10 种常用的数据分析思路
　　数据分析的思路及其重要，以致于我们总是忽略它，重“术”而轻“道”，但其实应该一视同仁。这篇文章讲了表单分析、用户分析、埋点分析、聚类分析等10种分析方法，先学为敬~
　　道家曾强调四个字，叫“道、法、术、器”。
　　层次分别为：
　　“器”是指物品或工具，在数据分析领域指的就是数据分析的产品或工具，“工欲善其事，必先利其器”；
　　“术”是指操作技术，是技能的高低、效率的高下，如对分析工具使用的技术；
　　“法”是指选择的方法，有句话说“选择比努力重要”；
　　“道”是指方向，是指导思想，是战略。
　　在数据分析和产品、运营优化方面，数据分析方法是其核心，属于“法”和“术”的层次。
　　那么如何做好数据分析呢，今天咱们来讲讲十大数据分析的方法。
　　1、细分分析
　　细分分析是数据分析的基础，单一维度下的指标数据信息价值很低。
　　细分方法可以分为两类，一类是逐步分析，比如：来北京市的访客可分为朝阳，海淀等区；另一类是维度交叉，如：来自付费SEM的新访客。
　　细分用于解决所有问题。比如漏斗转化，实际上就是把转化过程按照步骤进行细分，流量渠道的分析和评估也需要大量的用到细分方法。
　　2、对比分析
　　对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值，通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。
　　常见的对比方法包括：时间对比，空间对比，标准对比。
　　
　　时间对比有三种：同比，环比，定基比。
　　例如：本周和上周进行对比就是环比；本月第一周和上月第一周对比就是同比；所有数据同今年的第一周对比则为定基比。通过三种方式，可以分析业务增长水平，速度等信息。
　　3、漏斗分析
　　转化漏斗分析是业务分析的基本模型，最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。
　　漏斗帮助我们解决两方面的问题：
　　在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。
　　在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害
　　4、同期群分析
　　同期群（cohort）分析在数据运营领域十分重要，互联网运营特别需要仔细洞察留存情况。通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。
　　同期群分析深受欢迎的重要原因是十分简单，但却十分直观。同期群只用简单的一个图表，直接描述了用户在一段时间周期（甚至是整个LTV）的留存或流失变化情况。
　　以前留存分析只要用户有回访即定义为留存，这会导致留存指标虚高。
　　5、聚类分析
　　聚类分析具有简单，直观的特征，网站分析中的聚类主要分为：用户，页面或内容，来源。
　　用户聚类主要体现为用户分群，用户标签法；页面聚类则主要是相似，相关页面分组法；来源聚类主要包括渠道，关键词等。
　　例如：在页面分析中，经常存在带参数的页面。比如：资讯详情页面，商品页面等，都属于同一类页面。简单的分析容易造成跳出率，退出率等指标不准确的问题，通过聚类分析可以获取同类页面的准确数据用于分析场景。
　　6、AB测试
　　
　　增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。快速验证，那如何验证呢？主要方法就是AB测试。
　　比如：你发现漏斗转化中中间有漏洞，假设一定是商品价格问题导致了流失，你看到了问题-漏斗，也想出了主意-改变定价。但主意是否正确，要看真实的用户反应，于是采用AB测试，一部分用户还是看到老价格，一部分用户看到新价格，若你的主意真的管用，新价格就应该有更好的转化，若真如此，新价格就应该确定下来，如此反复优化。
　　7、埋点分析
　　只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。
　　通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，即可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为。
　　如：重度交互（注册，邀请好友等）和交易事件（加购物车，下订单等）则通过SDK批量埋点的方式来实施。
　　8、来源分析
　　流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。
　　传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。
　　9、用户分析
　　用户分析是互联网运营的核心，常用的分析方法包括：活跃分析，留存分析，用户分群，用户画像，用户细查等。
　　可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标；通过用户行为事件序列，用户属性进行分群，观察分群用户的访问，浏览，注册，互动，交易等行为，从而真正把握不同用户类型的特点，提供有针对性的产品和服务。
　　用户画像基于自动标签系统将用户完整的画像描绘清晰，更有力的支撑运营决策。
　　10、表单分析
　　填写表单是每个平台与用户交互的必备环节，优秀的表单设计，对转化率的提升起到重要作用。
　　用户从进入表单页面之时起，就产生了微漏斗，从进入总人数到最终完成并成功提交表单人数，这个过程之中，有多少人开始填写表单，填写表单时，遇到了什么困难导致无法完成表单，都影响最终的转化效果。 查看全部

　　一份给数据分析小白的指南
　　转行数据分析的路上，很多同学都有这些困扰。“面对五花八门的学习资料，不知道从哪儿入手”
　　“没接触过数据分析工具，担心学习起来很难”
　　“没有数据分析项目经验，害怕找工作被拒”很多小白在刚接触数据分析的时候，缺乏数据思维的支持，做起分析来感觉找准方向，很难通过分析挖掘出数据的价值。为帮助大家更好的了解数据分析，快速补齐数据分析岗位所需能力，我今天给刚入行的新人们分享一种通用的数据分析思维，“Why-What-How”模型，这个模型在讲解概念和执行上是个不错的思维模型，在很多种分析场景都可以借鉴使用。本文将按照这个模型框架来拆分数据分析帮助新手小白更好地理解数据分析师这个岗位。WHY：为什么要做数据分析？数据分析是为了能以量化的方式来分析业务问题并得出结论，其中有两个重点词语：量化和业务。量化是为了统一认知，并且确保路径可回溯，可复制。除量化之外，另外一个重点词语是业务。只有解决业务问题分析才能创造价值，价值包括个人价值和公司价值。那么，如何站在业务方的角度思考问题呢，总结起来就是八个字：忧其所虑，给其所欲在沟通上，确定业务方想要分析什么，提出更合理专业的衡量和分析方式，同时做好节点同步，切忌一条路走到黑。举例来讲，业务方说要看页面停留时长，但他实际想要的，可能是想衡量用户质量，那么留存率、目标转化率才是更合适的指标。在阐述分析结果上，要记得结论先行，逐层讲解，再提供论据。
　　因为业务方或管理层时间都是有限的，洋洋洒洒一大篇邮件，未看先晕，谁都没心思看你到底分析了啥。在提供信息量及可落地建议上，先要明白什么叫信息量：提供了对方不知道的信息。太阳明天从东方升起不算信息量，从西方升起才是。WHAT：什么是数据分析？数据分析的本质是抓住变与不变。“变”是数据分析的基础，如果一个业务每天订单是 10000 单，或者每天都是以 10% 的速度稳步增长，那就没有分析的必要了。而若想抓住变，得先形成“不变”的意识。因此，我建议新手要形成习惯，每天上班第一时间查看数据：实时&日周月报；记录关键数据（榜单&报告）。在“不变”的基础上，便能逐渐培养出指标敏感性，即意识指标偏离的能力。这主要是通过各种日环比，周月同比的监控以及日常的好奇心来保持。HOW：怎么进行数据分析？下面我将从数据分析师的类别，需要掌握的技能以及工作日常三方面进行讲解。1、数据分析的类别科研数据分析：模型非系统化，纯粹学术，实际应用很难落地；要求编程能力极强，模型理论能力极强业务数据分析：非系统化，纯粹业务，无需要求编程能力，模型较为简单数据挖掘解决方案：系统化，糅合学术与业务，要求编程能力中等，模型理论能力中底下一般来说，业务数据分析应用场景广泛，更适合职场人士。
　　2、数据分析师需要的技能2.1 统计学与概率论统计概率是数据挖掘理论知识的基础。在日常的数据分析工作中，常常会用到统计概率论的知识。统计概率涉及到的条件概率、概率分布，统计检验等知识是学习数据挖掘必备的先验条件。书籍推荐：《深入浅出统计学》《统计学-从数据到结论》2.2 思维逻辑能力想要从事数据分析一职，最重要的就是要拥有数据分析的思维，很多小伙伴上来就学习各种工具和编程语言，但是发现学会了这些编程语言之后依然不会数据分析。数据分析的思维也不是一蹴而就，需要慢慢积累，多学一些分析的模型，多看一些数据分析的案例，以下是小编整理了数据分析常用到的模型。
　　由于不同版本的演绎，造成了分析方法种类繁多，令人眼花缭乱，甚至高深莫测。其实真不用把分析方法看的太高大上了，所有的分析方法总结起来就两种：分类和对比。2.21 对比分析顾名思义就是将两个或两个以上的数据进行比较，分析它们之间的差异，从而发现数据的变化情况和规律。对比分析法分为静态比较和动态比较两类，用来判断某个数据是好还是坏，以及某几个数据之间的差异性。一般在数据分析中我们可以从这样几个角度进行对比：2.22 分类分析分类分析就是把分析对象总体中具有不同性质的对象区分开，把性质相同的对象合并在一起，保持各组内对象属性的一致性、组与组之间属性的差异性，以便进一步运用各种数据分析方法来揭示内在的数量关系，最终目的是为了方便对比， 所以经常和对比分析法一起用 。分类分析一般有以下几种分类方法：2.3 业务知识数据分析是用来解决具体行业问题的，需要从业务的角度出发了解各个指标，以及每个指标之间的关系，还需要联系业务去理解数据。所以，工作中数据分析脱离不了业务，在分析中要找到导致问题发生的根本原因，而不只是单纯的统计数据。业务知识包括某个行业的常用指标、业务流程。需要注意的是，不同行业的指标、业务流程是不一样的，所以需要学习的时候针对你的目标行业去学习准备。如果是刚入门，这块内容做到了解即可，等进入工作以后，再慢慢深入业务，积累业务经验。下面列举了工作中常用到的指标（部分）：
　　2.4 必备工具由于需要处理大量的数据，所以在分析数据时经常使用专门用于分析的工具。由于在数据分析过程中进行的分析计算非常复杂，因此使用分析工具可以实现高效计算。每个公司使用的分析工具各不相同，如果对编程觉得有困难的小伙伴可以选择SPSSPRO。SPSSPRO是一款免费的在线数据分析工具，也是一种简单易学的零编程语言。包含所有基础基本统计分析算法，如描述性统计、相关、t检验、组间差异的非参数检验、相关与回归、方差分析等。SPSSPRO具有数据处理、数据分析、pro绘图、notebook编程等多种功能，可以满足绝大多数数据分析的日常工作需求。
　　
　　3、工作日常经过前面的分析，我们从整体上知道了数据分析师需要掌握的能力。但并不是说，这些能力全都掌握了你才能找到一份数据分析师的工作。因为不同的职位的要求不一样的。下面我们首先看看数据分析的工作内容是什么样的？针对不同的工作内容，我们来谈需要掌握的技能程度。数据分析师的日常工作内容可以大致分为以下三类，每个类型给出了相应的场景方便大家理解，通过这些常见的数据分析场景，你就可以获得数据分析项目的基本流程。
　　3.1 日常运营——基础性工作3.11 基本统计指标数据指标是通过对数据进行分析得到的一个汇总结果，是将业务单元精分和量化后得到的度量值，使得业务目标可描述、可度量、可拆解。如对一款软件来说，其常见的指标包括：每日活跃用户数、新注册用户数、次日留存率、七日留存率等。
　　数据分析前需要确定使用哪些指标去衡量业务成果。例如，针对一个APP产品来说，每当运营上新功能或新活动时，就需要去确定该用哪些指标去衡量这些功能或活动的效果；若后续要做一些深入分析的话，还需要考虑设计一些更深层次的指标。但数据指标体系的搭建并不是单个部门能够完成的，应至少有业务团队（包括市场、运营、产品等）、数据团队以及开发团队三个团队的共同协作。3.12 报表开发——制作日常日报、月报、周报
　　图中展示的是11月TOP10 热销产品情况，这是专门向领导汇报当月工作的内容， 告诉领导业务线的发展情况。如果在公司中只是处理类似这样的需求，数据源多数是在公司某个系统上进行下载成 excel，然后用 excel + PPT 就可以完成。技术要求：可以使用数据处理、pro绘图、ppt写分析报告即可业务要求：对于新手同学多做几个开源的项目，明白常规的分析思路就好3.13 可视化看板代替上述的日报、周报、月报当公司认为数据发挥的价值越来越大，业务需求也越来越多的时候，会发现写日报、周报、月报这样做需求效率太低了。可能会考虑使用 powerbi、tableau 这样付费的可视化软件进行需求开发。如下图，制作成这样的可视化看板，不管是业务同学还是上级领导，都会很方便的得到各个维度的数据，还能实现业务同学的自主分析需求。
　　
　　看板搭建主要以“简单高效”为主要目标，一般来说，需要满足以下几个设计要点：业务要求：能够掌握当下业务的流程、另外公司也会有相应的产品经理会和你一起定下需要的数据指标，难点在定下的指标要能实现。3.2 分析建模工作3.21 专题分析根据特定问题分析，比如某公司领导提出过度降价导致洗发水 A 的年度利润下降这样的一个需求，然后让你来具体分析下。
　　针对领导提出的需求，开始提出上文所示的假设，并作数据处理，看到这里的同学希望先停留几分钟想下，为什领导会认为是过度下降导致了利润下降了呢？难道是领导是看到洗发水 A 全年利润下降，并且对当时降价运营活动印象深刻，就是暂时这样认为的吗？其实经验丰富的数据分析师会站在和领导一样的高度上来考虑问题，把问题会进行转变,如下:
　　其实领导的问题应该是洗发水 A 的年度利润未能达到要求，让数据分析同学找出原因的。如果从事数据分析一段时间后，脑子中对于业绩下滑这样的专题分析，会很快的想出4p 营销理论，直接从产品、渠道、促销、价格全面的进行考虑，不会有遗漏。所以正确的提出假设应该是这样的:
　　那么大家感觉这块需要什么技能呢？只能说是常年积累的业务知识以及分析方法3.22 探索/诊断分析如果某个指标出现异常要怎么排查：案例：如何分析次日留存率下降的问题业务问题关键是问对问题，然后才是拆解问题去解决。（1）两层模型：从用户画像、渠道、产品、行为环节等角度细分，明确到底是 哪里的次日留存率下降了（2）指标拆解：次日留存率 = Σ 次日留存数 / 今日获客人数（3）原因分析：1）内部：a. 运营活动 b. 产品变动 c. 技术故障 d. 设计漏洞（如产生可以撸羊毛的设计）2）外部：a. 竞品 b. 用户偏好 c. 节假日 d. 社会事件（如产生舆论）（4）计算总留存下降量、abcd 四个渠道下降量，做比例3.23 预测性分析预测分析即根据往期数据进行预测，从描述性和诊断性分析中总结数据结果影响因素与发展态势，以了解可能发生的情况。对于未来数据的，举个例子，比如预测电商网站用户的流失分析，并挖掘出影响用户流失的关键因素。这块内容就是要涉及到算法使用了。技术要求:业务要求:能够明白公司相应业务流程即可，一般公司里面会有一到两周的熟悉业务的时间。3.3 撰写报告工作撰写数据分析报告可以说是数据分析师最核心的工作，是数据分析师核心价值的体现，常见的报告包括以下3种：总结数据分析的目的是为了更好的支撑业务发展，通过数据收集（数据埋点等），分析数据之间的关系（建模、搭建指标体系），反馈到目标业务线，用于指导业务工作。做数据分析首先数据准确性是第一位的，然后就是要站在业务方的角度思考问题，忧其所虑，予其所欲，这样做出来的分析更容易产出价值。 查看全部

　　网站分析常用的指标之内容指标：留存率、转化率
　　网站分析常用的指标之内容指标：留存率；转化率；客单价
　　1、流量与流量用户量上新页面页面用户是否还是活跃，跳转页面是否引导用户，
　　2、转化率：客单价次点击：次跳转：次下载/：次流量/
　　3、营收&营销计划：变相营销活动，下拉展示等活动；物料传播；促销：线上/线下活动，轮播广告，
　　4、留存率生命周期和流失，如何扩大老用户活跃度和新用户活跃度，如何优化老用户，提高流失用户生命周期内活跃度，
　　6、跳转拦截：判断是否是走平台跳转比如，同链接收藏，下载，分享，
　　7、页面引导：点击下载是否触发广告/下载app链接是否被劫持？劫持者是如何投放广告，
　　
　　8、可视化数据报表：分为两种第一种是动态--日流量/活跃/新用户/活跃用户占比，第二种是静态--次页面转化后转化率，页面转化次跳转后转化率，
　　6、3.1页面跳转度分析8.1页面跳转度分析8.2页面跳转度分析
　　9、获取漏斗快速分析（新增转化）1
　　0、网站流量一般过渡阶段（快速下载转化率，快速打开转化率，
　　1、后台流量过渡阶段（老用户流失流失趋势）ps网站分析常用的指标之转化率
　　1、流量与用户基本指标：/销售产品销售产品客单价
　　2、转化指标：2.1新增客户流失用户流失：新增用户流失/流失用户/漏斗转化率2.2用户下载转化流失：新增/漏斗转化率2.3新增的跳转率转化app下载量/下载用户
　　3、arpu/arppu
　　
　　1）arpu/arppu：销售效率/单笔订单/订单金额利润和用户数*天数/销售利润比率
　　2）cac值*用户下载量/app下载量/付费率*天数/利润/用户数*天数/单笔订单
　　4、转化率=(投入产出比)/投入产出比
　　1)arpu(客单价)=（1+uv/订单)*100/面单(单)
　　2)cac值（下载次跳转转化率）=新增用户/新增用户数*1.00*1.00/新增的跳转次数*1.00
　　3)cac=arpu*arpu*新增用户数*arpu*付费率
　　4)新增用户/新增用户数：新增用户=l/d*用户数=1+m*新增用户数注意：流失用户，可以从四个方面计算流失：a公司为老板提供流失用户管理产品/；b公司购买流失用户，但不提供。c公司没有提供流失用户管理服务的需求d公司也没有提供流失用户管理服务。
　　5、流失率=新增用户/流失用户
　　6、转化率：用户购买产品收 查看全部

