数据分析入门专题，来自人人都是产品经理http://www.woshipm.com/topic/data

这个系列看完了，做个笔记。

1.数据分析三大能力体系by张溪梦

（我觉得没有讲啥，但是其中的mvp理论我觉得面试中还是会有所考量，比如如何产生构想和方案，如何衡量市场反应，来学习和优化，这个点挺重要，可以把“用户行为 – 数据分析 -产品设计 & 优化 ”三位归于一体，但是没说怎么做）

http://www.woshipm.com/data-analysis/704497.html

“ 学习引擎 ” 是《精益创业》一书中提倡的精益化运营方式，在硅谷被大小企业广泛采纳。当我们有一个想法的时候，可以采用最简可行化产品（MVP）的方式将其构建（Build）出来。产品上线后，我们需要衡量（Measure）用户和市场的反应。通过分析收集到的数据，我们可以验证或者推翻我们之前的想法，从而不断学习（Learn）和优化。

懂得每一种方法的原理是一回事，在业务中灵活应用又是另外一回事。以产品经理为例，可以把“用户行为 – 数据分析 -产品设计 & 优化 ”三位归于一体，在不断的实践应用中掌握各种分析方法的精髓和要义。数据来源于用户，数据分析的最终目的也是服务于企业和用户。做数据分析之前，一定要清晰业务目的和数据指标，选择科学的分析方法，用数据来指导产品和用户增长。

 2.四步，教你建立数据分析的思维框架 by 秦路

秦路老师写的文章都不错！这篇很好！

数据分析思维，不是我觉得，而是数据证明。作为个人，应该如何建立数据分析思维呢？

一、建立你的指标体系

（1）如果你不能衡量它，那么你就不能有效增长它。衡量，需要统一标准来定义和评价业务。

（2）指标也需要结构化。

（3）抓核心指标，20%的指标一定能带来80%的效果，比如利润比销量重要，日活比用户总量重要（初期）。

最近物价上涨，老王顺应调高了水果价格，又不敢涨的提高，虽然水果销量没有大变化，但老王发现一个月下来没赚多少，私房钱都不够存。

老王这个月的各类水果销量有2000，但最后还是亏本了，仔细研究后发现，虽然销量高，但是水果库存也高，每个月都有几百单位的水果滞销最后过期亏本。

（4）核心驱动指标和公司发展关联，是公司在一个阶段内的重点方向。不同时期的核心驱动指标不一样。不同业务的核心驱动指标也不一样。跟随不同阶段的发展，

>产品1.0期间，注意力放到打磨产品上，在大推广前提高产品质量，留存率是一个核心指标。

>发展阶段的核心指标：用户数和活跃率，用户数代表市场的体量和占有，活跃率代表产品的健康度。

>在有一定用户基数的产品后期，商业化比活跃重要，钱相关的指标：广告点击率、利润率等。

（5）好指标应该是比率或者比例。活跃率。这个指标就是一个比率，将活跃用户数除以总用户数所得。所以在设立指标时，我们都尽量想它能不能是比率。

     坏指标：

1）虚荣（比如10w加的文章但是付费转化率低，app商店曝光多但是有效下载以及后续留存）虚荣指标”其实是实际指标的前一步。比如说，我要注册量，那么注册可能等于 曝光*下载率*注册率， 曝光其实是完成注册量指标的一个先行指标

2）后验证，只能反应已发生的。（流失：3个月未打开就算流失，但是很难挽回，某个运营措施不对伤害了用户，但是现在怎么挽回？；ROI投资回报率，付出成本之后才知道收益，但是成本已经指出，短期只能用作复盘，活动周期长还可以调整。）先和后是相对的，活动已经结束了，这个指标就是一个衡量标准，对活动的改进没有价值，此时它是没有意义的。你认为它有意义，是针对下次活动而言的，对下次活动它就是一个预估值了，此时变成先验指标

