shí)候，會(huì )發(fā)現寫(xiě)日報、周報、月報這樣做需求效率太低了?？赡軙?huì )考慮使用 powerbi、tableau 這樣付費的可視化軟件進(jìn)行需求開(kāi)發(fā)。如下圖，制作成這樣的可視化看板，不管是業(yè)務(wù)同學(xué)還是上級領(lǐng)導，都會(huì )很方便的得到各個(gè)維度的數據，還能實(shí)現業(yè)務(wù)同學(xué)的自主分析需求。
　　
　　看板搭建主要以“簡(jiǎn)單高效”為主要目標，一般來(lái)說(shuō)，需要滿(mǎn)足以下幾個(gè)設計要點(diǎn)：業(yè)務(wù)要求：能夠掌握當下業(yè)務(wù)的流程、另外公司也會(huì )有相應的產(chǎn)品經(jīng)理會(huì )和你一起定下需要的數據指標，難點(diǎn)在定下的指標要能實(shí)現。3.2 分析建模工作3.21 專(zhuān)題分析根據特定問(wèn)題分析，比如某公司領(lǐng)導提出過(guò)度降價(jià)導致洗發(fā)水 A 的年度利潤下降這樣的一個(gè)需求，然后讓你來(lái)具體分析下。
　　針對領(lǐng)導提出的需求，開(kāi)始提出上文所示的假設，并作數據處理，看到這里的同學(xué)希望先停留幾分鐘想下，為什領(lǐng)導會(huì )認為是過(guò)度下降導致了利潤下降了呢？難道是領(lǐng)導是看到洗發(fā)水 A 全年利潤下降，并且對當時(shí)降價(jià)運營(yíng)活動(dòng)印象深刻，就是暫時(shí)這樣認為的嗎？其實(shí)經(jīng)驗豐富的數據分析師會(huì )站在和領(lǐng)導一樣的高度上來(lái)考慮問(wèn)題，把問(wèn)題會(huì )進(jìn)行轉變,如下:
　　其實(shí)領(lǐng)導的問(wèn)題應該是洗發(fā)水 A 的年度利潤未能達到要求，讓數據分析同學(xué)找出原因的。如果從事數據分析一段時(shí)間后，腦子中對于業(yè)績(jì)下滑這樣的專(zhuān)題分析，會(huì )很快的想出4p 營(yíng)銷(xiāo)理論，直接從產(chǎn)品、渠道、促銷(xiāo)、價(jià)格全面的進(jìn)行考慮，不會(huì )有遺漏。所以正確的提出假設應該是這樣的:
　　那么大家感覺(jué)這塊需要什么技能呢？只能說(shuō)是常年積累的業(yè)務(wù)知識以及分析方法3.22 探索/診斷分析如果某個(gè)指標出現異常要怎么排查：案例：如何分析次日留存率下降的問(wèn)題業(yè)務(wù)問(wèn)題關(guān)鍵是問(wèn)對問(wèn)題，然后才是拆解問(wèn)題去解決。（1）兩層模型：從用戶(hù)畫(huà)像、渠道、產(chǎn)品、行為環(huán)節等角度細分，明確到底是 哪里的次日留存率下降了（2）指標拆解：次日留存率 = Σ 次日留存數 / 今日獲客人數（3）原因分析：1）內部：a. 運營(yíng)活動(dòng) b. 產(chǎn)品變動(dòng) c. 技術(shù)故障 d. 設計漏洞（如產(chǎn)生可以擼羊毛的設計）2）外部：a. 競品 b. 用戶(hù)偏好 c. 節假日 d. 社會(huì )事件（如產(chǎn)生輿論）（4）計算總留存下降量、abcd 四個(gè)渠道下降量，做比例3.23 預測性分析預測分析即根據往期數據進(jìn)行預測，從描述性和診斷性分析中總結數據結果影響因素與發(fā)展態(tài)勢，以了解可能發(fā)生的情況。對于未來(lái)數據的，舉個(gè)例子，比如預測電商網(wǎng)站用戶(hù)的流失分析，并挖掘出影響用戶(hù)流失的關(guān)鍵因素。這塊內容就是要涉及到算法使用了。技術(shù)要求:業(yè)務(wù)要求:能夠明白公司相應業(yè)務(wù)流程即可，一般公司里面會(huì )有一到兩周的熟悉業(yè)務(wù)的時(shí)間。3.3 撰寫(xiě)報告工作撰寫(xiě)數據分析報告可以說(shuō)是數據分析師最核心的工作，是數據分析師核心價(jià)值的體現，常見(jiàn)的報告包括以下3種：總結數據分析的目的是為了更好的支撐業(yè)務(wù)發(fā)展，通過(guò)數據收集（數據埋點(diǎn)等），分析數據之間的關(guān)系（建模、搭建指標體系），反饋到目標業(yè)務(wù)線(xiàn)，用于指導業(yè)務(wù)工作。做數據分析首先數據準確性是第一位的，然后就是要站在業(yè)務(wù)方的角度思考問(wèn)題，憂(yōu)其所慮，予其所欲，這樣做出來(lái)的分析更容易產(chǎn)出價(jià)值。

　　網(wǎng)站分析常用的指標之內容指標：留存率、轉化率
　　網(wǎng)站分析常用的指標之內容指標：留存率；轉化率；客單價(jià)
　　1、流量與流量用戶(hù)量上新頁(yè)面頁(yè)面用戶(hù)是否還是活躍，跳轉頁(yè)面是否引導用戶(hù)，
　　2、轉化率：客單價(jià)次點(diǎn)擊：次跳轉：次下載/：次流量/
　　3、營(yíng)收&營(yíng)銷(xiāo)計劃：變相營(yíng)銷(xiāo)活動(dòng)，下拉展示等活動(dòng)；物料傳播；促銷(xiāo)：線(xiàn)上/線(xiàn)下活動(dòng)，輪播廣告，
　　4、留存率生命周期和流失，如何擴大老用戶(hù)活躍度和新用戶(hù)活躍度，如何優(yōu)化老用戶(hù)，提高流失用戶(hù)生命周期內活躍度，
　　6、跳轉攔截：判斷是否是走平臺跳轉比如，同鏈接收藏，下載，分享，
　　7、頁(yè)面引導：點(diǎn)擊下載是否觸發(fā)廣告/下載app鏈接是否被劫持？劫持者是如何投放廣告，
　　
　　8、可視化數據報表：分為兩種第一種是動(dòng)態(tài)--日流量/活躍/新用戶(hù)/活躍用戶(hù)占比，第二種是靜態(tài)--次頁(yè)面轉化后轉化率，頁(yè)面轉化次跳轉后轉化率，
　　6、3.1頁(yè)面跳轉度分析8.1頁(yè)面跳轉度分析8.2頁(yè)面跳轉度分析
　　9、獲取漏斗快速分析（新增轉化）1
　　0、網(wǎng)站流量一般過(guò)渡階段（快速下載轉化率，快速打開(kāi)轉化率，
　　1、后臺流量過(guò)渡階段（老用戶(hù)流失流失趨勢）ps網(wǎng)站分析常用的指標之轉化率
　　1、流量與用戶(hù)基本指標：/銷(xiāo)售產(chǎn)品銷(xiāo)售產(chǎn)品客單價(jià)
　　2、轉化指標：2.1新增客戶(hù)流失用戶(hù)流失：新增用戶(hù)流失/流失用戶(hù)/漏斗轉化率2.2用戶(hù)下載轉化流失：新增/漏斗轉化率2.3新增的跳轉率轉化app下載量/下載用戶(hù)
　　3、arpu/arppu
　　
　　1）arpu/arppu：銷(xiāo)售效率/單筆訂單/訂單金額利潤和用戶(hù)數*天數/銷(xiāo)售利潤比率
　　2）cac值*用戶(hù)下載量/app下載量/付費率*天數/利潤/用戶(hù)數*天數/單筆訂單
　　4、轉化率=(投入產(chǎn)出比)/投入產(chǎn)出比
　　1)arpu(客單價(jià))=（1+uv/訂單)*100/面單(單)
　　2)cac值（下載次跳轉轉化率）=新增用戶(hù)/新增用戶(hù)數*1.00*1.00/新增的跳轉次數*1.00
　　3)cac=arpu*arpu*新增用戶(hù)數*arpu*付費率
　　4)新增用戶(hù)/新增用戶(hù)數：新增用戶(hù)=l/d*用戶(hù)數=1+m*新增用戶(hù)數注意：流失用戶(hù)，可以從四個(gè)方面計算流失：a公司為老板提供流失用戶(hù)管理產(chǎn)品/；b公司購買(mǎi)流失用戶(hù)，但不提供。c公司沒(méi)有提供流失用戶(hù)管理服務(wù)的需求d公司也沒(méi)有提供流失用戶(hù)管理服務(wù)。
　　5、流失率=新增用戶(hù)/流失用戶(hù)
　　6、轉化率：用戶(hù)購買(mǎi)產(chǎn)品收

　　必看！完整的數據分析是怎樣的？
　　本文內容為如何建立以數據為導向的設計體系，講一次完整的數據分析過(guò)程。大綱如下：
　　1、以數據為導向的意義
　　2、數據指標
　　3、數據分析方法
　　4、模型建立
　　5、數據驗證
　　1、以數據為導向的意義
　　1、可視化
　　用戶(hù)行為可視化，可清晰的了解整體/個(gè)體用戶(hù)的行為。
　　如下圖所示，通過(guò)Google Aanalytic 網(wǎng)站可清晰的掌握平臺整體流量的來(lái)源，用戶(hù)群體路徑行為軌跡，這可以讓設計師/產(chǎn)品經(jīng)理清晰地了解到平臺的用戶(hù)行為軌跡和用戶(hù)人群的操作習慣。
　　也可以清晰地了解每個(gè)用戶(hù)的操作行為路徑。如下圖所示：
　　2、可追蹤
　　可追蹤產(chǎn)品任何一個(gè)時(shí)間段的數據，了解整體數據的變化。
　　如下圖所示：通過(guò)曲線(xiàn)變化，可看出產(chǎn)品日活躍的變化，通過(guò)變化前后的節點(diǎn)可得到產(chǎn)品發(fā)生大變化的時(shí)間節點(diǎn)。
　　3、可驗證
　　前期提供數據支持和后期方案的驗證。
　　例如下圖，通過(guò)優(yōu)化產(chǎn)品界面的購買(mǎi)按鈕，通過(guò)對比前后數據，看設計改版是否成功。
　　下圖的固定產(chǎn)品的購買(mǎi)按鈕點(diǎn)擊率從6.4%提升到了9.8%，漲幅53.1%，由于漲幅大于0，同時(shí)沒(méi)有外部其他因素影響數據變化，所以可得出結論，這次設計改版是成功的。
　　4、可預測
　　通過(guò)數據變化，可預測產(chǎn)品的走向和趨勢。
　　如下圖所示，通過(guò)日活曲線(xiàn)，可預測未來(lái)產(chǎn)品的日活增長(cháng)速度。
　　從圖可以看出，經(jīng)歷過(guò)第一次增長(cháng)后，第二次增長(cháng)的增長(cháng)率低于第一次。未來(lái)產(chǎn)品如果想維持高增長(cháng)，則需要投入更多的人力和費用。
　　2、數據指標
　　掌握數據指標有助于我們入門(mén)數據分析。
　　我將數據指標分為三類(lèi)，分別為：綜合性指標、流程性指標和業(yè)務(wù)性指標。
　　1、綜合性指標
　　綜合性指標：指的是能綜合體現產(chǎn)品整體情況的指標。
　　對于非交易類(lèi)型的產(chǎn)品，那么這個(gè)平臺的綜合性指標可以包含DAU、留存用戶(hù)數、留存率和人均使用時(shí)長(cháng)等等。
　　DAU
　　DAU：Daily Active User 。衡量產(chǎn)品使用的活躍度。明確產(chǎn)品的用戶(hù)體量，方便產(chǎn)品設計了解產(chǎn)品的每日用戶(hù)情況和用戶(hù)增減趨勢。
　　如下圖所示，通過(guò)DAU可以很直觀(guān)的了解產(chǎn)品的所處在的生命周期。和用戶(hù)增長(cháng)情況。
　　數據用途是方便產(chǎn)品設計人員了解產(chǎn)品的每日用戶(hù)情況，了解產(chǎn)品的用戶(hù)增長(cháng)或者減少趨勢。
　　留存率
　　留存率：某周期內留存用戶(hù)數/某周期內訪(fǎng)問(wèn)用戶(hù)數。用來(lái)衡量用戶(hù)使用粘性，也是衡量產(chǎn)品引流成本的一個(gè)重要參考
　　數據用途是用來(lái)衡量用戶(hù)使用粘性，也可以用來(lái)作為產(chǎn)品改版后的重要指標，留存率提升了，在不改變功能的情況下，說(shuō)明設計改版成功。
　　產(chǎn)品的留存率越來(lái)越高，這說(shuō)明他們的產(chǎn)品用戶(hù)粘性越來(lái)越好。
　　當然不同行業(yè)的產(chǎn)品，留存率也是不一樣的。社交產(chǎn)品，關(guān)系鏈越龐大越深度，粘性越好，用戶(hù)遷移成本就越高，留存率也高。
　　人均使用時(shí)長(cháng)
　　人均使用時(shí)長(cháng)：用來(lái)衡量用戶(hù)使用產(chǎn)品的深度，判斷用戶(hù)使用產(chǎn)品的粘性和依賴(lài)度。
　　單位用戶(hù)的使用app的時(shí)長(cháng)是一定的，當在一個(gè)app上花費的時(shí)間多，那么意味著(zhù)在其他的app上就花費的時(shí)間少。
　　對于交易類(lèi)型的產(chǎn)品，那么這個(gè)平臺的綜合性指標可能就包含GMV、支付UV、人均訂單數、人均客單價(jià)等等。
　　GMV：用戶(hù)的下單總金額。下單產(chǎn)生的總金額，包括銷(xiāo)售額+取消訂單金額+退款訂單金額。舉個(gè)例子：一個(gè)電商平臺，所有用戶(hù)一共下單了100萬(wàn)的商品，其中取消訂單2萬(wàn)，退款10萬(wàn)，那么GMV就是100萬(wàn)。
　　數據用途是體現電商平臺的交易規模，GMV越高說(shuō)明這個(gè)電商平臺的交易規模越大，平臺體量越大。
　　支付UV：指下單并成功支付的用戶(hù)數。舉個(gè)例子：一個(gè)電商平臺，有3000人點(diǎn)擊購買(mǎi)，其中2000人，成功完成支付，則支付uv為2000人。
　　
　　數據用途是了解平臺整體用戶(hù)支付購買(mǎi)人數規模。
　　人均訂單數：支付PV/支付UV，人均訂單數大于1。舉個(gè)例子：一個(gè)電商平臺，支付pv為3000，其中支付人數為2000人，那么人均訂單數為1.5。
　　數據用途是用于衡量產(chǎn)品/頁(yè)面/功能的導購能力。
　　人均客單價(jià)：ARPU，GMV/支付UV。舉個(gè)例子：一個(gè)電商平臺昨天GMV有100萬(wàn)，其中支付UV1萬(wàn)人，那么人均客單價(jià)為100元。
　　數據用途是一段時(shí)間內每個(gè)用戶(hù)平均收入，用來(lái)衡量產(chǎn)品效益。
　　2、流程性指標
　　流程性指標和用戶(hù)操作流程中產(chǎn)品的指標有關(guān)。
　　常見(jiàn)的有：點(diǎn)擊率、轉化率、流失率和完成率。
　　點(diǎn)擊率
　　點(diǎn)擊率：點(diǎn)擊率分為pv點(diǎn)擊率和uv點(diǎn)擊率。在實(shí)際工作中，使用pv點(diǎn)擊率的情況比較多。這個(gè)要根據具體需求而定。
　　舉個(gè)例子：如果當天知乎的首頁(yè)展現PV是400萬(wàn)，5萬(wàn)人點(diǎn)擊提問(wèn)按鈕有10萬(wàn)次，那么點(diǎn)擊率就是 10/400=2.5%
　　轉化率
　　轉化率：下一步用戶(hù)數/上一步用戶(hù)數。
　　如下圖所示，可以看到整個(gè)注冊流程，每個(gè)節點(diǎn)的轉化率數據。
　　流失率
　　流失率：（上一步用戶(hù)數-下一步用戶(hù)數）/上一步用戶(hù)數。
　　通過(guò)流失率，可全局看出所有的流失情況，找到流失異常數據，可追蹤之前是什么情況導致流失數據情況，并修復產(chǎn)品問(wèn)題。
　　完成率
　　完成率：完成率相對于轉化率而言，是最終的結果數值。轉化率是過(guò)程值，完成率是結果值。
　　3、業(yè)務(wù)性指標
　　區別于基礎通用型指標，業(yè)務(wù)性指標主要強調其業(yè)務(wù)屬性，例如社交社區，則可能需要的業(yè)務(wù)指標為：人均發(fā)文數、人均評論數、人均點(diǎn)贊數，分享率等。
　　3、數據分析方法
　　數據分析和設計的方法這里簡(jiǎn)單介紹以下5種，分別為：行為事件分析、漏斗分析、留存分析、分步分析和對比分析。
　　1、行為事件分析
　　通過(guò)分析特定類(lèi)型的用戶(hù)行為，找到這種特定類(lèi)型的用戶(hù)行為的對產(chǎn)品帶來(lái)的影響。也可以推算出這種特定的行為給產(chǎn)品帶來(lái)的意義。
　　行為事件分析法一般經(jīng)過(guò)事件定義、下鉆分析、解釋與結論等環(huán)節。
　　2、漏斗分析
　　流量在各個(gè)節點(diǎn)流轉過(guò)程中，會(huì )存在一級級的流失。最終形成了漏斗形態(tài)，漏斗分析適用于一些列完整流程操作的用戶(hù)行為。
　　找到設計過(guò)程中流失比較多的數據，通過(guò)數據找到流失的原因。
　　3、留存分析
　　通過(guò)找到整體留存情況，找到用戶(hù)留存的關(guān)鍵性因素指標。
　　留存分為兩種情況：
　　1.產(chǎn)品整體留存，整個(gè)產(chǎn)品的留存率，對象是整個(gè)產(chǎn)品。
　　2.功能模塊流程，各個(gè)模塊的留存，這里是針對于單個(gè)功能模塊。
　　產(chǎn)品留存要分開(kāi)看待。既要看整個(gè)產(chǎn)品留存率也要看所負責設計的各個(gè)功能模塊留存率。
　　4、分布分析
　　用戶(hù)在特定指標的各種占比的歸類(lèi)展現。
　　如下圖谷歌數據分析網(wǎng)站所示，可以根據不同分布類(lèi)型占比，進(jìn)行分析。
　　5、對比分析
　　對比前后數據，通過(guò)對比數據的差值，驗證設計。
　　1.自身產(chǎn)品比，對比產(chǎn)品其他模塊相似場(chǎng)景的數據差異。通過(guò)對比找到問(wèn)題點(diǎn)并做分析優(yōu)化。
　　2.行業(yè)產(chǎn)品比，和同行業(yè)產(chǎn)品的數據對比分析，找出數據差異的問(wèn)題所在，并給出對應的優(yōu)化方案。
　　4、模型建立
　　目前市面上常用的模型有Google’s HEART、AARRR和RARRA。
　　
　　1、Google’s HEART
　　HEART是一個(gè)用來(lái)評估以及提升用戶(hù)體驗的模型，它由五個(gè)維度組成：Engagement（參與度）、Adoption（接受度）、Retention（留存度）、Task Success（任務(wù)完成度）和Happiness（愉悅度）
　　Engagement（參與度）：通常指的是用戶(hù)的使用行為，這里面包含用戶(hù)的活躍度、uv、pv、人均訪(fǎng)問(wèn)次數等，通過(guò)這些數據可以很好的反應整個(gè)產(chǎn)品的用戶(hù)參與意愿度。
　　Adoption（接受度）：用戶(hù)在特定（短）時(shí)間內開(kāi)始”真正”開(kāi)始使用某個(gè)新功能/模塊。接受度主要體現在用戶(hù)訪(fǎng)問(wèn)和操作等行為
　　Retention（留存度）：留存度即對于一個(gè)功能或者產(chǎn)品，一段長(cháng)時(shí)間內從開(kāi)始參與到現在連續活躍的用戶(hù)，留存率是互聯(lián)網(wǎng)產(chǎn)品的主要獲利因素。
　　Task Success（任務(wù)完成度）：任務(wù)完成度主要指核心任務(wù)的完成率，在該緯度下包括三個(gè)基礎用戶(hù)行為指標：轉化率、跳失率、成功率。
　　Happiness（愉悅度）：愉悅度是一個(gè)產(chǎn)品用戶(hù)體驗的最直觀(guān)的評價(jià)感覺(jué)。
　　基于HEART五大維度可制作業(yè)務(wù)的數據模型，如下圖所示：
　　2、AAARR
　　AARRR增長(cháng)模型出自于增長(cháng)黑客，即獲客、激活、留存、變現、傳播推薦。
　　AARRR是Acquisition、Activation、Retention、Revenue、Referral，五個(gè)單詞的縮寫(xiě)，分別對應用戶(hù)生命周期中的5個(gè)。
　　獲取用戶(hù)（Acquisition）：本階段最主要的目的是將潛在的目標用戶(hù)轉化成我們產(chǎn)品的用戶(hù)，并且開(kāi)始使用產(chǎn)品。提高用戶(hù)注冊轉化率的關(guān)鍵在于，調優(yōu)產(chǎn)品的著(zhù)陸頁(yè)，要準確傳達產(chǎn)品的核心價(jià)值。
　　需要的數據指標：流量來(lái)源、CAC(用戶(hù)獲取成本)、CPC(每次點(diǎn)擊付費) 、CPT(按時(shí)長(cháng)付費)、 CPM(千人成本) 、 CPS(按提成收費) 、CPA(按點(diǎn)擊計費) 、Campaign(塑造品牌)
　　提高活躍度（Activation）：對于移動(dòng)應用產(chǎn)品，用戶(hù)活躍度還有另外兩個(gè)關(guān)鍵數據指標：每次啟動(dòng)平均使用時(shí)長(cháng)和每個(gè)用戶(hù)每日的平均啟動(dòng)次數。
　　需要的數據指標：DNU(日新增用戶(hù)) 、DAU/WAU/MAU 、 ACU(平均同時(shí)在線(xiàn)人數)、 PCU(最高同時(shí)在線(xiàn)人數)、 PV、 UV 、意向UV(進(jìn)入意向頁(yè)面的用戶(hù)數)、 PV/UV、 CTR(點(diǎn)擊率)、 意向UV-CTR （點(diǎn)擊UV/意向UV）、VV(視頻播放次數)、訪(fǎng)問(wèn)時(shí)長(cháng)、停留時(shí)長(cháng)、滾動(dòng)屏數、人均停留時(shí)長(cháng)、人均操作次數、 N次操作占比、行為路徑、訪(fǎng)問(wèn)頻次、跳出率、用戶(hù)來(lái)源、用戶(hù)去向。
　　提高留存率（Retention）：用戶(hù)留存率是非常重要的一個(gè)數據指標，留存率衡量著(zhù)一個(gè)產(chǎn)品是否健康成長(cháng)。
　　需要的數據指標：留存率、次日留存率、7日留存率、30日留存率、回流率、召回CTR（提取出的正確信息條數 / 樣本中的信息條數)、用戶(hù)生命周期 (周期/(1-周期內新增留存率))
　　獲取收入（Revenue）:即用戶(hù)給產(chǎn)品貢獻的收入價(jià)值，公司從用戶(hù)所有的活動(dòng)中所得到的全部經(jīng)濟收益的總和。
　　需要的數據指標：GMV 、ARPU(每用戶(hù)平均收入）、ARPPU(平均每付費用戶(hù)收入）、LTV(生命周期價(jià)值)、 PBP(回收期)、 ROI(投資回報率 )、收入地圖 、客單價(jià)、 消費次數 、消費頻率、 訂單量、 利潤、 購買(mǎi)偏好、 直接引導成交、 間接引導成交、 購買(mǎi)間隔
　　用戶(hù)推薦（Refer）：通過(guò)用戶(hù)推薦再次獲取新用戶(hù)，應用運營(yíng)形成了一個(gè)螺旋式上升的軌道。而優(yōu)秀的應用就很好地利用了這個(gè)軌道，不斷擴大自己的用戶(hù)群體。
　　需要的數據指標：分享率、分享次數、K-Factor (病毒傳播指標)、 NPS
　　AARRR模型對應的數據指標如下圖所示：
　　3、RARRA
　　RARRA的數據模型，本質(zhì)上是在A(yíng)ARRR的基礎上進(jìn)行順序調整得到，以滿(mǎn)足日益獲客成本所帶來(lái)的壓力成本。RARRA模型相比與AARRR可以使得獲客成本更低。
　　用戶(hù)留存Retention：為用戶(hù)提供價(jià)值，讓用戶(hù)回訪(fǎng)。
　　用戶(hù)激活Activation：確保新用戶(hù)在首次啟動(dòng)時(shí)看到你的產(chǎn)品價(jià)值。
　　用戶(hù)推薦Referral：讓用戶(hù)分享、討論你的產(chǎn)品。
　　商業(yè)變現Revenue：一個(gè)好的商業(yè)模式是可以賺錢(qián)的。
　　用戶(hù)拉新Acquisition：鼓勵老用戶(hù)帶來(lái)新用戶(hù)。
　　RARRA通過(guò)最重要的指標來(lái)關(guān)注增長(cháng)：用戶(hù)留存。
　　RARRA與AARRR的區別是，RARRA模型里面用戶(hù)的留存重要性遠高于獲客。
　　在數據模型中，我們可以學(xué)到數據模型的分類(lèi)思路，以及如何創(chuàng )造出適用自己團隊的數據模型。
　　基于這個(gè)目的，我們可以將市面上常見(jiàn)的數據模型找出來(lái)并進(jìn)行整理并分析。通過(guò)熟悉主流的數據模型的產(chǎn)出邏輯，并從中找到規律，創(chuàng )造出適用于自己團隊的數據模型。
　　5、數據驗證
　　通過(guò)核心指標判斷設計方案是否符合預期，以此驗證設計方案是否成功，并為后續產(chǎn)品的迭代優(yōu)化做依據。
　　1.關(guān)注設計的核心指標
　　設計過(guò)程中，要關(guān)注設計的核心指標，針對于核心指標，進(jìn)行針對性的設計。
　　如果改版的最重要（核心）的指標是任務(wù)流程完成率，先查看用戶(hù)操作流失率，然后分析找出流失原因，給出對應的優(yōu)化方案。等到優(yōu)化方案的產(chǎn)品版本上線(xiàn)后，對比完成率數據變化。
　　如果改版的最重要（核心）指標是人均觀(guān)看次數，則要思考可通過(guò)哪些設計策略可提升產(chǎn)品的人均播放次數。
　　舉個(gè)例子，新浪微博，以前版本用戶(hù)看完視頻后，視頻會(huì )有重播按鈕和推薦視頻，用戶(hù)只有進(jìn)行下一步點(diǎn)擊才能播放下一個(gè)視頻。改版后看完視頻會(huì )自動(dòng)切換到下一個(gè)視頻。這樣的設計策略雖然綁架了用戶(hù)的行為，用戶(hù)從一個(gè)主動(dòng)接受者，變成了一個(gè)被動(dòng)接受者，但是這種策略能有效的提升人均播放次數。
　　2.核心指標帶來(lái)的價(jià)值/收益
　　當驗證了核心指標往好的方向發(fā)展，這時(shí)候，就需要總結核心指標帶來(lái)的價(jià)值和收益，這樣的話(huà)設計價(jià)值才可以直接被量化。
　　舉個(gè)例子：一個(gè)banner的點(diǎn)擊率達到3%的時(shí)候，每天GMV約200萬(wàn)，當重新設計了這個(gè)banner，同時(shí)其他條件保持不變，點(diǎn)擊率提升到了6%，這時(shí)候通過(guò)數據查看每天的GMV是多少，如果達到了400萬(wàn)，那么這增加的200萬(wàn)則是通過(guò)設計優(yōu)化所帶來(lái)的。
　　數據驗證總結后有四步：
　　1.關(guān)注改版的核心指標
　　2.核心指標帶來(lái)的價(jià)值/收益
　　3.確定上線(xiàn)時(shí)間
　　4.對比上線(xiàn)前后數據變化，進(jìn)行驗證
　　歡迎關(guān)注，關(guān)注就送好資料