　　必看！完整的数据分析是怎样的？
　　本文内容为如何建立以数据为导向的设计体系，讲一次完整的数据分析过程。大纲如下：
　　1、以数据为导向的意义
　　2、数据指标
　　3、数据分析方法
　　4、模型建立
　　5、数据验证
　　1、以数据为导向的意义
　　1、可视化
　　用户行为可视化，可清晰的了解整体/个体用户的行为。
　　如下图所示，通过Google Aanalytic 网站可清晰的掌握平台整体流量的来源，用户群体路径行为轨迹，这可以让设计师/产品经理清晰地了解到平台的用户行为轨迹和用户人群的操作习惯。
　　也可以清晰地了解每个用户的操作行为路径。如下图所示：
　　2、可追踪
　　可追踪产品任何一个时间段的数据，了解整体数据的变化。
　　如下图所示：通过曲线变化，可看出产品日活跃的变化，通过变化前后的节点可得到产品发生大变化的时间节点。
　　3、可验证
　　前期提供数据支持和后期方案的验证。
　　例如下图，通过优化产品界面的购买按钮，通过对比前后数据，看设计改版是否成功。
　　下图的固定产品的购买按钮点击率从6.4%提升到了9.8%，涨幅53.1%，由于涨幅大于0，同时没有外部其他因素影响数据变化，所以可得出结论，这次设计改版是成功的。
　　4、可预测
　　通过数据变化，可预测产品的走向和趋势。
　　如下图所示，通过日活曲线，可预测未来产品的日活增长速度。
　　从图可以看出，经历过第一次增长后，第二次增长的增长率低于第一次。未来产品如果想维持高增长，则需要投入更多的人力和费用。
　　2、数据指标
　　掌握数据指标有助于我们入门数据分析。
　　我将数据指标分为三类，分别为：综合性指标、流程性指标和业务性指标。
　　1、综合性指标
　　综合性指标：指的是能综合体现产品整体情况的指标。
　　对于非交易类型的产品，那么这个平台的综合性指标可以包含DAU、留存用户数、留存率和人均使用时长等等。
　　DAU
　　DAU：Daily Active User 。衡量产品使用的活跃度。明确产品的用户体量，方便产品设计了解产品的每日用户情况和用户增减趋势。
　　如下图所示，通过DAU可以很直观的了解产品的所处在的生命周期。和用户增长情况。
　　数据用途是方便产品设计人员了解产品的每日用户情况，了解产品的用户增长或者减少趋势。
　　留存率
　　留存率：某周期内留存用户数/某周期内访问用户数。用来衡量用户使用粘性，也是衡量产品引流成本的一个重要参考
　　数据用途是用来衡量用户使用粘性，也可以用来作为产品改版后的重要指标，留存率提升了，在不改变功能的情况下，说明设计改版成功。
　　产品的留存率越来越高，这说明他们的产品用户粘性越来越好。
　　当然不同行业的产品，留存率也是不一样的。社交产品，关系链越庞大越深度，粘性越好，用户迁移成本就越高，留存率也高。
　　人均使用时长
　　人均使用时长：用来衡量用户使用产品的深度，判断用户使用产品的粘性和依赖度。
　　单位用户的使用app的时长是一定的，当在一个app上花费的时间多，那么意味着在其他的app上就花费的时间少。
　　对于交易类型的产品，那么这个平台的综合性指标可能就包含GMV、支付UV、人均订单数、人均客单价等等。
　　GMV：用户的下单总金额。下单产生的总金额，包括销售额+取消订单金额+退款订单金额。举个例子：一个电商平台，所有用户一共下单了100万的商品，其中取消订单2万，退款10万，那么GMV就是100万。
　　数据用途是体现电商平台的交易规模，GMV越高说明这个电商平台的交易规模越大，平台体量越大。
　　支付UV：指下单并成功支付的用户数。举个例子：一个电商平台，有3000人点击购买，其中2000人，成功完成支付，则支付uv为2000人。
　　
　　数据用途是了解平台整体用户支付购买人数规模。
　　人均订单数：支付PV/支付UV，人均订单数大于1。举个例子：一个电商平台，支付pv为3000，其中支付人数为2000人，那么人均订单数为1.5。
　　数据用途是用于衡量产品/页面/功能的导购能力。
　　人均客单价：ARPU，GMV/支付UV。举个例子：一个电商平台昨天GMV有100万，其中支付UV1万人，那么人均客单价为100元。
　　数据用途是一段时间内每个用户平均收入，用来衡量产品效益。
　　2、流程性指标
　　流程性指标和用户操作流程中产品的指标有关。
　　常见的有：点击率、转化率、流失率和完成率。
　　点击率
　　点击率：点击率分为pv点击率和uv点击率。在实际工作中，使用pv点击率的情况比较多。这个要根据具体需求而定。
　　举个例子：如果当天知乎的首页展现PV是400万，5万人点击提问按钮有10万次，那么点击率就是 10/400=2.5%
　　转化率
　　转化率：下一步用户数/上一步用户数。
　　如下图所示，可以看到整个注册流程，每个节点的转化率数据。
　　流失率
　　流失率：（上一步用户数-下一步用户数）/上一步用户数。
　　通过流失率，可全局看出所有的流失情况，找到流失异常数据，可追踪之前是什么情况导致流失数据情况，并修复产品问题。
　　完成率
　　完成率：完成率相对于转化率而言，是最终的结果数值。转化率是过程值，完成率是结果值。
　　3、业务性指标
　　区别于基础通用型指标，业务性指标主要强调其业务属性，例如社交社区，则可能需要的业务指标为：人均发文数、人均评论数、人均点赞数，分享率等。
　　3、数据分析方法
　　数据分析和设计的方法这里简单介绍以下5种，分别为：行为事件分析、漏斗分析、留存分析、分步分析和对比分析。
　　1、行为事件分析
　　通过分析特定类型的用户行为，找到这种特定类型的用户行为的对产品带来的影响。也可以推算出这种特定的行为给产品带来的意义。
　　行为事件分析法一般经过事件定义、下钻分析、解释与结论等环节。
　　2、漏斗分析
　　流量在各个节点流转过程中，会存在一级级的流失。最终形成了漏斗形态，漏斗分析适用于一些列完整流程操作的用户行为。
　　找到设计过程中流失比较多的数据，通过数据找到流失的原因。
　　3、留存分析
　　通过找到整体留存情况，找到用户留存的关键性因素指标。
　　留存分为两种情况：
　　1.产品整体留存，整个产品的留存率，对象是整个产品。
　　2.功能模块流程，各个模块的留存，这里是针对于单个功能模块。
　　产品留存要分开看待。既要看整个产品留存率也要看所负责设计的各个功能模块留存率。
　　4、分布分析
　　用户在特定指标的各种占比的归类展现。
　　如下图谷歌数据分析网站所示，可以根据不同分布类型占比，进行分析。
　　5、对比分析
　　对比前后数据，通过对比数据的差值，验证设计。
　　1.自身产品比，对比产品其他模块相似场景的数据差异。通过对比找到问题点并做分析优化。
　　2.行业产品比，和同行业产品的数据对比分析，找出数据差异的问题所在，并给出对应的优化方案。
　　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是一个用来评估以及提升用户体验的模型，它由五个维度组成：Engagement（参与度）、Adoption（接受度）、Retention（留存度）、Task Success（任务完成度）和Happiness（愉悦度）
　　Engagement（参与度）：通常指的是用户的使用行为，这里面包含用户的活跃度、uv、pv、人均访问次数等，通过这些数据可以很好的反应整个产品的用户参与意愿度。
　　Adoption（接受度）：用户在特定（短）时间内开始”真正”开始使用某个新功能/模块。接受度主要体现在用户访问和操作等行为
　　Retention（留存度）：留存度即对于一个功能或者产品，一段长时间内从开始参与到现在连续活跃的用户，留存率是互联网产品的主要获利因素。
　　Task Success（任务完成度）：任务完成度主要指核心任务的完成率，在该纬度下包括三个基础用户行为指标：转化率、跳失率、成功率。
　　Happiness（愉悦度）：愉悦度是一个产品用户体验的最直观的评价感觉。
　　基于HEART五大维度可制作业务的数据模型，如下图所示：
　　2、AAARR
　　AARRR增长模型出自于增长黑客，即获客、激活、留存、变现、传播推荐。
　　AARRR是Acquisition、Activation、Retention、Revenue、Referral，五个单词的缩写，分别对应用户生命周期中的5个。
　　获取用户（Acquisition）：本阶段最主要的目的是将潜在的目标用户转化成我们产品的用户，并且开始使用产品。提高用户注册转化率的关键在于，调优产品的着陆页，要准确传达产品的核心价值。
　　需要的数据指标：流量来源、CAC(用户获取成本)、CPC(每次点击付费) 、CPT(按时长付费)、 CPM(千人成本) 、 CPS(按提成收费) 、CPA(按点击计费) 、Campaign(塑造品牌)
　　提高活跃度（Activation）：对于移动应用产品，用户活跃度还有另外两个关键数据指标：每次启动平均使用时长和每个用户每日的平均启动次数。
　　需要的数据指标：DNU(日新增用户) 、DAU/WAU/MAU 、 ACU(平均同时在线人数)、 PCU(最高同时在线人数)、 PV、 UV 、意向UV(进入意向页面的用户数)、 PV/UV、 CTR(点击率)、 意向UV-CTR （点击UV/意向UV）、VV(视频播放次数)、访问时长、停留时长、滚动屏数、人均停留时长、人均操作次数、 N次操作占比、行为路径、访问频次、跳出率、用户来源、用户去向。
　　提高留存率（Retention）：用户留存率是非常重要的一个数据指标，留存率衡量着一个产品是否健康成长。
　　需要的数据指标：留存率、次日留存率、7日留存率、30日留存率、回流率、召回CTR（提取出的正确信息条数 / 样本中的信息条数)、用户生命周期 (周期/(1-周期内新增留存率))
　　获取收入（Revenue）:即用户给产品贡献的收入价值，公司从用户所有的活动中所得到的全部经济收益的总和。
　　需要的数据指标：GMV 、ARPU(每用户平均收入）、ARPPU(平均每付费用户收入）、LTV(生命周期价值)、 PBP(回收期)、 ROI(投资回报率 )、收入地图 、客单价、 消费次数 、消费频率、 订单量、 利润、 购买偏好、 直接引导成交、 间接引导成交、 购买间隔
　　用户推荐（Refer）：通过用户推荐再次获取新用户，应用运营形成了一个螺旋式上升的轨道。而优秀的应用就很好地利用了这个轨道，不断扩大自己的用户群体。
　　需要的数据指标：分享率、分享次数、K-Factor (病毒传播指标)、 NPS
　　AARRR模型对应的数据指标如下图所示：
　　3、RARRA
　　RARRA的数据模型，本质上是在AARRR的基础上进行顺序调整得到，以满足日益获客成本所带来的压力成本。RARRA模型相比与AARRR可以使得获客成本更低。
　　用户留存Retention：为用户提供价值，让用户回访。
　　用户激活Activation：确保新用户在首次启动时看到你的产品价值。
　　用户推荐Referral：让用户分享、讨论你的产品。
　　商业变现Revenue：一个好的商业模式是可以赚钱的。
　　用户拉新Acquisition：鼓励老用户带来新用户。
　　RARRA通过最重要的指标来关注增长：用户留存。
　　RARRA与AARRR的区别是，RARRA模型里面用户的留存重要性远高于获客。
　　在数据模型中，我们可以学到数据模型的分类思路，以及如何创造出适用自己团队的数据模型。
　　基于这个目的，我们可以将市面上常见的数据模型找出来并进行整理并分析。通过熟悉主流的数据模型的产出逻辑，并从中找到规律，创造出适用于自己团队的数据模型。
　　5、数据验证
　　通过核心指标判断设计方案是否符合预期，以此验证设计方案是否成功，并为后续产品的迭代优化做依据。
　　1.关注设计的核心指标
　　设计过程中，要关注设计的核心指标，针对于核心指标，进行针对性的设计。
　　如果改版的最重要（核心）的指标是任务流程完成率，先查看用户操作流失率，然后分析找出流失原因，给出对应的优化方案。等到优化方案的产品版本上线后，对比完成率数据变化。
　　如果改版的最重要（核心）指标是人均观看次数，则要思考可通过哪些设计策略可提升产品的人均播放次数。
　　举个例子，新浪微博，以前版本用户看完视频后，视频会有重播按钮和推荐视频，用户只有进行下一步点击才能播放下一个视频。改版后看完视频会自动切换到下一个视频。这样的设计策略虽然绑架了用户的行为，用户从一个主动接受者，变成了一个被动接受者，但是这种策略能有效的提升人均播放次数。
　　2.核心指标带来的价值/收益
　　当验证了核心指标往好的方向发展，这时候，就需要总结核心指标带来的价值和收益，这样的话设计价值才可以直接被量化。
　　举个例子：一个banner的点击率达到3%的时候，每天GMV约200万，当重新设计了这个banner，同时其他条件保持不变，点击率提升到了6%，这时候通过数据查看每天的GMV是多少，如果达到了400万，那么这增加的200万则是通过设计优化所带来的。
　　数据验证总结后有四步：
　　1.关注改版的核心指标
　　2.核心指标带来的价值/收益
　　3.确定上线时间
　　4.对比上线前后数据变化，进行验证
　　欢迎关注，关注就送好资料 查看全部

　　企业网站分析常用的指标之内容指标分析实例进行分析
　　
　　网站分析常用的指标之内容指标一般只能做一些局部的数据分析，因此，要想对企业的整体状况进行分析，得到更有价值的分析结果，还需要建立企业的整体数据分析思路。下面我们就具体实例进行分析一下：如下图是某企业的网站流量分析，该企业的流量渠道主要分为各大搜索引擎、b2b网站、导航网站、app、社交网络、企业官网等。
　　
　　要想准确了解用户从网站到企业的整体流量情况，我们就必须了解各渠道的流量来源和比例。通过对各渠道流量的分析，就能知道用户一般来自哪里，哪些用户对品牌感兴趣，哪些用户对用户画像比较感兴趣，什么样的用户最关注产品，最关注哪个话题，什么样的用户愿意付费等。图1某企业网站流量分析单纯看流量流向图，我们可以发现有流量过app和b2b网站的比较少，而流量又流向网站导航网站和官网的比较多，但其实这两个渠道的流量比例并不高，因为app和导航网站是用户使用频率最高的，品牌认知度最高的，企业官网是用户获取最多的，是营销成本最低的渠道。
　　所以要想获得更精准的流量，就必须加强对网站渠道、用户画像和品牌形象的了解。有效利用数据，从而掌握企业整体营销情况。完善企业数据分析思路，为精准地提升转化率、提升品牌知名度，做好预算管理做出贡献。 查看全部

