8分钟让您快速了解数据分析（包括工具和书籍推荐）

　　随着数据分析在过去两年中的普及，作为一种产品/操作，我不理解数据分析，尤其是当供需市场趋于平衡甚至饱和时，如何使您的产品保持稳定并获得更多的用户增加？如何进行操作活动？ ......

　　我最近学习了一些数据分析方法，结合我自己的一些经验，并整理出以下数据分析文章. 完成本文大约需要8-10分钟.

　　什么是数据分析？

　　数据分析是指使用适当的统计方法来分析采集的数据，以使数据的价值最大化. 数据像金钱一样，本身没有太多价值. 正是由于分析方法的存在，利用分析方法得出某些结论并发现问题，才能发挥其巨大的价值.

　　2. 为什么要进行数据分析？

　　在许多情况下，风险投资需要查看数据并做出投资决策；公司的产品/运营需要基于迭代...数据需求可能来自很多方面. 通常，进行数据分析的主要原因如下:

　　1. 推动产品迭代:

　　用户使用该产品的真实轨迹是什么？他们为什么这样做，有没有更简单的流程来帮助我们做出优化决策？它还可以分析产品的过去数据，以深入了解问题并推动目标产品迭代.

　　2. 深入的需求分析

　　为满足Masnou各个级别用户的需求，请使用数据进行支持；为了互动的需要，使用数据来支持；针对公司级需求，使用数据来验证合理性.

　　3. 制定运营决策:

　　产品的新功能发布后会产生什么影响？用户活动和新功能的用户保留率的变化？计划A或计划B哪个更好？对于此类问题，要判断问题的质量，可能更可靠的数据是数据. 敏感性的定义通常会引起很多不必要的争议.

　　4. 决策商机:

　　对于评估商机，必要的需求研究和市场研究尤其重要. 新市场值得参与吗？新项目值得投资吗？是否可以收购公司等？

　　3. 如何分析数据？

　　

　　viri.png

　　1. 数据采集:

　　原则1: 全额支付，而不是抽样

　　采集多个数据源，全面采集前端和后端业务数据库. 前端有网页和APP客户端，后端集合用于补充前端行为事件无法采集的数据.

　　原理2: 多维细分

　　要实现5W1H客户行为事件的全面细化，全面记录谁，何时，何地，为什么，什么以及如何做的行为轨迹，然后对其进行细化. 可以按注册帐户，性别，年龄，个人成长阶段等细分人员（人）；时间（何时）可以从开始时间，结束时间等细分；从哪里可以细分为IP，位置信息，运营商，OS，型号，IMEI，网络访问方法（2G / 3G / 4G / WIFI）和其他细分；原因（为什么）可以从爱好，需求水平等细分；事物（什么）可以按主题，步骤等细分. 行为事件和维度的组合可以得出所需的指标，例如用户下订单的地方...

　　当前，有三种主要的数据采集方法（埋入点）:

　　2. 数据建模:

　　建立数据指标模型应大致考虑以下三个要素:

　　a. 连接行为数据和业务数据；

　　b. 回归关键数据指标

　　c. 数据可行性的多维考虑

　　找到第一个关键的重要指标，然后从诸如电子商务销售的子指标中得出

　　如果要增加销量，请增加购买者数量或提高客户单价.

　　销售=买家数量x每个客户的单价

　　销售=流量x转化率x客户单位价格

　　在到达产品详细信息页面中，这也可以导出为:

　　销售量=业务明细uv x订单率x付款率x客户单位价格

　　销售量=活动显示x活动转化率x订单率x付款率x客户单位价格

　　

　　All stage.png

　　3. 数据分析:

　　分析方法: 有效的数据分析方法可以更深入地挖掘数据的价值. 常见的数据分析方法和模型包括用户分组，A / B测试，多维事件分析，漏斗分析，AARRR分析等.

　　这里主要是渠道分析，AARRR分析模型，A / B测试和多维事件分析的示例:

　　●渠道分析方法

　　分析从潜在用户到最终转换用户的过程中用户数量的变化趋势，从而找到最佳的优化空间. 此方法通常用于分析产品运营的每个关键过程.

　　什么是用户转换渠道，是您的企业逐步转换用户的方式. 例如:

　　活动: 事件显示->单击详细信息->转化

　　问一个女孩: 建立一个对话->日期->握手-> ......

　　通过的每个阶段都可以分为几个子阶段. 在每个阶段，用户都将丢失，而用户将被保留. 准确记录漏斗每个链接的数据，以分析和优化每个链接的转换率是基于数据的操作的基础.

　　例如，在一个电子商务活动页面中，其渠道模型应如下所示:

　　

　　Order rate.png

　　从查看事件页面到详细信息页面的转化率为50％，在详细信息页面下订单的订单率为10％，从订购到付款的最终转化率为40％. <//p

p通过这样的渠道，我们可以分析每个链接代表什么以及如何改进:/p

p活动页面—>详细信息页面uv: 页面上的内容是否醒目，用户是否喜欢该产品，您需要根据页面点击情况及时更换效果较差的产品.

