万能的数据分析法则【2022】
前言 技能决定下限，思维决定上限
掌握了数据分析技能却不能成为真正的数据分析师，是因为掌握技能就能解决问题是学生思维，职场中，最重要的是如何运用掌握的数据分析技能，也就是数据分析思维。
1、数据分析究竟需要哪些思维
（1）定义问题：定义问题要了解需求具体讲的内容，需要目标导向的思维和清晰的理性思维，理清需求的逻辑关系。是数据分析思维的根基；
（2）分析问题：分析问题是如何组织思路的思维能力，需要具备拆解问题的结构化思维能力，以及分析问题的逻辑推理能力。如果只是一味的套用方法，则不利于数据分析师的成长。
（3）解决问题：解决问题是提出可落地的分析建议，必须懂业务、懂用户。
2、如何补足思维的短板
懂——必备的数据思维基本功 解决在实际业务中分析没想法，说话没逻辑的问题（包含数据指标解决不客观的问题，逻辑推理解决不严谨的为题，结构化思维解决不全面的问题，业务思维解决不落地的问题）。
做——通用的分析框架 了解分析业务问题的具体分析框架（包含确定业务问题，明确业务背景，找出表面原因，找出根本原因，汇总结论，提出建议，总结报告等），在业务分析毫无头绪的时候，快速找到分析思路。
成——各类型的实战分析案例 通过一些实际案例，将前两部分学到的能力融汇贯通。
模块一 懂：数据分析思维基本功
一、目标导向：如何走出取数的怪圈
做题思维是学生时代遗留下的思维逻辑，但该逻辑会使我们无法跳出取数的怪圈。目标思维可以促使我们摆脱怪圈，进入良性循环，提升能力。
最重要的是做正确的事，其次才是如何做事。相比于解题，更重要的是为什么要解答这道题。目标思维很重要，几乎是所有事情的基础。
1、什么是目标思维
在获取取数需求的时候，思考取数的真正目标，然后根据目标重新定义问题，完成取数到专题分析的转变。
2、如何找出正确的目标
问：要达成什么业务目标
3、将目标思维融入工作的各个方面
eg：写分析报告真正的目的不是为了让分析师将如何分析的，而是让业务方能听懂结果以及自己需要做什么。
二、客观严谨：事实+论证过程+观点，打造高水准分析
以“主观思维”为主导的思维会给人“不专业”的感受，要摆脱“我认为”的表达，塑造客观严谨思维的数据分析人设。
数据分析师用数据作为实事，用严谨的逻辑分析揭示业务现状和发展趋势，得到科学的结论。数据分析师的岗位决定了必须客观严谨。
1、如何摆脱“不专业”
要用理性思维，而不是直觉思维
2、什么是客观严谨的分析
客观严谨的分析=客观事实+论证过程+观点
·事实--记录的客观存在，不以人的意志为转移；
·观点--思维的主观判断，可以“仁者见仁，智者见智”
3、如何陈述事实
（1）避免模糊的名词。 eg：活动效果、满意度等；
（2）用具体数据代替形容词/副词。eg：很多、大幅、可能、一部分等；
（3）专业名词不要搞错。eg：百分数、百分点，比例、比率，倍数、番数（需要确切查找概念）
4、如何陈述论证过程
陈述论证过程--必须说清楚你的分析方法是什么，是如何得出结论的。
数据分析师要保证结论正逻辑上是正确的，但并不能保证在业务上也是正确的。只要结论是严谨的，就有复盘的可能。如果结论错误，则可以通过严谨的逻辑找出问题所在之处；如果结论正确，则可以复用到类似场景。
一个数据分析师的潜力往往就看其逻辑是否清晰，思考过程清晰就会有持续进步的可能性。
5、预设需要注意的点
观点不要预设立场。（错误的论证可以通过数据口径差异，刻意挑选的数据等方法论证）预设立场不等于假设检验。
三、指导思维：如何搞清楚各种不同的指标类型
要做到客观，需要求所有的观点都要有事实依据，数据分析师则需要用数据来描述事实。
提前制定需要的指标，根据指标的定义提取具体的数据
1、指标&指标体系