　　经验分享 ：以互联网行业为背景下的数据分析通识
　　前言
　　我们上节内容，给大家介绍了数据分析如何入门、数据分析的基本流程，相信大家对入门数据分析的一些要求和入门方法都有了相应的了解。在这里继续探讨，数据分析入门之后的一些事情，包括数据分析的进阶方法、数据分析的发展前景和优势。目的是给大家提供一个做数据分析工作未来的规划的方向，同时对目前职业状态也会有一个更全面的定位了。七
　　数据分析进阶
　　01
　　数据分析进阶的阶段
　　在入门阶段开始时，我们对数据分析基本流程有了一个概念的认识。那么，在进阶的阶段，要做的事情很简单，那就是：完善数据分析流程的基本面理解、更加深入地学习数据分析工具。
　　我们来看一下数据分析进阶的阶段：
　　
　　第一阶段：基本信息处理大部分情况下，公司的数据体系相对已经比较成熟了，所有到你手上的数据都是相对比较干净和统一了，这时候数据分析的主要工作就是各种数据的提取以及数据处理。这里面涉及到，整理并了解各种数据指标，搭建数据监控数据表格，包含日常数据监控表、渠道汇总表、销售明细报表、新增用户表等等，而使用的工具一般为Excel。而SQL在此阶段可作为辅助工具，从数据库提取和统计数据，然后导入Excel继续做表格，在这个阶段要突破的技能就是 ：Excel的技巧和使用。下面简单介绍一下，在进阶阶段，对于Excel的技巧应该要掌握到什么样的水平。基本功能就不必介绍了，之前有一篇推文提及到，如果在推文里面的练习题你可以做到满分，说明你已经基本合格了。（推文：Excel基础知识，Excel功能篇，Excel函数篇）在常用函数上，你需要掌握如下的函数：
　　其他平时少用的函数，则大可不必花大量时间去研究，除非你立志要成为Excel表格大师。用的比较少的函数，在需要用的时候上网搜索相关资源即可，所以平时只需要掌握常用的这几类函数就足够了。数据透视表的内容比较简单，跟BI工具的操作如出一辙：拖拉拽。将你想要透视的字段合理的进行规整，并适当的设置透视表的格式，当然如果你想考虑设计一个指标驾驶舱，并使用控件对驾驶舱数据进行更新，那么你还需要学习如何将透视表和控件参数进行联动的内容。基本图表的使用非常重要，除了要学会Excel里面常用图表的创建方法，还需要学习如何用图表来准确的表达你想传达的信息。在图表设计上，表达内容比图表制作更重要，同时还要考虑基本的配色，来配合你传达内容的主题。如果在这一块想深入了解的话，这里面就是可视化的内容了。Excel已经是非常成熟的软件，几乎所有使用技巧你都可以各种书籍以及相关的网站里找到并操练起来。如果数据量不大，且数据以数值为主，处理简单的计算逻辑，Excel基本就够用了。而当你需要更强大的一些功能，比如对多张数据表灵活切换、分组、聚合、索引、排序，并且结合各种函数的使用，或采用到复杂些的数据分析模型、统计方法，则可进一步学习SQL以及学习Python的Pandas库进行更高阶的表格处理。
　　第二阶段：学会SQL获取数据此阶段，我们要知道如何去获取数据，其中最常见的就是从关系型数据库中取数，可以暂时不会R语言和Python，但是必须掌握SQL数据库语言。大数据时代，数据正在呈指数级增长，面临的数据量会大大增加，从GB，到TB，甚至到PB，非常可观。因此，有着固定行数限制的的Excel显然无法满足需求这种大容量数据的分析。因此，学习数据库语言就显得非常有必要了。SQL数据库语言至少要掌握哪些内容呢：基本的增删改查会了之后，还得学会高级一点的功能，例如：这时候就需要学习数据库。理解数据库和数据存储结构，会一点增删改查的数据库操作，因此，SQL是数据分析的核心技能之一，在这个阶段就是从Excel到SQL的数据处理效率进一步进阶。我们经常说“学以致用”，“以用促学”，最好的学习方式就是练习，现在很多平台都有提供练习SQL语言的地方，例如牛客网、LeeCode网等等。经常刷刷题，保持做代码的感觉，是有必要的。
　　
　　第三阶段：数据可视化展现数据分析所有的流程里面，数据可视化是发现数据和展示结果的重要一环。试想仅将数据分析结果以数字报告或数字表格的方式呈现在老板的办公桌上，十年如一日，老板会有啥感想？
　　具备图表可视化能力，更加直观地展现分析结果，帮助管理层抓住数据本质，最好方式就是做出观点清晰数据的PPT和报表给老板看。可视化能力是这个阶段的数据分析人员必不可少的技能。在数据可视化展现时，一般的工作场景中常见的就是Excel数据透视表功能，而且目前有WPS里有很多好的的可视化图案可供大家选择，还有目前现成的商业智能分析软件，如power BI或Tableau等，这两个工具都不要编程功底，实现起来简单，功能强大，BI商业软件可以满足你大部分的可视化需求，不过功能也会存在一些受限的场景。然而，Python语言在数据可视化方面也有很多功能，比如Pyecharts等，使用编程语言的好处是更灵活、可以更好地适应特殊的需求。推荐书籍：《用图表说话》-麦肯锡
　　第四阶段：数据贴合业务进行分析从按月汇总的数据明细，各种业务信息、驱动因素、环境变量、变化路径，经过层层的汇总筛选处理，可能已经遗失了大量信息和数据，导致数据分析有所局限，很难对业务决策起到支持作用。此阶段，贴合业务数据综合的分析，通过对业务的了解 ，基于业务的逻辑对数据进行分析，找到数据指标变动原因，通过发现业务问题点。这个阶段需要进行高阶的数据处理、加工和分析，通过Sql或者Python读取数据库的庞大数据，也是数据分析人员的必经之路。你会真正从数据的角度开始理解业务，洞察一切细节深究业务，也是在这个阶段真正的数据分析进阶。
　　
　　第五阶段：数据驱动业务在数据的领域里，整理了无数的数据报表，梳理了很多遍的业务逻辑，最后数据分析人员开始进入这个阶段：如何高效能的优化数据指标监控体系，让数据报表之间的井然有序，让数据分析更简单和灵活，让决策迅速而优化？能结合行业背景，利用数据挖掘工具，建置数据挖掘模型，发掘规律、商业价值、降本提效？支持优化业务决策、发掘规律、商业价值、降本提效？这不就是数据的分析的价值所在么？因此 ，此阶段数据分析人员就需要建立复杂的多维的决策建模，使其更有体系，真正的实现数据驱动业务。就是将二维的平面数据报表，进阶到一个个立方体的多维宇宙，多方位的实现数据驱动业务增长，高效能的解决实际业务场景中遇到的大部分复杂工作。比如上千家门店的销售数据报表合并等。
　　
　　
　　小结
　　总之，在数据分析进阶的过程中，有两个方面的能力：一是思维能力，包含财务思维、管理思维、业务思维、商业思维等；二是技术能力，主要是软件使用能力和数据展示能力等。可以说，分析工具是数据分析必备的硬件模块，它就像一双手。而分析思维，是数据分析必备的软件模块，它就像一个大脑。这两个方面的能力一直穿插在数据分析进阶的过程中，在不同的阶段不断的更新迭代、不断的提升。
　　02
　　思维与数据分析
　　所谓的数据思维，其目标是让数据传达出真正的信息，且呈现出画面感，而不是一堆堆冰冷的数据指标。就像简历或者工作总结中，要体现活动营销转化率提升5%，创建企业率提升5%，会员业绩提升8%一样。数据分析思维是通过各种方法收集数据，了解需求，然后改进决策，不断迭代，降本提效。在工作和生活中，我们应该通过不同的场景，来不断培养数据思维习惯。如在工作中：▶在广告投放时，尝试去估算广告的受众群数量大小，渠道数量、成本和效果回收情况，想办法去拆解出各种影响因素、预期效果、投入成本等信息。▶在优化产品时，去梳理其商业模式、面对的用户群体、群体的使用场景，以及可能设置的付费点并去验证，同时想到可改进的价值点，并观察后续运营动作是否验证了改进点。▶在整理回访数据时，能通过线索来源，通话总次数，通话有效次数&时长，线索意向级别，销售司龄等数据维度来判断这组客户的意向度，缩短成单周期。·······在生活中：▶观察并思考为什么滴滴打车你的价格高？可能你周围叫车用户多而司机少，也可能"其他原因"。▶观察并思考为什么微信订阅号文章改版后，有了点赞，还要增加在看？微信想加深用户粘性，让你看到更多朋友的世界，也让微信文章得到更多曝光。▶观察并思考为什么每个超市都鼓励办会员卡？因为要留住你，增加你选择去他们消费的机会，减少去竞争对手消费的机会。·······
　　
　　小结
　　以上是我们可以在工作和生活中需要培养数据思维习惯的思考场景，当然，不同场景产生差异化的行为，而数据分析思维让我们从数据上观察到这些差异，然而在实际工作中的前提是，我们要熟悉自己的业务流程以及业务指标等，我们在培养数据思维的同时数据敏感度会不断提升。
　　03
　　工具与数据分析
　　数据分析的工具市面上也是有很多的，也在不断进化发展的，这时我们就需要根据公司业务情况进行选择。比如做市场研究、竞对分析经常会使用Python进行外部数据的抓取，统计分析领域常用到SPSS，以及调用地图开放平台进行地图可视化绘制。对于数据分析进阶之路上，在不同阶段应用的工具也有所不同，Excel+SQL这2个工具在上述篇章作为入门的数据分析工具提过，这里就不展开介绍了，这里在进阶方面推荐一下Python+可视化工具。█Python大多数人可能是从0开始，从未接触过编程，因而入门确实是有一定难度的。而更为关键的原因是，从数据分析进阶的过程中，从技能上来看，Python使用场景丰富，助益颇多，又语言简洁，适合新手学习。Python是一种面向对象、解释型计算机程序设计语言。Python语法简洁而清晰，具有丰富和强大的类库。它常被昵称为胶水语言，能够把用其他语言制作的各种模块轻松地联结在一起。来看看Python能帮数据分析人员做到哪些：········（作用太多了 ，就不一一列举了）█可视化工具数据可视化工具，即将数据分析结果转化为图表，其终极目标是洞悉蕴含在数据中的现象和规律，目前市面上的数据可视化工具很多，但基本逻辑都是相通的。可从Power BI+Tableau两种工具开始。▶Tableau将数据计算和美观的图表完美地融合在一起，可以在几分钟内生成美观的图表、坐标图、仪表盘与报告。是用来快速分析、可视化的强大工具，偏向商业分析。其特点：轻松整合，易上手，类似于Excel数据透视表/图的功能，可进行交互，能轻松制作美观的仪表盘、坐标图。▶Power BI属于微软做的一个专门做数据分析的商业智能软件，先用PowerQuery处理和清洗数据，再用PowerPivot建模，最后用Power BI的图表库作图。其特点：与Excel无缝对接，创建个性化的数据看板，对于常用Excel的来说学习上手也相对容易。
　　
　　小结
　　除以上提到的Excel+SQL+可视化+Python等数据分析工具外，还有很多其他的工具，如SPSS、R语言等，大家在学习时，可以根据自己的实际需要来学习，不必要花费大量时间，做到样样精通。这些工具主要是能够帮助我们在短时间内完成复杂的数据分析计算过程，输出准确的数据分析结果，提高工作效率的。总之 ，在数据分析工作中，分析工具和分析方法是密不可分的，科学的方法结合高效的分析工具使用，才能提高分析效率和质量。
　　04
　　数据进阶的知识点和书籍推荐（仅供参考）
　　1）网络爬虫、SPSS、SAS、R语言等的学习：《SPSS统计分析基础教程》、《问卷数据分析-破解SPSS的六类分析思路》、《R语言实战》等书籍。2）数据挖掘算法得到学习：这部分相对来说还是比较难的，但是在工作中会去深化理解和学习，可以粗略的看看，等工作中遇到的时候再去针对性学习。学习资源有：经典的 《统计学习方法》，主讲分类算法，偏理论推导《机器学习实战》《机器学习》等书籍。3）数学知识的学习：概率论基础、独立事件、条件概率、全概率公式以及贝叶斯定律，有《概率导论》《线性代数》《概率论与数理统计》等书籍。·······八
　　数据分析存在的挑战以及发展前景
　　01
　　数据分析挑战在哪里？
　　
　　▶入门容易，进阶难
　　“数据分析”越来越成为各个职业的必备的基本技能，各个职业上的从业人员都会开始学习数据分析，如运营、产品、技术、人力、财务都需要一些数据分析的思维和技能，因此，不只是从事数据分析领域的人员需要掌握的，别的职能也需要懂些基本的，尤其在互联网行业，要了解常用的基本分析框架和思维，简单的做个报表，读懂 A/B test，能做简单的决定等等。但是呢，在数据分析这个领域，进阶非常难，在方法论以及思维方面，因为实际操作中有很多坑，而这些坑，通过在书本里是很难找到的，即使有也是非常零散。在技能方面呢，大部分人又从未接触过编程，因此，进阶的过程会有一定难度的。▶不能有效推动业务，价值产出弱互联网行业是一个构建在规模经济之上的、竞争相当激烈的行业，产品更新迭代速度快。只有快速迭代产品，更好、更快地满足用户需求，吸引足够多的用户关注与使用，获得快速增长，才能拿到融资、才能获得较好的现金流，否则很难生存下去。目前2C行业已经到了增长的天花板，竞争只会愈演愈烈。企业会更加在意数据分析的价值产出，希望以数据驱动的形式快速迭代产品，产生更多的用户增长和现金流。但是呢，业务发展太快，导致人手不足，数据分析人员没法深入了解业务，没有贴合业务的数据分析产出的结果，并不能真正的推动业务增长，也不能很好的判断哪些需求的优先级，可能导致避重就轻。
　　进而，缺乏数据分析落地的实例，进而循环往复。当然，这里面影响因素是多种多样，而且互相影响，就不一一展开了。▶存在感不强，技能要求会越来越高在很多时候不少公司又缺乏充足的落地的实例，于是行业整体看来，数据分析人员即不如技术类工种难度高、需求大，又不如产品类工种贴近业务，因此，其主要的工作是支撑业务部门，为业务部门提供各种数据用于业务决策。但业务方往往不清楚业务的真实需求，数据分析人员更加不太关注业务，沦为一个取数机器或者表哥等。最终，对工作的热情一定不会高，也会失去一定存在感。但是呢，随着科学技术的进步、5G技术的成熟，整个互联网行业上将会产生越来越多的数据，这些数据呈现出越来越非结构化的趋势，数据种类也越来越多样化，这些数据包括文本、图片、视频、音频、网页、社交关系等多种数据类型，其处理方式也会更加复杂。因此，不光要懂SQL、Python等，未来的数据分析人员可能还要精通（至少要了解原理、会用工具）很多其他的数据处理技术。这无形给数据分析人员提出了更高的要求，工作也会更加有挑战。
　　02
　　数据分析发展前景
　　在大数据和5G技术逐渐成为趋势的时代背景下，“数据”是越来越常见，如社交网络、消费信息、旅游记录……企业层面的销售数据、运营数据、产品数据、活动数据……如何快速精准的对这些数据进行处理？如何从海量数据中挖掘别人看不见的价值？如何利用这些数据来做精准营销投放、优化产品、用户调研、支撑决策？因此，运营、产品、市场、营销等工作岗位中数据分析是必不可少的一项技能！数据分析可以将数据的价值最大化！而从各大招聘网站也可以看出来，在薪资方面也是相当可观的！并且现在各个互联网的岗位都需要数据分析技能！由此可见，在未来互联网职场中，“数据分析”技能无疑成为的标配！就数据分析前景而言，其发展路径无非是两条：要么在公司内部做数据分析，偏前端，重在业务分析，用数据分析赋能业务发展。要么数据挖掘方向，偏后端，技术能力要求更高一些，但对业务的理解是基础。而做数据分析更应该考虑如何用数据创造价值，如果你没有用数据创造价值的能力，那么就只能等着被数据淹没，沦为一个取数的或者做报表的机器而已，也就早早的到达职业的天花板。这往往体现在数据价值的层面上，越往数据应用层靠拢，对数据产生价值的要求就越高，从事数据分析领域的人要常常自省是否有更好的商业意识、数据思维、业务理解能力、数据敏感度等，毕竟在公司层面，没人关心你是否比某个指标提高了一个百分点，公司关心的是你提高了这一个百分点之后，对公司产生的价值是什么。那么，你就需要成为具备商业意识、数据思维、业务理解能力、数据敏感度等的高价值的数据人员，所以多多学习吧，别太约束自己，故步自封，多在行业领域内交流。（注：本文由木兮、红星共同完成。）转自：木木自由 公众号；
　　END 查看全部