　　企業(yè)網(wǎng)站分析常用的指標之內容指標分析實(shí)例進(jìn)行分析
　　
　　網(wǎng)站分析常用的指標之內容指標一般只能做一些局部的數據分析，因此，要想對企業(yè)的整體狀況進(jìn)行分析，得到更有價(jià)值的分析結果，還需要建立企業(yè)的整體數據分析思路。下面我們就具體實(shí)例進(jìn)行分析一下：如下圖是某企業(yè)的網(wǎng)站流量分析，該企業(yè)的流量渠道主要分為各大搜索引擎、b2b網(wǎng)站、導航網(wǎng)站、app、社交網(wǎng)絡(luò )、企業(yè)官網(wǎng)等。
　　
　　要想準確了解用戶(hù)從網(wǎng)站到企業(yè)的整體流量情況，我們就必須了解各渠道的流量來(lái)源和比例。通過(guò)對各渠道流量的分析，就能知道用戶(hù)一般來(lái)自哪里，哪些用戶(hù)對品牌感興趣，哪些用戶(hù)對用戶(hù)畫(huà)像比較感興趣，什么樣的用戶(hù)最關(guān)注產(chǎn)品，最關(guān)注哪個(gè)話(huà)題，什么樣的用戶(hù)愿意付費等。圖1某企業(yè)網(wǎng)站流量分析單純看流量流向圖，我們可以發(fā)現有流量過(guò)app和b2b網(wǎng)站的比較少，而流量又流向網(wǎng)站導航網(wǎng)站和官網(wǎng)的比較多，但其實(shí)這兩個(gè)渠道的流量比例并不高，因為app和導航網(wǎng)站是用戶(hù)使用頻率最高的，品牌認知度最高的，企業(yè)官網(wǎng)是用戶(hù)獲取最多的，是營(yíng)銷(xiāo)成本最低的渠道。
　　所以要想獲得更精準的流量，就必須加強對網(wǎng)站渠道、用戶(hù)畫(huà)像和品牌形象的了解。有效利用數據，從而掌握企業(yè)整體營(yíng)銷(xiāo)情況。完善企業(yè)數據分析思路，為精準地提升轉化率、提升品牌知名度，做好預算管理做出貢獻。

　　經(jīng)驗分享 ：以互聯(lián)網(wǎng)行業(yè)為背景下的數據分析通識
　　前言
　　我們上節內容，給大家介紹了數據分析如何入門(mén)、數據分析的基本流程，相信大家對入門(mén)數據分析的一些要求和入門(mén)方法都有了相應的了解。在這里繼續探討，數據分析入門(mén)之后的一些事情，包括數據分析的進(jìn)階方法、數據分析的發(fā)展前景和優(yōu)勢。目的是給大家提供一個(gè)做數據分析工作未來(lái)的規劃的方向，同時(shí)對目前職業(yè)狀態(tài)也會(huì )有一個(gè)更全面的定位了。七
　　數據分析進(jìn)階
　　01
　　數據分析進(jìn)階的階段
　　在入門(mén)階段開(kāi)始時(shí)，我們對數據分析基本流程有了一個(gè)概念的認識。那么，在進(jìn)階的階段，要做的事情很簡(jiǎn)單，那就是：完善數據分析流程的基本面理解、更加深入地學(xué)習數據分析工具。
　　我們來(lái)看一下數據分析進(jìn)階的階段：
　　
　　第一階段：基本信息處理大部分情況下，公司的數據體系相對已經(jīng)比較成熟了，所有到你手上的數據都是相對比較干凈和統一了，這時(shí)候數據分析的主要工作就是各種數據的提取以及數據處理。這里面涉及到，整理并了解各種數據指標，搭建數據監控數據表格，包含日常數據監控表、渠道匯總表、銷(xiāo)售明細報表、新增用戶(hù)表等等，而使用的工具一般為Excel。而SQL在此階段可作為輔助工具，從數據庫提取和統計數據，然后導入Excel繼續做表格，在這個(gè)階段要突破的技能就是 ：Excel的技巧和使用。下面簡(jiǎn)單介紹一下，在進(jìn)階階段，對于Excel的技巧應該要掌握到什么樣的水平?；竟δ芫筒槐亟榻B了，之前有一篇推文提及到，如果在推文里面的練習題你可以做到滿(mǎn)分，說(shuō)明你已經(jīng)基本合格了。（推文：Excel基礎知識，Excel功能篇，Excel函數篇）在常用函數上，你需要掌握如下的函數：
　　其他平時(shí)少用的函數，則大可不必花大量時(shí)間去研究，除非你立志要成為Excel表格大師。用的比較少的函數，在需要用的時(shí)候上網(wǎng)搜索相關(guān)資源即可，所以平時(shí)只需要掌握常用的這幾類(lèi)函數就足夠了。數據透視表的內容比較簡(jiǎn)單，跟BI工具的操作如出一轍：拖拉拽。將你想要透視的字段合理的進(jìn)行規整，并適當的設置透視表的格式，當然如果你想考慮設計一個(gè)指標駕駛艙，并使用控件對駕駛艙數據進(jìn)行更新，那么你還需要學(xué)習如何將透視表和控件參數進(jìn)行聯(lián)動(dòng)的內容?；緢D表的使用非常重要，除了要學(xué)會(huì )Excel里面常用圖表的創(chuàng )建方法，還需要學(xué)習如何用圖表來(lái)準確的表達你想傳達的信息。在圖表設計上，表達內容比圖表制作更重要，同時(shí)還要考慮基本的配色，來(lái)配合你傳達內容的主題。如果在這一塊想深入了解的話(huà)，這里面就是可視化的內容了。Excel已經(jīng)是非常成熟的軟件，幾乎所有使用技巧你都可以各種書(shū)籍以及相關(guān)的網(wǎng)站里找到并操練起來(lái)。如果數據量不大，且數據以數值為主，處理簡(jiǎn)單的計算邏輯，Excel基本就夠用了。而當你需要更強大的一些功能，比如對多張數據表靈活切換、分組、聚合、索引、排序，并且結合各種函數的使用，或采用到復雜些的數據分析模型、統計方法，則可進(jìn)一步學(xué)習SQL以及學(xué)習Python的Pandas庫進(jìn)行更高階的表格處理。
　　第二階段：學(xué)會(huì )SQL獲取數據此階段，我們要知道如何去獲取數據，其中最常見(jiàn)的就是從關(guān)系型數據庫中取數，可以暫時(shí)不會(huì )R語(yǔ)言和Python，但是必須掌握SQL數據庫語(yǔ)言。大數據時(shí)代，數據正在呈指數級增長(cháng)，面臨的數據量會(huì )大大增加，從GB，到TB，甚至到PB，非?？捎^(guān)。因此，有著(zhù)固定行數限制的的Excel顯然無(wú)法滿(mǎn)足需求這種大容量數據的分析。因此，學(xué)習數據庫語(yǔ)言就顯得非常有必要了。SQL數據庫語(yǔ)言至少要掌握哪些內容呢：基本的增刪改查會(huì )了之后，還得學(xué)會(huì )高級一點(diǎn)的功能，例如：這時(shí)候就需要學(xué)習數據庫。理解數據庫和數據存儲結構，會(huì )一點(diǎn)增刪改查的數據庫操作，因此，SQL是數據分析的核心技能之一，在這個(gè)階段就是從Excel到SQL的數據處理效率進(jìn)一步進(jìn)階。我們經(jīng)常說(shuō)“學(xué)以致用”，“以用促學(xué)”，最好的學(xué)習方式就是練習，現在很多平臺都有提供練習SQL語(yǔ)言的地方，例如?？途W(wǎng)、LeeCode網(wǎng)等等。經(jīng)常刷刷題，保持做代碼的感覺(jué)，是有必要的。
　　
　　第三階段：數據可視化展現數據分析所有的流程里面，數據可視化是發(fā)現數據和展示結果的重要一環(huán)。試想僅將數據分析結果以數字報告或數字表格的方式呈現在老板的辦公桌上，十年如一日，老板會(huì )有啥感想？
　　具備圖表可視化能力，更加直觀(guān)地展現分析結果，幫助管理層抓住數據本質(zhì)，最好方式就是做出觀(guān)點(diǎn)清晰數據的PPT和報表給老板看?？梢暬芰κ沁@個(gè)階段的數據分析人員必不可少的技能。在數據可視化展現時(shí)，一般的工作場(chǎng)景中常見(jiàn)的就是Excel數據透視表功能，而且目前有WPS里有很多好的的可視化圖案可供大家選擇，還有目前現成的商業(yè)智能分析軟件，如power BI或Tableau等，這兩個(gè)工具都不要編程功底，實(shí)現起來(lái)簡(jiǎn)單，功能強大，BI商業(yè)軟件可以滿(mǎn)足你大部分的可視化需求，不過(guò)功能也會(huì )存在一些受限的場(chǎng)景。然而，Python語(yǔ)言在數據可視化方面也有很多功能，比如Pyecharts等，使用編程語(yǔ)言的好處是更靈活、可以更好地適應特殊的需求。推薦書(shū)籍：《用圖表說(shuō)話(huà)》-麥肯錫
　　第四階段：數據貼合業(yè)務(wù)進(jìn)行分析從按月匯總的數據明細，各種業(yè)務(wù)信息、驅動(dòng)因素、環(huán)境變量、變化路徑，經(jīng)過(guò)層層的匯總篩選處理，可能已經(jīng)遺失了大量信息和數據，導致數據分析有所局限，很難對業(yè)務(wù)決策起到支持作用。此階段，貼合業(yè)務(wù)數據綜合的分析，通過(guò)對業(yè)務(wù)的了解 ，基于業(yè)務(wù)的邏輯對數據進(jìn)行分析，找到數據指標變動(dòng)原因，通過(guò)發(fā)現業(yè)務(wù)問(wèn)題點(diǎn)。這個(gè)階段需要進(jìn)行高階的數據處理、加工和分析，通過(guò)Sql或者Python讀取數據庫的龐大數據，也是數據分析人員的必經(jīng)之路。你會(huì )真正從數據的角度開(kāi)始理解業(yè)務(wù)，洞察一切細節深究業(yè)務(wù)，也是在這個(gè)階段真正的數據分析進(jìn)階。
　　
　　第五階段：數據驅動(dòng)業(yè)務(wù)在數據的領(lǐng)域里，整理了無(wú)數的數據報表，梳理了很多遍的業(yè)務(wù)邏輯，最后數據分析人員開(kāi)始進(jìn)入這個(gè)階段：如何高效能的優(yōu)化數據指標監控體系，讓數據報表之間的井然有序，讓數據分析更簡(jiǎn)單和靈活，讓決策迅速而優(yōu)化？能結合行業(yè)背景，利用數據挖掘工具，建置數據挖掘模型，發(fā)掘規律、商業(yè)價(jià)值、降本提效？支持優(yōu)化業(yè)務(wù)決策、發(fā)掘規律、商業(yè)價(jià)值、降本提效？這不就是數據的分析的價(jià)值所在么？因此 ，此階段數據分析人員就需要建立復雜的多維的決策建模，使其更有體系，真正的實(shí)現數據驅動(dòng)業(yè)務(wù)。就是將二維的平面數據報表，進(jìn)階到一個(gè)個(gè)立方體的多維宇宙，多方位的實(shí)現數據驅動(dòng)業(yè)務(wù)增長(cháng)，高效能的解決實(shí)際業(yè)務(wù)場(chǎng)景中遇到的大部分復雜工作。比如上千家門(mén)店的銷(xiāo)售數據報表合并等。
　　
　　
　　小結
　　總之，在數據分析進(jìn)階的過(guò)程中，有兩個(gè)方面的能力：一是思維能力，包含財務(wù)思維、管理思維、業(yè)務(wù)思維、商業(yè)思維等；二是技術(shù)能力，主要是軟件使用能力和數據展示能力等?？梢哉f(shuō)，分析工具是數據分析必備的硬件模塊，它就像一雙手。而分析思維，是數據分析必備的軟件模塊，它就像一個(gè)大腦。這兩個(gè)方面的能力一直穿插在數據分析進(jìn)階的過(guò)程中，在不同的階段不斷的更新迭代、不斷的提升。
　　02
　　思維與數據分析
　　所謂的數據思維，其目標是讓數據傳達出真正的信息，且呈現出畫(huà)面感，而不是一堆堆冰冷的數據指標。就像簡(jiǎn)歷或者工作總結中，要體現活動(dòng)營(yíng)銷(xiāo)轉化率提升5%，創(chuàng )建企業(yè)率提升5%，會(huì )員業(yè)績(jì)提升8%一樣。數據分析思維是通過(guò)各種方法收集數據，了解需求，然后改進(jìn)決策，不斷迭代，降本提效。在工作和生活中，我們應該通過(guò)不同的場(chǎng)景，來(lái)不斷培養數據思維習慣。如在工作中：?在廣告投放時(shí)，嘗試去估算廣告的受眾群數量大小，渠道數量、成本和效果回收情況，想辦法去拆解出各種影響因素、預期效果、投入成本等信息。?在優(yōu)化產(chǎn)品時(shí)，去梳理其商業(yè)模式、面對的用戶(hù)群體、群體的使用場(chǎng)景，以及可能設置的付費點(diǎn)并去驗證，同時(shí)想到可改進(jìn)的價(jià)值點(diǎn)，并觀(guān)察后續運營(yíng)動(dòng)作是否驗證了改進(jìn)點(diǎn)。?在整理回訪(fǎng)數據時(shí)，能通過(guò)線(xiàn)索來(lái)源，通話(huà)總次數，通話(huà)有效次數&時(shí)長(cháng)，線(xiàn)索意向級別，銷(xiāo)售司齡等數據維度來(lái)判斷這組客戶(hù)的意向度，縮短成單周期?！ぁぁぁぁぁぁぴ谏钪校?觀(guān)察并思考為什么滴滴打車(chē)你的價(jià)格高？可能你周?chē)熊?chē)用戶(hù)多而司機少，也可能"其他原因"。?觀(guān)察并思考為什么微信訂閱號文章改版后，有了點(diǎn)贊，還要增加在看？微信想加深用戶(hù)粘性，讓你看到更多朋友的世界，也讓微信文章得到更多曝光。?觀(guān)察并思考為什么每個(gè)超市都鼓勵辦會(huì )員卡？因為要留住你，增加你選擇去他們消費的機會(huì )，減少去競爭對手消費的機會(huì )?！ぁぁぁぁぁぁ?br /> 　　
　　小結
　　以上是我們可以在工作和生活中需要培養數據思維習慣的思考場(chǎng)景，當然，不同場(chǎng)景產(chǎn)生差異化的行為，而數據分析思維讓我們從數據上觀(guān)察到這些差異，然而在實(shí)際工作中的前提是，我們要熟悉自己的業(yè)務(wù)流程以及業(yè)務(wù)指標等，我們在培養數據思維的同時(shí)數據敏感度會(huì )不斷提升。
　　03
　　工具與數據分析
　　數據分析的工具市面上也是有很多的，也在不斷進(jìn)化發(fā)展的，這時(shí)我們就需要根據公司業(yè)務(wù)情況進(jìn)行選擇。比如做市場(chǎng)研究、競對分析經(jīng)常會(huì )使用Python進(jìn)行外部數據的抓取，統計分析領(lǐng)域常用到SPSS，以及調用地圖開(kāi)放平臺進(jìn)行地圖可視化繪制。對于數據分析進(jìn)階之路上，在不同階段應用的工具也有所不同，Excel+SQL這2個(gè)工具在上述篇章作為入門(mén)的數據分析工具提過(guò)，這里就不展開(kāi)介紹了，這里在進(jìn)階方面推薦一下Python+可視化工具。█Python大多數人可能是從0開(kāi)始，從未接觸過(guò)編程，因而入門(mén)確實(shí)是有一定難度的。而更為關(guān)鍵的原因是，從數據分析進(jìn)階的過(guò)程中，從技能上來(lái)看，Python使用場(chǎng)景豐富，助益頗多，又語(yǔ)言簡(jiǎn)潔，適合新手學(xué)習。Python是一種面向對象、解釋型計算機程序設計語(yǔ)言。Python語(yǔ)法簡(jiǎn)潔而清晰，具有豐富和強大的類(lèi)庫。它常被昵稱(chēng)為膠水語(yǔ)言，能夠把用其他語(yǔ)言制作的各種模塊輕松地聯(lián)結在一起。來(lái)看看Python能幫數據分析人員做到哪些：········（作用太多了 ，就不一一列舉了）█可視化工具數據可視化工具，即將數據分析結果轉化為圖表，其終極目標是洞悉蘊含在數據中的現象和規律，目前市面上的數據可視化工具很多，但基本邏輯都是相通的?？蓮腜ower BI+Tableau兩種工具開(kāi)始。?Tableau將數據計算和美觀(guān)的圖表完美地融合在一起，可以在幾分鐘內生成美觀(guān)的圖表、坐標圖、儀表盤(pán)與報告。是用來(lái)快速分析、可視化的強大工具，偏向商業(yè)分析。其特點(diǎn)：輕松整合，易上手，類(lèi)似于Excel數據透視表/圖的功能，可進(jìn)行交互，能輕松制作美觀(guān)的儀表盤(pán)、坐標圖。?Power BI屬于微軟做的一個(gè)專(zhuān)門(mén)做數據分析的商業(yè)智能軟件，先用PowerQuery處理和清洗數據，再用PowerPivot建模，最后用Power BI的圖表庫作圖。其特點(diǎn)：與Excel無(wú)縫對接，創(chuàng )建個(gè)性化的數據看板，對于常用Excel的來(lái)說(shuō)學(xué)習上手也相對容易。
　　
　　小結
　　除以上提到的Excel+SQL+可視化+Python等數據分析工具外，還有很多其他的工具，如SPSS、R語(yǔ)言等，大家在學(xué)習時(shí)，可以根據自己的實(shí)際需要來(lái)學(xué)習，不必要花費大量時(shí)間，做到樣樣精通。這些工具主要是能夠幫助我們在短時(shí)間內完成復雜的數據分析計算過(guò)程，輸出準確的數據分析結果，提高工作效率的?？傊?，在數據分析工作中，分析工具和分析方法是密不可分的，科學(xué)的方法結合高效的分析工具使用，才能提高分析效率和質(zhì)量。
　　04
　　數據進(jìn)階的知識點(diǎn)和書(shū)籍推薦（僅供參考）
　　1）網(wǎng)絡(luò )爬蟲(chóng)、SPSS、SAS、R語(yǔ)言等的學(xué)習：《SPSS統計分析基礎教程》、《問(wèn)卷數據分析-破解SPSS的六類(lèi)分析思路》、《R語(yǔ)言實(shí)戰》等書(shū)籍。2）數據挖掘算法得到學(xué)習：這部分相對來(lái)說(shuō)還是比較難的，但是在工作中會(huì )去深化理解和學(xué)習，可以粗略的看看，等工作中遇到的時(shí)候再去針對性學(xué)習。學(xué)習資源有：經(jīng)典的 《統計學(xué)習方法》，主講分類(lèi)算法，偏理論推導《機器學(xué)習實(shí)戰》《機器學(xué)習》等書(shū)籍。3）數學(xué)知識的學(xué)習：概率論基礎、獨立事件、條件概率、全概率公式以及貝葉斯定律，有《概率導論》《線(xiàn)性代數》《概率論與數理統計》等書(shū)籍?！ぁぁぁぁぁぁぐ?br /> 　　數據分析存在的挑戰以及發(fā)展前景
　　01
　　數據分析挑戰在哪里？
　　
　　?入門(mén)容易，進(jìn)階難
　　“數據分析”越來(lái)越成為各個(gè)職業(yè)的必備的基本技能，各個(gè)職業(yè)上的從業(yè)人員都會(huì )開(kāi)始學(xué)習數據分析，如運營(yíng)、產(chǎn)品、技術(shù)、人力、財務(wù)都需要一些數據分析的思維和技能，因此，不只是從事數據分析領(lǐng)域的人員需要掌握的，別的職能也需要懂些基本的，尤其在互聯(lián)網(wǎng)行業(yè)，要了解常用的基本分析框架和思維，簡(jiǎn)單的做個(gè)報表，讀懂 A/B test，能做簡(jiǎn)單的決定等等。但是呢，在數據分析這個(gè)領(lǐng)域，進(jìn)階非常難，在方法論以及思維方面，因為實(shí)際操作中有很多坑，而這些坑，通過(guò)在書(shū)本里是很難找到的，即使有也是非常零散。在技能方面呢，大部分人又從未接觸過(guò)編程，因此，進(jìn)階的過(guò)程會(huì )有一定難度的。?不能有效推動(dòng)業(yè)務(wù)，價(jià)值產(chǎn)出弱互聯(lián)網(wǎng)行業(yè)是一個(gè)構建在規模經(jīng)濟之上的、競爭相當激烈的行業(yè)，產(chǎn)品更新迭代速度快。只有快速迭代產(chǎn)品，更好、更快地滿(mǎn)足用戶(hù)需求，吸引足夠多的用戶(hù)關(guān)注與使用，獲得快速增長(cháng)，才能拿到融資、才能獲得較好的現金流，否則很難生存下去。目前2C行業(yè)已經(jīng)到了增長(cháng)的天花板，競爭只會(huì )愈演愈烈。企業(yè)會(huì )更加在意數據分析的價(jià)值產(chǎn)出，希望以數據驅動(dòng)的形式快速迭代產(chǎn)品，產(chǎn)生更多的用戶(hù)增長(cháng)和現金流。但是呢，業(yè)務(wù)發(fā)展太快，導致人手不足，數據分析人員沒(méi)法深入了解業(yè)務(wù)，沒(méi)有貼合業(yè)務(wù)的數據分析產(chǎn)出的結果，并不能真正的推動(dòng)業(yè)務(wù)增長(cháng)，也不能很好的判斷哪些需求的優(yōu)先級，可能導致避重就輕。
　　進(jìn)而，缺乏數據分析落地的實(shí)例，進(jìn)而循環(huán)往復。當然，這里面影響因素是多種多樣，而且互相影響，就不一一展開(kāi)了。?存在感不強，技能要求會(huì )越來(lái)越高在很多時(shí)候不少公司又缺乏充足的落地的實(shí)例，于是行業(yè)整體看來(lái)，數據分析人員即不如技術(shù)類(lèi)工種難度高、需求大，又不如產(chǎn)品類(lèi)工種貼近業(yè)務(wù)，因此，其主要的工作是支撐業(yè)務(wù)部門(mén)，為業(yè)務(wù)部門(mén)提供各種數據用于業(yè)務(wù)決策。但業(yè)務(wù)方往往不清楚業(yè)務(wù)的真實(shí)需求，數據分析人員更加不太關(guān)注業(yè)務(wù)，淪為一個(gè)取數機器或者表哥等。最終，對工作的熱情一定不會(huì )高，也會(huì )失去一定存在感。但是呢，隨著(zhù)科學(xué)技術(shù)的進(jìn)步、5G技術(shù)的成熟，整個(gè)互聯(lián)網(wǎng)行業(yè)上將會(huì )產(chǎn)生越來(lái)越多的數據，這些數據呈現出越來(lái)越非結構化的趨勢，數據種類(lèi)也越來(lái)越多樣化，這些數據包括文本、圖片、視頻、音頻、網(wǎng)頁(yè)、社交關(guān)系等多種數據類(lèi)型，其處理方式也會(huì )更加復雜。因此，不光要懂SQL、Python等，未來(lái)的數據分析人員可能還要精通（至少要了解原理、會(huì )用工具）很多其他的數據處理技術(shù)。這無(wú)形給數據分析人員提出了更高的要求，工作也會(huì )更加有挑戰。
　　02
　　數據分析發(fā)展前景
　　在大數據和5G技術(shù)逐漸成為趨勢的時(shí)代背景下，“數據”是越來(lái)越常見(jiàn)，如社交網(wǎng)絡(luò )、消費信息、旅游記錄……企業(yè)層面的銷(xiāo)售數據、運營(yíng)數據、產(chǎn)品數據、活動(dòng)數據……如何快速精準的對這些數據進(jìn)行處理？如何從海量數據中挖掘別人看不見(jiàn)的價(jià)值？如何利用這些數據來(lái)做精準營(yíng)銷(xiāo)投放、優(yōu)化產(chǎn)品、用戶(hù)調研、支撐決策？因此，運營(yíng)、產(chǎn)品、市場(chǎng)、營(yíng)銷(xiāo)等工作崗位中數據分析是必不可少的一項技能！數據分析可以將數據的價(jià)值最大化！而從各大招聘網(wǎng)站也可以看出來(lái)，在薪資方面也是相當可觀(guān)的！并且現在各個(gè)互聯(lián)網(wǎng)的崗位都需要數據分析技能！由此可見(jiàn)，在未來(lái)互聯(lián)網(wǎng)職場(chǎng)中，“數據分析”技能無(wú)疑成為的標配！就數據分析前景而言，其發(fā)展路徑無(wú)非是兩條：要么在公司內部做數據分析，偏前端，重在業(yè)務(wù)分析，用數據分析賦能業(yè)務(wù)發(fā)展。要么數據挖掘方向，偏后端，技術(shù)能力要求更高一些，但對業(yè)務(wù)的理解是基礎。而做數據分析更應該考慮如何用數據創(chuàng )造價(jià)值，如果你沒(méi)有用數據創(chuàng )造價(jià)值的能力，那么就只能等著(zhù)被數據淹沒(méi)，淪為一個(gè)取數的或者做報表的機器而已，也就早早的到達職業(yè)的天花板。這往往體現在數據價(jià)值的層面上，越往數據應用層靠攏，對數據產(chǎn)生價(jià)值的要求就越高，從事數據分析領(lǐng)域的人要常常自省是否有更好的商業(yè)意識、數據思維、業(yè)務(wù)理解能力、數據敏感度等，畢竟在公司層面，沒(méi)人關(guān)心你是否比某個(gè)指標提高了一個(gè)百分點(diǎn)，公司關(guān)心的是你提高了這一個(gè)百分點(diǎn)之后，對公司產(chǎn)生的價(jià)值是什么。那么，你就需要成為具備商業(yè)意識、數據思維、業(yè)務(wù)理解能力、數據敏感度等的高價(jià)值的數據人員，所以多多學(xué)習吧，別太約束自己，故步自封，多在行業(yè)領(lǐng)域內交流。（注：本文由木兮、紅星共同完成。）轉自：木木自由 公眾號；
　　END

