1.自我介绍

2.你对数据分析师工作的认识？认为数据分析师工作职责分为哪几块 ？

• 是什么：在数据中挖掘对业务有用的信息，并且通过这些信息为业务发展提供助力。这好像要求我们既要懂技术又要懂业务，我们确实需要有业务的思想, 但是我们并不是要做业务本身, 我们希望做业务发展的催化剂。

• 做什么：描述现状，寻找规律，推动改进。

  描述现状，就是说我们工作中大量的取数工作，我们做指标，做数据报表看板等等都是在这一类之中。描述现状的重点不在于用什么方法取数，更重要在于取什么数，什么数能够描述公司或业务现状。这要求我们保持独立思考的能力。（也就是做指标，看报表。比如说我们可以根据不同阶段的用户留存率推断公司的运营状态）

  寻找规律，或者说找出因果关系，寻找那些数据信息中隐含，但是别人还没发现的规律。我们常说的统计推断、因果关系、增长推动、预测建模、实验评估等等都是在寻找规律。这是DS存在的价值。所以说学术训练、科学方法、实践经验、数据敏感度等都很重要。（比如说当我们发现留存率下降，我们要找出留存率为什么下降。这是一种因果关系）

  推动改进，(1) 改善重要指标 (2) 影响产品决策 (3) 影响操作流程 (4) 创造可持续解决方案。

  要实现这些影响，还要求我们的每位同学有同理心和****业务 (产品/运营/市场等）思维，同时还要有精炼的能力，优秀的沟通技巧，说服的能力。

• 1. 分析师的核心能力是思辨 [DS做什么]

  2. 对讲真话负责，保持中立 [DS是谁]

  3. 论据充分，论证严谨，观点简明 [推动改进]

  4. 数据先于观点，而不是观点先于数据 [DS做什么]

  5. 不要把问题复杂化，也不要惧怕复杂度 [DS是谁, DS做什么]

  6. 分析什么问题，往往比用什么方法更重要 [描述现状]

  7. 好的分析师给别人输入，而不只是帮别人输出 [文化建设]

  8. 分析没有什么价值，除非洞见改变了什么其他的东西 [非必要职能]

  9. 如果可能应该基于问题收集数据，而不只是基于数据来问问题 [本文未提]

  10. 不是所有问题都可以分析出答案，以开放的心态采纳其他的观点 [本文未提]

3.场景题：某活动页面两个入口通往两个子场景，两个子场景的GMV具有显著差异，该如何分析其中的原因和问题。（Gross Merchandise Volume）

• 这是一个落地页面:我们可以通过漏斗模型来分析它，

  获取用户（曝光量,pv,uv）

  激活(转化率，跳出率)

  留存（次日、七日，30日）

  营收

• 行为事件分析:

  • 拆分维度

• 用户点击分析:

  • PV、UV、下单、GMV

    两个子场景的PV和UV不同，考虑两个子场景放的位置（比如偏右偏中更高一点）、面积、入口设计、宣传标语额不同

• 用户路径分析:

• 用户健康分析:

  • 产品基数指标：UV、PV、新用户，考虑子场景中产品的自身指数。此类商品的品牌认知、营销力度还有用户体验等。

  • 流量指标：跳出率，留存率，回访率，人均停留率；说明页面、图片、标题、产品等吸引力不够

  • 产品营收指标：转化率，客单价（ARPU）。转化率太低，优惠力度不够，客单价太低，可以开启满减、第二个半价此类活动

• 漏斗模型

  AARRR

4.如何科学的进行用户分析？

（https://www.shujike.com/blog/2639）

• 行为事件分析

  • 行为事件分析法主要用于研究某行为事件的发生对企业组织价值的影响以及影响程度。企业借此来追踪或记录用户行为及业务过程，如用户注册、浏览商品详情页、成功下单、退款等，通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影响等。行为事件分析法一般经过三大环节：事件定义、多维度下钻分析、解释与结论。