　　一篇文章让你看懂数据分析的目的、方法、工具及实际应用
　　|沙龙精选自公众号杜王丹
　　我特别不喜欢装逼的产品经理，看文章也一样不喜欢华而不实的。所以督促自己写文章时，把懂的、经历过的能细就写的尽量详细；不懂的就去学，然后把整理的笔记分享出来，数据分析方面我涉入不多，内容由于缺少实战经验，会比较基础和理论，希望同样对你有帮助。
　　1. 明确数据分析的目的
　　做数据分析，必须要有一个明确的目的，知道自己为什么要做数据分析，想要达到什么效果。比如：为了评估产品改版后的效果比之前有所提升；或通过数据分析，找到产品迭代的方向等。
　　明确了数据分析的目的，接下来需要确定应该收集的数据都有哪些。
　　2. 收集数据的方法
　　说到收集数据，首先要做好数据埋点。
　　所谓“埋点”，个人理解就是在正常的功能逻辑中添加统计代码，将自己需要的数据统计出来。
　　目前主流的数据埋点方式有两种：
　　常见的第三方统计工具有：
　　网站分析工具
　　Alexa、中国网站排名、网络媒体排名（iwebchoice）、Google Analytics、百度统计
　　移动应用分析工具
　　Flurry、Google Analytics、友盟、TalkingData、Crashlytics
　　不同产品，不同目的，需要的支持数据不同，确定好数据指标后，选择适合自己公司的方式来收集相应数据。
　　3. 产品的基本数据指标
　　新增：新用户增加的数量和速度。如：日新增、月新增等。
　　活跃：有多少人正在使用产品。如日活跃（DAU）、月活跃（MAU）等。用户的活跃数越多，越有可能为产品带来价值。
　　留存率：用户会在多长时间内使用产品。如：次日留存率、周留存率等。
　　传播：平均每位老用户会带来几位新用户。
　　流失率：一段时间内流失的用户，占这段时间内活跃用户数的比例。
　　4. 常见的数据分析法和模型
　　这里主要科普下漏斗分析法和AARRR分析模型。
　　用来分析从潜在用户到最终用户这个过程中用户数量的变化趋势，从而寻找到最佳的优化空间，这个方法被普遍用于产品各个关键流程的分析中。
　　比如，这个例子是分析从用户进入网站到最终购买商品的变化趋势。
　　
　　从用户进入网站到浏览商品页面，转化率是40%；浏览商品到加入购物车转化率是20%等，那要找出哪个环节的转化率最低，我们需要有对比数据。
　　比如第一个，进入网站到浏览商品，如果同行业水平的转化率是45%，而我们只有40%，那说明这个过程，没有达到行业平均水平，我们就需要分析具体原因在哪里，再有针对性的去优化和改善。
　　当然，上面这是我们设计的一种理想化的漏斗模型，数据有可能是经过汇总后得出的。而真实的用户行为往往可能并不是按照这个简单流程来的。此时需要分析用户为什么要经过那么复杂的路径来达到最终目的，思考这中间有没有可以优化的空间。
　　这个是所有的产品经理都必须要掌握的一个数据分析模型。
　　AARRR（Acquisition、Activation、Retention、Revenue、Refer）是硅谷的一个风险投资人戴维 · 麦克鲁尔在2008年时创建的，分别是指获取、激活、留存、收入和推荐。
　　
　　举个例子，用AARRR模型来衡量一个渠道的好坏。
　　
　　如果单从数据表面来看，A渠道会更划算，但实际这种结论是有问题的，用AARRR模型具体分析如下：
　　渠道A的单个留存用户成本是60元，单个付费用户成本是300元；而渠道B的单个留存用户成本是20元，单个付费用户成本是33元，这样对比下来，明显B渠道的优势远远大于A渠道。
　　5. 常见的数据分析法和模型
　　在上篇提到的漏斗分析法和AARRR模型外，这里再补充一个：交叉分析法。
　　交叉分析法：通常是把纵向对比和横向对比综合起来，对数据进行多角度的结合分析。
　　举个例子：
　　a. 交叉分析角度：客户端+时间
　　从这个数据中，可以看出iOS端每个月的用户数在增加，而Android端在降低，总体数据没有增长的主要原因在于Android端数据下降所导致的。
　　那接下来要分析下为什么Android端二季度新增用户数据在下降呢？一般这个时候，会加入渠道维度。
　　b. 交叉分析角度：客户端+时间+渠道
　　从这个数据中可以看出，Android端A预装渠道占比比较高，而且呈现下降趋势，其他渠道的变化并不明显。
　　因此可以得出结论：Android端在二季度新增用户降低主要是由于A预装渠道降低所导致的。
　　所以说，交叉分析的主要作用，是从多个角度细分数据，从中发现数据变化的具体原因。
　　6. 如何验证产品新功能的效果
　　验证产品新功能的效果需要同时从这几方面入手：
　　a. 新功能是否受欢迎？
　　衡量指标：活跃比例。即：使用新功能的活跃用户数/同期活跃用户数。
　　
　　使用人数的多少还会受该功能外的很多因素影响，千万不可只凭这一指标判断功能好坏，一定要结合下面的其他方面综合评估。
　　b. 用户是否会重复使用？
　　衡量指标：重复使用比例。即：第N天回访的继续使用新功能的用户数/第一天使用新功能的用户数。
　　
　　c. 对流程转化率的优化效果如何？
　　衡量指标：转化率和完成率。转化率即：走到下一步的用户数/上一步的用户数。完成率即：完成该功能的用户数/走第一步的用户数。
　　这个过程中，转化率和完成率可以使用（上）篇中提到的漏斗分析法进行分析。
　　d. 对留存的影响？
　　衡量指标：留存率。用户在初始时间后第N天的回访比例，即：N日留存率。常用指标有：次日留存率、7日留存率、21日留存率、30日留存率等。
　　
　　e. 用户怎样使用新功能？
　　真实用户行为轨迹往往比我们设想的使用路径要复杂的多，如果使用的数据监测平台可以看到相关数据，能引起我们的反思，为什么他们会这么走，有没有更简便的流程，以帮助我们作出优化决策。
　　7. 如何发现产品改进的关键点
　　产品改进的关键点，是藏在用户的行为中。
　　想要找到这些关键点，除了通过用户调研、访谈等切实的洞察用户外，在产品中设置相关数据埋点记录用户的行为，观察其行为轨迹，不能完全替代洞察用户的行为，不过也可以有助于决策产品改进点。
　　操作步骤：
　　
　　这一部分的实际案例，小伙伴们可以下载该电子书，查阅第四章的内容。
　　下载地址：
　　8. 写在最后
　　数据分析这个领域，需要学习的内容，不仅仅只有我写的这些，如果对数据分析很感兴趣的小伙伴，也可以看看这两个网站：
　　网站分析在中国
　　蓝鲸的网站分析笔记 查看全部

　　十种常用的的数据分析思路，你都知道吗？
　　道家强调四个字，叫“道、法、术、器”。
　　层次区别：“器”是指物品或工具，在数据分析领域指的就是数据分析的产品或工具，“工欲善其事，必先利其器”；
　　“术”是指操作技术，是技能的高低、效率的高下，如对分析工具使用的技术（比如用Excel进行数据分析的水平）；
　　“法”是指选择的方法，有句话说“选择比努力重要”；
　　“道”是指方向，是指导思想，是战略。
　　在数据分析和产品、运营优化方面，数据分析方法是其核心，属于“法”和“术”的层次。
　　那么如何做好数据分析呢，今天我们来讲讲互联网运营中的十大数据分析方法。
　　01 细分分析
　　细分分析是分析的基础，单一维度下的指标数据的信息价值很低。
　　细分方法可以分为两类，一类逐步分析，比如：来北京市的访客可分为朝阳，海淀等区；另一类是维度交叉，如：来自付费SEM的新访客。
　　细分用于解决所有问题。
　　比如漏斗转化，实际上就是把转化过程按照步骤进行细分，流量渠道的分析和评估也需要大量用到细分的方法。
　　
　　02 对比分析
　　对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值，通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。
　　常见的对比方法包括：时间对比，空间对比，标准对比。
　　时间对比有三种：同比，环比，定基比。
　　例如：本周和上周进行对比就是环比；本月第一周和上月第一周对比就是同比；所有数据同今年的第一周对比则为定基比。通过三种方式，可以分析业务增长水平，速度等信息。
　　
　　03 漏斗分析
　　转化漏斗分析是业务分析的基本模型，最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。
　　漏斗帮助我们解决两方面的问题：
　　在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。
　　在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。
　　
　　04 同期群分析
　　同期群（cohort）分析在数据运营领域十分重要，互联网运营特别需要仔细洞察留存情况。通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。
　　同期群分析深受欢迎的重要原因是十分简单，但却十分直观。同期群只用简单的一个图表，直接描述了用户在一段时间周期（甚至是整个LTV）的留存或流失变化情况。
　　以前留存分析只要用户有回访即定义为留存，这会导致留存指标虚高。
　　
　　05 聚类分析
　　聚类分析具有简单，直观的特征，网站分析中的聚类主要分为：用户，页面或内容，来源。
　　用户聚类主要体现为用户分群，用户标签法；页面聚类则主要是相似，相关页面分组法；来源聚类主要包括渠道，关键词等。
　　例如：在页面分析中，经常存在带？参数的页面。比如：资讯详情页面，商品页面等，都属于同一类页面。简单的分析容易造成跳出率，退出率等指标不准确的问题，通过聚类分析可以获取同类页面的准确数据用于分析场景。
　　
　　06 AB测试
　　增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。快速验证，那如何验证呢？主要方法就是AB测试。
　　比如：你发现漏斗转化中中间有漏洞，假设一定是商品价格问题导致了流失，你看到了问题-漏斗，也想出了主意-改变定价。但主意是否正确，要看真实的用户反应，于是采用AB测试，一部分用户还是看到老价格，一部分用户看到新价格，若你的主意真的管用，新价格就应该有更好的转化，若真如此，新价格就应该确定下来，如此反复优化。
　　
　　07 埋点分析
　　只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。
　　通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，即可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为。
　　如：重度交互（注册，邀请好友等）和交易事件（加购物车，下订单等）则通过SDK批量埋点的方式来实施。
　　
　　08 来源分析
　　流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。
　　传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。
　　
　　09 用户分析
　　用户分析是互联网运营的核心，常用的分析方法包括：活跃分析，留存分析，用户分群，用户画像，用户细查等。
　　可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标；通过用户行为事件序列，用户属性进行分群，观察分群用户的访问，浏览，注册，互动，交易等行为，从而真正把握不同用户类型的特点，提供有针对性的产品和服务。
　　用户画像基于自动标签系统将用户完整的画像描绘清晰，更有力的支撑运营决策。
　　
　　10 表单分析
　　填写表单是每个平台与用户交互的必备环节，优秀的表单设计，对转化率的提升起到重要作用。
　　用户从进入表单页面之时起，就产生了微漏斗，从进入总人数到最终完成并成功提交表单人数，这个过程之中，有多少人开始填写表单，填写表单时，遇到了什么困难导致无法完成表单，都影响最终的转化效果。
　　
　　以上是常见的数据分析方法，更多应用方法需要根据业务场景灵活应用。
　　与3300多名分析师一起学习，让口碑说话！
　　加入方式：
　　1：扫码加入
　　2、加入方式： 查看全部

　　互联网运营人需掌握的10种数据分析方法，你了解几个？
　　
　　➤文章末尾附有【招聘信息】
　　欢迎大家踊跃投递
　　在互联网运营过程中，我们有时候也必不可少地运用到分析的方式去处理信息，那么关于互联网运营方面的数据分析，你知道的有几种呢？
　　No.1细分分析
　　Subdivision analysis
　　细分分析是分析的基础，单一维度索引数据的信息价值很低。就方法而言，通常有两种类型：逐步细分分析和维度交叉分析。
　　➲ 逐步细分分析逐步细分是细分中经常使用的一种方法。主要步骤是根据分析的维度和目标，从浅到深，从粗到细逐渐分裂的过程。
　　例如，按地区划分，中国可以细分为广东省，福建省，北京等省市，广东省可以细分为广州市，深圳市等，北京市可以分为朝阳区和海淀区等。除了区域之外，我们还可以根据其他维度（例如时间，频道，用户，组成等）对它们进行拆分。
　　➲ 维度交叉分析维度交叉法则是利用了不同维度的交叉，通过水平维度和垂直维度的组合，是一种立体分析方法，是体现一个人分析水平的细分方法。常用的综合交叉分析包括杜邦模型、四象限分析方法、RFM模型等。
　　
　　No.2对比分析
　　Contrastive analysis
　　对比分析主要是指对两个相关指标数据的比较，以数量的形式显示和解释研究对象的规模大小、高低水平，速度等的相对值。通过比较同一维度上的指标，您可以找到并找出不同阶段的业务问题。
　　常见的对比方法包括：
　　空间对比、时间对比、标准对比。
　　而时间对比有三种：
　　同比，环比，定基比。
　　No.3漏斗分析
　　Funnel analysis
　　漏斗模型是一组过程数据分析，可以科学地反映从开始到结束的各个阶段的用户行为状态和用户转换率。
　　这是一种重要的分析模型。漏斗分析模型已广泛用于日常数据操作和数据分析工作，例如流量监控、CRM系统、SEO优化、网站的产品营销和销售以及APP用户行为分析。
　　
　　No.4同期群分析
　　Simultaneous group analysis
　　同期群分析在数据操作领域非常重要，尤其是Internet操作需要仔细了解保留情况。
　　通过比较性质完全相同的可比群体的保留，我们可以分析哪些因素影响用户的保留。
　　No.5聚类分析
　　Cluster analysis
　　聚类分析具有简单直观的功能。
　　网站分析中的聚类主要分为：用户、页面、内容以及来源。用户聚类主要体现在用户分组和用户标记方法上；页面聚类主要是相似且相关的页面分组方法；源聚类主要包括渠道、关键字等。
　　No.6AB测试
　　AB test
　　增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是要不断制造小型且可以快速验证的精确东西。这个快速验证的主要方法就是AB测试。
　　
　　No.7埋点分析
　　Buried point analysis
　　只有收集足够的基本数据，才能通过各种分析方法获得所需的分析结果。
　　通过分析用户行为，又细分为：浏览行为、轻度交互、重度交互、交易行为，针对浏览行为和轻度交互行为的单击按钮等事件，由于其使用频繁，数据简单，采用无埋点技术实现自助掩埋的实现可以提高数据分析的效率，并且可以立即提取所需的数据，这大大减少了技术人员的工作量，并且需要收集更多丰富信息的行为。
　　No.8来源分析
　　Source analysis
　　随着流量红利的消失，我们非常重视客户来源。如何有效地标记用户来源就至关重要。
　　传统的分析工具，渠道分析只有一个维度。所以我们要深入分析不同阶段不同渠道的影响。交叉分析诸如SEM付费搜索和用户区域之类的源渠道，以获取不同区域中详细的客户获取信息。维度越详细，分析结果就越有价值。
　　
　　No.9用户分析
　　User analysis
　　用户分析是Internet操作的核心。
　　常用的分析方法包括：主动分析、保留分析、用户分组、用户画像、用户细查等。用户活动可以细分为活跃浏览，活跃交互，活跃交易等。通过活跃行为的细分，可以掌握关键行为指标。根据用户行为事件序列，用户属性进行分组，观察分组用户的访问、浏览、注册和互动、交易等行为，从而真正掌握不同用户类型的特征，并提供针对性的产品和服务。
　　No.10表单分析
　　Form analysis
　　填写表格是每个平台与用户之间交互的重要部分。出色的表格设计在提高转换率方面起着重要作用。
　　从用户进入表单页面的那一刻起，就有一个微型漏斗。从输入总人数到完成并成功提交表格的人数，在此过程中有多少人开始填写表格，在填写表单时遇到了什么困难导致无法完成表单，都影响最终的转化效果。
　　
　　现招聘岗位
　　大数据分析工程师（8-15K)
　　ETL开发工程师(8-15K)
　　数据库管理/DBA运维(8-15K)
　　数据整理/数据运营实习岗(4-6K)
　　......
　　无经验者由项目经理带！！
　　✔ 长按识别下图二维码
　　一键投递简历
　　开启高薪就业通道
　　↓↓↓
　　
　　投递邮箱：
　　联系手机：
　　每日简历投递量非常大，
　　欢迎主动与我们联系！！ 查看全部