2017/03/30

3）复杂

建立正确的指标结构

内容收集—内容编辑发布—用户浏览—用户点击—用户阅读—用户评论或转发—继续下一篇浏览。

当你有了指标，可以着手进行分析，数据分析大体可以分三类：

利用维度分析数据

使用统计学知识如数据分布假设检验

使用机器学习

维度分析：钻取、上卷、切片 excel透视表等

3.数据分析实战：如果我为共享单车类产品做数据分析 by申悦

http://www.woshipm.com/data-analysis/552079.html

提高数据分析能力的方法：分析行业内典型产品的设计、运营思路，假设自己就是该公司的数据产品经理，你会如何对其进行分析。

一、用户是谁

用车方：随时随地有车骑，付费后体验要好

维护方：最少的车辆服务最多的用车方，并从用车中得到收益。

二：明确用户使用场景

用车方：找车到付费的过程，维护方：投放 维护 调度

三、目标

提高成功骑行次数——用户利益最大化

提高毛收入——企业利益最大化

四、拆解目标

数据分析的思路就是将目标层层拆解，从每个子指标中发现问题。基于以上目标，可拆解为：

成功骑行次数 = app启动次数 x 每启动扫码开锁率 x 成功开锁率 x 成功结束率

成功骑行次数 = 每人每日行程次数 x 人数

毛收入 = 充值收入 – 投入成本 = （（每充值金额 – 欠费金额） x 充值次数） – （（每车成本 + 维护费用） x 车辆数量 ）

五、明确数据观察者角色

决策层：关注核心指标、交易指标、时段趋势

维护组：关注车辆状态、位置、轨迹、故障率、用户反馈

运营组：关注骑行次数、充值情况、押金情况、欠费情况、信用积分

产品组：关注骑行流程、交互路径、用户反馈

开发组：关注请求失败率、App崩溃数

六、明确数据度量

每产出一份度量值，都要给出目的。

核心数据：

评估推广效果——注册用户数

评估活跃程度——启动次数、活跃用户数

评估业务健康程度——成功骑行次数、每启动骑行率（用车密度）

评估现金流健康程度——总入账、总出账、充值金额、欠费金额、车辆总成本

评估车辆健康程度——车辆总数量、故障车数量

运营数据

评估推广效果——注册用户数、下载点击数

评估活动运营效果——充值用户数、邀请注册用户数、成功骑行次数、积分增长/消耗量

评估用户质量——行程次数排行、骑行距离排行、信用积分排行、充值排行、欠费人数、认证人数

维护数据

车辆使用总览——车辆总数+车辆位置实时呈现——未使用/使用中/故障中/预约中

评估车辆使用率——使用车辆数/总车辆数

评估车辆故障率——故障车辆数/总车辆数

评估车辆闲置率——连续N日未使用车辆数/总车辆数，以及闲置车辆位置

产品数据

评估需求满足程度/车辆调度效果——每启动骑行率

评估产品使用情况——成功骑行次数、异常骑行次数、平均骑行里程、平均骑行时长、日骑行频率、启动次数、平均骑行天数、预约操作成功率

评估产品操作效果——充值路径、注册路径

评估产品使用异常情况——平均每次开锁成功率

评估用户骑行习惯——骑行轨迹聚合，为调度路线做参考

评估用户满意度——用户反馈好评数/用户反馈数

财务数据

用户金额：充值流水、充值次数、充值金额、充押金金额、余额不足金额、押金退款金额

维修金额：车辆生产成本、车辆维修成本

七、明确数据维度

按时间：小时、日、周、月、季度、年度……

按地区：按省、按市、按区……

按渠道：邀请注册、扫码注册、广告点击注册……

按类型：已认证/未认证、已充值/未充值……

按位置：GPS地图定位

4.基于OMTM方法，如何进行精益的数据分析

http://www.woshipm.com/data-analysis/523782.html

omtm：one metric  that matters 关注核心指标

（1）不同阶段的核心指标不同。初创公司和早期的产品最主要解决的问题是扩大用户基数问题，那每日新增用户数就是他们最应关注的第一关键指标OMTM；而对于大公司或者成熟产品，他们更关注是用户的活跃度或者付费转化率。

精益创业[2]中提倡一种验证模式——开发>测量>认知。产品一旦拥有自己的OMTM，则发布的每个版本会只针对一个核心目标。在这个核心目标下，我们在这种验证模式下创业都应启发和鼓励产品经理多做些尝试和探索。这种尝试是求成的一种有效方式，它目标很聚焦，能够很好地避开了大的失误。

