第一步：关心并梳理你的指标
常见的指标如下
- 电商指标
uv, pv、ipv, ipv_uv、ctr, 跳出率、平均页面访问时长，页面停留时间
roi、gmv，销售额、注册转化率，浏览转化率，下单转化率、客单价，平均购买次数，重复下单率，下单次数、访问深度
- app指标
新增下载量、安装量、转化率、激活率、留存率、卸载率、启动频率、人均启动次数、使用时长、使用时间分布
- 用户指标
注册用户、激活用户、日活跃、周活跃、月活跃、首购用户数、复购用户数、次日留存、周留存、月留存、新用户、老用户、用户等级分布
- 金融指标（信贷）
申请次数、人数、通过率、授信金额、绑卡率、提现人数、笔数、金额、逾期率、负债迁移率
第二步：将目标分解为指标
PULSE模型
Page view:页面浏览量
Uptime:响应时间
Latency:延迟
Seven days active user:7天活跃用户数
Earning:收益
PULSE模型是用来衡量用户体验的非常重要的指标，也经常被用来度量产品的整体表现。如果一款产品响应时间为10秒，我想大部分用户会放弃这款产品；如果一款产品7天活跃用户数仅剩下1%，那么产品经理一定已经上天台了；如果一款产品有很好的流量却没有办法变现，那么老板一定会带上小姨子跑路了。
PULSE模型的优点
- 能够评估产品的技术开发对于用户体验的影响
- 直观、具象的体现产品流程设计对于用户体验的影响；
- 通过用户和浏览数据衡量产品的体验；
PULSE模型的缺点和优点一样明显
- 维度单一，仅从页面浏览量和7天活跃用户来评估产品，很难判断数据的上升或者下降是由某一个原因导致的；
- 从用户的留存来说，7天已经满足不了现在的运营需求，日次留存率，月留存率都需要纳入评估的范围之内；用户来源，用户中新用户、老用户占比，活跃用户、流失用户占比等；
HEART模型
Happiness：愉悦度
Engagement：参与度
Adoption：接受度
Retention：留存率
Task success：任务完成度
HEART模型是“以用户为中心度量的HEART指标体系，以及把产品目标与创建指标体系相互关联的过程”
愉悦度：交互设计给用户带来体验的满意程度，包括可用性、易用性、推荐意愿、视觉感受度等；
参与度：用户参与互动的程度，比方说访问频率、访问深度、页面停留时间、产生UGC的数量，日活跃度、周活跃度、月活跃度；
接受度：用户在一定周期内参与产品核心功能的使用，比如电商网站的购买、微信发消息发朋友圈、支付宝转账付款、游戏充值、新闻评论等等，接受度是以一定时间范围来看的；
留存率：顾名思义就是用户的次日留存率、周留存率、月留存率，这个要结合参与度和接受度综合来评估；
任务完成度：任务完成效率和效果，比如从开始注册到最后注册完成的比例和时间，游戏新手任务的完成率和完成时长，用户填写产品反馈、上报错误信息等等；
HEART模型在在电商产品中的应用，关注图片质量、标题质量、内容丰富度、评论真实性、性价比等。
| 愉悦度 | SKU |
|---|---|
| 活动 | 活动收藏、转发、参与、点击、下单、转化 |
| 支付 | 便捷、安全 |
| 物流 | 及时、态度、完整 |
| 接受度 | pv/uv |
| 加购、购买 | |
| 完成度 | 转化、注册 |
| 引导转化 | |
| 留存率 | |
| 参与度 | 日活 |
| 访问深度、时间 |
GSM模型
Goal:目标
Signal:信号
Metric:指标
GSM是以目标为结果，通过对目标的设定来倒推过程，精准设定指标体系的一种量化研究方法。
目标：在运营过程中，我们要明确要达成的目标，比如用户运营的目标是提升活跃用户，类目运营的目标是提升GMV，产品设计的目标是提升用户的体验，保险offer活动的目的是让用户主动填写联系信息；目标的设定要跨部门沟通，和招商、设计、研发部门一起确定目标，如果不？那你的结果肯定不仅仅是上天台；
信号：即为了达成目标，用户可能会产生哪些体现成功和失败的行为，选取那些明显且敏感的信号，往往预示着失败的行为会比预示成功的定义更容易获得；
指标：选取指标，相对值比绝对值更具有意义，比如比例、百分率或者每个用户的平均值，关键指标不在乎多，而在于精准，避免重复，核心指标才是要关注的，非核心指标可以不纳入观察范围；
GSM模型在工作中的运用
电商产品中的运用，关注：浏览、下单、支付转化率。
| 目标 | 信号 |
|---|---|
| 提升销售额 | 提升流量有效 |
| 跳失率 | |
| 客单价 | |
| ipv_uv | |
| 提升活动转化率 | uv点击率 |
| 平均点击次数 | |
| 下单、支付转化率 | |
| 跳失率 |