  • 事件定义：事件的定义遵循5W原则：Who、When、Where、What、How。 如某X平台（Where）的所有注册用户(Who)在X月X日(When)使用优惠券下单(How)购买的单数(What)是多少？这是一个完整的时间定义，一般数据人员需要记录的对应字段有：时间、商品名称、商品是否使用优惠券、父单数、购买数量、购买金额等。 创建和管理 Session 是事件定义的关键步骤。

  • 多维度下钻分析：最为高效的行为事件分析要支持任意下钻分析和精细化条件筛选。筛选条件”例如：“地理位置”、“时间”、“广告系列媒介”、“操作系统”、“渠道来源”等。当进行细分筛查时，才可以更好地精细化定位问题来源。

  • 解释与结论：解释与结论即所谓的出分析报告阶段。对分析结果进行合理的理论解释，判断数据分析结果是否与预期相符，如果相悖，则应该针对不足的部分进行再分析与实证

  • 行为事件分析案例解说

    运营A在日常运营某平台频道的过程中发现，某天的UV（独立访客）值突然翻倍异常标高，需要快速定位：是异常流量还是虚假流量？我们可以先按照5W法则拆解事件，可以发现实际上我们是要找出HOW，也就是为什么流量飙升的理由。

    （Where）某平台 （Who）某频道 （When）某天 （How）？？？（What）UV值异常翻倍

    紧接着，通过多维度“筛选条件”进行下钻分析：选择“流量入口来源”、“时间点”、“地理位置”、“操作系统”等。当进行细分筛查时，运营A发现：早上10点钟时，微信渠道侧的流量飙高并且是由于公众号推送场景带来的流量，确认公众号确实为早上10点推动并且当天的推送质量很高，用户点击数较往常更高，基本判断UV的飙高是异常值，不是虚假流量，并且是由于该事件带来。

• 点击分析模型

  • 点击分析模型在各行业内数据分析应用较为广泛，是重要的数据分析模型之一。其中点击图是点击分析方法的效果呈现，在用户行为分析领域，点击分析包括元素被点击的次数、占比、发生点击的用户列表、按钮的当前与历史内容等因素。

  • 点击分析方法主要解决的问题主要有三点：

  1、精准评估用户与产品交互背后的深层关系；

  2、实现产品的跳转路径分析，完成产品页面之间的深层次的关系需求挖掘；

  3、与其他分析模型配合，全面视角探索数据价值，深度感知用户体验，实现科学决策。

  • 点击分析模型主要用于什么分析？

  1、官网

  2、活动页面

  3、产品频道/首页

  4、详情页

  点击分析通用的两种形式包括：可视化与固定埋点，可视化多用热力图进行呈现，运营可以根据点击密度判断用户的浏览喜好。

  • 以上图天猫超市为案例，开发可对每一个前端模块进行埋点，然后上报数据，运营可在数据报表处下载对应数据，数据可包括：PV、UV、下单、GMV等，可针对不同指标进行分析。

    假设上图中个人护理icon点击UV占比为67%，是频道内所有icon中最高的一个，那么对于猫超这么一个老用户居多的业务场景来说，老用户对在超市中购买“个人护理”有很强烈的诉求与黏性，可以重点挖掘业务价值。再比如，假设banner模块的日均UV为1w，我们假定这个值是偏低的，并且banner在页面首页的使用面积占比又超过UV及订单的贡献占比，此时可以考虑两种方案：压缩banner尺寸或者提升banner点击率。 从长期监控数据上看，点击分析可以观察页面某位置（业务）的改变对于用户的价值，一般而言，点击UV越高，说明用户的黏性越大。当然点击率还跟所处位置有关，同一页面高度，根据用户视觉习惯，一般左边点击优于右边。

• 用户行为路径分析

  • 用户路径的定义，就是用户在APP或网站中的访问行为路径。对于一个指定的页面（URL），用户是从哪些场景来到这个页面（来源）？进入这个页面后又去往哪些场景(去向）？用户浏览路径是否是按照运营设计的路径前进还是偏移？用户行为路径分析就是解决以上问题的分析方法：指导运营明确用户现存路径，优化用户行为沿着最优访问路径前进，结合业务场景需求进行前端布局调整。