指标特点：简单、即时、可操作可行动、可比较、商业模式最根本性的数据。

翼课网案例

5、运营入门：从0到1搭建数据分析知识体系 by官世强

http://www.woshipm.com/operate/471176.html

1.数据来源：企业外部数据和内部数据。外部数据主要包括社会人口、宏观经济、新闻舆情和市场调研数据；内部数据包括用户行为数据、服务端日志数据、CRM与交易数据。

2.数据分析常用的框架

PEST分析法：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。

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。

5W2H分析法：从Why、When、Where、What、Who、How、How much 7个常见的维度分析问题。

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。

AARRR：增长黑客的海盗法则，精益创业的重要框架，从获取（Acquisition）、激活（Activation）、留存（Retention）、变现（Revenue）和推荐（Referral）5个环节增长。

3. 7种分析方法：

1.趋势分析：

建立一张线图或者柱状图，持续观察，重点关注异常，选定第一关键指标（OMTM，One Metric That Matter），而不要被虚荣指标（vanity metrics ）所迷惑。

以社交类APP为例，虚荣：下载量。第一关键指标：DAU（Daily Active Users，日活跃用户）是启动并且执行了某个操作的用户才能算上去。

2.多维分解

可参考的维度：浏览器、访问来源、操作系统、广告内容等等。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。

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。一个产品在不同操作系统下的用户参与度指标数据。

移动端平台（Android、Windows Phone、IOS）的用户参与度极差，表现在跳出率极高、访问深度和平均访问时长很低：可能产品在移动端上没有做优化导致用户体验不好

3.用户分群

用户分群主要有两种分法：维度和行为组合。

维度：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。

行为组合：比如每周在社区签到3次的用户与每周在社区签到少于3次的用户的区别

4.用户细查

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。

我们以一个产品的注册流程为例：

图5：用户行为轨迹

一个用户连续点击了3次【获取验证码】然后放弃提交。经常迟迟收不到验证码；然后你又会不断点击【获取验证码】，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

衡量转化效率的工具，从开始到结束的模型类似一个漏斗。

分析要点，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。

某企业的注册流程采用邮箱方式，注册转化率一直很低，才27%；通过漏斗分析发现，主要流失在【提交验证码】的环节。

图6：注册转化率

注册邮箱收不到邮件的情况，原因包括邮件代理商被屏蔽、邮件含有敏感字被归入垃圾邮箱、邮件送达时间过长等等。既然这么多不可控因素影响注册转化率，那就换一种验证方式。换成短信验证后，总体转化率提升到了43%，这是非常大的一个增长。

6.留存分析

留存，新用户留下来持续使用产品的含义。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。我们可以从两个方面去分析留存，一个是新用户的留存率，另一个是产品功能的留存。

图7：两种用户群体的留存差异

第一个案例：以社区网站为例，“每周签到3次”的用户留存率明显高于“每周签到少于3次”的用户。签到这一功能在无形中提升了社区的用户的粘性和留存率，这也是很多社群或者社区主推这个功能的原因。

图8：留存魔法数字

第二个案例：首次注册微博，微博会向你推荐关注10个大V；首次注册LinkedIn，LinkedIn会向你推荐5个同事；申请信用卡时，发卡方会说信用卡消费满4笔即可抽取【无人机】大奖；很多社交产品规定，每周签到5次，用户可以获得双重积分或者虚拟货币。

在这里面“关注10个大V”、“关注5个同事”、“消费4笔”、“签到5次”就是我想说的Magic Number，这些数字都是通过长期的数据分析或者机器学习的方式发现的。实践证明，符合这些特征的用户留存度是最高的；运营人员需要不断去push，激励用户达到这个标准，从而提升留存率。

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。

四、应用：体系和分析

（一）案例1：搭建数据分析体系

存在的这些问题：

不清楚自己需要关注哪些核心指标；

不清楚目标用户的特征（用户属性、用户画像等）；

对自己过往工作缺乏系统分析（数据采集、监测和分析）。

第一点，内容定位。

运营需要明确知道自己的目标或者KPI，然后选择一个核心关键指标（OMTM）进行监测。如果是创业公司，初期可能需要拉新，那么核心指标是注册用户数或者新访问用户数。如果是资讯媒体，注重影响力和覆盖面，那么核心指标应该是微信阅读数或者网页PV。