第三步：用数据分析来发现和解决问题
1. 分解思路
做互联网产品或运营的数据分析，首先就是学会“分解”。将数据分解，将问题分解。所有的数据都可以层层向下分解，找出更多的“子数据”，通过对子数据的挖掘和优化，往往能逐个击破，找到方向，提升最后的“关键指标”。很多时候我们找不到努力的方向，往往是分解的能力还不够，只盯着最后大的成交额指标不放，不去挖掘这个指标下面的相关因素，而这些因素就是所谓的细节，做好了，就成为“极致”。
2. 追踪思路
所有的数据都是靠积累和沉淀才能发现问题，单一的数字没有任何意义，只能称为 “数值”。比如一个店铺今天的流量是2000，转化率1.5%，成交额3000 ，好还是不好，进步还是退步了，不知道。只有放到近1周，近1个月，甚至是近1年的数据中，组成线性的趋势去研究，才能找到“问题”，这个时候的数据才是有意义的。
所以，无论到哪一个阶段的店铺，都要养成一个每日积累数据的习惯，我们知道淘宝后台会有成熟的数据产品，会给你看一个趋势和历史数据，但这个远远不够，需要把所有数据都摘录到自己的数据库中，结合不同数据维度去综合分析问题，建立追踪机制，也就是下面讲的“结合思路”。中型以上的电商都会有一套自己的数据管理模式，对重点指标进行监控，以保证及时定位到问题作出相应决策。
3. 结合思路
单独追踪一个数据的会比较“片面”，得出结论甚至是错误的。因为所有电商的核心数据在一段时间内，具备偶然性和关联性的。
偶然性是指，可能某一天，转化率突然降低，比日常要低很多，这个是非常可能发生的。于是，所有人都惊慌失措，找到转化率相关的因素，看产品详情页的设计，产品的价格，找客服聊天记录，“优化了”整整1天详情页的设计，使产品价格更低了，售前客服被整顿了。最后发现一切照旧，还浪费了1天时间做了很多无用的工作。
关联性是指，大部分指标都是具有关联性，正相关或者负相关，转化率突然的降低，最后发现是在昨天流量突然暴涨，再看看流量来源，大部分来自于推广流量，不精准，但人多。
所以，追踪数据一定是多个维度一起看的，一般来说，转化率和流量是负相关的，流量暴涨，转化率就会下降；转化率上升，客单价就会下降。（大型促销活动除外）
但是，追踪了数据，多个维度结合了来分析数据，结论依然可能会不准确，原因在于，这2个思路都是在和“自己比”，我们还需要进行“与其他人对比”。这就是下面介绍的“对比思路”。
4. 对比思路
对比就是和其他人比。这个其他人一定要选择“合适的”。可以是与自己品牌定位相似的店铺数据，也可以是同行业中做的比较好的店铺数据。最具有可比性的还是跟自己“同层级”店铺。通过对比，才能发现自己差距到底在哪，找到优化的正确方向。
实际案例，之前做微波炉产品，销售量一直不如竞争品牌—格兰仕，然后去分析数据发现流量差很多。于是加大了展示类（钻石展位，CPM）和竞价类（直通车，CPC）广告的投入，却发现收效甚微，甚至牺牲了大部分利润。最后我们拿着同类型的一个产品，做了深度对比分析，发现流量来源中，自然搜索相差比较大，才发现是品牌认知的问题。于是推动品牌商着重于对产品品牌的打造。
5. 节点思路
节点思路就是将大的营销事件作为节点单独标记，数据剔除出来单独进行分析。在日常运营中，营销活动对数据影响还是非常大的，尤其是突然参加了淘宝官方的活动，比如聚划算等，会让某几天的流量，转化率，成交额飙升，这个时候我们再将这些数据插入到日常运营数据分析中，就会引起“失真”，影响对店铺日常运营优化方向的判断。
6. 锚点思路
锚点思路有2层含义，第一个含义是在做业务数据分析中，当存在多个因子影响一个数据指标时，只留一个因子做变量，其他因子保持不变，然后测试这个因子对于最终指标影响的程度。比如，下面会讲到的转化率，有6个因子与之有关，但每个因子对于转化率的影响又不相同，这个时候，需要进行一个小测试，保持1个因子变动，其他5个不变，放到市场中实际销售，最终得出这个因子与转化率的具体影响关系，以便后续做更多优化。
第二层含义是产品竞争力层面。通过锚点策略可以让用户更快速的做决策，使产品销售的更好。比如，A和B两个店铺经营同一个品牌，这个品牌下面有1号和2号产品，这个时候，A店铺与B店铺沟通，A主力卖1号，B主力卖2号，这时，A可以把2号产品价格标高，以便帮助B店铺做价格“锚点”，让用户知道B店铺2号产品确实有价格优势，这样用户决策将加快。A店铺也同理。
7. 行为标记思路
因为大部分的优化导致的结果，都是“滞后”的，也就是说，一个大的优化动作，可能在1个月后才能体现出来效果，甚至是半年后才会有效果。
以上7种思路是数据分析基础，有了这样的分析思路，无论做哪一块内容，都将快速的找到核心问题，进而再找到解决问题的方法。
第四步：提升数据分析的能力
可以看《谁说菜鸟不会数据分析》这本书