    以电商为例，买家从登录网站／APP到支付成功需要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等一系列过程。一个新用户和一个老用户在进行购买流程的时候，他们的浏览路径是否有区别？新用户倾向什么路径？老用户倾向什么路径？与其他分析模型配合进行深入分析后，可以快速找到用户动机，从而引领用户走向最优路径或者期望中的路径。

  • 电商平台店铺用户行为路径图 ，用户路径分析案例解说

    假设上图中，用户进入店铺页中选择以下路径：

    1、约40%的客户会点击Banner活动页；

    2、约30%的客户会直接进行商品搜索；

    3、约10%的用户会浏览商品详情页；

    4、约5%的客户啥都不干直接退出店铺；

    假设以上四种路径中，第三种直接浏览商品详情页的用户下单比例最高，超过90% ，与其形成鲜明对比的是，尽管第一种“点击Banner活动页”的用户占比高达40%，但是仅5%的用户下单了，说明Banner的内容布局和利益点有着比较糟糕的用户体验，则将此作为首选优化与改进的方向。

    改进方式：

    1、优化内容质量：素材图片、利益点、承接页动线、承接页商品让利程度等；

    2、压缩banner模块实际面积：比如淘宝的banner基本为千人千面或者商家直通车购买，展示总量大，比较难控制所有内容质量，因此选择更小的尺寸高度来分散用户点击占比，为其它首屏优质业务提供更多的流量；相对的，天猫的banner活动一般为类目排期活动，较少商家购买（能花得起这个钱的商家一般也是KA，不会把内容质量搞的很糟糕），因此天猫的banner高度较淘宝会更醒目；

• 用户健康度分析

  • 用户健康度是基于用户行为数据综合考虑的核心指标，体现产品的运营情况，为产品的发展进行预警。包括三大类型指标：产品基础指标、流量质量指标、产品营收指标。它们三者构成了评价产品健康度的体系，它们也各有侧重点。 产品基础指标，主要评价产品本身的运行状态：PV、UV、新用户数； 流量质量指标，主要评价用户流量的质量高低：跳出率、人均浏览次数、人均停留时间、用户留存率、用户回访率； 产品营收指标，主要评价产品的盈利能力与可持续性：用户支付金额（GMV）、客单价（ARPU）、订单转化率；

  1、产品基础指标：

  UV：独立访客数（unique visitor），指通过互联网访问、浏览这个网页的自然人。但对于UV的定义有一个时间限制，一般是1天之内，访问你的产品的独立访客数，如果一个用户一天内多次访问也只计算为1个访客。UV是衡量产品量级的最重要指标。

  PV：页面浏览量（Page View），用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。因此一般PV值大于UV值。

  新用户数：对于电商来说，新用户一般定义为未注册或者已注册，但还未进行首单支付的用户。一个新用户到老用户的转变过程可以用四象空间来划分：次数、金额、时间、品类；

  2、流量质量指标

  跳出率：跳出率(Bounce Rate)也被称为蹦失率：浏览单页即退出的次数/访问次数=single access/entry visits。浏览单页即退出的次数——简单说就是进入某个页面后没有点击任何页面就离开。一般用来来衡量用户访问质量，高跳出率通常表示内容对用户不具针对性（吸引）；

  image

  A页面的跳失率=(5/10) *100%

  A页面的退出率= (5+2/10+2 )*100%

  人均停留时间：是指用户浏览某一页面时所花费的平均时长，平均停留时间越长，说明网站或页面对用户的吸引力越强，能带给用户的有用信息越多。

  用户留存率：留存指的就是“有多少用户留下来了”。用户在某段时间内开始使用应用的用户，经过一段时间后，仍然继续使用的用户，被认作是留存用户。

  留存率=新增用户中登录用户数/新增用户数 （一般统计周期为天）

  留存率反映的实际上是用户的一个留存漏斗，即新用户转化为活跃用户、稳定用户、忠诚用户的过程，宏观观察用户的生命进程情况，通过用户的后期留存情况就能从一个层面把握渠道质量，比如，付费，粘性，价值量，CAC成本。