　　一篇文章讓你看懂數據分析的目的、方法、工具及實(shí)際應用
　　|沙龍精選自公眾號杜王丹
　　我特別不喜歡裝逼的產(chǎn)品經(jīng)理，看文章也一樣不喜歡華而不實(shí)的。所以督促自己寫(xiě)文章時(shí)，把懂的、經(jīng)歷過(guò)的能細就寫(xiě)的盡量詳細；不懂的就去學(xué)，然后把整理的筆記分享出來(lái)，數據分析方面我涉入不多，內容由于缺少實(shí)戰經(jīng)驗，會(huì )比較基礎和理論，希望同樣對你有幫助。
　　1. 明確數據分析的目的
　　做數據分析，必須要有一個(gè)明確的目的，知道自己為什么要做數據分析，想要達到什么效果。比如：為了評估產(chǎn)品改版后的效果比之前有所提升；或通過(guò)數據分析，找到產(chǎn)品迭代的方向等。
　　明確了數據分析的目的，接下來(lái)需要確定應該收集的數據都有哪些。
　　2. 收集數據的方法
　　說(shuō)到收集數據，首先要做好數據埋點(diǎn)。
　　所謂“埋點(diǎn)”，個(gè)人理解就是在正常的功能邏輯中添加統計代碼，將自己需要的數據統計出來(lái)。
　　目前主流的數據埋點(diǎn)方式有兩種：
　　常見(jiàn)的第三方統計工具有：
　　網(wǎng)站分析工具
　　Alexa、中國網(wǎng)站排名、網(wǎng)絡(luò )媒體排名（iwebchoice）、Google Analytics、百度統計
　　移動(dòng)應用分析工具
　　Flurry、Google Analytics、友盟、TalkingData、Crashlytics
　　不同產(chǎn)品，不同目的，需要的支持數據不同，確定好數據指標后，選擇適合自己公司的方式來(lái)收集相應數據。
　　3. 產(chǎn)品的基本數據指標
　　新增：新用戶(hù)增加的數量和速度。如：日新增、月新增等。
　　活躍：有多少人正在使用產(chǎn)品。如日活躍（DAU）、月活躍（MAU）等。用戶(hù)的活躍數越多，越有可能為產(chǎn)品帶來(lái)價(jià)值。
　　留存率：用戶(hù)會(huì )在多長(cháng)時(shí)間內使用產(chǎn)品。如：次日留存率、周留存率等。
　　傳播：平均每位老用戶(hù)會(huì )帶來(lái)幾位新用戶(hù)。
　　流失率：一段時(shí)間內流失的用戶(hù)，占這段時(shí)間內活躍用戶(hù)數的比例。
　　4. 常見(jiàn)的數據分析法和模型
　　這里主要科普下漏斗分析法和AARRR分析模型。
　　用來(lái)分析從潛在用戶(hù)到最終用戶(hù)這個(gè)過(guò)程中用戶(hù)數量的變化趨勢，從而尋找到最佳的優(yōu)化空間，這個(gè)方法被普遍用于產(chǎn)品各個(gè)關(guān)鍵流程的分析中。
　　比如，這個(gè)例子是分析從用戶(hù)進(jìn)入網(wǎng)站到最終購買(mǎi)商品的變化趨勢。
　　
　　從用戶(hù)進(jìn)入網(wǎng)站到瀏覽商品頁(yè)面，轉化率是40%；瀏覽商品到加入購物車(chē)轉化率是20%等，那要找出哪個(gè)環(huán)節的轉化率最低，我們需要有對比數據。
　　比如第一個(gè)，進(jìn)入網(wǎng)站到瀏覽商品，如果同行業(yè)水平的轉化率是45%，而我們只有40%，那說(shuō)明這個(gè)過(guò)程，沒(méi)有達到行業(yè)平均水平，我們就需要分析具體原因在哪里，再有針對性的去優(yōu)化和改善。
　　當然，上面這是我們設計的一種理想化的漏斗模型，數據有可能是經(jīng)過(guò)匯總后得出的。而真實(shí)的用戶(hù)行為往往可能并不是按照這個(gè)簡(jiǎn)單流程來(lái)的。此時(shí)需要分析用戶(hù)為什么要經(jīng)過(guò)那么復雜的路徑來(lái)達到最終目的，思考這中間有沒(méi)有可以?xún)?yōu)化的空間。
　　這個(gè)是所有的產(chǎn)品經(jīng)理都必須要掌握的一個(gè)數據分析模型。
　　AARRR（Acquisition、Activation、Retention、Revenue、Refer）是硅谷的一個(gè)風(fēng)險投資人戴維 · 麥克魯爾在2008年時(shí)創(chuàng )建的，分別是指獲取、激活、留存、收入和推薦。
　　
　　舉個(gè)例子，用AARRR模型來(lái)衡量一個(gè)渠道的好壞。
　　
　　如果單從數據表面來(lái)看，A渠道會(huì )更劃算，但實(shí)際這種結論是有問(wèn)題的，用AARRR模型具體分析如下：
　　渠道A的單個(gè)留存用戶(hù)成本是60元，單個(gè)付費用戶(hù)成本是300元；而渠道B的單個(gè)留存用戶(hù)成本是20元，單個(gè)付費用戶(hù)成本是33元，這樣對比下來(lái)，明顯B渠道的優(yōu)勢遠遠大于A(yíng)渠道。
　　5. 常見(jiàn)的數據分析法和模型
　　在上篇提到的漏斗分析法和AARRR模型外，這里再補充一個(gè)：交叉分析法。
　　交叉分析法：通常是把縱向對比和橫向對比綜合起來(lái)，對數據進(jìn)行多角度的結合分析。
　　舉個(gè)例子：
　　a. 交叉分析角度：客戶(hù)端+時(shí)間
　　從這個(gè)數據中，可以看出iOS端每個(gè)月的用戶(hù)數在增加，而Android端在降低，總體數據沒(méi)有增長(cháng)的主要原因在于A(yíng)ndroid端數據下降所導致的。
　　那接下來(lái)要分析下為什么Android端二季度新增用戶(hù)數據在下降呢？一般這個(gè)時(shí)候，會(huì )加入渠道維度。
　　b. 交叉分析角度：客戶(hù)端+時(shí)間+渠道
　　從這個(gè)數據中可以看出，Android端A預裝渠道占比比較高，而且呈現下降趨勢，其他渠道的變化并不明顯。
　　因此可以得出結論：Android端在二季度新增用戶(hù)降低主要是由于A(yíng)預裝渠道降低所導致的。
　　所以說(shuō)，交叉分析的主要作用，是從多個(gè)角度細分數據，從中發(fā)現數據變化的具體原因。
　　6. 如何驗證產(chǎn)品新功能的效果
　　驗證產(chǎn)品新功能的效果需要同時(shí)從這幾方面入手：
　　a. 新功能是否受歡迎？
　　衡量指標：活躍比例。即：使用新功能的活躍用戶(hù)數/同期活躍用戶(hù)數。
　　
　　使用人數的多少還會(huì )受該功能外的很多因素影響，千萬(wàn)不可只憑這一指標判斷功能好壞，一定要結合下面的其他方面綜合評估。
　　b. 用戶(hù)是否會(huì )重復使用？
　　衡量指標：重復使用比例。即：第N天回訪(fǎng)的繼續使用新功能的用戶(hù)數/第一天使用新功能的用戶(hù)數。
　　
　　c. 對流程轉化率的優(yōu)化效果如何？
　　衡量指標：轉化率和完成率。轉化率即：走到下一步的用戶(hù)數/上一步的用戶(hù)數。完成率即：完成該功能的用戶(hù)數/走第一步的用戶(hù)數。
　　這個(gè)過(guò)程中，轉化率和完成率可以使用（上）篇中提到的漏斗分析法進(jìn)行分析。
　　d. 對留存的影響？
　　衡量指標：留存率。用戶(hù)在初始時(shí)間后第N天的回訪(fǎng)比例，即：N日留存率。常用指標有：次日留存率、7日留存率、21日留存率、30日留存率等。
　　
　　e. 用戶(hù)怎樣使用新功能？
　　真實(shí)用戶(hù)行為軌跡往往比我們設想的使用路徑要復雜的多，如果使用的數據監測平臺可以看到相關(guān)數據，能引起我們的反思，為什么他們會(huì )這么走，有沒(méi)有更簡(jiǎn)便的流程，以幫助我們作出優(yōu)化決策。
　　7. 如何發(fā)現產(chǎn)品改進(jìn)的關(guān)鍵點(diǎn)
　　產(chǎn)品改進(jìn)的關(guān)鍵點(diǎn)，是藏在用戶(hù)的行為中。
　　想要找到這些關(guān)鍵點(diǎn)，除了通過(guò)用戶(hù)調研、訪(fǎng)談等切實(shí)的洞察用戶(hù)外，在產(chǎn)品中設置相關(guān)數據埋點(diǎn)記錄用戶(hù)的行為，觀(guān)察其行為軌跡，不能完全替代洞察用戶(hù)的行為，不過(guò)也可以有助于決策產(chǎn)品改進(jìn)點(diǎn)。
　　操作步驟：
　　
　　這一部分的實(shí)際案例，小伙伴們可以下載該電子書(shū)，查閱第四章的內容。
　　下載地址：
　　8. 寫(xiě)在最后
　　數據分析這個(gè)領(lǐng)域，需要學(xué)習的內容，不僅僅只有我寫(xiě)的這些，如果對數據分析很感興趣的小伙伴，也可以看看這兩個(gè)網(wǎng)站：
　　網(wǎng)站分析在中國
　　藍鯨的網(wǎng)站分析筆記

　　十種常用的的數據分析思路，你都知道嗎？
　　道家強調四個(gè)字，叫“道、法、術(shù)、器”。
　　層次區別：“器”是指物品或工具，在數據分析領(lǐng)域指的就是數據分析的產(chǎn)品或工具，“工欲善其事，必先利其器”；
　　“術(shù)”是指操作技術(shù)，是技能的高低、效率的高下，如對分析工具使用的技術(shù)（比如用Excel進(jìn)行數據分析的水平）；
　　“法”是指選擇的方法，有句話(huà)說(shuō)“選擇比努力重要”；
　　“道”是指方向，是指導思想，是戰略。
　　在數據分析和產(chǎn)品、運營(yíng)優(yōu)化方面，數據分析方法是其核心，屬于“法”和“術(shù)”的層次。
　　那么如何做好數據分析呢，今天我們來(lái)講講互聯(lián)網(wǎng)運營(yíng)中的十大數據分析方法。
　　01 細分分析
　　細分分析是分析的基礎，單一維度下的指標數據的信息價(jià)值很低。
　　細分方法可以分為兩類(lèi)，一類(lèi)逐步分析，比如：來(lái)北京市的訪(fǎng)客可分為朝陽(yáng)，海淀等區；另一類(lèi)是維度交叉，如：來(lái)自付費SEM的新訪(fǎng)客。
　　細分用于解決所有問(wèn)題。
　　比如漏斗轉化，實(shí)際上就是把轉化過(guò)程按照步驟進(jìn)行細分，流量渠道的分析和評估也需要大量用到細分的方法。
　　
　　02 對比分析
　　對比分析主要是指將兩個(gè)相互聯(lián)系的指標數據進(jìn)行比較，從數量上展示和說(shuō)明研究對象的規模大小，水平高低，速度快慢等相對數值，通過(guò)相同維度下的指標對比，可以發(fā)現，找出業(yè)務(wù)在不同階段的問(wèn)題。
　　常見(jiàn)的對比方法包括：時(shí)間對比，空間對比，標準對比。
　　時(shí)間對比有三種：同比，環(huán)比，定基比。
　　例如：本周和上周進(jìn)行對比就是環(huán)比；本月第一周和上月第一周對比就是同比；所有數據同今年的第一周對比則為定基比。通過(guò)三種方式，可以分析業(yè)務(wù)增長(cháng)水平，速度等信息。
　　
　　03 漏斗分析
　　轉化漏斗分析是業(yè)務(wù)分析的基本模型，最常見(jiàn)的是把最終的轉化設置為某種目的的實(shí)現，最典型的就是完成交易。但也可以是其他任何目的的實(shí)現，比如一次使用app的時(shí)間超過(guò)10分鐘。
　　漏斗幫助我們解決兩方面的問(wèn)題：
　　在一個(gè)過(guò)程中是否發(fā)生泄漏，如果有泄漏，我們能在漏斗中看到，并且能夠通過(guò)進(jìn)一步的分析堵住這個(gè)泄漏點(diǎn)。
　　在一個(gè)過(guò)程中是否出現了其他不應該出現的過(guò)程，造成轉化主進(jìn)程收到損害。
　　
　　04 同期群分析
　　同期群（cohort）分析在數據運營(yíng)領(lǐng)域十分重要，互聯(lián)網(wǎng)運營(yíng)特別需要仔細洞察留存情況。通過(guò)對性質(zhì)完全一樣的可對比群體的留存情況的比較，來(lái)分析哪些因素影響用戶(hù)的留存。
　　同期群分析深受歡迎的重要原因是十分簡(jiǎn)單，但卻十分直觀(guān)。同期群只用簡(jiǎn)單的一個(gè)圖表，直接描述了用戶(hù)在一段時(shí)間周期（甚至是整個(gè)LTV）的留存或流失變化情況。
　　以前留存分析只要用戶(hù)有回訪(fǎng)即定義為留存，這會(huì )導致留存指標虛高。
　　
　　05 聚類(lèi)分析
　　聚類(lèi)分析具有簡(jiǎn)單，直觀(guān)的特征，網(wǎng)站分析中的聚類(lèi)主要分為：用戶(hù)，頁(yè)面或內容，來(lái)源。
　　用戶(hù)聚類(lèi)主要體現為用戶(hù)分群，用戶(hù)標簽法；頁(yè)面聚類(lèi)則主要是相似，相關(guān)頁(yè)面分組法；來(lái)源聚類(lèi)主要包括渠道，關(guān)鍵詞等。
　　例如：在頁(yè)面分析中，經(jīng)常存在帶？參數的頁(yè)面。比如：資訊詳情頁(yè)面，商品頁(yè)面等，都屬于同一類(lèi)頁(yè)面。簡(jiǎn)單的分析容易造成跳出率，退出率等指標不準確的問(wèn)題，通過(guò)聚類(lèi)分析可以獲取同類(lèi)頁(yè)面的準確數據用于分析場(chǎng)景。
　　
　　06 AB測試
　　增長(cháng)黑客的一個(gè)主要思想之一，是不要做一個(gè)大而全的東西，而是不斷做出能夠快速驗證的小而精的東西?？焖衮炞C，那如何驗證呢？主要方法就是AB測試。
　　比如：你發(fā)現漏斗轉化中中間有漏洞，假設一定是商品價(jià)格問(wèn)題導致了流失，你看到了問(wèn)題-漏斗，也想出了主意-改變定價(jià)。但主意是否正確，要看真實(shí)的用戶(hù)反應，于是采用AB測試，一部分用戶(hù)還是看到老價(jià)格，一部分用戶(hù)看到新價(jià)格，若你的主意真的管用，新價(jià)格就應該有更好的轉化，若真如此，新價(jià)格就應該確定下來(lái)，如此反復優(yōu)化。
　　
　　07 埋點(diǎn)分析
　　只有采集了足夠的基礎數據，才能通過(guò)各種分析方法得到需要的分析結果。
　　通過(guò)分析用戶(hù)行為，并細分為：瀏覽行為，輕度交互，重度交互，交易行為，對于瀏覽行為和輕度交互行為的點(diǎn)擊按鈕等事件，因其使用頻繁，數據簡(jiǎn)單，采用無(wú)埋點(diǎn)技術(shù)實(shí)現自助埋點(diǎn)，即可以提高數據分析的實(shí)效性，需要的數據可立即提取，又大量減少技術(shù)人員的工作量，需要采集更豐富信息的行為。
　　如：重度交互（注冊，邀請好友等）和交易事件（加購物車(chē)，下訂單等）則通過(guò)SDK批量埋點(diǎn)的方式來(lái)實(shí)施。
　　
　　08 來(lái)源分析
　　流量紅利消失，我們對獲客來(lái)源的重視度極高，如何有效的標注用戶(hù)來(lái)源，至關(guān)重要。
　　傳統分析工具，渠道分析僅有單一維度，要深入分析不同渠道不同階段效果，SEM付費搜索等來(lái)源渠道和用戶(hù)所在地區進(jìn)行交叉分析，得出不同區域的獲客詳細信息，維度越細，分析結果也越有價(jià)值。
　　
　　09 用戶(hù)分析
　　用戶(hù)分析是互聯(lián)網(wǎng)運營(yíng)的核心，常用的分析方法包括：活躍分析，留存分析，用戶(hù)分群，用戶(hù)畫(huà)像，用戶(hù)細查等。
　　可將用戶(hù)活躍細分為瀏覽活躍，互動(dòng)活躍，交易活躍等，通過(guò)活躍行為的細分，掌握關(guān)鍵行為指標；通過(guò)用戶(hù)行為事件序列，用戶(hù)屬性進(jìn)行分群，觀(guān)察分群用戶(hù)的訪(fǎng)問(wèn)，瀏覽，注冊，互動(dòng)，交易等行為，從而真正把握不同用戶(hù)類(lèi)型的特點(diǎn)，提供有針對性的產(chǎn)品和服務(wù)。
　　用戶(hù)畫(huà)像基于自動(dòng)標簽系統將用戶(hù)完整的畫(huà)像描繪清晰，更有力的支撐運營(yíng)決策。
　　
　　10 表單分析
　　填寫(xiě)表單是每個(gè)平臺與用戶(hù)交互的必備環(huán)節，優(yōu)秀的表單設計，對轉化率的提升起到重要作用。
　　用戶(hù)從進(jìn)入表單頁(yè)面之時(shí)起，就產(chǎn)生了微漏斗，從進(jìn)入總人數到最終完成并成功提交表單人數，這個(gè)過(guò)程之中，有多少人開(kāi)始填寫(xiě)表單，填寫(xiě)表單時(shí)，遇到了什么困難導致無(wú)法完成表單，都影響最終的轉化效果。
　　
　　以上是常見(jiàn)的數據分析方法，更多應用方法需要根據業(yè)務(wù)場(chǎng)景靈活應用。
　　與3300多名分析師一起學(xué)習，讓口碑說(shuō)話(huà)！
　　加入方式：
　　1：掃碼加入
　　2、加入方式：