第二点，用户画像。

无论是哪一种运营岗位，都需要明确知道自己的（目标）用户是那些人？这些人都有哪些特征，他们的关注点和痛点是什么？如果你的用户是产品经理，那么可以尝试爬虫抓取产品经理网站上有关的问题，然后做文本分析：这是定量层面的分析。同时，通过调查访问和问卷调研，获取更加深入的用户特征信息：这是从定性层面的分析。

第三点，持续监测。

借助数据分析工具，对核心关键指标（OMTM）进行持续监测。对于指标异常情况，我们需要及时分析和改进。

第四点，数据分析。

统计和分析过往内容的数据，找出哪些内容、哪些标题、哪些形式、哪些渠道的效果更好，然后朝这方面不断优化。

（二）案例2：分析业务核心指标

电子邮件营销是现在很多企业仍在采用的营销和运营方式，某互联网金融企业通过EDM给新用户（有邮件地址但是未注册用户）发送激活邮件。一直以来注册转化率维持在20%-30%之间，8月18日注册转化率暴跌，之后一直维持在10%左右。

图11：EDM渠道注册转化率暴跌

这是一个非常严重的衰退，需要立即排查原因。EDM渠道注册转化率涉及到太多的因素，需要一个一个排查，数据分析师帮运营罗列了可能的原因：

技术原因：ETL（数据抽取、转化、载入）出现问题，导致后端数据没有及时呈现在BI报表中；

宏观原因：季节性因素（节假日等），其余邮件冲击（其余部门也给用户发邮件稀释了用户的注意力）；

微观原因：邮件的标题、文案、排版设计，CTA设计，注册流程设计。

一个简单的业务指标，会影响到它的因素可能是多种多样的，所以我们需要对可能涉及到的因素进行精细化衡量才能不断优化。最后发现，产品经理在注册环节添加了『绑定信用卡』，导致注册转化率大幅度下降

资源层面

数据分析网（http://www.afenxi.com/ ）：覆盖统计理论、数据分析方法、业务分析等内容。

GrowingIO博客（https://blog.growingio.com/ ）：GrowingIO数据分析、增长实践等内容。

6.产品经理要掌握的数据知识：数据的基本概念、术语、指标，基本技术和分析方法by申悦

http://www.woshipm.com/data-analysis/442152.html

留存率：时间段内的新增用户，经过一段时间仍启动App的用户，占原新增用户的比例。“时间段”的划分方式有：按日、按周、按月，对应指标还可细分为“日留存率、周留存率、月留存率”。而“经过一段时间”的划分方式有：次日、7日、14日；次周、+2周；次月、+2月等。一般一款App的次日留存率为30-40%，次月留存率为20%，已经算是不错的成绩了。

对比：字面上理解，就是非孤立地看数据，而是多个数据提取进行比较。根据对比方法不同，分为“横向对比”和“纵向对比”。

横向对比：指空间维度的对比。相当于一个指标，在不同条件下的对比，但每个条件都属于一个层级。举个例子，App功能的A/B测试数据对比，各个渠道的新增用户对比，都属于横向对比。

纵向对比：指时间维度的对比。一般的对比方法有：同比、环比。同比一般指是指本期数据与上年同期数据对比，环比则是本期统计数据与上期比较。观察时间轴上的数据折线图来判断产品运营状态也是一种纵向对比。

aarrr 图里面的字不错

7.如何用数据分析，搞定新媒体运营的定位和内容初始化？by苏格兰折耳喵

讲了比较厉害公众号数据分析

8.一个靠谱的数据分析师是怎样炼成的？by growingio

基本上内容在第5篇豆讲到了。

9.从入门到精通：互联网数据分析书籍清单 by growingio

初：
《深入浅出数据分析》：O’Relly出版的HeadFirst （深入浅出）系列书籍之一，书中有大量的图片和有趣的案例组合。本书浅显易懂形象生动，可以使入门者对分析的概念有个全面的认知。

《谁说菜鸟不会数据分析》：本书详细介绍了数据分析的基本方法和过程，并且以Excel表格为例进行了案例阐述。同时本书还介绍了数据分析在职场的意义，可以帮助职场小白快速上手。

《赤裸裸的统计学》：作者年轻时是个追求学习的学霸，后来自己从统计学中发掘了很多可以应用到生活的地方。这也是本书的主旨，结合生活讲解统计知识，生动有趣。可以避免统计学一上来就大讲贝叶斯概率和随机分析的枯燥。