  用户回访率：用户在某段时间内开始使用应用，经过一段时间后，继续登陆使用的用户，被认作是回访用户。比如用户在使用该App之后的N天/周/月之后，再次使用该App的比例，叫做N天/周/月回访率。留存与回访这两者的区别就是：前者是新增多少用户，留下来多少；后者是在某时间段内，用户再次使用、访问app、软件的数量。

  3、产品营收指标

  客单价（ARPU）：客单价=支付有效金额/支付用户数，客单价反应平均一个用户支付的金额，金额越高，为企业带来的利润也越多，因此提升客单价是一个很好几刺激毛利润的方法，比如我们常见的促销手段：买2件减10元，买2件送赠品等；

  转化率：订单转化率=有效订单用户数/UV。转化率是做成交营收的一个关键因素，转化越高表示越多用户在目标页面下单。

  用户支付金额（GMV）：支付金额即产品某段时间的流水。产品的营收做得好与不好，主要就是看支付流水。盈利模式如何，有没有稳定的创收能力，是对一个产品终极的考验（战略烧钱和圈用户的先不算在内）

  产品营收指标有一个恒等式：

  销售额=访客数×成交转化率×客单价

  销售额=曝光次数×点击率×成交转化率×客单价；

• 漏斗模型

  • 定义：漏斗模型分析，本质是分解和量化，也就是说从一个事件环节的最开始（获取用户）到最终转化成购买这整个流程中的一个个子环节，相邻环节的转化率表现力，就是指用数据指标来量化每一个步骤的表现。所以整个漏斗模型就是先将整个事件流程拆分成一个个步骤，然后用转化率来衡量每一个步骤的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化该步骤，最终达到提升整体购买转化率的目的。

  • AARRR的说明：

    获取Acquisition：用户如何发现并来到你的产品？（浏览层）

    激活Activation：用户的第一次使用体验如何？（点击/参与）

    留存Retention：用户是否还会回到产品？（回访/留存）

    收入Retention：产品怎样通过用户赚钱？（付费）

    传播Retention：用户是否愿意告诉其他用户？（忠实/传播用户）

    漏斗模型在实际的运营中很常见，我们可以抽象出决定漏斗形态的三个元素：时间、节点、流量。

    1、时间：转化周期，即为完成每一层漏斗所需时间的集合。通常来讲，一个漏斗的转化周期越短越好。

    2、节点：每一层漏斗，就是一个节点。而对于节点来说，最核心的指标就是转化率，转化率 = 通过该层到达下一次层的流量/到达该层的流量。

    3、流量：每个环节的数值大小，也就是人群数。

  • 以电商实际运营过程中的具体案例说明流量漏斗模型的运用，假设（数据均虚拟）我们做了一场营销活动，活动页面的流量漏斗模型如下图：用户的流量路径如下：点击主会场页面→进入商品详情页→下单购买→发货（上账）；

    电商主会场流量漏斗数据

    image

    对比正常卖场流量漏斗平均图可以看出，用户在“活动页面→进入商品详情页”这个步骤中，跳转率只有40%，假设远低于平均值45%，可以思考下用户进入主会场后为什么不点击商品呢？一般而言，跳转率低下主要由以下几个原因：

    1、页面开发问题bug：手机机型适配问题、无法点击、页面空窗、链接错误等；

    2、内容与引流用户不匹配：引流用户对商品/内容不感兴趣、BI推荐不准确等 ；

    3、页面运营问题：利益点对应商品承接、商品让利不够、文案内容与承接落地页面不符；

    一个个去排除问题后，我们可以初步将问题点锁定，针对性解决。简单总结，漏斗模型适合运用于监控不同的产品环节数据指标，并找出对应的问题。

  流量漏斗模型在产品运用中的一个经典运用是AARRR模型，来自增长黑客Growth hacker一书中（这本书特别值得一看），AARRR模型是结合产品本身的特点以及产品的生命周期位置，来关注不同的数据指标，最终制定不同的运营策略。