　　互聯(lián)網(wǎng)運營(yíng)人需掌握的10種數據分析方法，你了解幾個(gè)？
　　
　　?文章末尾附有【招聘信息】
　　歡迎大家踴躍投遞
　　在互聯(lián)網(wǎng)運營(yíng)過(guò)程中，我們有時(shí)候也必不可少地運用到分析的方式去處理信息，那么關(guān)于互聯(lián)網(wǎng)運營(yíng)方面的數據分析，你知道的有幾種呢？
　　No.1細分分析
　　Subdivision analysis
　　細分分析是分析的基礎，單一維度索引數據的信息價(jià)值很低。就方法而言，通常有兩種類(lèi)型：逐步細分分析和維度交叉分析。
　　? 逐步細分分析逐步細分是細分中經(jīng)常使用的一種方法。主要步驟是根據分析的維度和目標，從淺到深，從粗到細逐漸分裂的過(guò)程。
　　例如，按地區劃分，中國可以細分為廣東省，福建省，北京等省市，廣東省可以細分為廣州市，深圳市等，北京市可以分為朝陽(yáng)區和海淀區等。除了區域之外，我們還可以根據其他維度（例如時(shí)間，頻道，用戶(hù)，組成等）對它們進(jìn)行拆分。
　　? 維度交叉分析維度交叉法則是利用了不同維度的交叉，通過(guò)水平維度和垂直維度的組合，是一種立體分析方法，是體現一個(gè)人分析水平的細分方法。常用的綜合交叉分析包括杜邦模型、四象限分析方法、RFM模型等。
　　
　　No.2對比分析
　　Contrastive analysis
　　對比分析主要是指對兩個(gè)相關(guān)指標數據的比較，以數量的形式顯示和解釋研究對象的規模大小、高低水平，速度等的相對值。通過(guò)比較同一維度上的指標，您可以找到并找出不同階段的業(yè)務(wù)問(wèn)題。
　　常見(jiàn)的對比方法包括：
　　空間對比、時(shí)間對比、標準對比。
　　而時(shí)間對比有三種：
　　同比，環(huán)比，定基比。
　　No.3漏斗分析
　　Funnel analysis
　　漏斗模型是一組過(guò)程數據分析，可以科學(xué)地反映從開(kāi)始到結束的各個(gè)階段的用戶(hù)行為狀態(tài)和用戶(hù)轉換率。
　　這是一種重要的分析模型。漏斗分析模型已廣泛用于日常數據操作和數據分析工作，例如流量監控、CRM系統、SEO優(yōu)化、網(wǎng)站的產(chǎn)品營(yíng)銷(xiāo)和銷(xiāo)售以及APP用戶(hù)行為分析。
　　
　　No.4同期群分析
　　Simultaneous group analysis
　　同期群分析在數據操作領(lǐng)域非常重要，尤其是Internet操作需要仔細了解保留情況。
　　通過(guò)比較性質(zhì)完全相同的可比群體的保留，我們可以分析哪些因素影響用戶(hù)的保留。
　　No.5聚類(lèi)分析
　　Cluster analysis
　　聚類(lèi)分析具有簡(jiǎn)單直觀(guān)的功能。
　　網(wǎng)站分析中的聚類(lèi)主要分為：用戶(hù)、頁(yè)面、內容以及來(lái)源。用戶(hù)聚類(lèi)主要體現在用戶(hù)分組和用戶(hù)標記方法上；頁(yè)面聚類(lèi)主要是相似且相關(guān)的頁(yè)面分組方法；源聚類(lèi)主要包括渠道、關(guān)鍵字等。
　　No.6AB測試
　　AB test
　　增長(cháng)黑客的一個(gè)主要思想之一，是不要做一個(gè)大而全的東西，而是要不斷制造小型且可以快速驗證的精確東西。這個(gè)快速驗證的主要方法就是AB測試。
　　
　　No.7埋點(diǎn)分析
　　Buried point analysis
　　只有收集足夠的基本數據，才能通過(guò)各種分析方法獲得所需的分析結果。
　　通過(guò)分析用戶(hù)行為，又細分為：瀏覽行為、輕度交互、重度交互、交易行為，針對瀏覽行為和輕度交互行為的單擊按鈕等事件，由于其使用頻繁，數據簡(jiǎn)單，采用無(wú)埋點(diǎn)技術(shù)實(shí)現自助掩埋的實(shí)現可以提高數據分析的效率，并且可以立即提取所需的數據，這大大減少了技術(shù)人員的工作量，并且需要收集更多豐富信息的行為。
　　No.8來(lái)源分析
　　Source analysis
　　隨著(zhù)流量紅利的消失，我們非常重視客戶(hù)來(lái)源。如何有效地標記用戶(hù)來(lái)源就至關(guān)重要。
　　傳統的分析工具，渠道分析只有一個(gè)維度。所以我們要深入分析不同階段不同渠道的影響。交叉分析諸如SEM付費搜索和用戶(hù)區域之類(lèi)的源渠道，以獲取不同區域中詳細的客戶(hù)獲取信息。維度越詳細，分析結果就越有價(jià)值。
　　
　　No.9用戶(hù)分析
　　User analysis
　　用戶(hù)分析是Internet操作的核心。
　　常用的分析方法包括：主動(dòng)分析、保留分析、用戶(hù)分組、用戶(hù)畫(huà)像、用戶(hù)細查等。用戶(hù)活動(dòng)可以細分為活躍瀏覽，活躍交互，活躍交易等。通過(guò)活躍行為的細分，可以掌握關(guān)鍵行為指標。根據用戶(hù)行為事件序列，用戶(hù)屬性進(jìn)行分組，觀(guān)察分組用戶(hù)的訪(fǎng)問(wèn)、瀏覽、注冊和互動(dòng)、交易等行為，從而真正掌握不同用戶(hù)類(lèi)型的特征，并提供針對性的產(chǎn)品和服務(wù)。
　　No.10表單分析
　　Form analysis
　　填寫(xiě)表格是每個(gè)平臺與用戶(hù)之間交互的重要部分。出色的表格設計在提高轉換率方面起著(zhù)重要作用。
　　從用戶(hù)進(jìn)入表單頁(yè)面的那一刻起，就有一個(gè)微型漏斗。從輸入總人數到完成并成功提交表格的人數，在此過(guò)程中有多少人開(kāi)始填寫(xiě)表格，在填寫(xiě)表單時(shí)遇到了什么困難導致無(wú)法完成表單，都影響最終的轉化效果。
　　
　　現招聘崗位
　　大數據分析工程師（8-15K)
　　ETL開(kāi)發(fā)工程師(8-15K)
　　數據庫管理/DBA運維(8-15K)
　　數據整理/數據運營(yíng)實(shí)習崗(4-6K)
　　......
　　無(wú)經(jīng)驗者由項目經(jīng)理帶??！
　　? 長(cháng)按識別下圖二維碼
　　一鍵投遞簡(jiǎn)歷
　　開(kāi)啟高薪就業(yè)通道
　　↓↓↓
　　
　　投遞郵箱：
　　聯(lián)系手機：
　　每日簡(jiǎn)歷投遞量非常大，
　　歡迎主動(dòng)與我們聯(lián)系??！

　　精通網(wǎng)站分析，必須掌握的數據指標及細分維度知識，你學(xué)到了嗎？
　　
　　SEM & 信息流從業(yè)者學(xué)習交流群
　　進(jìn)群 /課程咨詢(xún)：aiqijun14
　　
　　寫(xiě)在前面
　　經(jīng)常有很多同學(xué)問(wèn)艾奇菌，網(wǎng)站分析如何做？網(wǎng)站分析該分析什么？我要看什么數據？等等這樣的問(wèn)題，給他們回答梳理的過(guò)程，我發(fā)現了個(gè)共性問(wèn)題，就是大部分人都還不知道分析指標和分析維度這個(gè)概念，甚至會(huì )混為一談，導致分析起數據來(lái)毫無(wú)頭緒。所以今天艾奇SEM，特別為大家整理了網(wǎng)站分析數據指標及維度的一些知識，希望你能掌握。
　　特別說(shuō)明下，本文摘自王彥平，吳盛峰編著(zhù)的《網(wǎng)站分析實(shí)戰》，這本書(shū)出版時(shí)間比較早了，不過(guò)本文知識絲毫沒(méi)有過(guò)時(shí)。
　　在網(wǎng)站分析的三板斧中，最后一種分析方法是細分分析。細分可以說(shuō)是網(wǎng)站分析最常用的方法之一，與趨勢分析和對比分析不同，細分必須借助專(zhuān)業(yè)的網(wǎng)站分析工具來(lái)完成。
　　細分簡(jiǎn)單來(lái)說(shuō)就是維度與指標之間的相互組合。那么什么是維度？什么又是指標呢？在介紹細分之前，先來(lái)了解一下這兩個(gè)基本的概念。在Google Analytics中，維度和指標是構成數據報告的兩個(gè)最基本的元素。如圖1所示，在每一個(gè)報告中都至少包含有一對維度和指標的組合。下面分別看一下指標和維度的定義及詳細解釋。?
　　
　　圖1 指標和維度組成GoogIe AnaIytics報告
　　一、什么是指標？
　　指標是用來(lái)記錄訪(fǎng)問(wèn)者行為的數字。
　　又可以分為基本指標和復合指標。在Google Analytics中，最常見(jiàn)的指標包括訪(fǎng)問(wèn)次數、綜合瀏覽量、訪(fǎng)問(wèn)深度、跳出率、平均網(wǎng)站停留時(shí)間和新訪(fǎng)次占比，如圖2所示。在這些指標中，訪(fǎng)問(wèn)次數、綜合瀏覽量屬于基本指標，基本指標是對訪(fǎng)問(wèn)者某種行為的簡(jiǎn)單記錄和累加。
　　例如，訪(fǎng)問(wèn)者在網(wǎng)站中每瀏覽一個(gè)新的頁(yè)面，綜合瀏覽量就會(huì )增加一次。訪(fǎng)問(wèn)深度、跳出率、平均網(wǎng)站停留時(shí)間和新訪(fǎng)次占比屬于復合指標。復合指標比基本指標要復雜些，通常經(jīng)過(guò)指標之間的簡(jiǎn)單計算獲得。表達的意義也比基本指標豐富一些。
　　
　　圖2 網(wǎng)站分析常用指標
　　例如，訪(fǎng)問(wèn)深度通過(guò)訪(fǎng)問(wèn)次數與綜合瀏覽量相除獲得，表示訪(fǎng)問(wèn)者在每次訪(fǎng)問(wèn)中瀏覽的網(wǎng)頁(yè)數量，對于內容型網(wǎng)站來(lái)說(shuō)，訪(fǎng)問(wèn)深度越高越好。跳出率通過(guò)跳出訪(fǎng)次與訪(fǎng)問(wèn)次數兩個(gè)指標相除獲得，表示目標網(wǎng)頁(yè)的內容與訪(fǎng)問(wèn)者的匹配程度，內容的匹配程度越高跳出率就越低。
　　Google Analytics為我們提供了很多這樣的指標，分別用來(lái)記錄訪(fǎng)問(wèn)者在瀏覽網(wǎng)站時(shí)不同的行為。這些指標按照不同的類(lèi)別顯示在報告中。除了這些默認的指標外，我們還可以按網(wǎng)站自身的業(yè)務(wù)需求創(chuàng )建一些自定義指標。例如，當需要記錄訪(fǎng)問(wèn)者點(diǎn)擊網(wǎng)頁(yè)上某個(gè)按鈕的行為時(shí)，就可以創(chuàng )建一個(gè)自定義指標，取名叫“按鈕點(diǎn)擊次數”。
　　Tips：自定義指標的設置方式多種多樣，沒(méi)有特定的規則。即使業(yè)務(wù)完全相同的兩個(gè)網(wǎng)站也可能有不一樣的自定義指標。評價(jià)自定義指標的標準就是它是否能反映出業(yè)務(wù)關(guān)鍵點(diǎn)的變化情況。
　　二、什么是維度？
　　維度是觀(guān)察訪(fǎng)問(wèn)者行為的角度。
　　和指標不一樣，單獨的維度本身沒(méi)有意義，只有當維度與指標在一起時(shí)才有意義。在Google Analytics中，常見(jiàn)的維度類(lèi)別包括訪(fǎng)問(wèn)者屬性維度、時(shí)間維度、流量來(lái)源維度、地理維度、內容維度和系統維度等，如圖3所示。
　　
　　圖3 網(wǎng)站分析常用維度
　　在每個(gè)大的維度類(lèi)別下還包括更多子類(lèi)別維度。例如，訪(fǎng)問(wèn)者維度包括新訪(fǎng)用戶(hù)、回訪(fǎng)用戶(hù)；時(shí)間維度包括年、月、日、小時(shí)；流量來(lái)源維度包括搜索引擎、推介網(wǎng)站；地理維度包括國家、地區、語(yǔ)言；內容維度包括頁(yè)面內容、頁(yè)面屬性；系統維度包括瀏覽器類(lèi)型、操作系統類(lèi)型、接入方式、屏幕分辨率，等等。
　　Google Analytics提供了很多的維度，和指標一樣，我們也可以按自己的需求創(chuàng )建一些自定義指標或是組合指標。
　　我們可以創(chuàng )建訪(fǎng)問(wèn)者的性別維度，例如男性訪(fǎng)問(wèn)者或女性訪(fǎng)問(wèn)者；一天中的時(shí)間維度，例如工作時(shí)間、休息時(shí)間；內容的組合維度，例如新產(chǎn)品類(lèi)內容頁(yè)和促銷(xiāo)類(lèi)內容頁(yè)；廣告的尺寸、位置及創(chuàng )意維度等?；蛘邔⒉煌木S度組合在一起創(chuàng )建組合維度，例如Google付費廣告品牌關(guān)鍵詞維度。
　　Tips：自定義維度是用來(lái)輔助進(jìn)行指標分析的。它可以是現有維度的聚合，也可以是現有維度的細分，甚至是一個(gè)全新的維度。創(chuàng )建什么樣的自定義維度取決于業(yè)務(wù)需求和指標分析時(shí)的深度。
　　三、為什么要使用細分？
　　細分的最大價(jià)值是可以讓我們看清問(wèn)題的所在。
　　通常在報告中我們獲得的數據都是網(wǎng)站的綜合情況。例如，網(wǎng)站的總訪(fǎng)問(wèn)量、總停留時(shí)間、總銷(xiāo)售量等。如圖4所示，這些數據將不同頁(yè)面類(lèi)型、不同內容和不同屬性的用戶(hù)產(chǎn)生的數據綜合在一起報告給我們，就像是網(wǎng)站的一個(gè)整體輪廓。它雖然顯示了網(wǎng)站的整體表現，但也隱藏了問(wèn)題和機會(huì )。而我們的網(wǎng)站通常會(huì )有多個(gè)頻道，不同的訪(fǎng)問(wèn)者在不同的頻道里行為也不一樣。
　　比如訪(fǎng)問(wèn)者在文章頻道的停留時(shí)間可能會(huì )長(cháng)一些，但綜合瀏覽量會(huì )低一些。而在下載頻道可能停留時(shí)間會(huì )變短，但綜合瀏覽量會(huì )提高。就算是結構最簡(jiǎn)單的網(wǎng)站，新訪(fǎng)問(wèn)者和老訪(fǎng)問(wèn)者的行為也是不一樣的。
　　而所有這些區別是無(wú)法通過(guò)匯總數據來(lái)發(fā)現的，因此我們需要獲得更加詳細的數據，才可以對不同屬性的流量進(jìn)行正確的判斷。而獲得詳細數據的方法就是將網(wǎng)站的流量進(jìn)行細分，所以，無(wú)論是從用戶(hù)還是從網(wǎng)站的角度，流量細分都是很重要的。
　　
　　圖4 使用細分打破平均指標
　　我們先列舉一下細分可以帶來(lái)的好處。
　　好處1：避免產(chǎn)生采樣數據
　　在Google Analytics里有一個(gè)數據采樣機制，如圖5所示，在你選擇的報告時(shí)間范圍內，如果網(wǎng)站被訪(fǎng)問(wèn)的次數超過(guò)500000次，Google就會(huì )進(jìn)行采樣，并在報告中顯示采樣數據。在采樣數據的表格中顯示的是估算值，而當數據量不足時(shí)，就無(wú)法生成準確的估算值。?
　　
　　圖5 觸發(fā)采樣數據提示
　　通過(guò)細分網(wǎng)站流量雖然不能完全避免采樣數據的問(wèn)題，但可以大幅減少采樣數據，提高報告數據的準確性。因為和整站的匯總數據相比，在同樣時(shí)間范圍的報告中，細分報告只會(huì )顯示單一群體（單一用戶(hù)群或單一頻道）的流量。例如，將訪(fǎng)問(wèn)者細分為注冊用戶(hù)和非注冊用戶(hù)后，在查看注冊用戶(hù)的報告時(shí)，非注冊用戶(hù)的訪(fǎng)問(wèn)次數將不會(huì )被計算在內。
　　好處2：避免平均數陷阱
　　報告中提供的復合指標通常都是整個(gè)網(wǎng)站的平均值，比如平均網(wǎng)站停留時(shí)間、平均綜合瀏覽量、跳出率等。這些平均值通常包含一些未知的陷阱，如果只看這些平均數就很容易犯錯。
　　舉個(gè)簡(jiǎn)單的例子說(shuō)明一下這些平均值的計算方法：
　　注冊用戶(hù)A在網(wǎng)站停留了19秒；
　　非注冊用戶(hù)B在網(wǎng)站停留了1秒；
　　平均網(wǎng)站停留時(shí)間是10秒。
　　只看平均網(wǎng)站停留時(shí)間的話(huà)效果還可以，但如果將兩組用戶(hù)分開(kāi)看就會(huì )發(fā)現兩組數據有天壤之別，我們被平均值迷惑了。圖6顯示了同一個(gè)網(wǎng)站進(jìn)行流量細分后的平均網(wǎng)站停留時(shí)間和跳出率數據，每行代表不同的用戶(hù)或頻道。很明顯，第一行的數據表現較好，第三行的數據表現較差，而我們在查看整個(gè)網(wǎng)站數據時(shí)是無(wú)法發(fā)現的。
　　
　　圖6 平均停留時(shí)間和跳出率報告
　　好處3：增加細分目標
　　細分流量后，我們還可以對不同的流量單獨設定目標。比如可以把注冊行為設置成非注冊用戶(hù)的目標，把發(fā)布信息設置成注冊用戶(hù)的目標。也可以針對不同的頻道內容對頻道內的用戶(hù)設置目標。比如把上傳和下載資料設置成資源頻道的目標。把發(fā)帖和回帖設置成討論組里的目標。這樣做的好處是我們的目標轉化率更加準確，不會(huì )被其他頻道的流量影響。
　　舉個(gè)例子來(lái)說(shuō)明：
　　目標轉化率=目標完成次數/總訪(fǎng)問(wèn)次數
　　假設網(wǎng)站有一個(gè)目標在A(yíng)頻道，而網(wǎng)站有A和B兩個(gè)頻道，在沒(méi)有進(jìn)行流量細分的時(shí)候，總訪(fǎng)問(wèn)次數（分母）就是A+B的總訪(fǎng)問(wèn)次數，這時(shí)候B頻道訪(fǎng)問(wèn)次數的增減都會(huì )對目標轉化率的計算有影響。而在細分流量之后，總訪(fǎng)問(wèn)次數變成了A頻道的訪(fǎng)問(wèn)次數，還有一個(gè)問(wèn)題就是B頻道的訪(fǎng)問(wèn)者可能根本沒(méi)來(lái)過(guò)A頻道，無(wú)法被轉化也很正常。
　　好處4：深度洞察數據
　　細分后的數據可以更深入地了解網(wǎng)站不同區域的情況?？匆幌戮W(wǎng)站內容報告，在最受歡迎頁(yè)面的報告中幾乎總是那幾個(gè)排在前面。這說(shuō)明什么？其他頁(yè)面都不如這幾個(gè)頁(yè)面的表現好嗎？當我們將流量細分后可以看到每個(gè)頻道中最受歡迎的頁(yè)面，他們都是各自頻道中表現最好的，但放在整個(gè)網(wǎng)站范圍內就被淹沒(méi)了。
　　好了，以上為本期分享的網(wǎng)站分析實(shí)戰知識技巧，再次感謝本文作者王彥平，吳盛峰先生，感謝他們編著(zhù)出版了《網(wǎng)站分析實(shí)戰》一書(shū)。