同样类似的书籍还有《统计数字会撒谎》，这本书知名度要高点，通过揭露“虚假数字信息”来帮助大家理解背后的统计学原理。

中：精通 web analytics 2.0》：Analytics将点击流网站分析工具与定性数据、测试与试验以及竞争情报工具相结合，从而推演出详尽的网站战略以及操作层方案。此书虽老，但其中很多思想和流量分析的案例仍然很有借鉴意义，现在国内只能买到二手的旧书。

与此类似的有《网站分析实战》，是国内一本讲网站分析的书，没有上面经典，但胜在新出，很多案例和理念都有及时的更新。

《深入浅出统计学》：与上面的《深入浅出数据分析》同属于Headfirst系列书籍，运用充满互动性的真实世界情节，帮助读者快速了解统计方面的理论知识。

《数据化管理》：黄成明著，讲解在企业中应用数据的例子，读完受益匪浅，里面举的很多例子都很接地气。虽说偏向于零售业管理，但大道归一，可适用于很多行业，当时依据里面的理念规划了美团外卖面向 BD 的数据产品。

《MySQL必知必会》：这本也是我当年学习 SQL 的入门书，薄册子一本，看起来很快。SQL 是个性价比很高的技能，简单而强大。任何想进一步提高自己数据分析技能的产品/运营/分析师 同学，都建议点亮这个技能点。

《互联网增长的第一本数据分析手册》：全书以增长为主题。这本手册介绍了互联网创业企业增长方法论、互联网数据分析的常见方法（趋势、转化、留存、实时、分群、细查、热图）、细分行业（如SaaS、互联网金融、电商等）的应用。

高：

《决战大数据》：阿里巴巴前数据副总裁车品觉老师所著，讲解了阿里巴巴在企业内部治理数据过程中的心得，所讲“存-通-用”数据管理三板斧和“从数据化运营到运营数据”，字字珠玑，可堪借鉴。

《精益数据分析》：此书优势在于将企业分成了几个大的行业类别，并分门别类的讲解了每个行业的商业模式特点及分析技巧，对使用者的分析能力要求较高，且必须具备相应的业务知识。

《The Wall Street Journal Guide to Information Graphics》，华尔街日报负责商业分析的人做的可视化指南，精华且实用，我之前写过读书笔记《华尔街日报是这样做数据可视化的》，可供大家参考。

《数据仓库经典教程》：网上有人整理出来的资料，优点是简单明了，不像正常的数据仓库教材厚厚一本。

10.做数据分析时，你的方法论是什么？@板栗在飞

数据分析的三大作用，主要是：现状分析、原因分析和预测分析。

那么，如何保证分析框架的体系化呢？

营销方面的理论模型有：4P、用户使用行为、STP理论、SWOT等。

管理方面的理论模型有：PEST、5W2H、时间管理、生命周期、逻辑树、金字塔、SMART原则等。

（1）PEST：主要用于行业分析

PEST，即政治（Political）、经济（Economic）、社会（Social）和技术（Technological）：

P：构成政治环境的关键指标有，政治体制、经济体制、财政政策、税收政策、产业政策、投资政策、国防开支水平政府补贴水平、民众对政治的参与度等；

E：构成经济环境的关键指标有，GDP及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等；

S：构成社会文化环境的关键指标有：人口规模、性别比例、年龄结构、出生率、死亡率、种族结构、妇女生育率、生活方式、购买习惯、教育状况、城市特点、宗教信仰状况等因素；

T：构成技术环境的关键指标有：新技术的发明和进展、折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度、国家重点支持项目、国家投入的研发费用、专利个数、专利保护情况等因素。