　　精通网站分析，必须掌握的数据指标及细分维度知识，你学到了吗？
　　
　　SEM & 信息流从业者学习交流群
　　进群 /课程咨询：aiqijun14
　　
　　写在前面
　　经常有很多同学问艾奇菌，网站分析如何做？网站分析该分析什么？我要看什么数据？等等这样的问题，给他们回答梳理的过程，我发现了个共性问题，就是大部分人都还不知道分析指标和分析维度这个概念，甚至会混为一谈，导致分析起数据来毫无头绪。所以今天艾奇SEM，特别为大家整理了网站分析数据指标及维度的一些知识，希望你能掌握。
　　特别说明下，本文摘自王彦平，吴盛峰编著的《网站分析实战》，这本书出版时间比较早了，不过本文知识丝毫没有过时。
　　在网站分析的三板斧中，最后一种分析方法是细分分析。细分可以说是网站分析最常用的方法之一，与趋势分析和对比分析不同，细分必须借助专业的网站分析工具来完成。
　　细分简单来说就是维度与指标之间的相互组合。那么什么是维度？什么又是指标呢？在介绍细分之前，先来了解一下这两个基本的概念。在Google Analytics中，维度和指标是构成数据报告的两个最基本的元素。如图1所示，在每一个报告中都至少包含有一对维度和指标的组合。下面分别看一下指标和维度的定义及详细解释。
　　
　　图1 指标和维度组成GoogIe AnaIytics报告
　　一、什么是指标？
　　指标是用来记录访问者行为的数字。
　　又可以分为基本指标和复合指标。在Google Analytics中，最常见的指标包括访问次数、综合浏览量、访问深度、跳出率、平均网站停留时间和新访次占比，如图2所示。在这些指标中，访问次数、综合浏览量属于基本指标，基本指标是对访问者某种行为的简单记录和累加。
　　例如，访问者在网站中每浏览一个新的页面，综合浏览量就会增加一次。访问深度、跳出率、平均网站停留时间和新访次占比属于复合指标。复合指标比基本指标要复杂些，通常经过指标之间的简单计算获得。表达的意义也比基本指标丰富一些。
　　
　　图2 网站分析常用指标
　　例如，访问深度通过访问次数与综合浏览量相除获得，表示访问者在每次访问中浏览的网页数量，对于内容型网站来说，访问深度越高越好。跳出率通过跳出访次与访问次数两个指标相除获得，表示目标网页的内容与访问者的匹配程度，内容的匹配程度越高跳出率就越低。
　　Google Analytics为我们提供了很多这样的指标，分别用来记录访问者在浏览网站时不同的行为。这些指标按照不同的类别显示在报告中。除了这些默认的指标外，我们还可以按网站自身的业务需求创建一些自定义指标。例如，当需要记录访问者点击网页上某个按钮的行为时，就可以创建一个自定义指标，取名叫“按钮点击次数”。
　　Tips：自定义指标的设置方式多种多样，没有特定的规则。即使业务完全相同的两个网站也可能有不一样的自定义指标。评价自定义指标的标准就是它是否能反映出业务关键点的变化情况。
　　二、什么是维度？
　　维度是观察访问者行为的角度。
　　和指标不一样，单独的维度本身没有意义，只有当维度与指标在一起时才有意义。在Google Analytics中，常见的维度类别包括访问者属性维度、时间维度、流量来源维度、地理维度、内容维度和系统维度等，如图3所示。
　　
　　图3 网站分析常用维度
　　在每个大的维度类别下还包括更多子类别维度。例如，访问者维度包括新访用户、回访用户；时间维度包括年、月、日、小时；流量来源维度包括搜索引擎、推介网站；地理维度包括国家、地区、语言；内容维度包括页面内容、页面属性；系统维度包括浏览器类型、操作系统类型、接入方式、屏幕分辨率，等等。
　　Google Analytics提供了很多的维度，和指标一样，我们也可以按自己的需求创建一些自定义指标或是组合指标。
　　我们可以创建访问者的性别维度，例如男性访问者或女性访问者；一天中的时间维度，例如工作时间、休息时间；内容的组合维度，例如新产品类内容页和促销类内容页；广告的尺寸、位置及创意维度等。或者将不同的维度组合在一起创建组合维度，例如Google付费广告品牌关键词维度。
　　Tips：自定义维度是用来辅助进行指标分析的。它可以是现有维度的聚合，也可以是现有维度的细分，甚至是一个全新的维度。创建什么样的自定义维度取决于业务需求和指标分析时的深度。
　　三、为什么要使用细分？
　　细分的最大价值是可以让我们看清问题的所在。
　　通常在报告中我们获得的数据都是网站的综合情况。例如，网站的总访问量、总停留时间、总销售量等。如图4所示，这些数据将不同页面类型、不同内容和不同属性的用户产生的数据综合在一起报告给我们，就像是网站的一个整体轮廓。它虽然显示了网站的整体表现，但也隐藏了问题和机会。而我们的网站通常会有多个频道，不同的访问者在不同的频道里行为也不一样。
　　比如访问者在文章频道的停留时间可能会长一些，但综合浏览量会低一些。而在下载频道可能停留时间会变短，但综合浏览量会提高。就算是结构最简单的网站，新访问者和老访问者的行为也是不一样的。
　　而所有这些区别是无法通过汇总数据来发现的，因此我们需要获得更加详细的数据，才可以对不同属性的流量进行正确的判断。而获得详细数据的方法就是将网站的流量进行细分，所以，无论是从用户还是从网站的角度，流量细分都是很重要的。
　　
　　图4 使用细分打破平均指标
　　我们先列举一下细分可以带来的好处。
　　好处1：避免产生采样数据
　　在Google Analytics里有一个数据采样机制，如图5所示，在你选择的报告时间范围内，如果网站被访问的次数超过500000次，Google就会进行采样，并在报告中显示采样数据。在采样数据的表格中显示的是估算值，而当数据量不足时，就无法生成准确的估算值。
　　
　　图5 触发采样数据提示
　　通过细分网站流量虽然不能完全避免采样数据的问题，但可以大幅减少采样数据，提高报告数据的准确性。因为和整站的汇总数据相比，在同样时间范围的报告中，细分报告只会显示单一群体（单一用户群或单一频道）的流量。例如，将访问者细分为注册用户和非注册用户后，在查看注册用户的报告时，非注册用户的访问次数将不会被计算在内。
　　好处2：避免平均数陷阱
　　报告中提供的复合指标通常都是整个网站的平均值，比如平均网站停留时间、平均综合浏览量、跳出率等。这些平均值通常包含一些未知的陷阱，如果只看这些平均数就很容易犯错。
　　举个简单的例子说明一下这些平均值的计算方法：
　　注册用户A在网站停留了19秒；
　　非注册用户B在网站停留了1秒；
　　平均网站停留时间是10秒。
　　只看平均网站停留时间的话效果还可以，但如果将两组用户分开看就会发现两组数据有天壤之别，我们被平均值迷惑了。图6显示了同一个网站进行流量细分后的平均网站停留时间和跳出率数据，每行代表不同的用户或频道。很明显，第一行的数据表现较好，第三行的数据表现较差，而我们在查看整个网站数据时是无法发现的。
　　
　　图6 平均停留时间和跳出率报告
　　好处3：增加细分目标
　　细分流量后，我们还可以对不同的流量单独设定目标。比如可以把注册行为设置成非注册用户的目标，把发布信息设置成注册用户的目标。也可以针对不同的频道内容对频道内的用户设置目标。比如把上传和下载资料设置成资源频道的目标。把发帖和回帖设置成讨论组里的目标。这样做的好处是我们的目标转化率更加准确，不会被其他频道的流量影响。
　　举个例子来说明：
　　目标转化率=目标完成次数/总访问次数
　　假设网站有一个目标在A频道，而网站有A和B两个频道，在没有进行流量细分的时候，总访问次数（分母）就是A+B的总访问次数，这时候B频道访问次数的增减都会对目标转化率的计算有影响。而在细分流量之后，总访问次数变成了A频道的访问次数，还有一个问题就是B频道的访问者可能根本没来过A频道，无法被转化也很正常。
　　好处4：深度洞察数据
　　细分后的数据可以更深入地了解网站不同区域的情况。看一下网站内容报告，在最受欢迎页面的报告中几乎总是那几个排在前面。这说明什么？其他页面都不如这几个页面的表现好吗？当我们将流量细分后可以看到每个频道中最受欢迎的页面，他们都是各自频道中表现最好的，但放在整个网站范围内就被淹没了。
　　好了，以上为本期分享的网站分析实战知识技巧，再次感谢本文作者王彦平，吴盛峰先生，感谢他们编著出版了《网站分析实战》一书。 查看全部

　　数据分析师常用的十种数据分析方法
　　数据分析的思路极其重要，以致于我们总是忽略它，重“术”而轻“道”，但其实应该一视同仁。
　　这篇文章讲了表单分析、用户分析、埋点分析、聚类分析等10种分析方法，先学为敬~
　　正文
　　道家曾强调四个字，叫“道、法、术、器”。
　　层次分别为：
　　“器”是指物品或工具，在数据分析领域指的就是数据分析的产品或工具，“工欲善其事，必先利其器”；
　　“术”是指操作技术，是技能的高低、效率的高下，如对分析工具使用的技术；
　　“法”是指选择的方法，有句话说“选择比努力重要”；
　　“道”是指方向，是指导思想，是战略。
　　在数据分析和产品、运营优化方面，数据分析方法是其核心，属于“法”和“术”的层次。
　　那么如何做好数据分析呢，今天咱们来讲讲十大数据分析的方法。
　　1、细分分析
　　细分分析是数据分析的基础，单一维度下的指标数据信息价值很低。
　　细分方法可以分为两类，一类是逐步分析，比如：来北京市的访客可分为朝阳，海淀等区；另一类是维度交叉，如：来自付费SEM的新访客。
　　细分用于解决所有问题。比如漏斗转化，实际上就是把转化过程按照步骤进行细分，流量渠道的分析和评估也需要大量的用到细分方法。
　　
　　2、对比分析
　　对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值，通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。
　　常见的对比方法包括：时间对比，空间对比，标准对比。
　　时间对比有三种：同比，环比，定基比。
　　例如：本周和上周进行对比就是环比；本月第一周和上月第一周对比就是同比；所有数据同今年的第一周对比则为定基比。通过三种方式，可以分析业务增长水平，速度等信息。
　　
　　3、漏斗分析
　　转化漏斗分析是业务分析的基本模型，最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。
　　漏斗帮助我们解决两方面的问题：
　　在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。
　　在一个过程中是否出现了其他不应该出现的过程，造成转化主进程受到损害
　　
　　4、同期群分析
　　同期群（cohort）分析在数据运营领域十分重要，互联网运营特别需要仔细洞察留存情况。通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。
　　同期群分析深受欢迎的重要原因是十分简单，但却十分直观。同期群只用简单的一个图表，直接描述了用户在一段时间周期（甚至是整个LTV）的留存或流失变化情况。
　　以前留存分析只要用户有回访即定义为留存，这会导致留存指标虚高。
　　
　　5、聚类分析
　　聚类分析具有简单，直观的特征，网站分析中的聚类主要分为：用户，页面或内容，来源。
　　用户聚类主要体现为用户分群，用户标签法；页面聚类则主要是相似，相关页面分组法；来源聚类主要包括渠道，关键词等。
　　例如：在页面分析中，经常存在带参数的页面。比如：资讯详情页面，商品页面等，都属于同一类页面。简单的分析容易造成跳出率，退出率等指标不准确的问题，通过聚类分析可以获取同类页面的准确数据用于分析场景。
　　6、AB测试
　　增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。快速验证，那如何验证呢？主要方法就是AB测试。
　　比如：你发现漏斗转化中中间有漏洞，假设一定是商品价格问题导致了流失，你看到了问题-漏斗，也想出了主意-改变定价。但主意是否正确，要看真实的用户反应，于是采用AB测试，一部分用户还是看到老价格，一部分用户看到新价格，若你的主意真的管用，新价格就应该有更好的转化，若真如此，新价格就应该确定下来，如此反复优化。
　　
　　7、埋点分析
　　只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。
　　通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，既可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为。
　　如：重度交互（注册，邀请好友等）和交易事件（加购物车，下订单等）则通过SDK批量埋点的方式来实施。
　　
　　8、来源分析
　　流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。
　　传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。
　　
　　9、用户分析
　　用户分析是互联网运营的核心，常用的分析方法包括：活跃分析，留存分析，用户分群，用户画像，用户细查等。
　　可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标；通过用户行为事件序列，用户属性进行分群，观察分群用户的访问，浏览，注册，互动，交易等行为，从而真正把握不同用户类型的特点，提供有针对性的产品和服务。
　　用户画像基于自动标签系统将用户完整的画像描绘清晰，更有力地支撑运营决策。
　　
　　10、表单分析
　　填写表单是每个平台与用户交互的必备环节，优秀的表单设计，对转化率的提升起到重要作用。
　　用户从进入表单页面之时起，就产生了微漏斗，从进入总人数到最终完成并成功提交表单人数，这个过程之中，有多少人开始填写表单，填写表单时，遇到了什么困难导致无法完成表单，都影响最终的转化效果。
　　 查看全部

　　网站分析常用的指标之内容指标类型-乐题库
　　网站分析常用的指标之内容指标类型
　　1、网站流量指标（pv）和时间段
　　2、网站访问量
　　3、网站跳出率和跳出率
　　4、网站转化率
　　5、站外流量
　　6、转化率
　　7、网站停留时间
　　8、页面停留时间和页面跳出率
　　9、搜索引擎收录指标，
　　0、事件分析1
　　1、情感分析1
　　2、营销分析1
　　3、购物数据分析1
　　4、用户分组，
　　5、停留时间1
　　6、商品网站分析1
　　7、频道域名1
　　8、登录时间1
　　9、新用户特征2
　　0、广告触达率2
　　1、关键词布局2
　　2、多纬度权重分析2
　　3、媒体投放数据分析2
　　4、网站元数据分析（页面分析、标题、内容等）
　　一、网站流量指标
　　1、pv即访问者数，表示浏览了多少页面，收藏了多少页面，关注多少页面，3g会宽带根据手机ip定位系统实现，移动终端用户无法分辨。
　　2、uv即独立ip，一个浏览器上可以访问多个网站，可能同时收藏，
　　3、ip流量，我们常用ip法来进行定位，
　　4、dau即日活跃用户，用户每天登录的次数，天数，周数，月数等。
　　5、访问深度，每次需要停留多长时间，对于移动端用户，
　　6、停留时长，每次访问必须停留多长时间，对于移动端用户，
　　7、来源地，来源地可以理解为来自哪个平台，也可以理解为来自第几页，
　　8、重定向，用户访问了几个平台，下载了什么软件，习惯点击那个网站，
　　9、跳出率，网站访问了多长时间，跳出了多少，
　　0、留存率，
　　1、跳出率，跳出了哪个页面，
　　2、漏斗转化率，网站第一次到访问跳转到第二页到访问页面流量1234567890次访问，第一次访问页面跳转到首页，第二次访问页面跳转到广告页面，第三次访问首页，第四次访问广告页面，第五次访问广告页面，对用户提供服务的网站，
　　3、总浏览时长，总浏览页数，
　　4、访问深度，即浏览了多长时间，对于移动端用户，无法识别深度内容，
　　5、总访问量，针对于内容或产品页面，
　　6、根据访问深度和访问时长推送相应的内容，对于网站页面，无法识别页面是内容页面，还是广告页面，也无法识别用户的页面搜索习惯，
　　7、ip访问深度，对于网站前1000页，用户访问了多长时间，
　　8、访问网站ip定位系统。有的网站访问ip段或访问ip有多个， 查看全部