　　數據分析師常用的十種數據分析方法
　　數據分析的思路極其重要，以致于我們總是忽略它，重“術(shù)”而輕“道”，但其實(shí)應該一視同仁。
　　這篇文章講了表單分析、用戶(hù)分析、埋點(diǎn)分析、聚類(lèi)分析等10種分析方法，先學(xué)為敬~
　　正文
　　道家曾強調四個(gè)字，叫“道、法、術(shù)、器”。
　　層次分別為：
　　“器”是指物品或工具，在數據分析領(lǐng)域指的就是數據分析的產(chǎn)品或工具，“工欲善其事，必先利其器”；
　　“術(shù)”是指操作技術(shù)，是技能的高低、效率的高下，如對分析工具使用的技術(shù)；
　　“法”是指選擇的方法，有句話(huà)說(shuō)“選擇比努力重要”；
　　“道”是指方向，是指導思想，是戰略。
　　在數據分析和產(chǎn)品、運營(yíng)優(yōu)化方面，數據分析方法是其核心，屬于“法”和“術(shù)”的層次。
　　那么如何做好數據分析呢，今天咱們來(lái)講講十大數據分析的方法。
　　1、細分分析
　　細分分析是數據分析的基礎，單一維度下的指標數據信息價(jià)值很低。
　　細分方法可以分為兩類(lèi)，一類(lèi)是逐步分析，比如：來(lái)北京市的訪(fǎng)客可分為朝陽(yáng)，海淀等區；另一類(lèi)是維度交叉，如：來(lái)自付費SEM的新訪(fǎng)客。
　　細分用于解決所有問(wèn)題。比如漏斗轉化，實(shí)際上就是把轉化過(guò)程按照步驟進(jìn)行細分，流量渠道的分析和評估也需要大量的用到細分方法。
　　
　　2、對比分析
　　對比分析主要是指將兩個(gè)相互聯(lián)系的指標數據進(jìn)行比較，從數量上展示和說(shuō)明研究對象的規模大小，水平高低，速度快慢等相對數值，通過(guò)相同維度下的指標對比，可以發(fā)現，找出業(yè)務(wù)在不同階段的問(wèn)題。
　　常見(jiàn)的對比方法包括：時(shí)間對比，空間對比，標準對比。
　　時(shí)間對比有三種：同比，環(huán)比，定基比。
　　例如：本周和上周進(jìn)行對比就是環(huán)比；本月第一周和上月第一周對比就是同比；所有數據同今年的第一周對比則為定基比。通過(guò)三種方式，可以分析業(yè)務(wù)增長(cháng)水平，速度等信息。
　　
　　3、漏斗分析
　　轉化漏斗分析是業(yè)務(wù)分析的基本模型，最常見(jiàn)的是把最終的轉化設置為某種目的的實(shí)現，最典型的就是完成交易。但也可以是其他任何目的的實(shí)現，比如一次使用app的時(shí)間超過(guò)10分鐘。
　　漏斗幫助我們解決兩方面的問(wèn)題：
　　在一個(gè)過(guò)程中是否發(fā)生泄漏，如果有泄漏，我們能在漏斗中看到，并且能夠通過(guò)進(jìn)一步的分析堵住這個(gè)泄漏點(diǎn)。
　　在一個(gè)過(guò)程中是否出現了其他不應該出現的過(guò)程，造成轉化主進(jìn)程受到損害
　　
　　4、同期群分析
　　同期群（cohort）分析在數據運營(yíng)領(lǐng)域十分重要，互聯(lián)網(wǎng)運營(yíng)特別需要仔細洞察留存情況。通過(guò)對性質(zhì)完全一樣的可對比群體的留存情況的比較，來(lái)分析哪些因素影響用戶(hù)的留存。
　　同期群分析深受歡迎的重要原因是十分簡(jiǎn)單，但卻十分直觀(guān)。同期群只用簡(jiǎn)單的一個(gè)圖表，直接描述了用戶(hù)在一段時(shí)間周期（甚至是整個(gè)LTV）的留存或流失變化情況。
　　以前留存分析只要用戶(hù)有回訪(fǎng)即定義為留存，這會(huì )導致留存指標虛高。
　　
　　5、聚類(lèi)分析
　　聚類(lèi)分析具有簡(jiǎn)單，直觀(guān)的特征，網(wǎng)站分析中的聚類(lèi)主要分為：用戶(hù)，頁(yè)面或內容，來(lái)源。
　　用戶(hù)聚類(lèi)主要體現為用戶(hù)分群，用戶(hù)標簽法；頁(yè)面聚類(lèi)則主要是相似，相關(guān)頁(yè)面分組法；來(lái)源聚類(lèi)主要包括渠道，關(guān)鍵詞等。
　　例如：在頁(yè)面分析中，經(jīng)常存在帶參數的頁(yè)面。比如：資訊詳情頁(yè)面，商品頁(yè)面等，都屬于同一類(lèi)頁(yè)面。簡(jiǎn)單的分析容易造成跳出率，退出率等指標不準確的問(wèn)題，通過(guò)聚類(lèi)分析可以獲取同類(lèi)頁(yè)面的準確數據用于分析場(chǎng)景。
　　6、AB測試
　　增長(cháng)黑客的一個(gè)主要思想之一，是不要做一個(gè)大而全的東西，而是不斷做出能夠快速驗證的小而精的東西?？焖衮炞C，那如何驗證呢？主要方法就是AB測試。
　　比如：你發(fā)現漏斗轉化中中間有漏洞，假設一定是商品價(jià)格問(wèn)題導致了流失，你看到了問(wèn)題-漏斗，也想出了主意-改變定價(jià)。但主意是否正確，要看真實(shí)的用戶(hù)反應，于是采用AB測試，一部分用戶(hù)還是看到老價(jià)格，一部分用戶(hù)看到新價(jià)格，若你的主意真的管用，新價(jià)格就應該有更好的轉化，若真如此，新價(jià)格就應該確定下來(lái)，如此反復優(yōu)化。
　　
　　7、埋點(diǎn)分析
　　只有采集了足夠的基礎數據，才能通過(guò)各種分析方法得到需要的分析結果。
　　通過(guò)分析用戶(hù)行為，并細分為：瀏覽行為，輕度交互，重度交互，交易行為，對于瀏覽行為和輕度交互行為的點(diǎn)擊按鈕等事件，因其使用頻繁，數據簡(jiǎn)單，采用無(wú)埋點(diǎn)技術(shù)實(shí)現自助埋點(diǎn)，既可以提高數據分析的實(shí)效性，需要的數據可立即提取，又大量減少技術(shù)人員的工作量，需要采集更豐富信息的行為。
　　如：重度交互（注冊，邀請好友等）和交易事件（加購物車(chē)，下訂單等）則通過(guò)SDK批量埋點(diǎn)的方式來(lái)實(shí)施。
　　
　　8、來(lái)源分析
　　流量紅利消失，我們對獲客來(lái)源的重視度極高，如何有效的標注用戶(hù)來(lái)源，至關(guān)重要。
　　傳統分析工具，渠道分析僅有單一維度，要深入分析不同渠道不同階段效果，SEM付費搜索等來(lái)源渠道和用戶(hù)所在地區進(jìn)行交叉分析，得出不同區域的獲客詳細信息，維度越細，分析結果也越有價(jià)值。
　　
　　9、用戶(hù)分析
　　用戶(hù)分析是互聯(lián)網(wǎng)運營(yíng)的核心，常用的分析方法包括：活躍分析，留存分析，用戶(hù)分群，用戶(hù)畫(huà)像，用戶(hù)細查等。
　　可將用戶(hù)活躍細分為瀏覽活躍，互動(dòng)活躍，交易活躍等，通過(guò)活躍行為的細分，掌握關(guān)鍵行為指標；通過(guò)用戶(hù)行為事件序列，用戶(hù)屬性進(jìn)行分群，觀(guān)察分群用戶(hù)的訪(fǎng)問(wèn)，瀏覽，注冊，互動(dòng)，交易等行為，從而真正把握不同用戶(hù)類(lèi)型的特點(diǎn)，提供有針對性的產(chǎn)品和服務(wù)。
　　用戶(hù)畫(huà)像基于自動(dòng)標簽系統將用戶(hù)完整的畫(huà)像描繪清晰，更有力地支撐運營(yíng)決策。
　　
　　10、表單分析
　　填寫(xiě)表單是每個(gè)平臺與用戶(hù)交互的必備環(huán)節，優(yōu)秀的表單設計，對轉化率的提升起到重要作用。
　　用戶(hù)從進(jìn)入表單頁(yè)面之時(shí)起，就產(chǎn)生了微漏斗，從進(jìn)入總人數到最終完成并成功提交表單人數，這個(gè)過(guò)程之中，有多少人開(kāi)始填寫(xiě)表單，填寫(xiě)表單時(shí)，遇到了什么困難導致無(wú)法完成表單，都影響最終的轉化效果。
　　

　　網(wǎng)站分析常用的指標之內容指標類(lèi)型-樂(lè )題庫
　　網(wǎng)站分析常用的指標之內容指標類(lèi)型
　　1、網(wǎng)站流量指標（pv）和時(shí)間段
　　2、網(wǎng)站訪(fǎng)問(wèn)量
　　3、網(wǎng)站跳出率和跳出率
　　4、網(wǎng)站轉化率
　　5、站外流量
　　6、轉化率
　　7、網(wǎng)站停留時(shí)間
　　8、頁(yè)面停留時(shí)間和頁(yè)面跳出率
　　9、搜索引擎收錄指標，
　　0、事件分析1
　　1、情感分析1
　　2、營(yíng)銷(xiāo)分析1
　　3、購物數據分析1
　　4、用戶(hù)分組，
　　5、停留時(shí)間1
　　6、商品網(wǎng)站分析1
　　7、頻道域名1
　　8、登錄時(shí)間1
　　9、新用戶(hù)特征2
　　0、廣告觸達率2
　　1、關(guān)鍵詞布局2
　　2、多緯度權重分析2
　　3、媒體投放數據分析2
　　4、網(wǎng)站元數據分析（頁(yè)面分析、標題、內容等）
　　一、網(wǎng)站流量指標
　　1、pv即訪(fǎng)問(wèn)者數，表示瀏覽了多少頁(yè)面，收藏了多少頁(yè)面，關(guān)注多少頁(yè)面，3g會(huì )寬帶根據手機ip定位系統實(shí)現，移動(dòng)終端用戶(hù)無(wú)法分辨。
　　2、uv即獨立ip，一個(gè)瀏覽器上可以訪(fǎng)問(wèn)多個(gè)網(wǎng)站，可能同時(shí)收藏，
　　3、ip流量，我們常用ip法來(lái)進(jìn)行定位，
　　4、dau即日活躍用戶(hù)，用戶(hù)每天登錄的次數，天數，周數，月數等。
　　5、訪(fǎng)問(wèn)深度，每次需要停留多長(cháng)時(shí)間，對于移動(dòng)端用戶(hù)，
　　6、停留時(shí)長(cháng)，每次訪(fǎng)問(wèn)必須停留多長(cháng)時(shí)間，對于移動(dòng)端用戶(hù)，
　　7、來(lái)源地，來(lái)源地可以理解為來(lái)自哪個(gè)平臺，也可以理解為來(lái)自第幾頁(yè)，
　　8、重定向，用戶(hù)訪(fǎng)問(wèn)了幾個(gè)平臺，下載了什么軟件，習慣點(diǎn)擊那個(gè)網(wǎng)站，
　　9、跳出率，網(wǎng)站訪(fǎng)問(wèn)了多長(cháng)時(shí)間，跳出了多少，
　　0、留存率，
　　1、跳出率，跳出了哪個(gè)頁(yè)面，
　　2、漏斗轉化率，網(wǎng)站第一次到訪(fǎng)問(wèn)跳轉到第二頁(yè)到訪(fǎng)問(wèn)頁(yè)面流量1234567890次訪(fǎng)問(wèn)，第一次訪(fǎng)問(wèn)頁(yè)面跳轉到首頁(yè)，第二次訪(fǎng)問(wèn)頁(yè)面跳轉到廣告頁(yè)面，第三次訪(fǎng)問(wèn)首頁(yè)，第四次訪(fǎng)問(wèn)廣告頁(yè)面，第五次訪(fǎng)問(wèn)廣告頁(yè)面，對用戶(hù)提供服務(wù)的網(wǎng)站，
　　3、總瀏覽時(shí)長(cháng)，總瀏覽頁(yè)數，
　　4、訪(fǎng)問(wèn)深度，即瀏覽了多長(cháng)時(shí)間，對于移動(dòng)端用戶(hù)，無(wú)法識別深度內容，
　　5、總訪(fǎng)問(wèn)量，針對于內容或產(chǎn)品頁(yè)面，
　　6、根據訪(fǎng)問(wèn)深度和訪(fǎng)問(wèn)時(shí)長(cháng)推送相應的內容，對于網(wǎng)站頁(yè)面，無(wú)法識別頁(yè)面是內容頁(yè)面，還是廣告頁(yè)面，也無(wú)法識別用戶(hù)的頁(yè)面搜索習慣，
　　7、ip訪(fǎng)問(wèn)深度，對于網(wǎng)站前1000頁(yè)，用戶(hù)訪(fǎng)問(wèn)了多長(cháng)時(shí)間，
　　8、訪(fǎng)問(wèn)網(wǎng)站ip定位系統。有的網(wǎng)站訪(fǎng)問(wèn)ip段或訪(fǎng)問(wèn)ip有多個(gè)，

　　網(wǎng)絡(luò )營(yíng)銷(xiāo)效果衡量的核心指標及我們用什么樣的邏輯思考（2）
　　前言
　　在上一回我們說(shuō)明了網(wǎng)絡(luò )營(yíng)銷(xiāo)效果衡量的兩個(gè)最主要方法——衡量人心的改變和衡量人行為的改變。人的行為的改變，按照對它的影響從淺到深的邏輯，我們分為四個(gè)階段：Traffic、Engagement、Conversion和Retention，并且詳細介紹了Traffic的情況，下面準備用兩次文章，為大家詳解Engagement——這么大的篇幅講解Engagement，實(shí)在是因為它很重要，涉及的方方面面也很多，大家如能耐心看完，定能有很多收獲。
　　本文您將讀到什么：1) 什么是Engagement，2) Engagement一般包含哪些度量，這些度量有什么含義，3) 需要如何監測以準確獲得Engagement的相關(guān)度量值。
　　正文
　　Engagement是什么？
　　很久以前我寫(xiě)過(guò)一篇介紹Engagement的文章：網(wǎng)站分析的最基本度量（8）——Engagement，請大家參考。Engagement并不是指一個(gè)具體的度量，而是一系列衡量用戶(hù)在營(yíng)銷(xiāo)活動(dòng)中參與程度的指標集合。由于網(wǎng)站是營(yíng)銷(xiāo)活動(dòng)的一部分，因此engagement很多時(shí)候用來(lái)衡量用戶(hù)在網(wǎng)站中與網(wǎng)站內容與功能的交互程度。但engagement其實(shí)不僅如此，它也一樣可以衡量用戶(hù)與營(yíng)銷(xiāo)活動(dòng)的其他交互方式，例如微博營(yíng)銷(xiāo)中用戶(hù)的閱讀、評論和轉發(fā)，或者受眾和富媒體廣告（richmedia）的交互情況。Engagement是一個(gè)含義豐富的指標，可以這么理解它——它用以衡量在流量產(chǎn)生之后和發(fā)生最終轉化之前的用戶(hù)行為和過(guò)程，尤其反映用戶(hù)對于營(yíng)銷(xiāo)活動(dòng)/網(wǎng)站的興趣程度以及衡量影響最終轉化的諸多因素。
　　所以我無(wú)法給Engagement下一個(gè)具體的定義，它是一個(gè)指標體系，而不是一個(gè)具體的指標，它也不是一個(gè)如visit一樣的一個(gè)標準化的度量。為此，美國人（Avinash Kaushik和Eric Peterson）自己也有不同的意見(jiàn)，一個(gè)覺(jué)得這是一個(gè)值得推廣開(kāi)來(lái)成為標準化的度量，一個(gè)則認為它不應該成為一個(gè)度量，也難以標準化地應用。無(wú)論誰(shuí)更有道理，在解決具體問(wèn)題中，engagement有它十分明顯的價(jià)值，因此在我們的核心指標體系中，我一直認為engagement是其中最為重要的一塊。
　　Engagement可以分為兩大類(lèi)，一類(lèi)是可以標準化衡量用戶(hù)行為的指標族，另一類(lèi)則是根據不同情況按需定義的指標族。兩類(lèi)指標的含義不同，作用類(lèi)似，都非常重要。
　　標準化Engagement指標
　　標準化的engagement指標分為宏觀(guān)級別的和微觀(guān)層面的。宏觀(guān)的指一個(gè)網(wǎng)站全站范圍的engagement情況，而微觀(guān)則指一個(gè)具體頁(yè)面上的engagement情況。
　　宏觀(guān)engagement指標主要是我們俗稱(chēng)的老三樣——Bounce Rate（跳出率）、PV/Visit和Time on Site，這三個(gè)指標描述了三類(lèi)不同的用戶(hù)行為。
　　Bounce Rate
　　Bounce Rate說(shuō)明了用戶(hù)進(jìn)入網(wǎng)站后是否對網(wǎng)站的內容產(chǎn)生了興趣。如果沒(méi)有，那么這個(gè)用戶(hù)不點(diǎn)擊任何頁(yè)面上的鏈接就離開(kāi)，這樣他其實(shí)就只看到了網(wǎng)站呈現給他的著(zhù)陸頁(yè)面（登陸頁(yè)面）。Bounce Rate是一個(gè)隨著(zhù)技術(shù)的進(jìn)步卻沒(méi)有做太大改變的指標。有些朋友問(wèn)我，如果一個(gè)人進(jìn)入了著(zhù)陸頁(yè)面，他仔仔細細看了著(zhù)陸頁(yè)上的內容好幾分鐘，但是卻沒(méi)有點(diǎn)擊任何上面的鏈接查看其他頁(yè)面，他算是bounce掉了嗎？這是大多數網(wǎng)站分析工具的bounce rate定義上明確標明的，即bounce與否其實(shí)與這個(gè)用戶(hù)在著(zhù)陸頁(yè)上查看的時(shí)間無(wú)關(guān)，只與他是否點(diǎn)擊進(jìn)入了其他頁(yè)面有關(guān)。如果有點(diǎn)擊進(jìn)入其他頁(yè)面，那么就不算bounce，否則就算bounce，所以上面的情況無(wú)論這個(gè)訪(fǎng)問(wèn)者看了著(zhù)陸頁(yè)面多久，而沒(méi)有點(diǎn)擊任何其上的鏈接進(jìn)入其他頁(yè)面，這仍然是一個(gè)bounce。這么看來(lái)也許bounce rate的定義過(guò)于嚴厲了，與瀏覽頁(yè)面的時(shí)間長(cháng)短無(wú)關(guān)似乎也不合理（后面還會(huì )專(zhuān)門(mén)說(shuō)明時(shí)間的問(wèn)題）。但這個(gè)定義是技術(shù)簡(jiǎn)明性以及抓住大概率事件（查看頁(yè)面好幾分鐘卻不點(diǎn)擊頁(yè)面上任何的鏈接確實(shí)算是小概率事件）共同作用下的效率原則產(chǎn)生的“最佳解決方案”，于是一直被沿用。
　　有意思的是，很早之前，Avinash對于bounce的解釋是在頁(yè)面/網(wǎng)站上瀏覽時(shí)間少于10秒鐘（或是30秒鐘，我記的不是很清楚了）的情況。不過(guò)，由于用戶(hù)頁(yè)面瀏覽時(shí)間不太容易準確監測（或者說(shuō)準確監測降低了網(wǎng)站分析工具的技術(shù)實(shí)施簡(jiǎn)單性），而且替代方案（就是現在的bounce rate的定義）仍然能夠相當準確地描述現實(shí)中的bounce的情況，因此大部分工具都并未采用瀏覽時(shí)間作為bounce和bounce rate的定義基礎。
　　關(guān)于Bounce Rate的詳細定義和解讀已經(jīng)很多了，如果之前沒(méi)有太多了解或者想要系統復習，請閱讀這些文章：《網(wǎng)站分析的最基本度量（5）——Bounce Rate》，《Bounce Rate —— 多少算好？》，《挑戰網(wǎng)站分析中的大眾智慧（1）——Bounce Rate》。
　　PV/V
　　與Bounce Rate不同，PV/Visit（或者很多時(shí)候簡(jiǎn)寫(xiě)為PV/V）描述另外一類(lèi)用戶(hù)與網(wǎng)站的交互行為，即瀏覽網(wǎng)站的深度。用戶(hù)一次訪(fǎng)問(wèn)過(guò)程中（visit）查看的頁(yè)面數越多，說(shuō)明這個(gè)用戶(hù)對網(wǎng)站的興趣越濃厚。所以一般情況下PV/V越高越好。當然，興趣有主動(dòng)興趣和被動(dòng)興趣之分。被動(dòng)興趣是指因為在網(wǎng)站中找不到你想要的內容而不斷嘗試尋找的過(guò)程，PV/V也會(huì )比較大，但這就不是什么好現象了——不過(guò)這種現象非常罕見(jiàn)。
　　Time On Site
　　既然談到了瀏覽深度，那自然有瀏覽長(cháng)度與之對應，即Time on Site，指人們訪(fǎng)問(wèn)網(wǎng)站的平均停留的時(shí)間。例如一個(gè)網(wǎng)站有3個(gè)訪(fǎng)問(wèn)，一個(gè)停留了2分鐘，一個(gè)停留了10分鐘，一個(gè)停留了0分鐘，那么time on site則是4分鐘。與PV/Visit一樣，一般而言，這個(gè)值是越大越好。
　　不過(guò)，值得注意的是，網(wǎng)站分析工具上統計的時(shí)間與實(shí)際用戶(hù)在網(wǎng)站上停留的時(shí)間肯定是不同的。人們訪(fǎng)問(wèn)網(wǎng)站最后一個(gè)頁(yè)面的時(shí)間長(cháng)短不會(huì )被網(wǎng)站分析工具統計到。原因很簡(jiǎn)單，因為一般的網(wǎng)站分析工具不統計人們離開(kāi)一個(gè)網(wǎng)站的精確時(shí)間，而只能記錄他訪(fǎng)問(wèn)這個(gè)網(wǎng)站倒數第二頁(yè)的精確時(shí)間，這樣最后一個(gè)被他訪(fǎng)問(wèn)的頁(yè)面的停留時(shí)間實(shí)際上被完全忽略掉了。你會(huì )問(wèn)為什么不統計最后一個(gè)頁(yè)面上停留的時(shí)間呢？——因為網(wǎng)站分析工具默認對用戶(hù)關(guān)閉頁(yè)面的行為，或是從這個(gè)頁(yè)面瀏覽器窗口中跳轉到其他網(wǎng)站的行為不做統計，除非你進(jìn)行專(zhuān)門(mén)的設置。
　　如果不做額外的設置，這種安排意味著(zhù)兩點(diǎn)，第一，網(wǎng)站分析工具統計到的網(wǎng)站瀏覽時(shí)間總是小于網(wǎng)站被打開(kāi)在瀏覽器中的時(shí)間（盡管瀏覽器打開(kāi)頁(yè)面未必意味著(zhù)你真的每分每秒都在看它）；第二，所有bounce掉的visit（即只訪(fǎng)問(wèn)了一個(gè)頁(yè)面的visit）在網(wǎng)站上的停留時(shí)間計為0。
　　確實(shí)有一些網(wǎng)站分析工具打破了這個(gè)窠臼，能夠盡量記錄到人們離開(kāi)網(wǎng)站的那一瞬間的時(shí)間。不過(guò)，我個(gè)人感覺(jué)，其實(shí)意義并不特別大，除非各個(gè)訪(fǎng)問(wèn)的最后一個(gè)頁(yè)面有很大幾率是那些特別需要人們多做停留仔細查看的頁(yè)面。只要工具統計的方法保持一致性，那么就算少了最后一個(gè)頁(yè)面的停留時(shí)間，仍然可以實(shí)現apple to apple的比較，仍然可以幫助我們把握用戶(hù)宏觀(guān)的engagement情況。而且，還降低了技術(shù)實(shí)施的難度，并且提高了監測的一致性從而提高了監測精度（因為記錄離開(kāi)網(wǎng)站準確時(shí)刻的方法實(shí)際上并不是完全可靠的，只有一定的幾率能夠統計到，這使這些方法實(shí)際上的可用性降低了）。
　　Visit/UV
　　宏觀(guān)engagement指標中還有一個(gè)大家不常用的，就是我們前面所提到的Visit/UV這個(gè)度量。它用來(lái)衡量訪(fǎng)問(wèn)者訪(fǎng)問(wèn)網(wǎng)站的黏性。如果你喜歡某個(gè)網(wǎng)站，你就會(huì )經(jīng)常來(lái)，一個(gè)UV就會(huì )帶去多個(gè)visits。Visit/UV的數值越高，意味著(zhù)這個(gè)網(wǎng)站的用戶(hù)忠誠度越高。
　　其他還有一些表明用戶(hù)黏性的engagement指標，例如訪(fǎng)問(wèn)頻次分布（做一個(gè)圖），訪(fǎng)問(wèn)間隔時(shí)間分布（做一個(gè)圖）。我一直沒(méi)有特別多的使用這兩個(gè)指標，我認為對它們最好的解讀是不同網(wǎng)站間的對比，以及與自己心理預期的對比。
　　微觀(guān)級engagement指標
　　微觀(guān)級engagement指標我不想談太多，本質(zhì)上就是描述用戶(hù)在具體頁(yè)面上的行為，比較重要的一個(gè)是exit rate。Exit Rate（退出率）是衡量頁(yè)面作為用戶(hù)退出網(wǎng)站前最后一個(gè)被瀏覽的頁(yè)面的幾率（與自己總體被瀏覽次數相比）。例如某個(gè)頁(yè)面的退出率是75%，那么就意味著(zhù)訪(fǎng)問(wèn)這個(gè)頁(yè)面產(chǎn)生的所有PV中，有四分之三的PV是這些訪(fǎng)問(wèn)退出網(wǎng)站前的最后瀏覽頁(yè)面。請看這個(gè)文章了解它的詳細解釋。
　　這里我想說(shuō)的是，exit rate是更微觀(guān)的說(shuō)明頁(yè)面engagement度量（前面都是衡量整站engagement的宏觀(guān)度量），它是衡量頁(yè)面表現的度量，類(lèi)似的度量還有Average Time on Page，Next Page Flow（以及由它產(chǎn)生的熱圖）等，相關(guān)文章很多，就不再跟大家詳細介紹了，如果有興趣，請點(diǎn)擊前面這幾個(gè)鏈接。
　　按需定義的Engagement指標
　　標準化的Engagement指標描述了多種用戶(hù)行為，但還不足以涵蓋更為具體的衡量和分析需求。比如，一個(gè)網(wǎng)站有一些很重要的特定的用戶(hù)行為（Action），例如注冊或登錄，申請一個(gè)試用的機會(huì )，下載一個(gè)產(chǎn)品說(shuō)明，或是把某一個(gè)額商品添加到購物車(chē)。對于這些特定的action，標準化的Engagement指標對它們其實(shí)沒(méi)有任何額外的照顧。
　　這個(gè)時(shí)候我們需要自定義的Engagement指標，用于描述那些有價(jià)值的特定的用戶(hù)行為。這些行為有兩類(lèi)：
　　1. 非標準化的行為：上面提到的那些action，比如注冊、登錄、試用、下載、點(diǎn)擊某個(gè)特殊位置或功能、添加到購物車(chē)等等，均屬于這一類(lèi)。
　　2. 根據需要對標準engagement自行設定條件后的更具針對性的用戶(hù)行為。例如，與一次visit相對，visit時(shí)間長(cháng)度超過(guò)3分鐘就是一個(gè)更為具體的用戶(hù)行為，或者visit中瀏覽頁(yè)面數超過(guò)3個(gè)的visit也是更為具體的用戶(hù)行為。另外，還可以設定訪(fǎng)問(wèn)了某一個(gè)特定頁(yè)面的visit，也屬于定義了條件的用戶(hù)行為。這些按照你設定的標準不同，得到對應度量的值也是不一樣的。
　　你會(huì )發(fā)現這些指標具有相當的“隨心所欲”性。沒(méi)錯，它們確實(shí)是根據你的需要而自由定義的，這意味著(zhù)別人所使用的engagement指標可能完全跟你的不一樣。但我們確實(shí)需要這些指標，否則我們無(wú)法全面描述用戶(hù)行為的特點(diǎn)和價(jià)值，也就無(wú)法進(jìn)行針對性的分析與優(yōu)化。
　　按需定義的engagement指標的存在，讓網(wǎng)絡(luò )營(yíng)銷(xiāo)分析能夠真正與業(yè)務(wù)相匹配。否則，僅僅只是用visit或是bounce rate來(lái)衡量流量和用戶(hù)的行為，實(shí)在太過(guò)粗略。
　　現在，你的問(wèn)題可能出現了——這些指標既然是自定義的，那么網(wǎng)站分析工具上一定沒(méi)有一個(gè)統一的標準報告提供它們的數據，我們應該怎么獲得這些數據呢？
　　按需定義Engagement的監測實(shí)現
　　別擔心，任何一個(gè)指標能夠成為指標的必要條件是首先它是能夠被監測的。如果不能監測，它存在的價(jià)值就沒(méi)有了，這就是所謂的——無(wú)法衡量、即不存在。
　　自定義的Engagement指標必須能夠被監測到。網(wǎng)站分析工具其實(shí)提供了非常全面的方法。分如下幾種情況：
　　1. 用戶(hù)的Action是點(diǎn)擊鏈接后打開(kāi)一個(gè)新的頁(yè)面的：
　　這種情況實(shí)際上不需要我們做額外的監測工具的實(shí)施，因為點(diǎn)擊鏈接打開(kāi)一個(gè)新的頁(yè)面，即會(huì )記錄這個(gè)新打開(kāi)頁(yè)面的新的PV。這樣我們統計這個(gè)新打開(kāi)頁(yè)面的PV就能夠知道用戶(hù)相應的點(diǎn)擊鏈接的次數。當然，點(diǎn)擊次數和頁(yè)面打開(kāi)的次數并不是100%對應的，但已經(jīng)非常接近，完全不影響我們分析了。
　　把數據用Excel下載下來(lái)，然后做一個(gè)篩選，把你認為屬于Engagement的頁(yè)面訪(fǎng)問(wèn)數據記錄下來(lái)，bingo！
　　如果每次點(diǎn)擊同樣的鏈接，打開(kāi)的頁(yè)面并非是靜態(tài)URL的頁(yè)面，而是每次URL都不一樣的動(dòng)態(tài)頁(yè)面。這也沒(méi)有關(guān)系，我們可以通過(guò)過(guò)濾設置（如GA的過(guò)濾設置）來(lái)把URL不一樣的動(dòng)態(tài)頁(yè)面統一成同樣的URI，這樣GA在記錄的時(shí)候就不會(huì )認為是很多頁(yè)面，而會(huì )記錄成一個(gè)頁(yè)面了。不過(guò)，這個(gè)方法必須有一個(gè)前提條件，那就是動(dòng)態(tài)頁(yè)面的URL是有一定的格式的，即至少有一些共性，完全隨機的URL就沒(méi)有辦法了。具體實(shí)現的方法這篇文章限于篇幅就不再詳述了，我準備近期寫(xiě)一篇快速的小文章介紹給大家，敬請期待。
　　2. 用戶(hù)的Action是點(diǎn)擊鏈接后不打開(kāi)新的頁(yè)面，但打開(kāi)一些具體的功能的：
　　這些功能包括：點(diǎn)擊之后打開(kāi)的是JavaScript或者Div浮層的、點(diǎn)擊的是Flash的、點(diǎn)擊之后是外鏈的等各種情況。這些情況下需要配置我們的GA監測代碼。
　　1) 點(diǎn)擊的對象是JavaScript或Div浮層的：
　　利用Event Tracking功能（官方文檔，英文）或者Virtual Page功能（官方說(shuō)明，英文）的功能。這個(gè)方法的原理是在點(diǎn)擊動(dòng)作本身的onClick事件上加上Event Tracking或者Virtual Page的調用。
　　例如：
　　> Your content here
　　Event Tracking和Virtual Page的區別是，前者會(huì )在把點(diǎn)擊動(dòng)作的記錄放在GA的Event報告中，后者把這個(gè)動(dòng)作的激活當作一個(gè)頁(yè)面（page）記錄，并在Content報告中顯示。這兩個(gè)方法是GA學(xué)習必須掌握的方法?！绻蠹矣行枰?，我會(huì )專(zhuān)門(mén)寫(xiě)一個(gè)文章介紹這兩種方法，如有需要請在下面留言。
　　2) 點(diǎn)擊的對象是Flash的：
　　思想與上面的情況是類(lèi)似的，也需要利用Event Tracking或者Virtual Page的功能，但要把相應的方法寫(xiě)入Flash中。有些復雜，需要技術(shù)同事幫忙解決。比較好的解決方案請見(jiàn)這個(gè)文章（英文）。
　　本文版權歸“網(wǎng)站分析在中國CWA”及其作者宋星，欲轉載，請聯(lián)系作者
　　3) 點(diǎn)擊的對象是出站鏈接的：
　　官方的方法與監測JavaScript或者Div的方法很類(lèi)似，是把出站鏈接（outbound links）的點(diǎn)擊行為（onClick事件）做Event Tracking或者Virtual Page。這樣需要對每一個(gè)出站鏈接都做onClick事件的引用，并加入Event Tracking等方法。請見(jiàn)這里：（英文）。這個(gè)方法如果對于頁(yè)面上有很多的出站鏈接的情況，就顯得相當繁瑣。
　　一次性解決方案也是存在的，例如這篇文章所述：。我沒(méi)有親自嘗試，但看代碼，應該是可以實(shí)現的。
　　本章小結
　　這一章只干了三件事情：講解了什么是Engagement，包含哪些度量，以及需要如何監測Engagement的相關(guān)度量。值得記住的是Engagement包含標準的度量，以及定制化的度量，對于定制化的度量，監測的時(shí)候可能需要對工具的代碼進(jìn)行再加工。
　　下一章我們繼續圍繞Engagement進(jìn)行，只是會(huì )進(jìn)入更“核心”的領(lǐng)域。包括Engagement的一些計算方法，Engagement的解讀以及它在分析中的應用。敬請期待。
　　有任何問(wèn)題或者想法，請在下面給我留言。最后，祝愿北京的朋友們厚德載霧，自強不吸！祝全國朋友們新的一周工作愉快！
　　作者介紹
　　宋星
　　作者系互聯(lián)網(wǎng)營(yíng)銷(xiāo)分析與優(yōu)化頂級專(zhuān)家，陽(yáng)獅銳奇（Publicis Groupe VivaKi）總經(jīng)理，網(wǎng)站分析在中國創(chuàng )辦人，WAW（網(wǎng)站分析星期三）創(chuàng )始人。
　　
　　