（2）5W2H：

5W2H，即何因（Why）、何事（What）、何人（Who）、何时（When）、何地（Where）、如何做（How）、何价（How much）

（3）逻辑树：可用于业务问题专题分析

逻辑树，又称问题树、演绎树或分解树等。

逻辑树的使用必须遵循以下三个原则：

要素化：把相同问题总结归纳成要素。

框架化：将各个要素组织成框架，遵守不重不漏的原则。

关联化：框架内的各要素保持必要的相互关系，简单而不孤立。

（4）4P：主要用于公司整体经营情况分析

4P，即产品（Product）、价格（Price）、渠道（Place）、促销（Promotion）

eg：仅作举例，不代表只考虑这几点因素

（5）用户使用行为：用途较为单一，就是用于用户行为的研究分析

用户使用行为，即用户为获取、使用物品或服务所采取的各种行动。用户对产品首先需要有一个认知、熟悉的过程，然后试用，再决定是否继续消费使用，最后成为忠诚用户。

用户使用行为的完整过程：

可以利用用户使用行为理论，梳理产品分析的各关键指标之间的逻辑关系，构建符合公司实际业务的产品分析指标体系。

eg：仅作举例，不代表只考虑这几点因素

11.用户运营：5步学会用户留存数据分析@陈维贤

http://www.woshipm.com/operate/372455.html

（1）用户留存

在互联网行业中，用户在某段时间内开始使用应用，经过一段时间后，仍然继续使用该应用的用户，被认作是该应用的留存用户，这部分留存用户占当时新增用户的比例即为留存率。

例如，7月份某旅行app新增用户500，这500人在8月份启动过应用的有250人，9月份启动过应用的有200人，10月份启动过应用的有150人，则说明7月的这波新增用户一个月后的留存率是50%，两个月后的留存率40%，三个月后的留存率是30%。

留存用户和留存率体现了应用的质量和保留用户的能力。

（2）关于留存分析的两个例子还不错

第一步：分组

用户留存分析的第一步是按照不同的（时间/渠道/行为等）维度进行用户分组。比如我们在对用户留存率进行日常的数据分析时，通常是按照单个自然日进行分组，然后对任意时间段内获取到的新用户在留存率上的表现做出个报表。

某社区类app的用户留存情况解读

比如在6月28日这天获得的用户，一天后留存率27.8%，两天后留存率是13.5%，三天后留存率是11.3%。

如果想深度地挖掘哪里出了问题才导致这款社区型app的次日留存率这么低，只有这种图是不够的，我们还需要进一步地分析用户行为分析。

第二步：对比

最核心分析的方法是根据用户行为进行分组的比较，因为绝对的数值在大多数场合下是没有意义的，只有通过在不同维度之间做数据的比较分析，能帮助运营找到数据变化的原因。

比如对于百度贴吧客户端来说想验证看贴对新用户的留存效果，则可以对同样是来自A渠道的新用户进行（有使用看贴/未使用看贴）行为分组比较。通过比较可以知道使用过看贴功能的新用户和非使用过该功能的新用户，在三日留存率上相差50%以上（说明看贴对新用户留存用正向促进作用）。

新用户看贴和不看贴的三日留存率比较

如果进一步的进行分组留存率分析的话，可以是对在看贴功能内浏览了3篇贴子的新用户和仅浏览1篇贴子的新用户进行分析，看他们在留存率上的差异表现，要是浏览3篇贴子的用户留存率大于1篇贴子的留存率，那么下一步则需要加强内容质量的把关，提升看的功能的PV/UV的百分比。

5 用户留存数据分析案例

当运营采取了某个运营手段来提升用户留存率时，则可以通过对运营手段覆盖到的新用户留存率和未覆盖的新用户留存率做对比分析，来验证手段的有效性。除了刚才提到的贴吧看贴的案例，这里再分享一个中东的数字音乐流app通过数据分析来改进其引导页以获得更高新用户留存率的例子。（属于通过数据分析寻找优化方案的例子）

音乐app的第一版引导页

这款app的初版引导页由三个部分组织，分别为引导用户 定制自己的音乐、选择自己喜欢的音乐类型、选择对应类型的音乐家，然后根据用户的选择进行个性化的首页内容（音乐）推荐。

类似这种通过引导页来获取用户信息，帮助用户快速的在产品内找到自己感兴趣的内容，从而提高用户使用率和活跃度的方式在国内的app用的也蛮多，可是大家都在这么做的情况下，自己的引导页对提升新用户留存的效率到底有多高呢？

为了解决上述的问题，该app负责人进行了如下的分析：将Amplitude（移动数据分析工具）植入该音乐app引导页的每个步骤，提取数据进行分析与验证。他的数据分析的思路是将一段时间内所有完成了三个引导页的用户都筛选出来，然后再计算他们在这之后持续回访产品的比例，同时也将这段时间里未完成三个引导页的用户筛选出来，将这些用户的留存率与完成的引导页的用户留存率做对比。