• 用户画像

  • 用户画像的正式名称是User Profile，是指根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。通俗说就是给用户打标签，而标签是通过对用户信息分析而来的高度精炼的特征标识。通过打标签可以利用一些高度概括、容易理解的特征来描述用户，可以让人更容易理解用户，并且可以方便计算机处理。在产品早期和发展期，会较多地借助用户画像，帮助产品运营理解用户的需求，想象用户使用的场景，产品设计从为所有人做产品，变成为带有某些标签的3-5个人群做产品，间接降低复杂度。

  • 用户画像的数据内容包含但不局限于：

    • 人口属性：包括性别、年龄等人的基本信息；

    • 兴趣特征：浏览内容、收藏内容、阅读咨询、购买物品偏好等；

    • 位置特征：用户所处城市、所处居住区域、用户移动轨迹等；

    • 设备属性：使用的终端特征等；

    • 行为数据：访问时间、浏览路径等用户在网站的行为日志数据；

    • 社交数据：用户社交相关数据

用户画像主要运用常场景如下图

image

用户画像运用场景三维空间图，X轴代表业务场景维度；Y轴代表用户标签维度；Z轴代表服务层次维度。首先用户画像业务场景可以分为用户细分、产品优化、渠道拓展、运用提升、风险控制等。基于每一个业务场景，都有不同的用户标签定义，比如用户细分场景业务中，主要是用户的基本属性，包括性别、年龄、地域等。而风险控制业务场景中，主要是用户风险控制标签，包括黄牛标签、异常评分标签等。首先对用户群进行用户标签处理，根据不同的标签进行个性化推荐，再到到运营层面进行决策运营。环环相扣，所以用户画像的核心是标签的建立。

t用户画像分析案例解说

「她是一位住在北京的80后的女性白领，起居时间规律，喜欢运动，家有幼儿，关注时尚爱兰蔻……」这段话语用来描述的是某个用户，并不是一类用户。我们谈的用户画像User Profile，本质是对任何一个用户都能用标签和数据描述。

image

因此，我们将此类用户标签化为：作息规律、注重品质、生活健康、尝试新鲜、小资；当然这种标签没办法精细化指导运营工作，对于用户运营而言，比较经典的用户画像指导运营的模型是RFM模型，想要具体了解可以看我之前的文章老用户召回策略——RFM模型及应用。

4.（1)你的一个朋友经营一个网店，以前100个人浏览会有50个人下单，最近客服咨询量提升到200，但下单却下降到40，请你帮她分析原因。

UV增加，成交率下降。1.页面设计不合理，支付体验不佳；2.好评率不高，导致客户浏览评价后放弃。3、详情页设计不合理，不详细；3.网店服务能力低，回复效率变低。

（2）你的朋友说最近咨询的人变多了，但是他做的是小本生意，没有能力再去请多一个客服，所以导致自己回复用户速度下降，很多人就走了没有下单，请你帮他想一下解决方案

答：1.完善商品详情页，多发布细节图片，提高自主下单率；2.利用自动回复工具。3.时间段成交率比较高，在这些时段提高自己的效率，其他时间段可以稍微放松。4.重点服务信誉高，成交率高的用户

（3）你的朋友按照你的建议去做，生意变好了，他赚钱了，然后他一下子请了5个客服，请你设计指标去考核客服的KPI。

1.成交率，2.成交金额，3.服务用户回购率。4.好评率。5.退货率。6.平均每位用户服务时间。7.平均回复时延

5.有没有用过拼多多，怎么评价砍价活动的广告效果？有哪些指标？

这个是病毒性增长引擎。它的影响系数是指数级别的，也就是说：如果每个用户能够带来1.5个用户，那么用户数将无线增长至饱和。

拼多多的砍价活动利用优惠活动，和微信庞大的用户基数，不仅能带来很多新用户，而且也增加了老用户的回访率，更提高了忠实用户的活跃度。提高了用户参与度和用户粘性。

指标：1.病毒式传播系数，也就是每个用户带来的新用户数，这里可以可以是发起一次砍价活动带来的新用户数。2.病毒传播周期，新用户完成一次注册所需要的时间

6.问如何预估用户的价值，用什么算法预估，用什么算法计算价值。

答:根据用户的购买力（问什么是购买力，自己给了个定义）将用户分类，用决策树算法分类，用线性回归方法计算用户价值。