　　數據分析能力的養成，你只需要一份七周的提綱
　　寫(xiě)這個(gè)系列，是希望在當初知乎某一個(gè)回答的基礎上，單獨完善出針對互聯(lián)網(wǎng)產(chǎn)品和運營(yíng)們的教程。不論對數據分析或數據運營(yíng)，我都希望它是一篇足夠好的教材。更準確地說(shuō)，這是一份七周的互聯(lián)網(wǎng)數據分析能力養成提綱。
　　我會(huì )按照提綱針對性的增加互聯(lián)網(wǎng)側的內容，比如網(wǎng)站分析，用戶(hù)行為序列等。我也不想留于表面，而是系統性講述。比如什么是產(chǎn)品埋點(diǎn)？在獲得埋點(diǎn)數據后，怎么利用Python / Pandas的shift ( )函數將其清洗為用戶(hù)行為session，進(jìn)而計算出用戶(hù)在各頁(yè)面的停留時(shí)間，后續如何轉換成統計寬表，如何以此建立用戶(hù)標簽等。
　　下面是各周的學(xué)習概述。
　　1
　　第一周：Excel學(xué)習掌握
　　如果Excel玩的順溜，你可以略過(guò)這一周。不過(guò)介于我入行時(shí)也不會(huì )vlookup，所以有必要講下。
　　重點(diǎn)是了解各種函數，包括但不限于sum、count、sumif、countif、find、if、left/right、時(shí)間轉換等。
　　Excel函數不需要學(xué)全，重要的是學(xué)會(huì )搜索。即如何將遇到的問(wèn)題在搜索引擎上描述清楚。
　　我認為掌握vlookup和數據透視表足夠，是最具性?xún)r(jià)比的兩個(gè)技巧。
　　學(xué)會(huì )vlookup，SQL中的join，Python中的merge很容易理解。
　　學(xué)會(huì )數據透視表，SQL中的group，Python中的pivot_table也是同理。
　　這兩個(gè)搞定，基本10萬(wàn)條以?xún)鹊臄祿y計沒(méi)啥難度，80%的辦公室白領(lǐng)都能秒殺。
　　Excel是熟能生巧，多找練習題。還有需要養成好習慣，不要合并單元格，不要過(guò)于花哨。表格按照原始數據（sheet1）、加工數據（sheet2），圖表（sheet3）的類(lèi)型管理。
　　下面是為了以后更好的基礎而附加的學(xué)習任務(wù)：
　　這一周的內容我會(huì )拆分成兩部分：函數篇和技巧篇。
　　這是一道練習題，我給你1000個(gè)身份證號碼，告訴我里面有多少男女，各省市人口的分布，這些人的年齡和星座。如果能完成上述過(guò)程，那么這一周就直接略過(guò)吧（身份證號碼規律可以網(wǎng)上搜索）。
　　2
　　第二周：數據可視化
　　數據分析界有一句經(jīng)典名言，字不如表，表不如圖。數據可視化是數據分析的主要方向之一。除掉數據挖掘這類(lèi)高級分析，不少數據分析就是監控數據觀(guān)察數據。
　　數據分析的最終都是要兜售自己的觀(guān)點(diǎn)和結論的。兜售的最好方式就是做出觀(guān)點(diǎn)清晰數據詳實(shí)的PPT給老板看。如果沒(méi)人認同分析結果，那么分析也不會(huì )被改進(jìn)和優(yōu)化，不落地的數據分析價(jià)值又在哪里？
　　首先要了解常用的圖表：
　　
　　Excel的圖表可以100%完成上面的圖形要求，但這只是基礎。后續的進(jìn)階可視化，勢必要用到編程繪制。為什么？比如常見(jiàn)的多元分析，你能用Excel很輕松的完成？但是在IPython只需要一行代碼。
　　
　　其次掌握BI，下圖是微軟的BI。
　　
　　BI（商業(yè)智能）和圖表的區別在于BI擅長(cháng)交互和報表，更擅長(cháng)解釋已經(jīng)發(fā)生和正在發(fā)生的數據。將要發(fā)生的數據是數據挖掘的方向。
　　BI的好處在于很大程度解放數據分析師的工作，推動(dòng)全部門(mén)的數據意識，另外降低其他部門(mén)的數據需求（萬(wàn)惡的導數據）。
　　BI市面上的產(chǎn)品很多，基本都是建立儀表盤(pán)Dashboard，通過(guò)維度的聯(lián)動(dòng)和鉆取，獲得可視化的分析。
　　最后需要學(xué)習可視化和信息圖的制作。
　　
　　這是安（裝）身（逼）立（加）命（薪）之本。這和數據本事沒(méi)有多大關(guān)系，更看重審美、解讀、PPT、信息化的能力。但值得花一點(diǎn)時(shí)間去學(xué)習。
　　數據可視化的學(xué)習就是三個(gè)過(guò)程：
　　3
　　第三周：分析思維的訓練
　　這周輕松一下，學(xué)學(xué)理論知識。
　　好的數據分析首先要有結構化的思維，也就是我們俗稱(chēng)的金字塔思維。思維導圖是必備的工具。
　　之后再了解SMART、5W2H、SWOT、4P理論、六頂思考帽等框架。這些框架都是大巧不工的經(jīng)典。
　　分析也是有框架和方法論的，主要圍繞三個(gè)要點(diǎn)展開(kāi)：
　　舉一個(gè)例子：我告訴你一家超市今天有1000人的客流量，你會(huì )怎么分析？
　　這是一個(gè)快速搭建分析框架的方法。如果只看1000人，是看不出分析不出任何結果。
　　優(yōu)秀的數據分析師會(huì )拷問(wèn)別人的數據，而他本身的分析也是經(jīng)得起拷問(wèn)，這就是分析思維能力。需要確切明白的是：一周時(shí)間鍛煉不出數據思維，只能做到了解。數據思維是不斷練習的結果，我只是盡量縮短這個(gè)過(guò)程。
　　4
　　第四周：數據庫學(xué)習
　　Excel對十萬(wàn)條以?xún)鹊臄祿幚砥饋?lái)沒(méi)有問(wèn)題，但是互聯(lián)網(wǎng)行業(yè)就是不缺數據。但凡產(chǎn)品有一點(diǎn)規模，數據都是百萬(wàn)起。這時(shí)候就需要學(xué)習數據庫。
　　越來(lái)越多的產(chǎn)品和運營(yíng)崗位，會(huì )在招聘條件中，將會(huì )SQL作為優(yōu)先的加分項。
　　SQL是數據分析的核心技能之一，從Excel到SQL絕對是數據處理效率的一大進(jìn)步。
　　學(xué)習圍繞Select展開(kāi)。增刪改、約束、索引、數據庫范式均可以跳過(guò)。
　　主要了解where、group by、order by、having、like、count、sum、min、max、distinct、if、join、left join、limit、and和or的邏輯，時(shí)間轉換函數等。
　　如果想要跟進(jìn)一步，可以學(xué)習r(shí)ow_number、substr、convert、contact等。另外不同數據平臺的函數會(huì )有差異，例如Presto和phpMyAdmin。
　　再有點(diǎn)追求，就去了解Explain優(yōu)化，了解SQL的工作原理，了解數據類(lèi)型，了解IO。以后就可以和技術(shù)研發(fā)們談笑風(fēng)生，畢竟將“這里有bug”的說(shuō)話(huà)，換成“這塊的數據死鎖了”，逼格大大的不同。
　　SQL的學(xué)習主要是多練，網(wǎng)上尋找相關(guān)的練習題，刷一遍就差不多了。
　　5
　　第五周：統計知識學(xué)習
　　很遺憾，統計知識也是我薄弱的地方，可這是數據分析的基礎。
　　我看過(guò)很多產(chǎn)品和運營(yíng)相關(guān)的數據分析文章，沒(méi)有多少提及統計知識。這是不嚴謹的。
　　比如產(chǎn)品的AB測試，如果產(chǎn)品經(jīng)理并不清楚置信度的含義和概念，那么好的效果并不意味著(zhù)真正的好。尤其是5%這種非顯著(zhù)的提高。
　　比如運營(yíng)一次活動(dòng)，運營(yíng)若不了解檢驗相關(guān)的概念，那么如何去判別活動(dòng)在數據上是有效果還是沒(méi)有效果？別說(shuō)平均數。
　　再討論一下經(jīng)典的概率問(wèn)題：如果一個(gè)人獲流感，實(shí)驗結果為陽(yáng)性的概率為90%；如果沒(méi)有獲流感，實(shí)驗結果為陽(yáng)性的概率為9%?，F在這個(gè)人檢驗結果為陽(yáng)性，他有多少幾率是得了流感？
　　如果你覺(jué)得幾率有50%、60%、70%等等，那么都犯了直覺(jué)性的錯誤。它還和得病的基礎概率有關(guān)。
　　統計知識會(huì )教我們以另一個(gè)角度看待數據。如果大家了解過(guò)《統計數據會(huì )撒謊》，那么就知道很多數據分析的決策并不牢靠。
　　我們需要花一周的時(shí)間掌握描述性統計，包括均值、中位數、標準差、方差、概率、假設檢驗、顯著(zhù)性、總體和抽樣等概念。
　　不需要學(xué)習更高階的統計知識，誰(shuí)讓我們是速成呢？只要做到不會(huì )被數據欺騙，不犯錯誤就好。
　　以Excel的分析工具庫舉例（圖片網(wǎng)上找來(lái)）。在初級的統計學(xué)習中，需要了解列1的各名詞含義，而不是停留在平均數這個(gè)基礎上。
　　
　　6
　　第六周：業(yè)務(wù)知識
　?。ㄓ脩?hù)行為、產(chǎn)品、運營(yíng)）
　　這一周需要了解業(yè)務(wù)。對于數據分析師來(lái)說(shuō)，業(yè)務(wù)的了解比數據方法論更重要。當然很遺憾，業(yè)務(wù)學(xué)習沒(méi)有捷徑。
　　我舉一個(gè)數據沙龍上的例子：一家O2O配送公司發(fā)現在重慶地區，外賣(mài)員的送貨效率低于其他城市，導致用戶(hù)的好評率降低?？偛康臄祿治鰩熃⒘烁鱾€(gè)指標去分析原因，都沒(méi)有找出來(lái)問(wèn)題。后來(lái)在訪(fǎng)談中發(fā)覺(jué)，因為重慶是山城，路面高低落差比較夸張，很多外賣(mài)人員的小電瓶上不了坡…所以導致送貨效率慢。
　　這個(gè)案例中，我們只知道送貨員的送貨水平距離，即POI數據，根本不可能知道垂直距離的數據。這就是數據的局限，也是只會(huì )看數據的分析師和接地氣分析師的最大差異。
　　對業(yè)務(wù)市場(chǎng)的了解是數據分析在工作經(jīng)驗上最大的優(yōu)勢之一。不同行業(yè)領(lǐng)域的業(yè)務(wù)知識都不一樣，我就不獻丑了。在互聯(lián)網(wǎng)行業(yè)，有幾個(gè)寬泛的業(yè)務(wù)數據需要了解。
　　產(chǎn)品數據分析，以經(jīng)典的AAARR框架學(xué)習，了解活躍留存的指標和概念。
　　并且數據分析師需要知道如何用SQL計算。因為在實(shí)際的分析過(guò)程中，留存只是一個(gè)指標，通過(guò)userId 關(guān)聯(lián)和拆分才是常見(jiàn)的分析策略。
　　網(wǎng)站數據分析，可以抽象成一個(gè)哲學(xué)問(wèn)題：
　　雖然網(wǎng)站已經(jīng)不是互聯(lián)網(wǎng)的主流，但現在有很多APP+Web的復合框架，朋友圈的傳播活動(dòng)肯定需要用到網(wǎng)頁(yè)的指標去分析。
　　用戶(hù)數據分析，這是數據化運營(yíng)的一種應用。
　　在產(chǎn)品早期，可以通過(guò)埋點(diǎn)計算轉化率，利用AB測試達到快速迭代的目的，在積累到用戶(hù)量的后期，利用埋點(diǎn)去分析用戶(hù)行為，并且以此建立用戶(hù)分層用戶(hù)畫(huà)像等。
　　例如用貝葉斯算法計算用戶(hù)的性別概率，用K聚類(lèi)算法劃分用戶(hù)的群體，用行為數據作為特征建立響應模型等。不過(guò)快速入門(mén)不需要掌握這些，只需要有一個(gè)大概的框架概念。
　　除了業(yè)務(wù)知識，業(yè)務(wù)層面的溝通也很重要。在業(yè)務(wù)線(xiàn)足夠長(cháng)的時(shí)候，我不止一次遇到產(chǎn)品和運營(yíng)沒(méi)有掌握所有的業(yè)務(wù)要點(diǎn)，尤其涉及跨部門(mén)的分析。良好的業(yè)務(wù)溝通能力是數據分析的基礎能力。
　　7
　　第七周：Python/R學(xué)習
　　終于到第七周，也是最痛苦的一周。這時(shí)應該學(xué)習編程技巧。
　　是否具備編程能力，是初級數據分析和高級數據分析的風(fēng)水嶺。數據挖掘，爬蟲(chóng)，可視化報表都需要用到編程能力（例如上文的多元散點(diǎn)圖）。掌握一門(mén)優(yōu)秀的編程語(yǔ)言，可以讓數據分析師事半功倍，升職加薪，迎娶白富美。
　　以時(shí)下最熱門(mén)的R語(yǔ)言和Python為學(xué)習支線(xiàn)，速成只要學(xué)習一條。
　　我剛好兩類(lèi)都學(xué)過(guò)。R的優(yōu)點(diǎn)是統計學(xué)家編寫(xiě)的，缺點(diǎn)也是統計學(xué)家編寫(xiě)。如果是各類(lèi)統計函數的調用，繪圖，分析的前驗性論證，R無(wú)疑有優(yōu)勢。但是大數據量的處理力有不逮，學(xué)習曲線(xiàn)比較陡峭。Python則是萬(wàn)能的膠水語(yǔ)言，適用性強，可以將各類(lèi)分析的過(guò)程腳本化。Pandas，SKLearn等各包也已經(jīng)追平R。
　　學(xué)習R，需要了解數據結構（matrix，array，data.frame，list等）、數據讀取，圖形繪制( ggplot2)、數據操作、統計函數(mean,median,sd,var,scale等)。高階的統計暫時(shí)不用去涉及，這是后續的學(xué)習任務(wù)。
　　R語(yǔ)言的開(kāi)發(fā)環(huán)境建議用RStudio。
　　學(xué)習Python有很多分支，我們專(zhuān)注數據分析這塊。需要了解調用包、函數、數據類(lèi)型（list、tuple、dict），條件判斷，迭代等。高階的Numpy和Pandas在有精力的情況下涉及。
　　Python的開(kāi)發(fā)環(huán)境建議Anaconda，可以規避掉環(huán)境變量、包安裝等大部分新手問(wèn)題。Mac自帶Python2.7，但現在Python 3已經(jīng)比幾年前成熟，沒(méi)有編碼問(wèn)題，就不要抱成守舊了。
　　對于沒(méi)有技術(shù)基礎的運營(yíng)和產(chǎn)品，第七周最吃力，雖然SQL＋Excel足夠應付入門(mén)級數據分析，但是涉及到循環(huán)迭代、多元圖表的分析部分，復雜度就呈幾何上升。更遑論數據挖掘這種高階玩法。
　　我也相信，未來(lái)了解數據挖掘的產(chǎn)品和運營(yíng)會(huì )有極強的競爭力。
　　到這里，剛剛好是七周。如果還需要第八周+，則是把上面的鞏固和融會(huì )貫通，畢竟這只是目的性極強的速成，是開(kāi)始，而不是數據分析的畢業(yè)典禮。
　　如果希望數據分析能力更近一步，或者成為優(yōu)秀的數據分析師，每一周的內容都能繼續學(xué)習至精通。實(shí)際上，業(yè)務(wù)知識、統計知識僅靠?jì)芍苁欠浅２焕喂痰摹?
　　再往后的學(xué)習，會(huì )有許多分支。比如偏策劃的數據產(chǎn)品經(jīng)理，比如偏統計的機器學(xué)習，比如偏商業(yè)的市場(chǎng)分析師，比如偏工程的大數據工程師。這是后話(huà)了。