　　网络营销效果衡量的核心指标及我们用什么样的逻辑思考（2）
　　前言
　　在上一回我们说明了网络营销效果衡量的两个最主要方法——衡量人心的改变和衡量人行为的改变。人的行为的改变，按照对它的影响从浅到深的逻辑，我们分为四个阶段：Traffic、Engagement、Conversion和Retention，并且详细介绍了Traffic的情况，下面准备用两次文章，为大家详解Engagement——这么大的篇幅讲解Engagement，实在是因为它很重要，涉及的方方面面也很多，大家如能耐心看完，定能有很多收获。
　　本文您将读到什么：1) 什么是Engagement，2) Engagement一般包含哪些度量，这些度量有什么含义，3) 需要如何监测以准确获得Engagement的相关度量值。
　　正文
　　Engagement是什么？
　　很久以前我写过一篇介绍Engagement的文章：网站分析的最基本度量（8）——Engagement，请大家参考。Engagement并不是指一个具体的度量，而是一系列衡量用户在营销活动中参与程度的指标集合。由于网站是营销活动的一部分，因此engagement很多时候用来衡量用户在网站中与网站内容与功能的交互程度。但engagement其实不仅如此，它也一样可以衡量用户与营销活动的其他交互方式，例如微博营销中用户的阅读、评论和转发，或者受众和富媒体广告（richmedia）的交互情况。Engagement是一个含义丰富的指标，可以这么理解它——它用以衡量在流量产生之后和发生最终转化之前的用户行为和过程，尤其反映用户对于营销活动/网站的兴趣程度以及衡量影响最终转化的诸多因素。
　　所以我无法给Engagement下一个具体的定义，它是一个指标体系，而不是一个具体的指标，它也不是一个如visit一样的一个标准化的度量。为此，美国人（Avinash Kaushik和Eric Peterson）自己也有不同的意见，一个觉得这是一个值得推广开来成为标准化的度量，一个则认为它不应该成为一个度量，也难以标准化地应用。无论谁更有道理，在解决具体问题中，engagement有它十分明显的价值，因此在我们的核心指标体系中，我一直认为engagement是其中最为重要的一块。
　　Engagement可以分为两大类，一类是可以标准化衡量用户行为的指标族，另一类则是根据不同情况按需定义的指标族。两类指标的含义不同，作用类似，都非常重要。
　　标准化Engagement指标
　　标准化的engagement指标分为宏观级别的和微观层面的。宏观的指一个网站全站范围的engagement情况，而微观则指一个具体页面上的engagement情况。
　　宏观engagement指标主要是我们俗称的老三样——Bounce Rate（跳出率）、PV/Visit和Time on Site，这三个指标描述了三类不同的用户行为。
　　Bounce Rate
　　Bounce Rate说明了用户进入网站后是否对网站的内容产生了兴趣。如果没有，那么这个用户不点击任何页面上的链接就离开，这样他其实就只看到了网站呈现给他的着陆页面（登陆页面）。Bounce Rate是一个随着技术的进步却没有做太大改变的指标。有些朋友问我，如果一个人进入了着陆页面，他仔仔细细看了着陆页上的内容好几分钟，但是却没有点击任何上面的链接查看其他页面，他算是bounce掉了吗？这是大多数网站分析工具的bounce rate定义上明确标明的，即bounce与否其实与这个用户在着陆页上查看的时间无关，只与他是否点击进入了其他页面有关。如果有点击进入其他页面，那么就不算bounce，否则就算bounce，所以上面的情况无论这个访问者看了着陆页面多久，而没有点击任何其上的链接进入其他页面，这仍然是一个bounce。这么看来也许bounce rate的定义过于严厉了，与浏览页面的时间长短无关似乎也不合理（后面还会专门说明时间的问题）。但这个定义是技术简明性以及抓住大概率事件（查看页面好几分钟却不点击页面上任何的链接确实算是小概率事件）共同作用下的效率原则产生的“最佳解决方案”，于是一直被沿用。
　　有意思的是，很早之前，Avinash对于bounce的解释是在页面/网站上浏览时间少于10秒钟（或是30秒钟，我记的不是很清楚了）的情况。不过，由于用户页面浏览时间不太容易准确监测（或者说准确监测降低了网站分析工具的技术实施简单性），而且替代方案（就是现在的bounce rate的定义）仍然能够相当准确地描述现实中的bounce的情况，因此大部分工具都并未采用浏览时间作为bounce和bounce rate的定义基础。
　　关于Bounce Rate的详细定义和解读已经很多了，如果之前没有太多了解或者想要系统复习，请阅读这些文章：《网站分析的最基本度量（5）——Bounce Rate》，《Bounce Rate —— 多少算好？》，《挑战网站分析中的大众智慧（1）——Bounce Rate》。
　　PV/V
　　与Bounce Rate不同，PV/Visit（或者很多时候简写为PV/V）描述另外一类用户与网站的交互行为，即浏览网站的深度。用户一次访问过程中（visit）查看的页面数越多，说明这个用户对网站的兴趣越浓厚。所以一般情况下PV/V越高越好。当然，兴趣有主动兴趣和被动兴趣之分。被动兴趣是指因为在网站中找不到你想要的内容而不断尝试寻找的过程，PV/V也会比较大，但这就不是什么好现象了——不过这种现象非常罕见。
　　Time On Site
　　既然谈到了浏览深度，那自然有浏览长度与之对应，即Time on Site，指人们访问网站的平均停留的时间。例如一个网站有3个访问，一个停留了2分钟，一个停留了10分钟，一个停留了0分钟，那么time on site则是4分钟。与PV/Visit一样，一般而言，这个值是越大越好。
　　不过，值得注意的是，网站分析工具上统计的时间与实际用户在网站上停留的时间肯定是不同的。人们访问网站最后一个页面的时间长短不会被网站分析工具统计到。原因很简单，因为一般的网站分析工具不统计人们离开一个网站的精确时间，而只能记录他访问这个网站倒数第二页的精确时间，这样最后一个被他访问的页面的停留时间实际上被完全忽略掉了。你会问为什么不统计最后一个页面上停留的时间呢？——因为网站分析工具默认对用户关闭页面的行为，或是从这个页面浏览器窗口中跳转到其他网站的行为不做统计，除非你进行专门的设置。
　　如果不做额外的设置，这种安排意味着两点，第一，网站分析工具统计到的网站浏览时间总是小于网站被打开在浏览器中的时间（尽管浏览器打开页面未必意味着你真的每分每秒都在看它）；第二，所有bounce掉的visit（即只访问了一个页面的visit）在网站上的停留时间计为0。
　　确实有一些网站分析工具打破了这个窠臼，能够尽量记录到人们离开网站的那一瞬间的时间。不过，我个人感觉，其实意义并不特别大，除非各个访问的最后一个页面有很大几率是那些特别需要人们多做停留仔细查看的页面。只要工具统计的方法保持一致性，那么就算少了最后一个页面的停留时间，仍然可以实现apple to apple的比较，仍然可以帮助我们把握用户宏观的engagement情况。而且，还降低了技术实施的难度，并且提高了监测的一致性从而提高了监测精度（因为记录离开网站准确时刻的方法实际上并不是完全可靠的，只有一定的几率能够统计到，这使这些方法实际上的可用性降低了）。
　　Visit/UV
　　宏观engagement指标中还有一个大家不常用的，就是我们前面所提到的Visit/UV这个度量。它用来衡量访问者访问网站的黏性。如果你喜欢某个网站，你就会经常来，一个UV就会带去多个visits。Visit/UV的数值越高，意味着这个网站的用户忠诚度越高。
　　其他还有一些表明用户黏性的engagement指标，例如访问频次分布（做一个图），访问间隔时间分布（做一个图）。我一直没有特别多的使用这两个指标，我认为对它们最好的解读是不同网站间的对比，以及与自己心理预期的对比。
　　微观级engagement指标
　　微观级engagement指标我不想谈太多，本质上就是描述用户在具体页面上的行为，比较重要的一个是exit rate。Exit Rate（退出率）是衡量页面作为用户退出网站前最后一个被浏览的页面的几率（与自己总体被浏览次数相比）。例如某个页面的退出率是75%，那么就意味着访问这个页面产生的所有PV中，有四分之三的PV是这些访问退出网站前的最后浏览页面。请看这个文章了解它的详细解释。
　　这里我想说的是，exit rate是更微观的说明页面engagement度量（前面都是衡量整站engagement的宏观度量），它是衡量页面表现的度量，类似的度量还有Average Time on Page，Next Page Flow（以及由它产生的热图）等，相关文章很多，就不再跟大家详细介绍了，如果有兴趣，请点击前面这几个链接。
　　按需定义的Engagement指标
　　标准化的Engagement指标描述了多种用户行为，但还不足以涵盖更为具体的衡量和分析需求。比如，一个网站有一些很重要的特定的用户行为（Action），例如注册或登录，申请一个试用的机会，下载一个产品说明，或是把某一个额商品添加到购物车。对于这些特定的action，标准化的Engagement指标对它们其实没有任何额外的照顾。
　　这个时候我们需要自定义的Engagement指标，用于描述那些有价值的特定的用户行为。这些行为有两类：
　　1. 非标准化的行为：上面提到的那些action，比如注册、登录、试用、下载、点击某个特殊位置或功能、添加到购物车等等，均属于这一类。
　　2. 根据需要对标准engagement自行设定条件后的更具针对性的用户行为。例如，与一次visit相对，visit时间长度超过3分钟就是一个更为具体的用户行为，或者visit中浏览页面数超过3个的visit也是更为具体的用户行为。另外，还可以设定访问了某一个特定页面的visit，也属于定义了条件的用户行为。这些按照你设定的标准不同，得到对应度量的值也是不一样的。
　　你会发现这些指标具有相当的“随心所欲”性。没错，它们确实是根据你的需要而自由定义的，这意味着别人所使用的engagement指标可能完全跟你的不一样。但我们确实需要这些指标，否则我们无法全面描述用户行为的特点和价值，也就无法进行针对性的分析与优化。
　　按需定义的engagement指标的存在，让网络营销分析能够真正与业务相匹配。否则，仅仅只是用visit或是bounce rate来衡量流量和用户的行为，实在太过粗略。
　　现在，你的问题可能出现了——这些指标既然是自定义的，那么网站分析工具上一定没有一个统一的标准报告提供它们的数据，我们应该怎么获得这些数据呢？
　　按需定义Engagement的监测实现
　　别担心，任何一个指标能够成为指标的必要条件是首先它是能够被监测的。如果不能监测，它存在的价值就没有了，这就是所谓的——无法衡量、即不存在。
　　自定义的Engagement指标必须能够被监测到。网站分析工具其实提供了非常全面的方法。分如下几种情况：
　　1. 用户的Action是点击链接后打开一个新的页面的：
　　这种情况实际上不需要我们做额外的监测工具的实施，因为点击链接打开一个新的页面，即会记录这个新打开页面的新的PV。这样我们统计这个新打开页面的PV就能够知道用户相应的点击链接的次数。当然，点击次数和页面打开的次数并不是100%对应的，但已经非常接近，完全不影响我们分析了。
　　把数据用Excel下载下来，然后做一个筛选，把你认为属于Engagement的页面访问数据记录下来，bingo！
　　如果每次点击同样的链接，打开的页面并非是静态URL的页面，而是每次URL都不一样的动态页面。这也没有关系，我们可以通过过滤设置（如GA的过滤设置）来把URL不一样的动态页面统一成同样的URI，这样GA在记录的时候就不会认为是很多页面，而会记录成一个页面了。不过，这个方法必须有一个前提条件，那就是动态页面的URL是有一定的格式的，即至少有一些共性，完全随机的URL就没有办法了。具体实现的方法这篇文章限于篇幅就不再详述了，我准备近期写一篇快速的小文章介绍给大家，敬请期待。
　　2. 用户的Action是点击链接后不打开新的页面，但打开一些具体的功能的：
　　这些功能包括：点击之后打开的是JavaScript或者Div浮层的、点击的是Flash的、点击之后是外链的等各种情况。这些情况下需要配置我们的GA监测代码。
　　1) 点击的对象是JavaScript或Div浮层的：
　　利用Event Tracking功能（官方文档，英文）或者Virtual Page功能（官方说明，英文）的功能。这个方法的原理是在点击动作本身的onClick事件上加上Event Tracking或者Virtual Page的调用。
　　例如：
　　> Your content here
　　Event Tracking和Virtual Page的区别是，前者会在把点击动作的记录放在GA的Event报告中，后者把这个动作的激活当作一个页面（page）记录，并在Content报告中显示。这两个方法是GA学习必须掌握的方法。——如果大家有需要，我会专门写一个文章介绍这两种方法，如有需要请在下面留言。
　　2) 点击的对象是Flash的：
　　思想与上面的情况是类似的，也需要利用Event Tracking或者Virtual Page的功能，但要把相应的方法写入Flash中。有些复杂，需要技术同事帮忙解决。比较好的解决方案请见这个文章（英文）。
　　本文版权归“网站分析在中国CWA”及其作者宋星，欲转载，请联系作者
　　3) 点击的对象是出站链接的：
　　官方的方法与监测JavaScript或者Div的方法很类似，是把出站链接（outbound links）的点击行为（onClick事件）做Event Tracking或者Virtual Page。这样需要对每一个出站链接都做onClick事件的引用，并加入Event Tracking等方法。请见这里：（英文）。这个方法如果对于页面上有很多的出站链接的情况，就显得相当繁琐。
　　一次性解决方案也是存在的，例如这篇文章所述：。我没有亲自尝试，但看代码，应该是可以实现的。
　　本章小结
　　这一章只干了三件事情：讲解了什么是Engagement，包含哪些度量，以及需要如何监测Engagement的相关度量。值得记住的是Engagement包含标准的度量，以及定制化的度量，对于定制化的度量，监测的时候可能需要对工具的代码进行再加工。
　　下一章我们继续围绕Engagement进行，只是会进入更“核心”的领域。包括Engagement的一些计算方法，Engagement的解读以及它在分析中的应用。敬请期待。
　　有任何问题或者想法，请在下面给我留言。最后，祝愿北京的朋友们厚德载雾，自强不吸！祝全国朋友们新的一周工作愉快！
　　作者介绍
　　宋星
　　作者系互联网营销分析与优化顶级专家，阳狮锐奇（Publicis Groupe VivaKi）总经理，网站分析在中国创办人，WAW（网站分析星期三）创始人。
　　
　　 查看全部

　　数据分析能力的养成，你只需要一份七周的提纲
　　写这个系列，是希望在当初知乎某一个回答的基础上，单独完善出针对互联网产品和运营们的教程。不论对数据分析或数据运营，我都希望它是一篇足够好的教材。更准确地说，这是一份七周的互联网数据分析能力养成提纲。
　　我会按照提纲针对性的增加互联网侧的内容，比如网站分析，用户行为序列等。我也不想留于表面，而是系统性讲述。比如什么是产品埋点？在获得埋点数据后，怎么利用Python / Pandas的shift ( )函数将其清洗为用户行为session，进而计算出用户在各页面的停留时间，后续如何转换成统计宽表，如何以此建立用户标签等。
　　下面是各周的学习概述。
　　1
　　第一周：Excel学习掌握
　　如果Excel玩的顺溜，你可以略过这一周。不过介于我入行时也不会vlookup，所以有必要讲下。
　　重点是了解各种函数，包括但不限于sum、count、sumif、countif、find、if、left/right、时间转换等。
　　Excel函数不需要学全，重要的是学会搜索。即如何将遇到的问题在搜索引擎上描述清楚。
　　我认为掌握vlookup和数据透视表足够，是最具性价比的两个技巧。
　　学会vlookup，SQL中的join，Python中的merge很容易理解。
　　学会数据透视表，SQL中的group，Python中的pivot_table也是同理。
　　这两个搞定，基本10万条以内的数据统计没啥难度，80%的办公室白领都能秒杀。
　　Excel是熟能生巧，多找练习题。还有需要养成好习惯，不要合并单元格，不要过于花哨。表格按照原始数据（sheet1）、加工数据（sheet2），图表（sheet3）的类型管理。
　　下面是为了以后更好的基础而附加的学习任务：
　　这一周的内容我会拆分成两部分：函数篇和技巧篇。
　　这是一道练习题，我给你1000个身份证号码，告诉我里面有多少男女，各省市人口的分布，这些人的年龄和星座。如果能完成上述过程，那么这一周就直接略过吧（身份证号码规律可以网上搜索）。
　　2
　　第二周：数据可视化
　　数据分析界有一句经典名言，字不如表，表不如图。数据可视化是数据分析的主要方向之一。除掉数据挖掘这类高级分析，不少数据分析就是监控数据观察数据。
　　数据分析的最终都是要兜售自己的观点和结论的。兜售的最好方式就是做出观点清晰数据详实的PPT给老板看。如果没人认同分析结果，那么分析也不会被改进和优化，不落地的数据分析价值又在哪里？
　　首先要了解常用的图表：
　　
　　Excel的图表可以100%完成上面的图形要求，但这只是基础。后续的进阶可视化，势必要用到编程绘制。为什么？比如常见的多元分析，你能用Excel很轻松的完成？但是在IPython只需要一行代码。
　　
　　其次掌握BI，下图是微软的BI。
　　
　　BI（商业智能）和图表的区别在于BI擅长交互和报表，更擅长解释已经发生和正在发生的数据。将要发生的数据是数据挖掘的方向。
　　BI的好处在于很大程度解放数据分析师的工作，推动全部门的数据意识，另外降低其他部门的数据需求（万恶的导数据）。
　　BI市面上的产品很多，基本都是建立仪表盘Dashboard，通过维度的联动和钻取，获得可视化的分析。
　　最后需要学习可视化和信息图的制作。
　　
　　这是安（装）身（逼）立（加）命（薪）之本。这和数据本事没有多大关系，更看重审美、解读、PPT、信息化的能力。但值得花一点时间去学习。
　　数据可视化的学习就是三个过程：
　　3
　　第三周：分析思维的训练
　　这周轻松一下，学学理论知识。
　　好的数据分析首先要有结构化的思维，也就是我们俗称的金字塔思维。思维导图是必备的工具。
　　之后再了解SMART、5W2H、SWOT、4P理论、六顶思考帽等框架。这些框架都是大巧不工的经典。
　　分析也是有框架和方法论的，主要围绕三个要点展开：
　　举一个例子：我告诉你一家超市今天有1000人的客流量，你会怎么分析？
　　这是一个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结果。
　　优秀的数据分析师会拷问别人的数据，而他本身的分析也是经得起拷问，这就是分析思维能力。需要确切明白的是：一周时间锻炼不出数据思维，只能做到了解。数据思维是不断练习的结果，我只是尽量缩短这个过程。
　　4
　　第四周：数据库学习
　　Excel对十万条以内的数据处理起来没有问题，但是互联网行业就是不缺数据。但凡产品有一点规模，数据都是百万起。这时候就需要学习数据库。
　　越来越多的产品和运营岗位，会在招聘条件中，将会SQL作为优先的加分项。
　　SQL是数据分析的核心技能之一，从Excel到SQL绝对是数据处理效率的一大进步。
　　学习围绕Select展开。增删改、约束、索引、数据库范式均可以跳过。
　　主要了解where、group by、order by、having、like、count、sum、min、max、distinct、if、join、left join、limit、and和or的逻辑，时间转换函数等。
　　如果想要跟进一步，可以学习row_number、substr、convert、contact等。另外不同数据平台的函数会有差异，例如Presto和phpMyAdmin。
　　再有点追求，就去了解Explain优化，了解SQL的工作原理，了解数据类型，了解IO。以后就可以和技术研发们谈笑风生，毕竟将“这里有bug”的说话，换成“这块的数据死锁了”，逼格大大的不同。
　　SQL的学习主要是多练，网上寻找相关的练习题，刷一遍就差不多了。
　　5
　　第五周：统计知识学习
　　很遗憾，统计知识也是我薄弱的地方，可这是数据分析的基础。
　　我看过很多产品和运营相关的数据分析文章，没有多少提及统计知识。这是不严谨的。
　　比如产品的AB测试，如果产品经理并不清楚置信度的含义和概念，那么好的效果并不意味着真正的好。尤其是5%这种非显著的提高。
　　比如运营一次活动，运营若不了解检验相关的概念，那么如何去判别活动在数据上是有效果还是没有效果？别说平均数。
　　再讨论一下经典的概率问题：如果一个人获流感，实验结果为阳性的概率为90%；如果没有获流感，实验结果为阳性的概率为9%。现在这个人检验结果为阳性，他有多少几率是得了流感？
　　如果你觉得几率有50%、60%、70%等等，那么都犯了直觉性的错误。它还和得病的基础概率有关。
　　统计知识会教我们以另一个角度看待数据。如果大家了解过《统计数据会撒谎》，那么就知道很多数据分析的决策并不牢靠。
　　我们需要花一周的时间掌握描述性统计，包括均值、中位数、标准差、方差、概率、假设检验、显著性、总体和抽样等概念。
　　不需要学习更高阶的统计知识，谁让我们是速成呢？只要做到不会被数据欺骗，不犯错误就好。
　　以Excel的分析工具库举例（图片网上找来）。在初级的统计学习中，需要了解列1的各名词含义，而不是停留在平均数这个基础上。
　　
　　6
　　第六周：业务知识
　　（用户行为、产品、运营）
　　这一周需要了解业务。对于数据分析师来说，业务的了解比数据方法论更重要。当然很遗憾，业务学习没有捷径。
　　我举一个数据沙龙上的例子：一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。
　　这个案例中，我们只知道送货员的送货水平距离，即POI数据，根本不可能知道垂直距离的数据。这就是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。
　　对业务市场的了解是数据分析在工作经验上最大的优势之一。不同行业领域的业务知识都不一样，我就不献丑了。在互联网行业，有几个宽泛的业务数据需要了解。
　　产品数据分析，以经典的AAARR框架学习，了解活跃留存的指标和概念。
　　并且数据分析师需要知道如何用SQL计算。因为在实际的分析过程中，留存只是一个指标，通过userId 关联和拆分才是常见的分析策略。
　　网站数据分析，可以抽象成一个哲学问题：
　　虽然网站已经不是互联网的主流，但现在有很多APP+Web的复合框架，朋友圈的传播活动肯定需要用到网页的指标去分析。
　　用户数据分析，这是数据化运营的一种应用。
　　在产品早期，可以通过埋点计算转化率，利用AB测试达到快速迭代的目的，在积累到用户量的后期，利用埋点去分析用户行为，并且以此建立用户分层用户画像等。
　　例如用贝叶斯算法计算用户的性别概率，用K聚类算法划分用户的群体，用行为数据作为特征建立响应模型等。不过快速入门不需要掌握这些，只需要有一个大概的框架概念。
　　除了业务知识，业务层面的沟通也很重要。在业务线足够长的时候，我不止一次遇到产品和运营没有掌握所有的业务要点，尤其涉及跨部门的分析。良好的业务沟通能力是数据分析的基础能力。
　　7
　　第七周：Python/R学习
　　终于到第七周，也是最痛苦的一周。这时应该学习编程技巧。
　　是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘，爬虫，可视化报表都需要用到编程能力（例如上文的多元散点图）。掌握一门优秀的编程语言，可以让数据分析师事半功倍，升职加薪，迎娶白富美。
　　以时下最热门的R语言和Python为学习支线，速成只要学习一条。
　　我刚好两类都学过。R的优点是统计学家编写的，缺点也是统计学家编写。如果是各类统计函数的调用，绘图，分析的前验性论证，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。Python则是万能的胶水语言，适用性强，可以将各类分析的过程脚本化。Pandas，SKLearn等各包也已经追平R。
　　学习R，需要了解数据结构（matrix，array，data.frame，list等）、数据读取，图形绘制( ggplot2)、数据操作、统计函数(mean,median,sd,var,scale等)。高阶的统计暂时不用去涉及，这是后续的学习任务。
　　R语言的开发环境建议用RStudio。
　　学习Python有很多分支，我们专注数据分析这块。需要了解调用包、函数、数据类型（list、tuple、dict），条件判断，迭代等。高阶的Numpy和Pandas在有精力的情况下涉及。
　　Python的开发环境建议Anaconda，可以规避掉环境变量、包安装等大部分新手问题。Mac自带Python2.7，但现在Python 3已经比几年前成熟，没有编码问题，就不要抱成守旧了。
　　对于没有技术基础的运营和产品，第七周最吃力，虽然SQL＋Excel足够应付入门级数据分析，但是涉及到循环迭代、多元图表的分析部分，复杂度就呈几何上升。更遑论数据挖掘这种高阶玩法。
　　我也相信，未来了解数据挖掘的产品和运营会有极强的竞争力。
　　到这里，刚刚好是七周。如果还需要第八周+，则是把上面的巩固和融会贯通，毕竟这只是目的性极强的速成，是开始，而不是数据分析的毕业典礼。
　　如果希望数据分析能力更近一步，或者成为优秀的数据分析师，每一周的内容都能继续学习至精通。实际上，业务知识、统计知识仅靠两周是非常不牢固的。
　　再往后的学习，会有许多分支。比如偏策划的数据产品经理，比如偏统计的机器学习，比如偏商业的市场分析师，比如偏工程的大数据工程师。这是后话了。 查看全部