验证第一个问题的Amplitude事件

经过数据分析发现的完成三个引导页的用户多了47%的可能性成为长期用户（和没完成的相比）。那么问题来了，既然引导页对于提升用户留存率的效果，那该如何进一步的提升完成引导页的新用户占总新增用户的比例呢？（什么原因导致大家不愿意完成引导页里的任务）

验证第二个问题的Amplitude界面

该app负责人对三个引导页的新用户点击情况进行漏斗模型分析，发现从第二个引导页到第三个引导页的流失率达到15%（按照负责人解释的原因是在中东，用户听歌认脸多于认音乐的类型！）。此外第一页到第二页虽然流失率不大，但是为了进一步提升走完引导页的用户比例，该app负责人认为可以将引导页第一部分“Personalize Anghami”取消，因为这部分信息对更精准的用户推荐的帮助几乎为零。

经过以上两轮的数据分析后，这个数字音乐流app改版后的引导页变现只有两个部分了，并且在展示元素上也做了优化。

音乐app的第二版引导页

用户留存率的交叉对比分析，除了可以用来做运营手段的有效性验证和功能优化分析之外，其实还可以用在当产品数据出现异常时的原因探究。下面再举一个案例来说明如何通过对比留存率，找到在运营过程中出现产品数据变化的原因。

有个工具型app最近DAU（日活跃用户）上升的效果不错，DAU在一个月时间的时间里提升了3万，环比增加明显。第一步先对数据进行初步分析，发现该月新增用户环比几乎为零。

然后观察新用户的留存率，发现留存率在这个月大概提升了3个百分点，和产品同学沟通后发现月初发布了新版。为了查看是否为新版本更新带来的留存率增长，于是进一步筛选查看了新版本的留存，发现新版留存率比整体是偏的，而新版在产品上并没有很大的变化，所以问题很可能是推广的流量。

后来分析发现，新增的C渠道作为这个月的主推渠道，量占了40%，但留存率却比总体还要高，所以最终的原因就是新版本在C渠道的推广获得了更多与产品定位相符的用户。

总的来说，用户留存数据分析帮助运营进行更加科学、可量化的用户运营管理，同时为运营工作找到了一个新的价值标准：提升用户留存率！比如当你策划了一个内容分享活动，在不知道用户留存率这个概念时只会说分享数少，通过分享引入的新用户多少，如果为这个分享活动加上用户留存率这个价值衡量指标的话，则可以添加“参与分享活动的新用户与非参与活动的新用户留存率的对比，以及通过分享链接进入到产品的新用户与正常渠道进入产品的新用户留存对比。

12.作为产品经理，你应该懂的数据分析入门知识（上） @板栗在飞http://www.woshipm.com/pmd/354728.html

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。

AARRR模型

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。

13.作为产品经理，你应该懂的数据分析入门知识（下）@板栗在飞

http://www.woshipm.com/pmd/355689.html

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。

14.什么叫对数据敏感？怎样做数据分析？@michellq

很多业务其实就是一个公式

我刚开始接触电商接受业务培训，第一节课就只讲了一个公式。

成交额=买家数x客单价

如果你想提升成交额，要么提升买家数，要么提升客单价。我们可以盘点一下，我们见过这么多的促销手段，有哪个不是为了提升这两个数值的。满减、满送、买二送一，这是为了提升客单价的手段；秒杀，团购，这是为了提升买家数的手段（秒杀的核心在于集聚大量流量做关联销售）。

不仅仅如此，这个公式依据不同的业务场景还可以拆分成多种形式。

买家数 = 商详uv x 下单率 x 付款率

商详uv = 广告展现 x 广告转化率 = 搜索展现x搜索转化率 = 活动展现x活动点击率

于是，决定成交额的因素就变成了各个渠道的转化率、图片的点击率、产品的下单率、付款率，这样多的细节共同决定了最后的成交额。接下来针对这些细节分别去做优化，这个过程就叫依据数据做精细化运营。

仔细想想，你自己的业务又何尝不是一个公式呢？试着找到自己的公式，去拆分它，你也许会不少改进的方法。

漏斗模型需要对比的数据，所以在此处的分析，我们需要列两个漏斗模型。

对漏斗模型各环节转化的分析，这里主要和往期数据做对比，结合活动页面、流量、产品功能等多方面因素，尝试分析这里各环节转化率提升或者降低的原因。