　　避免然并卵的指標 3A法則幫助SaaS企業(yè)找到正確目標
　　如果喜歡我們的內容，歡迎轉發(fā)！體驗最新混合云管理技術(shù)
　　
　　寄云PaaS平臺公測
　　
　　參與有獎公測拿精美禮品，還能參選超級云平臺管理師名利雙收！長(cháng)按或掃描左側二維碼報名指標基本上分為兩類(lèi)：虛榮指標、有用指標。愿意猜一下這兩類(lèi)指標的意義嗎？虛榮指標聽(tīng)起來(lái)不錯，實(shí)則并沒(méi)有多大意義，用曾經(jīng)流行的網(wǎng)絡(luò )詞語(yǔ)來(lái)形容就是“然并卵”。虛榮指標會(huì )使你自我感覺(jué)良好，但是并不會(huì )為你接下來(lái)的工作提供清晰的指導。
　　
　　例如：某個(gè)搜索引擎的報告顯示你每月的檢索量達到1百萬(wàn)次。
　　但是這可能有多種含義；最重要的含義包括：
　　你之所以會(huì )獲得如此之多的檢索結果，是因為搜索者無(wú)法獲得正確的結果。
　　這并不代表虛榮指標一定是不好的；只是他們沒(méi)向你提供明確或準確的信息。
　　流量是內容營(yíng)銷(xiāo)人員最常用的指標之一，然而，依賴(lài)于流量進(jìn)行判斷卻是錯誤的。流量是一個(gè)虛榮指標。你第二天就可以向一些質(zhì)量低劣的廣告網(wǎng)絡(luò )購買(mǎi)一百萬(wàn)條綜合瀏覽量，但是你絕對會(huì )一無(wú)所獲。
　　雖然高質(zhì)量的綜合瀏覽量會(huì )是一個(gè)相當好的指標，但是如何衡量卻非常困難。對于已閱郵件的比例或列表上郵件訂閱者的數量，道理也是一樣。我看到一些企業(yè)從其數以千計的訂閱者身上獲得的收益幾乎為零，然而有些企業(yè)卻從其僅有的幾百名訂閱者身上獲得數以千計的收益。
　　如果你郵件列表的增長(cháng)率為衡量指標，它不會(huì )告訴你任何與企業(yè)績(jì)效或營(yíng)銷(xiāo)績(jì)效有關(guān)的信息。對所有虛榮指標而言，道理都一樣。你總能在谷歌分析中找到一些指標，而且數量逐月增加。不要傻傻地認為一切都在完美進(jìn)行 - 事實(shí)也許并非如此。什么樣的指標可以稱(chēng)之為 “有用指標”？識別“有用”指標（有時(shí)被成為“智能指標”）最簡(jiǎn)單的方法是尋找3個(gè)“A”：
　　
　　可行（Actionable）
　　易懂（Accessible）
　　可查找（Auditable）
　　這一概念雖然來(lái)源于 精益初創(chuàng )企業(yè)，卻幾乎適用于任何企業(yè)。
　　我們來(lái)逐一分解有用指標的標志，就從如何確定一個(gè)指標是否可行開(kāi)始……
　　可能你已經(jīng)猜到了，可行的指標是指憑借這些指標所提供的信息，你可以采取相應的行動(dòng)。我并不是說(shuō)它一定是某種具體的行動(dòng)，也可以是指能實(shí)際改善你工作的某一方面。
　　第二個(gè)“A”易懂；如果你需要團隊合作，那么這一點(diǎn)非常重要。
　　具體的含義是這樣：如果你為企業(yè)選定了一個(gè)關(guān)鍵指標，你希望該企業(yè)中的每個(gè)人都可以理解該指標。此外，他們還要明白如何發(fā)現、理解并運用這一指標。
　　就某些指標而言，技術(shù)人員能夠理解，但是也許營(yíng)銷(xiāo)人員或銷(xiāo)售人員無(wú)法理解。一個(gè)好的指標應該對所有人而言均簡(jiǎn)單易懂。
　　最后一個(gè)A代表可查找性。
　　這與易懂性的概念有關(guān)，這意味著(zhù)團隊中的任何一個(gè)人都應該有能力使用企業(yè)中與該指標相關(guān)的任何數據，而且可以運用該數據生成報告。
　　如果可以通過(guò)谷歌分析對該指標進(jìn)行跟蹤，你的問(wèn)題就解決了，因為所有團隊成員都可以很容易地被添加到網(wǎng)站賬戶(hù)。他們可以根據需要查詢(xún)指標、導出報告。目標比指標更為重要：請記得我們最初為什么需要指標，這一點(diǎn)非常重要。我們可以使用指標衡量事物。有用指標可以表明你的營(yíng)銷(xiāo)工作是否能產(chǎn)生可接受的增長(cháng)。為了找到這些指標，你需要從營(yíng)銷(xiāo)或企業(yè)主要目標入手。以下是一些常見(jiàn)的你可能擁有的目標：
　　通常，應該不會(huì )比這更為復雜。
　　對于每個(gè)目標，你想要采用一些指標用來(lái)衡量你是否獲得了成功。
　　以下是一些指標的示例。01
　　
　　目標：盈利可能存在的指標：收益、利潤、銷(xiāo)貨成本、當前成員、每月流失量（客戶(hù)流失）、客戶(hù)保持率、新客戶(hù)、客戶(hù)流失（如適用）。
　　由于大多數企業(yè)都希望實(shí)現利潤最大化，或至少實(shí)現收益最大化，通常這些指標是最為重要的跟蹤方向。
　　通常，你可以選取其中1至4個(gè)指標定期跟蹤。
　　你或團隊中任何一個(gè)人做任何工作時(shí)，至少應在某種程度上改善你選定指標中的一個(gè)。
　　有些指標取決于你的企業(yè)的類(lèi)型。像客戶(hù)保持率和流失量這種指標僅適用于經(jīng)常性收益企業(yè)（例如：訂閱箱）。
　　你想要使你的選項盡可能的簡(jiǎn)單。如果你的主要目標是盈利，那么首先跟蹤利潤。對于營(yíng)銷(xiāo)的某些方面，你無(wú)法直接跟蹤利潤。
　　這就是為什么你需要其他相關(guān)指標，通過(guò)這些指標，你可以看出企業(yè)中哪些方面運行不暢。
　　例如：如果你突然發(fā)現流失客戶(hù)的數量激增，你可以憑借這一信息采取行動(dòng)，同時(shí)弄清楚近期哪個(gè)變化造成了客戶(hù)流失。
　　另一個(gè)目標……02
　　
　　目標：產(chǎn)生積極影響可能存在的指標：頁(yè)面停留的平均時(shí)間、客戶(hù)調查問(wèn)卷滿(mǎn)意度評分、回頭客百分比。
　　許多目標是定性的，所以，衡量起來(lái)比較困難。
　　當你無(wú)法找到一個(gè)完美的“影響”指標時(shí)，你可以找到其他可以引導你的指標。
　　在這種情況下，想要確定客戶(hù)對你的產(chǎn)品的喜愛(ài)程度的確非常困難。
　　給你反饋的客戶(hù)或者對你感到非常滿(mǎn)意，或者感到非常不滿(mǎn)，但感受”平平“的客戶(hù)不會(huì )給你反饋。進(jìn)行問(wèn)卷調查通常是最好的選擇，但是你通常會(huì )遇到樣本采集等問(wèn)題。
　　如果你的產(chǎn)品是像課程或SAAS一樣的互聯(lián)網(wǎng)產(chǎn)品，測量這樣的指標就簡(jiǎn)單多了。通常，你只需要看一下用戶(hù)在多長(cháng)時(shí)間內會(huì )再次訪(fǎng)問(wèn)你的網(wǎng)站或再次使用工具。
　　與其他目標相比，有些目標適用的指標比較多。只要一個(gè)指標可以為你提供獨一無(wú)二的可行的信息，那么這個(gè)指標就值得跟蹤。最后，你可能會(huì )提出一種方法，可以定期評估你對所做工作的滿(mǎn)意程度，但是這是另外一個(gè)難以測量的指標。一些目標，尤其是定性目標，無(wú)需通過(guò)指標進(jìn)行跟蹤（請定期進(jìn)行審核）。最重要的——確保你關(guān)注的所有指標都符合“3A”標準。
　　SaaS學(xué)堂投稿郵箱：
　　關(guān)于SaaS學(xué)堂
　　SaaS學(xué)堂是由寄云科技創(chuàng )辦，旨在傳播SaaS專(zhuān)業(yè)知識的平臺。旨在為國內SaaS行業(yè)普及國際先進(jìn)SaaS理念，提供從SaaS產(chǎn)品開(kāi)發(fā)、營(yíng)銷(xiāo)設計、和運營(yíng)估值等專(zhuān)業(yè)咨詢(xún)和顧問(wèn)服務(wù)，為企業(yè)云化轉型提升效率。
　　

　　技術(shù)分享 | 數據分析報告是怎樣“煉成”的（附疫情報告演示案例）
　　
　　
　　
　　
　　前言
　　
　　
　　當前國內的數字經(jīng)濟正在如火如荼地發(fā)展，數字社會(huì )、數字政府、企業(yè)數字化轉型等等一系列新提法、新技術(shù)在也不斷產(chǎn)生。在這個(gè)過(guò)程中，如何將數據資源的價(jià)值釋放出來(lái)提供生產(chǎn)要素，是數字經(jīng)濟的殺手锏與核心所在，即數據智能。
　　數據分析（報告）是數據智能的主要手段之一。從當年被人們津津樂(lè )道的沃爾瑪“啤酒+尿布”營(yíng)銷(xiāo)開(kāi)始，人們（尤其是中國人）逐步認識到數據分析的威力和價(jià)值所在。隨著(zhù)數據資源的不斷積累和開(kāi)放，政府機關(guān)、企業(yè)的精細管理、科學(xué)決策需求對數據分析（報告）的廣度、速度、深度不斷提出新的要求。
　　本文就來(lái)談一談數據分析報告相關(guān)的內容。如果您對數據分析報告是如何撰寫(xiě)的，這當中有哪些實(shí)際痛點(diǎn)，以及我們如何用大數據、人工智能技術(shù)提出解決方案解決這些痛點(diǎn)，等此類(lèi)話(huà)題感興趣，建議繼續閱讀本文。
　　文末還附了一個(gè)小Demo，直觀(guān)展示本文技術(shù)成果的同時(shí)，也希望能為戰勝新冠疫情盡到我們的一份力。
　　
　　01數據分析報告的撰寫(xiě)步驟
　　我們以常見(jiàn)的國家統計局數據報告為例，說(shuō)明數據分析報告的撰寫(xiě)步驟。國家統計局會(huì )定期（每月、每季度、每年）發(fā)布多個(gè)指數的數據報告，每個(gè)周期都需要按以下步驟進(jìn)行數據分析并形成分析報告：
　　第一步，領(lǐng)域模型的計算。該模型是此項數據分析任務(wù)的核心，例如，和我們生活息息相關(guān)的消費物價(jià)指數（CPI），就是國家統計局月季年各周期關(guān)注的核心模型之一。計算CPI指數時(shí)，需要收集指標商品（8大類(lèi)268個(gè)基本分類(lèi)大約700余種）的當期價(jià)格及商品權重，根據CPI的計算公式，計算出當期CPI的值。CPI指數是一個(gè)體系，除了一個(gè)總體值之外，還會(huì )從不同維度進(jìn)行分類(lèi)，例如：城市/農村、食品/非食品、消費品/服務(wù)、8大商品類(lèi)別等等。
　　第二步，進(jìn)行常見(jiàn)指標分析。有了核心指數，就可以利用統計學(xué)的各項常用指標對其進(jìn)行分析。例如，將當期值與往期值放在一起，計算累計值、同比、環(huán)比；將同級的當期值放在一起，計算均值、中位數、占比、貢獻度；等等。
　　第三步，進(jìn)行復雜序時(shí)分析。因為上述的指數和指標值在時(shí)間維度上形成序列，于是可以圍繞其在時(shí)間上的趨勢給出分析，例如，CPI同比是保持平穩、連續數月增長(cháng)還是轉頭向下，住房?jì)r(jià)格對CPI走低的影響是否越來(lái)越大；等等諸如此類(lèi)。
　　第四步，分析結果解讀。這一步主要是將數據分析結果以文字的形式表達出來(lái)，將有亮點(diǎn)的數據結論單獨重點(diǎn)論述，并試圖給出數據變化可能的原因。這一步通常需要有經(jīng)驗的數據分析師付出大量的人力才能完成。
　　第五步，將前面所有的分析結果，包括表格、圖表、文字等，進(jìn)行合理、有效地組織和呈現，最終一篇完整的數據分析報告就“煉成”了。
　　02數據分析報告的痛點(diǎn)
　　從數據分析報告出爐的過(guò)程來(lái)看，數據分析報告作為政府、企業(yè)數字化轉型中的數據智能輔助決策的重要一環(huán)，當前的實(shí)踐中普遍面臨以下痛點(diǎn)問(wèn)題：
　?。?） 目前政務(wù)部門(mén)數據統計分析與報告編寫(xiě)大多停留在人工處理階段，數據分析和報告編寫(xiě)工作量大，費時(shí)費力，效率低下，且人工數據統計分析易于出錯，報告質(zhì)量難以得到保證。
　?。?） 企業(yè)當前會(huì )使用一些商業(yè)智能（BI）工具進(jìn)行數據分析，但當前BI工具大多難以實(shí)時(shí)處理大規模數據，并且BI工具通常只能以數據表格或報表的形式呈現，無(wú)法自動(dòng)形成結論性的文字，因此撰寫(xiě)報告時(shí)仍有大量的工作要做。
　　03我們的解決方案
　　本公司通過(guò)在大數據、人工智能領(lǐng)域多年的技術(shù)積累和行業(yè)經(jīng)驗，運用這些技術(shù)構建了一鍵式自動(dòng)化數據分析報告生成平臺（暫定名）。該平臺能夠快速進(jìn)行數據統計、序時(shí)等分析，生成圖表并自動(dòng)給出文字結論，其中包括數據分析結果的描述，以及數據變化的可能原因，從而解決了前述數據分析報告撰寫(xiě)的痛點(diǎn)。平臺架構如下圖所示：
　　
　　該平臺的幾個(gè)核心技術(shù)點(diǎn)分別如下：
　　(1)海量的數據管理
　　底層基于大數據存儲與計算平臺，支持數據以文件、數據庫等多種形式接入、采集、處理、檢驗、存儲，并支持維護數據的指標目錄樹(shù)，為查詢(xún)及組成分析提供支持。
　　(2)數據分析引擎
　　平臺設計實(shí)現了靈活的查詢(xún)引擎，支持靈活條件的序時(shí)查詢(xún)、組合查詢(xún)，可自由添加行列，設置時(shí)間頻率、數據單位，查詢(xún)起止時(shí)間，查詢(xún)條件等，并基于原始數據內置了同比、環(huán)比的增速、增量等計算指標，便于直接查詢(xún)計算后的數據并展示。若默認計算指標不滿(mǎn)足要求，可自行添加公式，設置自定義計算指標，滿(mǎn)足不同業(yè)務(wù)需求。查詢(xún)結果支持多種可視化圖表展示，并可保存為模板，方便再次使用。查詢(xún)結果也支持通過(guò)趨勢分析、排名分析、組成分析等進(jìn)行多種組成分析并組成本查詢(xún)指標的分析結果供參考。
　　(3)智能報告引擎
　　通過(guò)數據分析引擎分析到的結果，如果認為有價(jià)值，可插入報告模板中，并設置語(yǔ)句輸出條件及不同條件下的描述語(yǔ)句，用戶(hù)也可針對該數據通過(guò)歸因分析分析指標內在的關(guān)聯(lián)原因、組成原因等，提供更具深度的分析結果。多條語(yǔ)句按照報告主題組合就形成了一份完整的報告。
　　修改報告日期、語(yǔ)句規則的公共參數，可一鍵生成不同日期、不同維度的報告，大大提高了報告生成的效率，并積累形成行業(yè)模板，例如宏觀(guān)經(jīng)濟分析報告、產(chǎn)業(yè)/行業(yè)分析等報告。
　　(4)智能語(yǔ)句庫
　　平臺還運用自然語(yǔ)言處理、深度學(xué)習、知識圖譜等技術(shù)，智能化閱讀各類(lèi)行業(yè)報告或政策文本，實(shí)現 “人工經(jīng)驗+智能化”的原因要素分析提取，形成報告分析行業(yè)原因語(yǔ)句庫，提升歸因分析的全面準確性。
　　
　　(5)靈活的規則引擎
　　強大的數據分析引擎和智能報告引擎的一個(gè)基礎是規則引擎，通過(guò)規則原語(yǔ)與統一的接口，屏蔽了需要技術(shù)人員編寫(xiě)的數據查詢(xún)語(yǔ)句及復雜代碼邏輯，通過(guò)簡(jiǎn)單配置即可實(shí)現復雜的業(yè)務(wù)指標計算處理及判斷輸出，若業(yè)務(wù)邏輯過(guò)于復雜，也可通過(guò)低代碼方式進(jìn)行業(yè)務(wù)代碼編寫(xiě)，滿(mǎn)足了不同用戶(hù)的需求，大大降低了用戶(hù)的學(xué)習成本，業(yè)務(wù)人員自己即可實(shí)現復雜業(yè)務(wù)編寫(xiě)，不需要再尋求開(kāi)發(fā)技術(shù)人員進(jìn)行技術(shù)實(shí)現。
　　
　　04總結
　　總的來(lái)講，在政府單位、企業(yè)的數字化轉型過(guò)程中：
　　我們的一鍵式自動(dòng)化數據分析報告生成平臺仍在積極開(kāi)發(fā)中，未來(lái)會(huì )變得更加強大和智能。與此同時(shí)，當前的版本已可初步對外使用，歡迎感興趣的讀者前來(lái)垂詢(xún)和試用。
　　
　　疫情分析預測與報告生成服務(wù)演示案例
　　自3月初開(kāi)始的國內本輪疫情形勢嚴峻，為了幫助政府和社會(huì )大眾及時(shí)了解各地疫情發(fā)展態(tài)勢，我們使用該智能化報告生成工具，制作了一個(gè)疫情分析預測查詢(xún)與報告生成服務(wù)網(wǎng)站，通過(guò)采集國內外疫情數據，可以多維度靈活地查詢(xún)各地的疫情態(tài)勢，并自動(dòng)生成國內外任意地區的疫情態(tài)勢日/周/月報，為政府疫情防控決策提供參考依據，為企業(yè)和社會(huì )大眾及時(shí)了解當地疫情態(tài)勢提供便捷手段。
　?。c(diǎn)擊“閱讀原文”查看）。目前該疫情分析預測與報告生成服務(wù)平臺是首次開(kāi)發(fā)完成的演示版本，功能還在不斷完善中，請各位讀者試用并提出寶貴意見(jiàn)，或者有特別的分析預測服務(wù)需求，也可以聯(lián)系我們。
　　
　　
　　
　　

　　數據分析師常用的數據分析方法有哪些？
　　很多做數據分析或者剛接觸數據分析的小伙伴，不知道怎么做數據分析。一點(diǎn)思路都沒(méi)有，今天就給大家盤(pán)點(diǎn)數據分析師常用的數據分析方法。希望看完此文的小伙伴，有一個(gè)清晰的數據分析思維。
　　方法論和方法有什么區別?
　　方法論是從宏觀(guān)角度出發(fā)，從管理和業(yè)務(wù)的角度提出的分析框架，指導我們接下來(lái)具體分析的方向。方法是微觀(guān)的概念，是指我們在具體分析過(guò)程中使用的方法。
　　數據分析方法論
　　數據分析的方法論很多，這里我給大家介紹一些常見(jiàn)的框架。
　　1、PEST分析法
　　PEST 為一種企業(yè)所處宏觀(guān)環(huán)境分析模型，從政治(Politics)、經(jīng)濟(Economy)、社會(huì )(Society)、技術(shù)(Technology)四個(gè)方面分析內外環(huán)境，適用于宏觀(guān)分析。
　　
　　四點(diǎn)因素也被稱(chēng)之為“pest有害物”，PEST要求高級管理層具備相關(guān)的能力及素養。PEST分析與外部總體環(huán)境的因素互相結合就可歸納出SWOT分析中的機會(huì )與威脅。PEST/PESTLE、SWOT 與 SLEPT 可以作為企業(yè)與環(huán)境分析的基礎工具。
　　2、SWOT分析法
　　從優(yōu)勢(Strength)、劣勢(Weakness)、機遇(Opportunity)、威脅(Threat)四個(gè)方面分析內外環(huán)境，適用于宏觀(guān)分析。
　　
　　SWOT分析法是用來(lái)確定企業(yè)自身的競爭優(yōu)勢、競爭劣勢、機會(huì )和威脅，從而將公司的戰略與公司內部資源、外部環(huán)境有機地結合起來(lái)的一種科學(xué)的分析方法。運用這種方法，可以對研究對象所處的情景進(jìn)行全面、系統、準確的研究，從而根據研究結果制定相應的發(fā)展戰略、計劃以及對策等。
　　3、5W2H分析法
　　從Why、When、Where、What、Who、How、How much 7個(gè)常見(jiàn)的維度分析問(wèn)題。廣泛用于企業(yè)管理和技術(shù)活動(dòng)，對于決策和執行性的活動(dòng)措施也非常有幫助，也有助于彌補考慮問(wèn)題的疏漏。
　　
　　4、4P理論
　　經(jīng)典營(yíng)銷(xiāo)理論，認為產(chǎn)品(Product)、價(jià)格(Price)、渠道(Place)和促銷(xiāo)(Promote)是影響市場(chǎng)的重要因素。
　　
　　5、AARRR
　　增長(cháng)黑客的海盜法則，一種以用戶(hù)為中心的著(zhù)眼于轉化率的漏斗型的數據收集測量模型，從獲取(Acquisition)、激活(Activition)、留存(Retention)、收益(Revenue)和推薦(Referral)5個(gè)環(huán)節增長(cháng)。
　　
　　AARRR在應用推廣運營(yíng)各個(gè)層次（各個(gè)階段）需要關(guān)注的一些指標。在整個(gè)AARRR模型中，這些量化指標都具有很重要的地位，而且很多指標的影響力是跨多個(gè)層次的。及時(shí)準確地獲取這些指標的具體數據，對于應用的成功運營(yíng)是必不可少的。
　　數據分析的方法論很多，這里不能一一列舉;沒(méi)有最好的方法論，只有最合適的。
　　從數據分析方法論也可得知，數據分析的意義在于將雜亂無(wú)章的數據轉化為清晰可見(jiàn)的可視圖，從而進(jìn)行精準決策?！按髷祿r(shí)代，技術(shù)和分析哪個(gè)更重要”一文中也闡述了分析的重要性。
　　數據分析的七個(gè)方法
　　1、趨勢分析
　　趨勢分析是最簡(jiǎn)單、最基礎，也是最常見(jiàn)的數據監測與數據分析方法。通常我們在數據分析產(chǎn)品中建立一張數據指標的線(xiàn)圖或者柱狀圖，然后持續觀(guān)察，重點(diǎn)關(guān)注異常值。
　　
　　在這個(gè)過(guò)程中，我們要選定第一關(guān)鍵指標(OMTM，One Metric That Metter)，而不要被虛榮指標(Vanity Metrics )所迷惑。
　　以社交類(lèi)APP為例，如果我們將下載量作為第一關(guān)鍵指標，可能就會(huì )走偏;因為用戶(hù)下載APP并不代表他使用了你的產(chǎn)品。在這種情況下，建議將DAU(Daily Active Users，日活躍用戶(hù))作為第一關(guān)鍵指標，而且是啟動(dòng)并且執行了某個(gè)操作的用戶(hù)才能算上去;這樣的指標才有實(shí)際意義，運營(yíng)人員要核心關(guān)注這類(lèi)指標。
　　2、多維分解
　　多維分解是指從業(yè)務(wù)需求出發(fā)，將指標從多個(gè)維度進(jìn)行拆分;這里的維度包括但不限于瀏覽器、訪(fǎng)問(wèn)來(lái)源、操作系統、廣告內容等等。
　　為什么需要進(jìn)行多維拆解?有時(shí)候一個(gè)非?；\統或者最終的指標你是看不出什么問(wèn)題來(lái)的，但是進(jìn)行拆分之后，很多細節問(wèn)題就會(huì )浮現出來(lái)。
　　舉個(gè)例子，某網(wǎng)站的跳出率是0.47、平均訪(fǎng)問(wèn)深度是4.39、平均訪(fǎng)問(wèn)時(shí)長(cháng)是0.55分鐘。如果你要提升用戶(hù)的參與度，顯然這樣的數據會(huì )讓你無(wú)從下手;但是你對這些指標進(jìn)行拆解之后就會(huì )發(fā)現很多思路。
　　3、用戶(hù)分群
　　用戶(hù)分群主要有兩種分法：維度和行為組合。
　　第一種根據用戶(hù)的維度進(jìn)行分群，比如從地區維度分，有北京、上海、廣州、杭州等地的用戶(hù);從用戶(hù)登錄平臺進(jìn)行分群，有PC端、平板端和手機移動(dòng)端用戶(hù)。
　　第二種根據用戶(hù)行為組合進(jìn)行分群，比如說(shuō)每周在社區簽到3次的用戶(hù)與每周在社區簽到少于3次的用戶(hù)的區別，這個(gè)具體的我會(huì )在后面的留存分析中介紹。
　　
　　4、用戶(hù)細查
　　正如前面所說(shuō)的，用戶(hù)行為數據也是數據的一種，觀(guān)察用戶(hù)在你產(chǎn)品內的行為路徑是一種非常直觀(guān)的分析方法。在用戶(hù)分群的基礎上，一般抽取3-5個(gè)用戶(hù)進(jìn)行細查，即可覆蓋分群用戶(hù)大部分行為規律。
　　絕大多數產(chǎn)品都或多或少存在一些反人類(lèi)的設計或者BUG，通過(guò)用戶(hù)細查可以很好地發(fā)現產(chǎn)品中存在的問(wèn)題并且及時(shí)解決。
　　5、漏斗分析
　　漏斗分析是一套流程式數據分析，它能夠科學(xué)反映用戶(hù)行為狀態(tài)以及從起點(diǎn)到終點(diǎn)各階段用戶(hù)轉化率情況的重要分析模型。漏斗分析模型已經(jīng)廣泛應用于網(wǎng)站用戶(hù)行為分析和APP用戶(hù)行為分析的流量監控、產(chǎn)品目標轉化等日常數據運營(yíng)與數據分析的工作中。
　　
　　漏斗分析要注意的兩個(gè)要點(diǎn)：
　　第一：不但要看總體的轉化率，還要關(guān)注轉化過(guò)程每一步的轉化率;
　　第二：漏斗分析也需要進(jìn)行多維度拆解，拆解之后可能會(huì )發(fā)現不同維度下的轉化率也有很大差異。
　　6、留存分析
　　留存分析是一種用來(lái)分析用戶(hù)參與情況/活躍程度的分析模型，考察進(jìn)行初始行為的用戶(hù)中，有多少人會(huì )進(jìn)行后續行為。這是用來(lái)衡量產(chǎn)品對用戶(hù)價(jià)值高低的重要方法。
　　衡量留存的常見(jiàn)指標有：次日留存率、7日留存率、30日留存率等等。
　　
　　留存分析可以幫助回答以下問(wèn)題：
　　7、A/B測試與A/A測試
　　A/B測試是為了達到一個(gè)目標，采取了兩套方案，一組用戶(hù)采用A方案，一組用戶(hù)采用B方案。通過(guò)實(shí)驗觀(guān)察兩組方案的數據效果，判斷兩組方案的好壞。在A(yíng)/B測試方面，谷歌是不遺余力地嘗試;對于搜索結果的顯示，谷歌會(huì )制定多種不同的方案(包括文案標題，字體大小，顏色等等)，不斷來(lái)優(yōu)化搜索結果中廣告的點(diǎn)擊率。
　　
　　這里需要注意的一點(diǎn)，A/B測試之前最好有A/A測試或者類(lèi)似準備。什么是A/A測試?A/A測試是評估兩個(gè)實(shí)驗組是否是處于相同的水平，這樣A/B測試才有意義。其實(shí)這和學(xué)校里面的控制變量法、實(shí)驗組與對照組、雙盲試驗本質(zhì)一樣的。
　　來(lái)自：大數據分析和人工智能