　　详细信息页面uv —>订单数: 详细信息页面是否有吸引力，页面加载速度是否有影响，是否有必要重新订购产品.

　　已下订单的数量—>付款人的数量: 付款指南是否较差，付款工具是否有缺陷以及是否低于行业平均水平.

　　此外，在同一系统内，还必须比较转换率（例如本月和上个月，本周和上周）是否有所增加，以便得出更准确的结论. 并发现问题.

　　●AARRR模型

　　AARRR（获取，激活，保留，收入，参考）是由硅谷风险资本家David McClure于2008年创建的. 它们指的是收购，激活，保留，收入和推荐.

　　

　　AARRR.png

　　在下面的示例中，哪个频道A或频道B更好？

　　

　　

　　例如，游戏AARRR每个阶段的指标

　　1.A（用户如何找到我们？）

　　DNU（每天新注册和登录的用户数），促销渠道监控（费用，流量）

　　2.A（用户有很好的初体验吗？）

　　DAU（每天登录游戏的用户数量），平均每日使用时间和项目关联分析模型

　　3.R（用户回来了吗？）

　　保留率（第二天保留，第7次保留，21次保留，30次保留），流失率，流失警告分析模型

　　4.R（您如何赚钱？）

　　PR（支付率），ARPU（每位用户的平均收入），ARPPU（每位用户的平均收入），LTV（终身价值）

　　5.R（用户是否告诉其他人？）

　　K因子，NPS等

　　●A / B测试

　　A / B测试是使用数据来支持不同的渠道，不同的人群，并最终选择一个计划.

　　A / B测试需要一定的数据支持来建立准确而有效的框架，例如不同的渠道，用户组版本，灰度版本等，以找到合适的解决方案，在此我不再赘述.

　　

　　AB test.png

　　●多维事件分析方法

　　多维事件分析，从多个角度细分数据，并发现数据更改的特定原因. 行为事件和维度的组合可以获取数据指标，例如在电子商务应用程序中:

　　行为事件（1H）: 搜索产品，单击产品详细信息，提交订单，支付订单，售后服务等都是一系列事件

　　维度（5W）: 人（人）可以按姓名，性别，年龄进行细分；时间（何时）可以从停留时间，订单事件，付款事件，到达时间等细分； IP，城市，运营商，操作系统，型号，IMEI，网络访问方法（2G / 3G / 4G / WIFI）和其他细分的来源；原因（为什么）可以从爱好，需求水平等细分；可以从主题，步骤等中细分的内容.

　　两者的组合可以获得多维指标，例如用户下订单的区域，来自哪个渠道，在过去的事件中支付了多少订单等等.

　　四，数据不是万能药

　　尽管数据是必不可少的，但它不是万能药. 例如，很难在产品创新的方向上获得动力，并且很难在长期的用户反馈中获得足够的数据判断，从而可以真正快速地驱动产品的用户. 增长？

　　

　　Verify.png

　　-制造真正有意义的产品

　　市场上的大部分产品意义不大. 特别是在这个过饱和的市场中，为了获得用户的快速增长，仍然有必要回到产品的核心，创造真正有价值的东西. 在数据的驱动下，这种组合可能会实现更大的增长.

　　-塑造品牌价值

　　为核心用户塑造品牌概念尤为重要. 在传统行业中，与互联网行业相比，许多公司更注重品牌. 但是，在互联网上，它们经常被忽略，这与其自身的热情有关. 关系，也许我们可以看看健身应用Keep的口号和品牌建立案例，以了解更多信息.

　　-使用成长黑客技术

　　在“ Growth Hacking”一书中，我谈到了许多黑客技术增长的案例，如何以低成本获得用户的增长等等.

　　第五，最后推荐一些*敏*感*词*统计分析工具和数据分析书

　　8种国内数据分析工具

　　大多数国内数据分析工具是少量免费功能+高级收费功能的组合.

　　1，有梦（）

　　2，不断增长的IO（无埋点）

　　3. Shence数据分析（）

　　4，TalkingData（）

　　5. 诸葛iO（）

　　6. 百度移动统计（）

　　7，ASO100（）

　　8. 蝉大师（）

　　8种外国数据分析工具

　　1，Google Analytics（分析）

　　2，Flurry Analytics（免费）-更好地了解用户组

　　3，Crashlytics-崩溃分析工具

　　4. Amazon Mobile Analytics（免费）

　　5，自来水流（免费）寿命周期分析

　　6. Followapps –应用完善的分析平台

　　7，App Annie

　　8，Claritics – App BI数据分析

　　**推荐的入门数据分析书籍**

　　•“头先统计”: 以简单的方式解释统计

　　•“精益数据分析”

　　•“基于开源工具的数据数据分析的魅力”

　　•“数据挖掘-在营销，销售和客户关系管理中的应用”

　　•“ R语言实战”