　　避免然并卵的指标 3A法则帮助SaaS企业找到正确目标
　　如果喜欢我们的内容，欢迎转发！体验最新混合云管理技术
　　
　　寄云PaaS平台公测
　　
　　参与有奖公测拿精美礼品，还能参选超级云平台管理师名利双收！长按或扫描左侧二维码报名指标基本上分为两类：虚荣指标、有用指标。愿意猜一下这两类指标的意义吗？虚荣指标听起来不错，实则并没有多大意义，用曾经流行的网络词语来形容就是“然并卵”。虚荣指标会使你自我感觉良好，但是并不会为你接下来的工作提供清晰的指导。
　　
　　例如：某个搜索引擎的报告显示你每月的检索量达到1百万次。
　　但是这可能有多种含义；最重要的含义包括：
　　你之所以会获得如此之多的检索结果，是因为搜索者无法获得正确的结果。
　　这并不代表虚荣指标一定是不好的；只是他们没向你提供明确或准确的信息。
　　流量是内容营销人员最常用的指标之一，然而，依赖于流量进行判断却是错误的。流量是一个虚荣指标。你第二天就可以向一些质量低劣的广告网络购买一百万条综合浏览量，但是你绝对会一无所获。
　　虽然高质量的综合浏览量会是一个相当好的指标，但是如何衡量却非常困难。对于已阅邮件的比例或列表上邮件订阅者的数量，道理也是一样。我看到一些企业从其数以千计的订阅者身上获得的收益几乎为零，然而有些企业却从其仅有的几百名订阅者身上获得数以千计的收益。
　　如果你邮件列表的增长率为衡量指标，它不会告诉你任何与企业绩效或营销绩效有关的信息。对所有虚荣指标而言，道理都一样。你总能在谷歌分析中找到一些指标，而且数量逐月增加。不要傻傻地认为一切都在完美进行 - 事实也许并非如此。什么样的指标可以称之为 “有用指标”？识别“有用”指标（有时被成为“智能指标”）最简单的方法是寻找3个“A”：
　　
　　可行（Actionable）
　　易懂（Accessible）
　　可查找（Auditable）
　　这一概念虽然来源于 精益初创企业，却几乎适用于任何企业。
　　我们来逐一分解有用指标的标志，就从如何确定一个指标是否可行开始……
　　可能你已经猜到了，可行的指标是指凭借这些指标所提供的信息，你可以采取相应的行动。我并不是说它一定是某种具体的行动，也可以是指能实际改善你工作的某一方面。
　　第二个“A”易懂；如果你需要团队合作，那么这一点非常重要。
　　具体的含义是这样：如果你为企业选定了一个关键指标，你希望该企业中的每个人都可以理解该指标。此外，他们还要明白如何发现、理解并运用这一指标。
　　就某些指标而言，技术人员能够理解，但是也许营销人员或销售人员无法理解。一个好的指标应该对所有人而言均简单易懂。
　　最后一个A代表可查找性。
　　这与易懂性的概念有关，这意味着团队中的任何一个人都应该有能力使用企业中与该指标相关的任何数据，而且可以运用该数据生成报告。
　　如果可以通过谷歌分析对该指标进行跟踪，你的问题就解决了，因为所有团队成员都可以很容易地被添加到网站账户。他们可以根据需要查询指标、导出报告。目标比指标更为重要：请记得我们最初为什么需要指标，这一点非常重要。我们可以使用指标衡量事物。有用指标可以表明你的营销工作是否能产生可接受的增长。为了找到这些指标，你需要从营销或企业主要目标入手。以下是一些常见的你可能拥有的目标：
　　通常，应该不会比这更为复杂。
　　对于每个目标，你想要采用一些指标用来衡量你是否获得了成功。
　　以下是一些指标的示例。01
　　
　　目标：盈利可能存在的指标：收益、利润、销货成本、当前成员、每月流失量（客户流失）、客户保持率、新客户、客户流失（如适用）。
　　由于大多数企业都希望实现利润最大化，或至少实现收益最大化，通常这些指标是最为重要的跟踪方向。
　　通常，你可以选取其中1至4个指标定期跟踪。
　　你或团队中任何一个人做任何工作时，至少应在某种程度上改善你选定指标中的一个。
　　有些指标取决于你的企业的类型。像客户保持率和流失量这种指标仅适用于经常性收益企业（例如：订阅箱）。
　　你想要使你的选项尽可能的简单。如果你的主要目标是盈利，那么首先跟踪利润。对于营销的某些方面，你无法直接跟踪利润。
　　这就是为什么你需要其他相关指标，通过这些指标，你可以看出企业中哪些方面运行不畅。
　　例如：如果你突然发现流失客户的数量激增，你可以凭借这一信息采取行动，同时弄清楚近期哪个变化造成了客户流失。
　　另一个目标……02
　　
　　目标：产生积极影响可能存在的指标：页面停留的平均时间、客户调查问卷满意度评分、回头客百分比。
　　许多目标是定性的，所以，衡量起来比较困难。
　　当你无法找到一个完美的“影响”指标时，你可以找到其他可以引导你的指标。
　　在这种情况下，想要确定客户对你的产品的喜爱程度的确非常困难。
　　给你反馈的客户或者对你感到非常满意，或者感到非常不满，但感受”平平“的客户不会给你反馈。进行问卷调查通常是最好的选择，但是你通常会遇到样本采集等问题。
　　如果你的产品是像课程或SAAS一样的互联网产品，测量这样的指标就简单多了。通常，你只需要看一下用户在多长时间内会再次访问你的网站或再次使用工具。
　　与其他目标相比，有些目标适用的指标比较多。只要一个指标可以为你提供独一无二的可行的信息，那么这个指标就值得跟踪。最后，你可能会提出一种方法，可以定期评估你对所做工作的满意程度，但是这是另外一个难以测量的指标。一些目标，尤其是定性目标，无需通过指标进行跟踪（请定期进行审核）。最重要的——确保你关注的所有指标都符合“3A”标准。
　　SaaS学堂投稿邮箱：
　　关于SaaS学堂
　　SaaS学堂是由寄云科技创办，旨在传播SaaS专业知识的平台。旨在为国内SaaS行业普及国际先进SaaS理念，提供从SaaS产品开发、营销设计、和运营估值等专业咨询和顾问服务，为企业云化转型提升效率。
　　 查看全部

　　技术分享 | 数据分析报告是怎样“炼成”的（附疫情报告演示案例）
　　
　　
　　
　　
　　前言
　　
　　
　　当前国内的数字经济正在如火如荼地发展，数字社会、数字政府、企业数字化转型等等一系列新提法、新技术在也不断产生。在这个过程中，如何将数据资源的价值释放出来提供生产要素，是数字经济的杀手锏与核心所在，即数据智能。
　　数据分析（报告）是数据智能的主要手段之一。从当年被人们津津乐道的沃尔玛“啤酒+尿布”营销开始，人们（尤其是中国人）逐步认识到数据分析的威力和价值所在。随着数据资源的不断积累和开放，政府机关、企业的精细管理、科学决策需求对数据分析（报告）的广度、速度、深度不断提出新的要求。
　　本文就来谈一谈数据分析报告相关的内容。如果您对数据分析报告是如何撰写的，这当中有哪些实际痛点，以及我们如何用大数据、人工智能技术提出解决方案解决这些痛点，等此类话题感兴趣，建议继续阅读本文。
　　文末还附了一个小Demo，直观展示本文技术成果的同时，也希望能为战胜新冠疫情尽到我们的一份力。
　　
　　01数据分析报告的撰写步骤
　　我们以常见的国家统计局数据报告为例，说明数据分析报告的撰写步骤。国家统计局会定期（每月、每季度、每年）发布多个指数的数据报告，每个周期都需要按以下步骤进行数据分析并形成分析报告：
　　第一步，领域模型的计算。该模型是此项数据分析任务的核心，例如，和我们生活息息相关的消费物价指数（CPI），就是国家统计局月季年各周期关注的核心模型之一。计算CPI指数时，需要收集指标商品（8大类268个基本分类大约700余种）的当期价格及商品权重，根据CPI的计算公式，计算出当期CPI的值。CPI指数是一个体系，除了一个总体值之外，还会从不同维度进行分类，例如：城市/农村、食品/非食品、消费品/服务、8大商品类别等等。
　　第二步，进行常见指标分析。有了核心指数，就可以利用统计学的各项常用指标对其进行分析。例如，将当期值与往期值放在一起，计算累计值、同比、环比；将同级的当期值放在一起，计算均值、中位数、占比、贡献度；等等。
　　第三步，进行复杂序时分析。因为上述的指数和指标值在时间维度上形成序列，于是可以围绕其在时间上的趋势给出分析，例如，CPI同比是保持平稳、连续数月增长还是转头向下，住房价格对CPI走低的影响是否越来越大；等等诸如此类。
　　第四步，分析结果解读。这一步主要是将数据分析结果以文字的形式表达出来，将有亮点的数据结论单独重点论述，并试图给出数据变化可能的原因。这一步通常需要有经验的数据分析师付出大量的人力才能完成。
　　第五步，将前面所有的分析结果，包括表格、图表、文字等，进行合理、有效地组织和呈现，最终一篇完整的数据分析报告就“炼成”了。
　　02数据分析报告的痛点
　　从数据分析报告出炉的过程来看，数据分析报告作为政府、企业数字化转型中的数据智能辅助决策的重要一环，当前的实践中普遍面临以下痛点问题：
　　（1） 目前政务部门数据统计分析与报告编写大多停留在人工处理阶段，数据分析和报告编写工作量大，费时费力，效率低下，且人工数据统计分析易于出错，报告质量难以得到保证。
　　（2） 企业当前会使用一些商业智能（BI）工具进行数据分析，但当前BI工具大多难以实时处理大规模数据，并且BI工具通常只能以数据表格或报表的形式呈现，无法自动形成结论性的文字，因此撰写报告时仍有大量的工作要做。
　　03我们的解决方案
　　本公司通过在大数据、人工智能领域多年的技术积累和行业经验，运用这些技术构建了一键式自动化数据分析报告生成平台（暂定名）。该平台能够快速进行数据统计、序时等分析，生成图表并自动给出文字结论，其中包括数据分析结果的描述，以及数据变化的可能原因，从而解决了前述数据分析报告撰写的痛点。平台架构如下图所示：
　　
　　该平台的几个核心技术点分别如下：
　　(1)海量的数据管理
　　底层基于大数据存储与计算平台，支持数据以文件、数据库等多种形式接入、采集、处理、检验、存储，并支持维护数据的指标目录树，为查询及组成分析提供支持。
　　(2)数据分析引擎
　　平台设计实现了灵活的查询引擎，支持灵活条件的序时查询、组合查询，可自由添加行列，设置时间频率、数据单位，查询起止时间，查询条件等，并基于原始数据内置了同比、环比的增速、增量等计算指标，便于直接查询计算后的数据并展示。若默认计算指标不满足要求，可自行添加公式，设置自定义计算指标，满足不同业务需求。查询结果支持多种可视化图表展示，并可保存为模板，方便再次使用。查询结果也支持通过趋势分析、排名分析、组成分析等进行多种组成分析并组成本查询指标的分析结果供参考。
　　(3)智能报告引擎
　　通过数据分析引擎分析到的结果，如果认为有价值，可插入报告模板中，并设置语句输出条件及不同条件下的描述语句，用户也可针对该数据通过归因分析分析指标内在的关联原因、组成原因等，提供更具深度的分析结果。多条语句按照报告主题组合就形成了一份完整的报告。
　　修改报告日期、语句规则的公共参数，可一键生成不同日期、不同维度的报告，大大提高了报告生成的效率，并积累形成行业模板，例如宏观经济分析报告、产业/行业分析等报告。
　　(4)智能语句库
　　平台还运用自然语言处理、深度学习、知识图谱等技术，智能化阅读各类行业报告或政策文本，实现 “人工经验+智能化”的原因要素分析提取，形成报告分析行业原因语句库，提升归因分析的全面准确性。
　　
　　(5)灵活的规则引擎
　　强大的数据分析引擎和智能报告引擎的一个基础是规则引擎，通过规则原语与统一的接口，屏蔽了需要技术人员编写的数据查询语句及复杂代码逻辑，通过简单配置即可实现复杂的业务指标计算处理及判断输出，若业务逻辑过于复杂，也可通过低代码方式进行业务代码编写，满足了不同用户的需求，大大降低了用户的学习成本，业务人员自己即可实现复杂业务编写，不需要再寻求开发技术人员进行技术实现。
　　
　　04总结
　　总的来讲，在政府单位、企业的数字化转型过程中：
　　我们的一键式自动化数据分析报告生成平台仍在积极开发中，未来会变得更加强大和智能。与此同时，当前的版本已可初步对外使用，欢迎感兴趣的读者前来垂询和试用。
　　
　　疫情分析预测与报告生成服务演示案例
　　自3月初开始的国内本轮疫情形势严峻，为了帮助政府和社会大众及时了解各地疫情发展态势，我们使用该智能化报告生成工具，制作了一个疫情分析预测查询与报告生成服务网站，通过采集国内外疫情数据，可以多维度灵活地查询各地的疫情态势，并自动生成国内外任意地区的疫情态势日/周/月报，为政府疫情防控决策提供参考依据，为企业和社会大众及时了解当地疫情态势提供便捷手段。
　　（点击“阅读原文”查看）。目前该疫情分析预测与报告生成服务平台是首次开发完成的演示版本，功能还在不断完善中，请各位读者试用并提出宝贵意见，或者有特别的分析预测服务需求，也可以联系我们。
　　
　　
　　
　　 查看全部