　　網(wǎng)站分析常用的指標之內容指標(網(wǎng)站分析常用的指標之內容指標內容分析的前提條件)
　　網(wǎng)站分析常用的指標之內容指標內容分析的前提條件一般來(lái)說(shuō)網(wǎng)站分析指標分類(lèi)可以分為以下四種:用戶(hù)指標用戶(hù)行為指標轉化率指標注冊量指標上下架時(shí)間指標訂單量指標日流量指標日活躍用戶(hù)指標。進(jìn)行網(wǎng)站分析的通用步驟。
　　1)建立完整的網(wǎng)站分析報告，包括運營(yíng)指標，營(yíng)銷(xiāo)指標，推廣指標，用戶(hù)行為指標等。
　　2)利用這些指標來(lái)設計網(wǎng)站分析報告的圖表。
　　3)最終網(wǎng)站分析報告可以加入文章列表，網(wǎng)站鏈接等。
　　4)網(wǎng)站分析報告的格式為圖文并茂。
　　內容指標也就是圖表和數據埋點(diǎn)方法。用戶(hù)指標的就是看流量，轉化，留存，等各個(gè)維度的數據，例如新增用戶(hù)，老用戶(hù)，瀏覽時(shí)長(cháng)，訪(fǎng)問(wèn)頻次，點(diǎn)擊等等。轉化率指標主要看轉化率指標，如下圖轉化率埋點(diǎn)方法，可以在網(wǎng)站之前設計好埋點(diǎn)，實(shí)時(shí)記錄系統用戶(hù)訪(fǎng)問(wèn)數據，最終到達到到系統。
　　運營(yíng)指標：數據埋點(diǎn)方法，根據業(yè)務(wù)方提出的業(yè)務(wù)需求，拿埋點(diǎn)要求作業(yè)（有第三方機構比如網(wǎng)盟等做運營(yíng)指標的埋點(diǎn)），分析具體的業(yè)務(wù)指標。例如，：新增用戶(hù)轉化率，老用戶(hù)的轉化率等等。營(yíng)銷(xiāo)指標：看下載量、跳出率、平均訪(fǎng)問(wèn)時(shí)長(cháng)等等，同時(shí)要看原來(lái)頁(yè)面停留時(shí)間，跳轉頁(yè)面瀏覽時(shí)長(cháng)等等運營(yíng)指標轉化率通過(guò)前面的運營(yíng)指標，可以推導出網(wǎng)站的轉化率，進(jìn)而是網(wǎng)站的收入，在于怎么想辦法提高收入。用戶(hù)注冊量等分析，重點(diǎn)是看注冊流程。

　　網(wǎng)站分析常用的指標之內容指標(在Web-IA中，根據入口給出典型行為分析。)
　　一次訪(fǎng)問(wèn)產(chǎn)生的平均瀏覽量，即平均瀏覽量=瀏覽量÷訪(fǎng)問(wèn)量。
　　一天內回訪(fǎng)：
　　一天訪(fǎng)問(wèn)兩次以上的用戶(hù)數。
　　曝光次數：
　　廣告彈出窗口的數量。
　　廣告點(diǎn)擊：
　　用戶(hù)點(diǎn)擊彈窗廣告的次數，即點(diǎn)擊次數。
　　回報：
　　通過(guò)電子郵件進(jìn)行營(yíng)銷(xiāo)時(shí)，用戶(hù)通過(guò)單擊電子郵件中的鏈接地址訪(fǎng)問(wèn) 網(wǎng)站 的次數。
　　注冊數量：
　　通過(guò)電子郵件和廣告訪(fǎng)問(wèn)此網(wǎng)站 并最終轉化為注冊用戶(hù)的用戶(hù)數量。
　　退貨率：
　　廣告彈出后，廣告被用戶(hù)點(diǎn)擊的程度，即返回率=點(diǎn)擊次數÷曝光次數×100%。
　　客戶(hù)轉化率：
　　客戶(hù)轉化率包括兩層含義：用戶(hù)通過(guò)廣告訪(fǎng)問(wèn)這個(gè)網(wǎng)站并最終轉化為注冊用戶(hù)的程度，即客戶(hù)轉化率=注冊數÷點(diǎn)擊數×100%；用戶(hù)通過(guò)郵件上的鏈接地址訪(fǎng)問(wèn)這個(gè)網(wǎng)站最終轉化為注冊用戶(hù)，即客戶(hù)轉化率=注冊數÷退貨數×100%。
　　發(fā)送的字節數：
　　從服務(wù)器發(fā)送到客戶(hù)端的字節數。
　　接收字節：
　　服務(wù)器從客戶(hù)端接收的字節數。
　　總字節數：
　　它是發(fā)送的字節數和接收的字節數之和，即總字節數=發(fā)送的字節數+接收的字節數。
　　行為/路徑：
　　在一個(gè)訪(fǎng)問(wèn)過(guò)程中，客戶(hù)訪(fǎng)問(wèn)的所有頁(yè)面的軌跡稱(chēng)為路徑，或行為。
　　具體行為：
　　用戶(hù)定義的行為包括多個(gè)行為步驟，其中行為步驟不受限制，即可以任意設置行為步驟。然后分析滿(mǎn)足設定行為的出現次數和每一步之間的轉化率。
　　特定行為的轉化率：
　　特定行為中兩個(gè)步驟之間的轉化率。
　　行為入口：
　　客戶(hù)開(kāi)始訪(fǎng)問(wèn)網(wǎng)站 的首頁(yè)。在Web-IA中，根據條目給出典型的行為分析。
　　行為退出：
　　客戶(hù)訪(fǎng)問(wèn) 網(wǎng)站 的最后一頁(yè)。在 Web-IA 中，典型的行為分析是基于出口給出的。
　　靜默時(shí)間：
　　從注冊用戶(hù)最后一次訪(fǎng)問(wèn) 網(wǎng)站 到分析日的天數。
　　沉默的用戶(hù)：
　　在靜默期間未訪(fǎng)問(wèn)網(wǎng)站的注冊用戶(hù)。
　　重復用戶(hù)百分比：
　　一天內訪(fǎng)問(wèn)兩次以上的用戶(hù)占用戶(hù)總數的比例。值越大，用戶(hù)的質(zhì)量越高。理想值為 100%。
　　用戶(hù)粘性指數：
　　一天內總訪(fǎng)問(wèn)量與總用戶(hù)數之比，數值越大，用戶(hù)質(zhì)量越高。
　　重度訪(fǎng)問(wèn)用戶(hù)：
　　按每次訪(fǎng)問(wèn)的停留時(shí)間劃分，停留時(shí)間超過(guò)20分鐘的用戶(hù)被歸類(lèi)為重度訪(fǎng)問(wèn)用戶(hù)；也可以按照每次訪(fǎng)問(wèn)產(chǎn)生的頁(yè)面瀏覽量來(lái)劃分，一次訪(fǎng)問(wèn)瀏覽量超過(guò)10頁(yè)的用戶(hù)被歸類(lèi)為重度訪(fǎng)問(wèn)用戶(hù)。對于訪(fǎng)問(wèn)量大的用戶(hù)，包括以下四個(gè)指標。每個(gè)指標的值越大，用戶(hù)的質(zhì)量就越高。
　　輕度訪(fǎng)問(wèn)用戶(hù)：
　　除以每次訪(fǎng)問(wèn)的停留時(shí)間，停留時(shí)間少于 1 分鐘的用戶(hù)被歸類(lèi)為輕度訪(fǎng)問(wèn)用戶(hù)。對于輕度訪(fǎng)問(wèn)的用戶(hù)，包括以下三個(gè)指標。每個(gè)指標的值越小，用戶(hù)的質(zhì)量就越高。
　　拒絕率：
　　一次只訪(fǎng)問(wèn)一個(gè)頁(yè)面的訪(fǎng)問(wèn)次數占總訪(fǎng)問(wèn)次數的比例。比例越小，用戶(hù)質(zhì)量越高。
　　區域：
　　來(lái)訪(fǎng)客戶(hù)的來(lái)源地域是根據IP地域對照表，通過(guò)查詢(xún)來(lái)訪(fǎng)客戶(hù)的IP地址屬于哪個(gè)IP段得到對應的地域。地區包括國內地區和國外地區。國內地區為省，國外地區為國家。
　　時(shí)期：
　　按一天24小時(shí)的自然時(shí)間段劃分。
　　趨勢：
　　趨勢有兩種，第一種是以時(shí)間段為單位的一天24小時(shí)的發(fā)展趨勢。二是以日為單位的周、月、指定區間發(fā)展趨勢。
　　IP地址：
　　IP 地址由 4 個(gè)數字組成，每個(gè)數字的取值范圍為 0 到 255。數字之間用點(diǎn)“.”分隔，例如：202.103.8.@ > 46。
　　頁(yè)：
　　網(wǎng)站中所有格式的網(wǎng)頁(yè)（包括文件和動(dòng)態(tài)網(wǎng)頁(yè)），如：.htm、.html、.asp、.cfm、asa、cdx、htmls、shtm、shtml、txt等，可以由用戶(hù)根據實(shí)際情況設置頁(yè)面的文件格式。
　　具體頁(yè)面：
　　對于需要特殊分析的頁(yè)面，通過(guò)設置，將頁(yè)面從多個(gè)頁(yè)面中分離出來(lái)，進(jìn)行具體的分析。
　　過(guò)濾頁(yè)面：
　　網(wǎng)站 中的某些頁(yè)面不是獨立頁(yè)面，而是附加到頁(yè)面。例如，滾動(dòng)條頁(yè)面是附加到主頁(yè)的頁(yè)面。用戶(hù)可以將這些附加頁(yè)面設置為過(guò)濾頁(yè)面。只有過(guò)濾后的瀏覽量才能真實(shí)反映網(wǎng)站的訪(fǎng)問(wèn)量。
　　離開(kāi)頁(yè)面：
　　客戶(hù)訪(fǎng)問(wèn) 網(wǎng)站 的最后一頁(yè)。
　　未定義頁(yè)面：
　　未定義功能的頁(yè)面，即未分類(lèi)到任何頻道的頁(yè)面。
　　頻道/欄目：
　　將網(wǎng)站中的各種內容按功能分類(lèi)，劃分為若干個(gè)邏輯通道或列。
　　網(wǎng)站:
　　網(wǎng)站由Web Server組成，專(zhuān)業(yè)版網(wǎng)站只有一個(gè)Web Server，企業(yè)版和商業(yè)版網(wǎng)站至少有一個(gè)Web Server。
　　熱點(diǎn)：
　　網(wǎng)頁(yè)中收錄的鏈接按功能分為幾個(gè)版塊，如新聞版塊、財經(jīng)版塊、體育版塊、科技版塊等，每個(gè)版塊都成為熱點(diǎn)。然后，分析頁(yè)面上的每個(gè)熱板被點(diǎn)擊。
　　概括：
　　多個(gè) 網(wǎng)站 的聚合分析。
　　同期比較：
　　比較任意兩天、幾周、幾個(gè)月和指定時(shí)間間隔的查看次數（或訪(fǎng)問(wèn)次數，或用戶(hù)數量，停留時(shí)間）。對比對象可以是頁(yè)面、頻道、欄目、廣告、區域等。
　　聚合：
　　日期的聚合，比如周聚合，就是將7天的數據組合成一個(gè)分析項。聚合的目的是以聚合項為單位分析網(wǎng)站的發(fā)展趨勢。
　　環(huán)比：
　　在趨勢分析中，當前日期的數據與上一日期的數據的比值成為鏈比。
　　跳：
　　狀態(tài)碼為 302 的訪(fǎng)問(wèn)請求。
　　受歡迎的：
　　最受歡迎的頁(yè)面或頻道，即觀(guān)看次數最多的頁(yè)面或頻道（可由用戶(hù)定義）。
　　不受歡迎：
　　最不受歡迎的頁(yè)面或頻道，即查看次數最少的頁(yè)面或頻道（可由用戶(hù)定義）。
　　廣告：
　　通過(guò)在其他網(wǎng)站s 上的彈窗介紹這個(gè)網(wǎng)站 的商業(yè)活動(dòng)。
　　郵件：
　　通過(guò)點(diǎn)擊郵件中收錄的鏈接地址，發(fā)送郵件中帶有鏈接地址的郵件來(lái)吸引用戶(hù)訪(fǎng)問(wèn)這個(gè)網(wǎng)站，其實(shí)是一種廣告。
　　搜索引擎：
　　網(wǎng)站 為您提供互聯(lián)網(wǎng)信息“搜索”服務(wù)。
　　關(guān)鍵詞：
　　搜索引擎“檢索”的內容。
　　Excel輸出：
　　分析結果以 Excel 格式輸出。
　　網(wǎng)站拓撲：
<p>網(wǎng)站 的拓撲結構由三種類(lèi)型的節點(diǎn)組成：網(wǎng)站 匯總、網(wǎng)站 分析和通道分析。其中，網(wǎng)站可以在匯總下有部門(mén)匯總，網(wǎng)站可以在分析下有子

　　網(wǎng)站分析常用的指標之內容指標(
互聯(lián)網(wǎng)好的數據指標是一個(gè)比率的可操作性強嗎？)
　　
　　在互聯(lián)網(wǎng)公司，在評審設計方案時(shí)，總有一些這樣的聲音“用數據說(shuō)話(huà)”。數據驅動(dòng)的設計并非不合理。數據在一定程度上可以揭示產(chǎn)品用戶(hù)的行為習慣，而這些關(guān)鍵數據也可以幫助和改進(jìn)產(chǎn)品設計。同時(shí)，從公司或者產(chǎn)品經(jīng)理的角度，他們會(huì )關(guān)注一些關(guān)鍵的數據指標，比如轉化率、留存率、日活躍度、月活躍度等等，什么樣的數據指標才值得我們關(guān)注，并能幫助企業(yè)或產(chǎn)品找到適合自己的市場(chǎng)和改進(jìn)方向。在《精益數據分析》一書(shū)中，作者談到了一些關(guān)于良好數據度量的指南。
　　一.什么是好的數據度量？
　　1.好的數據指標具有可比性：如果我們能夠比較一個(gè)數據指標在不同時(shí)間段、不同用戶(hù)群、不同競品的表現，可以幫助我們更好地了解產(chǎn)品的實(shí)際走勢。比如某醫療APP本周的藥品購買(mǎi)率高于上周，“高”的原因可以通過(guò)不同時(shí)間段的對比來(lái)找到。
　　2.一個(gè)好的數據度量簡(jiǎn)單易懂：團隊或公司的其他同事很容易記住或討論它。比如用戶(hù)增長(cháng)率。
　　3.一個(gè)好的數據度量是一個(gè)比率：比率是最好的數據度量，原因如下：
　　理由一：比值機動(dòng)性強，是行動(dòng)的指南：比如開(kāi)車(chē)時(shí)的速度（距離/小時(shí)），速度是一個(gè)比值，我們可以通過(guò)改變速度來(lái)控制到達目的地的時(shí)間。
　　原因2：比率是一個(gè)天然的比較指標：例如通過(guò)比較月度新用戶(hù)率來(lái)判斷產(chǎn)品的用戶(hù)是否在穩步增加。
　　理由三：這個(gè)比例也適合比較各種因素之間的正負相關(guān)關(guān)系：如果滴答單APP產(chǎn)品采用免費+收費模式，就會(huì )面臨一個(gè)選擇，為了吸引用戶(hù)，是否加足免費版本豐富的功能，或者將這些豐富的功能保留在付費版本中，以鼓勵用戶(hù)付費。
　　4.好的指標會(huì )改變行為：只有幾個(gè)“試驗指標”可用于測試和幫助產(chǎn)品優(yōu)化、定價(jià)和市場(chǎng)定位。例如：如果超過(guò)一半的用戶(hù)反饋他們不會(huì )為勾選列表中的“日歷小部件”付費，他們可以決定不開(kāi)發(fā)此功能或將此功能放入免費版本。
　　一個(gè)好的數據指標可以改變業(yè)務(wù)行為，因為它符合您的產(chǎn)品目標：留住用戶(hù)、鼓勵口碑、有效地獲取新用戶(hù)或產(chǎn)生收入。
　　二.如何找到合適的數據指標？
　　1.定性定量指標：
　　定性指標：通常是非結構化的、經(jīng)驗性的、有啟發(fā)性的、難以分類(lèi)的。
　　定量指標：涉及大量數值和統計數據，提供可靠的定量結果，但缺乏直觀(guān)的洞察力。定量數據易于使用、科學(xué)，易于分類(lèi)和推斷。比如電影收視率、點(diǎn)贊數等量化數據。
　　如果定量數據回答“什么”和“多少”之類(lèi)的問(wèn)題，那么定性數據回答“為什么”。定量數據排除主觀(guān)因素，定性數據吸收主觀(guān)因素。
　　2.虛榮指標和可操作指標：
　　虛榮指標：如果您有一段數據，但您不知道如何對其采取行動(dòng)，這就是虛榮指標。需要用數據來(lái)揭示信息，指出方向，幫助產(chǎn)品改進(jìn)商業(yè)模式，并決定下一步的行動(dòng)。這就是“數據驅動(dòng)的決策”。文章 中需要注意的 8 個(gè)虛榮指標：點(diǎn)擊次數、頁(yè)面瀏覽量、訪(fǎng)問(wèn)量、唯一身份訪(fǎng)問(wèn)者、粉絲/朋友/喜歡、網(wǎng)站停留時(shí)間/瀏覽的頁(yè)面數、采集的用戶(hù)電子郵件地址和下載次數.
　　可操作的指標：它是“活躍用戶(hù)百分比”（活躍用戶(hù)百分比）。該指標揭示了產(chǎn)品的用戶(hù)參與度。如果產(chǎn)品調整，該指標上升，則可以繼續向調整方向迭代。另一個(gè)可以關(guān)注的指標是“單位時(shí)間新用戶(hù)數”（新用戶(hù)增長(cháng)率），這往往有助于比較不同營(yíng)銷(xiāo)方式的優(yōu)劣。
　　3.探索性和報告性指標：
　　探索性指標：具有投機性，并提供以前未知的見(jiàn)解，以幫助您在業(yè)務(wù)中領(lǐng)先一步。
　　可報告指標：適用于公司日常經(jīng)營(yíng)管理活動(dòng)，保持信息暢通，節奏一致。
　　4.先見(jiàn)之明和后見(jiàn)之明：
　　有先見(jiàn)之明的指標：可以用來(lái)預測未來(lái)。例如，通過(guò)“銷(xiāo)售漏斗”中現有潛在客戶(hù)的數量，可以大致預測未來(lái)可以獲得的新客戶(hù)數量。例如，某產(chǎn)品在一段時(shí)間內的用戶(hù)投訴次數，可以作為用戶(hù)流失的先見(jiàn)之明。如果投訴數量繼續增加，用戶(hù)放棄使用您的產(chǎn)品或服務(wù)的概率就會(huì )增加。因此，這個(gè)指標可以幫助了解產(chǎn)品和服務(wù)的真實(shí)情況。
　　后見(jiàn)之明指標：揭示當前問(wèn)題。如流失（在一定時(shí)期內離開(kāi)產(chǎn)品或服務(wù)的客戶(hù)數量）。大部分流失的客戶(hù)都找不到，但是這個(gè)指標可以幫助產(chǎn)品降低產(chǎn)品用戶(hù)的流失率。
　　5.相關(guān)性和因果性指標：
　　相關(guān)性和因果性指標：即兩個(gè)或多個(gè)指標是相關(guān)的，找到相關(guān)性可以幫助你預測未來(lái)，找到因果關(guān)系意味著(zhù)或可以改變未來(lái)。通常，因果關(guān)系并不是簡(jiǎn)單的一對一關(guān)系，很多事情都是多種因素共同作用的結果。想要證明因果關(guān)系的指標：找到相關(guān)性指標，運行控制變量實(shí)驗并測量因變量的變化。但是這樣的測試需要考慮足夠大的用戶(hù)樣本。
　　在數據分析中，測試通常用于證明更改的合理性。這種測試通常是比較兩個(gè)樣本之間的差異。常用方法包括市場(chǎng)細分、隊列分析、A/B 測試和多變量測試。
　　1.Market Segment：具有共同特征的用戶(hù)群。
　　2.隊列分析：比較相似組隨時(shí)間的變化。該產(chǎn)品會(huì )隨著(zhù)開(kāi)發(fā)和測試進(jìn)行迭代，從而為在產(chǎn)品發(fā)布的第一周加入的用戶(hù)和稍后加入的用戶(hù)帶來(lái)不同的用戶(hù)體驗。每個(gè)用戶(hù)都有一個(gè)生命周期。在此期間，商業(yè)模式不斷調整。這會(huì )對用戶(hù)流失率產(chǎn)生什么影響？通過(guò)隊列分析可以找到答案。隊列分析可以觀(guān)察用戶(hù)在生命周期不同階段的行為模式。這種分析方法適用于收入、客戶(hù)流失、口碑病毒式傳播等數據指標。
　　3.A/B測試：假設其他條件不變，只考慮體驗中的某個(gè)屬性對被測用戶(hù)的影響。比如“立即試用”和“免費試用”的區別。這種方法更適合用戶(hù)流量大的網(wǎng)站（微軟、谷歌）
　　4.多變量測試：如果沒(méi)有大的用戶(hù)流量，考慮同時(shí)測試多個(gè)屬性