　　数据分析师常用的数据分析方法有哪些？
　　很多做数据分析或者刚接触数据分析的小伙伴，不知道怎么做数据分析。一点思路都没有，今天就给大家盘点数据分析师常用的数据分析方法。希望看完此文的小伙伴，有一个清晰的数据分析思维。
　　方法论和方法有什么区别?
　　方法论是从宏观角度出发，从管理和业务的角度提出的分析框架，指导我们接下来具体分析的方向。方法是微观的概念，是指我们在具体分析过程中使用的方法。
　　数据分析方法论
　　数据分析的方法论很多，这里我给大家介绍一些常见的框架。
　　1、PEST分析法
　　PEST 为一种企业所处宏观环境分析模型，从政治(Politics)、经济(Economy)、社会(Society)、技术(Technology)四个方面分析内外环境，适用于宏观分析。
　　
　　四点因素也被称之为“pest有害物”，PEST要求高级管理层具备相关的能力及素养。PEST分析与外部总体环境的因素互相结合就可归纳出SWOT分析中的机会与威胁。PEST/PESTLE、SWOT 与 SLEPT 可以作为企业与环境分析的基础工具。
　　2、SWOT分析法
　　从优势(Strength)、劣势(Weakness)、机遇(Opportunity)、威胁(Threat)四个方面分析内外环境，适用于宏观分析。
　　
　　SWOT分析法是用来确定企业自身的竞争优势、竞争劣势、机会和威胁，从而将公司的战略与公司内部资源、外部环境有机地结合起来的一种科学的分析方法。运用这种方法，可以对研究对象所处的情景进行全面、系统、准确的研究，从而根据研究结果制定相应的发展战略、计划以及对策等。
　　3、5W2H分析法
　　从Why、When、Where、What、Who、How、How much 7个常见的维度分析问题。广泛用于企业管理和技术活动，对于决策和执行性的活动措施也非常有帮助，也有助于弥补考虑问题的疏漏。
　　
　　4、4P理论
　　经典营销理论，认为产品(Product)、价格(Price)、渠道(Place)和促销(Promote)是影响市场的重要因素。
　　
　　5、AARRR
　　增长黑客的海盗法则，一种以用户为中心的着眼于转化率的漏斗型的数据收集测量模型，从获取(Acquisition)、激活(Activition)、留存(Retention)、收益(Revenue)和推荐(Referral)5个环节增长。
　　
　　AARRR在应用推广运营各个层次（各个阶段）需要关注的一些指标。在整个AARRR模型中，这些量化指标都具有很重要的地位，而且很多指标的影响力是跨多个层次的。及时准确地获取这些指标的具体数据，对于应用的成功运营是必不可少的。
　　数据分析的方法论很多，这里不能一一列举;没有最好的方法论，只有最合适的。
　　从数据分析方法论也可得知，数据分析的意义在于将杂乱无章的数据转化为清晰可见的可视图，从而进行精准决策。“大数据时代，技术和分析哪个更重要”一文中也阐述了分析的重要性。
　　数据分析的七个方法
　　1、趋势分析
　　趋势分析是最简单、最基础，也是最常见的数据监测与数据分析方法。通常我们在数据分析产品中建立一张数据指标的线图或者柱状图，然后持续观察，重点关注异常值。
　　
　　在这个过程中，我们要选定第一关键指标(OMTM，One Metric That Metter)，而不要被虚荣指标(Vanity Metrics )所迷惑。
　　以社交类APP为例，如果我们将下载量作为第一关键指标，可能就会走偏;因为用户下载APP并不代表他使用了你的产品。在这种情况下，建议将DAU(Daily Active Users，日活跃用户)作为第一关键指标，而且是启动并且执行了某个操作的用户才能算上去;这样的指标才有实际意义，运营人员要核心关注这类指标。
　　2、多维分解
　　多维分解是指从业务需求出发，将指标从多个维度进行拆分;这里的维度包括但不限于浏览器、访问来源、操作系统、广告内容等等。
　　为什么需要进行多维拆解?有时候一个非常笼统或者最终的指标你是看不出什么问题来的，但是进行拆分之后，很多细节问题就会浮现出来。
　　举个例子，某网站的跳出率是0.47、平均访问深度是4.39、平均访问时长是0.55分钟。如果你要提升用户的参与度，显然这样的数据会让你无从下手;但是你对这些指标进行拆解之后就会发现很多思路。
　　3、用户分群
　　用户分群主要有两种分法：维度和行为组合。
　　第一种根据用户的维度进行分群，比如从地区维度分，有北京、上海、广州、杭州等地的用户;从用户登录平台进行分群，有PC端、平板端和手机移动端用户。
　　第二种根据用户行为组合进行分群，比如说每周在社区签到3次的用户与每周在社区签到少于3次的用户的区别，这个具体的我会在后面的留存分析中介绍。
　　
　　4、用户细查
　　正如前面所说的，用户行为数据也是数据的一种，观察用户在你产品内的行为路径是一种非常直观的分析方法。在用户分群的基础上，一般抽取3-5个用户进行细查，即可覆盖分群用户大部分行为规律。
　　绝大多数产品都或多或少存在一些反人类的设计或者BUG，通过用户细查可以很好地发现产品中存在的问题并且及时解决。
　　5、漏斗分析
　　漏斗分析是一套流程式数据分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。漏斗分析模型已经广泛应用于网站用户行为分析和APP用户行为分析的流量监控、产品目标转化等日常数据运营与数据分析的工作中。
　　
　　漏斗分析要注意的两个要点：
　　第一：不但要看总体的转化率，还要关注转化过程每一步的转化率;
　　第二：漏斗分析也需要进行多维度拆解，拆解之后可能会发现不同维度下的转化率也有很大差异。
　　6、留存分析
　　留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。
　　衡量留存的常见指标有：次日留存率、7日留存率、30日留存率等等。
　　
　　留存分析可以帮助回答以下问题：
　　7、A/B测试与A/A测试
　　A/B测试是为了达到一个目标，采取了两套方案，一组用户采用A方案，一组用户采用B方案。通过实验观察两组方案的数据效果，判断两组方案的好坏。在A/B测试方面，谷歌是不遗余力地尝试;对于搜索结果的显示，谷歌会制定多种不同的方案(包括文案标题，字体大小，颜色等等)，不断来优化搜索结果中广告的点击率。
　　
　　这里需要注意的一点，A/B测试之前最好有A/A测试或者类似准备。什么是A/A测试?A/A测试是评估两个实验组是否是处于相同的水平，这样A/B测试才有意义。其实这和学校里面的控制变量法、实验组与对照组、双盲试验本质一样的。
　　来自：大数据分析和人工智能 查看全部

　　网站分析常用的指标之内容指标(网站分析常用的指标之内容指标内容分析的前提条件)
　　网站分析常用的指标之内容指标内容分析的前提条件一般来说网站分析指标分类可以分为以下四种:用户指标用户行为指标转化率指标注册量指标上下架时间指标订单量指标日流量指标日活跃用户指标。进行网站分析的通用步骤。
　　1)建立完整的网站分析报告，包括运营指标，营销指标，推广指标，用户行为指标等。
　　2)利用这些指标来设计网站分析报告的图表。
　　3)最终网站分析报告可以加入文章列表，网站链接等。
　　4)网站分析报告的格式为图文并茂。
　　内容指标也就是图表和数据埋点方法。用户指标的就是看流量，转化，留存，等各个维度的数据，例如新增用户，老用户，浏览时长，访问频次，点击等等。转化率指标主要看转化率指标，如下图转化率埋点方法，可以在网站之前设计好埋点，实时记录系统用户访问数据，最终到达到到系统。
　　运营指标：数据埋点方法，根据业务方提出的业务需求，拿埋点要求作业（有第三方机构比如网盟等做运营指标的埋点），分析具体的业务指标。例如，：新增用户转化率，老用户的转化率等等。营销指标：看下载量、跳出率、平均访问时长等等，同时要看原来页面停留时间，跳转页面浏览时长等等运营指标转化率通过前面的运营指标，可以推导出网站的转化率，进而是网站的收入，在于怎么想办法提高收入。用户注册量等分析，重点是看注册流程。 查看全部

　　网站分析常用的指标之内容指标(在Web-IA中，根据入口给出典型行为分析。)
　　一次访问产生的平均浏览量，即平均浏览量=浏览量÷访问量。
　　一天内回访：
　　一天访问两次以上的用户数。
　　曝光次数：
　　广告弹出窗口的数量。
　　广告点击：
　　用户点击弹窗广告的次数，即点击次数。
　　回报：
　　通过电子邮件进行营销时，用户通过单击电子邮件中的链接地址访问 网站 的次数。
　　注册数量：
　　通过电子邮件和广告访问此网站 并最终转化为注册用户的用户数量。
　　退货率：
　　广告弹出后，广告被用户点击的程度，即返回率=点击次数÷曝光次数×100%。
　　客户转化率：
　　客户转化率包括两层含义：用户通过广告访问这个网站并最终转化为注册用户的程度，即客户转化率=注册数÷点击数×100%；用户通过邮件上的链接地址访问这个网站最终转化为注册用户，即客户转化率=注册数÷退货数×100%。
　　发送的字节数：
　　从服务器发送到客户端的字节数。
　　接收字节：
　　服务器从客户端接收的字节数。
　　总字节数：
　　它是发送的字节数和接收的字节数之和，即总字节数=发送的字节数+接收的字节数。
　　行为/路径：
　　在一个访问过程中，客户访问的所有页面的轨迹称为路径，或行为。
　　具体行为：
　　用户定义的行为包括多个行为步骤，其中行为步骤不受限制，即可以任意设置行为步骤。然后分析满足设定行为的出现次数和每一步之间的转化率。
　　特定行为的转化率：
　　特定行为中两个步骤之间的转化率。
　　行为入口：
　　客户开始访问网站 的首页。在Web-IA中，根据条目给出典型的行为分析。
　　行为退出：
　　客户访问 网站 的最后一页。在 Web-IA 中，典型的行为分析是基于出口给出的。
　　静默时间：
　　从注册用户最后一次访问 网站 到分析日的天数。
　　沉默的用户：
　　在静默期间未访问网站的注册用户。
　　重复用户百分比：
　　一天内访问两次以上的用户占用户总数的比例。值越大，用户的质量越高。理想值为 100%。
　　用户粘性指数：
　　一天内总访问量与总用户数之比，数值越大，用户质量越高。
　　重度访问用户：
　　按每次访问的停留时间划分，停留时间超过20分钟的用户被归类为重度访问用户；也可以按照每次访问产生的页面浏览量来划分，一次访问浏览量超过10页的用户被归类为重度访问用户。对于访问量大的用户，包括以下四个指标。每个指标的值越大，用户的质量就越高。
　　轻度访问用户：
　　除以每次访问的停留时间，停留时间少于 1 分钟的用户被归类为轻度访问用户。对于轻度访问的用户，包括以下三个指标。每个指标的值越小，用户的质量就越高。
　　拒绝率：
　　一次只访问一个页面的访问次数占总访问次数的比例。比例越小，用户质量越高。
　　区域：
　　来访客户的来源地域是根据IP地域对照表，通过查询来访客户的IP地址属于哪个IP段得到对应的地域。地区包括国内地区和国外地区。国内地区为省，国外地区为国家。
　　时期：
　　按一天24小时的自然时间段划分。
　　趋势：
　　趋势有两种，第一种是以时间段为单位的一天24小时的发展趋势。二是以日为单位的周、月、指定区间发展趋势。
　　IP地址：
　　IP 地址由 4 个数字组成，每个数字的取值范围为 0 到 255。数字之间用点“.”分隔，例如：202.103.8.@ > 46。
　　页：
　　网站中所有格式的网页（包括文件和动态网页），如：.htm、.html、.asp、.cfm、asa、cdx、htmls、shtm、shtml、txt等，可以由用户根据实际情况设置页面的文件格式。
　　具体页面：
　　对于需要特殊分析的页面，通过设置，将页面从多个页面中分离出来，进行具体的分析。
　　过滤页面：
　　网站 中的某些页面不是独立页面，而是附加到页面。例如，滚动条页面是附加到主页的页面。用户可以将这些附加页面设置为过滤页面。只有过滤后的浏览量才能真实反映网站的访问量。
　　离开页面：
　　客户访问 网站 的最后一页。
　　未定义页面：
　　未定义功能的页面，即未分类到任何频道的页面。
　　频道/栏目：
　　将网站中的各种内容按功能分类，划分为若干个逻辑通道或列。
　　网站:
　　网站由Web Server组成，专业版网站只有一个Web Server，企业版和商业版网站至少有一个Web Server。
　　热点：
　　网页中收录的链接按功能分为几个版块，如新闻版块、财经版块、体育版块、科技版块等，每个版块都成为热点。然后，分析页面上的每个热板被点击。
　　概括：
　　多个 网站 的聚合分析。
　　同期比较：
　　比较任意两天、几周、几个月和指定时间间隔的查看次数（或访问次数，或用户数量，停留时间）。对比对象可以是页面、频道、栏目、广告、区域等。
　　聚合：
　　日期的聚合，比如周聚合，就是将7天的数据组合成一个分析项。聚合的目的是以聚合项为单位分析网站的发展趋势。
　　环比：
　　在趋势分析中，当前日期的数据与上一日期的数据的比值成为链比。
　　跳：
　　状态码为 302 的访问请求。
　　受欢迎的：
　　最受欢迎的页面或频道，即观看次数最多的页面或频道（可由用户定义）。
　　不受欢迎：
　　最不受欢迎的页面或频道，即查看次数最少的页面或频道（可由用户定义）。
　　广告：
　　通过在其他网站s 上的弹窗介绍这个网站 的商业活动。
　　邮件：
　　通过点击邮件中收录的链接地址，发送邮件中带有链接地址的邮件来吸引用户访问这个网站，其实是一种广告。
　　搜索引擎：
　　网站 为您提供互联网信息“搜索”服务。
　　关键词：
　　搜索引擎“检索”的内容。
　　Excel输出：
　　分析结果以 Excel 格式输出。
　　网站拓扑：
<p>网站 的拓扑结构由三种类型的节点组成：网站 汇总、网站 分析和通道分析。其中，网站可以在汇总下有部门汇总，网站可以在分析下有子 查看全部

　　网站分析常用的指标之内容指标(
互联网好的数据指标是一个比率的可操作性强吗？)
　　
　　在互联网公司，在评审设计方案时，总有一些这样的声音“用数据说话”。数据驱动的设计并非不合理。数据在一定程度上可以揭示产品用户的行为习惯，而这些关键数据也可以帮助和改进产品设计。同时，从公司或者产品经理的角度，他们会关注一些关键的数据指标，比如转化率、留存率、日活跃度、月活跃度等等，什么样的数据指标才值得我们关注，并能帮助企业或产品找到适合自己的市场和改进方向。在《精益数据分析》一书中，作者谈到了一些关于良好数据度量的指南。
　　一.什么是好的数据度量？
　　1.好的数据指标具有可比性：如果我们能够比较一个数据指标在不同时间段、不同用户群、不同竞品的表现，可以帮助我们更好地了解产品的实际走势。比如某医疗APP本周的药品购买率高于上周，“高”的原因可以通过不同时间段的对比来找到。
　　2.一个好的数据度量简单易懂：团队或公司的其他同事很容易记住或讨论它。比如用户增长率。
　　3.一个好的数据度量是一个比率：比率是最好的数据度量，原因如下：
　　理由一：比值机动性强，是行动的指南：比如开车时的速度（距离/小时），速度是一个比值，我们可以通过改变速度来控制到达目的地的时间。
　　原因2：比率是一个天然的比较指标：例如通过比较月度新用户率来判断产品的用户是否在稳步增加。
　　理由三：这个比例也适合比较各种因素之间的正负相关关系：如果滴答单APP产品采用免费+收费模式，就会面临一个选择，为了吸引用户，是否加足免费版本丰富的功能，或者将这些丰富的功能保留在付费版本中，以鼓励用户付费。
　　4.好的指标会改变行为：只有几个“试验指标”可用于测试和帮助产品优化、定价和市场定位。例如：如果超过一半的用户反馈他们不会为勾选列表中的“日历小部件”付费，他们可以决定不开发此功能或将此功能放入免费版本。
　　一个好的数据指标可以改变业务行为，因为它符合您的产品目标：留住用户、鼓励口碑、有效地获取新用户或产生收入。
　　二.如何找到合适的数据指标？
　　1.定性定量指标：
　　定性指标：通常是非结构化的、经验性的、有启发性的、难以分类的。
　　定量指标：涉及大量数值和统计数据，提供可靠的定量结果，但缺乏直观的洞察力。定量数据易于使用、科学，易于分类和推断。比如电影收视率、点赞数等量化数据。
　　如果定量数据回答“什么”和“多少”之类的问题，那么定性数据回答“为什么”。定量数据排除主观因素，定性数据吸收主观因素。
　　2.虚荣指标和可操作指标：
　　虚荣指标：如果您有一段数据，但您不知道如何对其采取行动，这就是虚荣指标。需要用数据来揭示信息，指出方向，帮助产品改进商业模式，并决定下一步的行动。这就是“数据驱动的决策”。文章 中需要注意的 8 个虚荣指标：点击次数、页面浏览量、访问量、唯一身份访问者、粉丝/朋友/喜欢、网站停留时间/浏览的页面数、采集的用户电子邮件地址和下载次数.
　　可操作的指标：它是“活跃用户百分比”（活跃用户百分比）。该指标揭示了产品的用户参与度。如果产品调整，该指标上升，则可以继续向调整方向迭代。另一个可以关注的指标是“单位时间新用户数”（新用户增长率），这往往有助于比较不同营销方式的优劣。
　　3.探索性和报告性指标：
　　探索性指标：具有投机性，并提供以前未知的见解，以帮助您在业务中领先一步。
　　可报告指标：适用于公司日常经营管理活动，保持信息畅通，节奏一致。
　　4.先见之明和后见之明：
　　有先见之明的指标：可以用来预测未来。例如，通过“销售漏斗”中现有潜在客户的数量，可以大致预测未来可以获得的新客户数量。例如，某产品在一段时间内的用户投诉次数，可以作为用户流失的先见之明。如果投诉数量继续增加，用户放弃使用您的产品或服务的概率就会增加。因此，这个指标可以帮助了解产品和服务的真实情况。
　　后见之明指标：揭示当前问题。如流失（在一定时期内离开产品或服务的客户数量）。大部分流失的客户都找不到，但是这个指标可以帮助产品降低产品用户的流失率。
　　5.相关性和因果性指标：
　　相关性和因果性指标：即两个或多个指标是相关的，找到相关性可以帮助你预测未来，找到因果关系意味着或可以改变未来。通常，因果关系并不是简单的一对一关系，很多事情都是多种因素共同作用的结果。想要证明因果关系的指标：找到相关性指标，运行控制变量实验并测量因变量的变化。但是这样的测试需要考虑足够大的用户样本。
　　在数据分析中，测试通常用于证明更改的合理性。这种测试通常是比较两个样本之间的差异。常用方法包括市场细分、队列分析、A/B 测试和多变量测试。
　　1.Market Segment：具有共同特征的用户群。
　　2.队列分析：比较相似组随时间的变化。该产品会随着开发和测试进行迭代，从而为在产品发布的第一周加入的用户和稍后加入的用户带来不同的用户体验。每个用户都有一个生命周期。在此期间，商业模式不断调整。这会对用户流失率产生什么影响？通过队列分析可以找到答案。队列分析可以观察用户在生命周期不同阶段的行为模式。这种分析方法适用于收入、客户流失、口碑病毒式传播等数据指标。
　　3.A/B测试：假设其他条件不变，只考虑体验中的某个属性对被测用户的影响。比如“立即试用”和“免费试用”的区别。这种方法更适合用户流量大的网站（微软、谷歌）
　　4.多变量测试：如果没有大的用户流量，考虑同时测试多个属性 查看全部