（1）数据：用户行为所留下的记录内容，或者描述指标的具体数字均为数据；
（2）指标：对行为所留系的记录内容进行加工，说明总体数量特征的概念为指标；是衡量业务现状的标准。
（3）指标体系：具有相关内容的多个指标组成的集合为指标体系。
单一的指标是不合理的，需要结合多个指标共同判断。
了解业务的指标体系可以帮助数据分析师明白业务的运转逻辑，了解业务人员关心的点，顺着指标体系排查可以定位数据异常问题的原因，故了解指标体系对数据分析师非常重要。
2、如何搭建指标体系
（1）确定主指标：
主指标——评价业务状况的最重要指标。
不同业务的主指标不同，同业务在不同阶段的主指标也不同。
eg：app的常见主指标
初期做留存（引入期：主指标为留存率）；
爆发期做增长（发展期：主指标为用户数、活跃率等）；
成熟期做营收（成熟期：主指标为营收相关指标，如销售额、毛利率等）；
衰退期做回流（衰退期：主指标为用户流失率等）。
主指标一般为多个指标的综合使用，避免虚荣指标的结果。主指标的确定是整个指标体系构建中的重中之重，是一切的基础，如若错误，则其他皆徒劳。
如何确定主指标（OSM模型）
Objective（业务目标）:用户使用产品的目标是什么，产品满足了用户的需求是什么；
Strategy（业务策略）:为了达成以上目标需要采取的策略是什么；
Measurement（业务度量）:这些策略随之带来的数据指标变化有哪些。
（2）拆分子指标：
利用主指标公式的对其进行子指标拆分。
ps：主指标和子指标均为结果指标，直接代表了结果的好坏，具有延迟性。
（3）拆分过程指标：
过程指标为监督流程各个环节表现的指标，指标相对于结果指标更为灵敏。最常见的形式是漏斗模型。
为业务方提供落地建议需拆解到过程指标。
（4）添加分类维度：
给指标添加维度是拆解问题的基础，维度的选择需符合业务特点。
指标拆解的方法为按照指标公式拆解子指标，按照生成过程拆解过程指标，按照业务维度拆解分类维度三种；但是子指标和过程指标的方法不一定适用所有过程。
四、逻辑推理：招聘要求里面的逻辑思维能力到底指什么？
招聘要求中的逻辑思维能力具体包含逻辑推理能力，结构化思维能力和系统思维能力。逻辑推理能力是可以从散碎的事实和观点信息中得到结论，结构化思维是分析复杂问题的思路，系统性思维是考虑到其他因素的影响。逻辑推理能力的难点是始终以归纳法和演绎法思考问题。
1、逻辑推理能力的定义
逻辑推理能力：是一种找到信息内在的逻辑关系，并推理出符合逻辑关系结论的能力。
2、逻辑推理能力的方法
（1）归纳法：对反复出现东西的一种总结。
优点是高效，不需要深入了解问题；缺点是可靠性存疑，容易“以偏概全”。
（2）演绎法：在大前提、小前提下推出结论。
优点是结论可靠；缺点是需要了解问题原因，花费时间多。
（3）类比法：通过一个概念像另一个更熟知的概念的方式，使大家能够对概念更快速的理解。该方法适用于做报告，不适用于数据分析。
3、逻辑推理能力的应用
（1）用更权威的大前提，提升结论可靠性；
（2）找出业务方的逻辑问题，拒绝无意义的需求；
当遇到归纳法时，反思是不是有以偏概全的问题；当遇到演绎法时，排查是否有大前提、小前提、论述过程的错误，以及能否用更权威的大前提来优化表述。
（3）深挖逻辑，加强逻辑思维能力
一个结论的产生，往往是多种思维方式的共同作用。
五、系统结构：跳出问题看问题，让你的分析直击关键
完整的分析过程，需要跳出问题，站在更大的视角思考全局，找出问题的核心，然后用结构化思维构建分析思路，用逻辑推理验证思路。
1、结构化思维
思考问题时，分析的思路要有一个结构，不能想到哪分析到哪。常用的思维工具是逻辑树。
2、逻辑树的种类
（1）议题树：把大问题拆解成一个个小问题。
eg：提升日活用户数的问题。首先将用户分类，根据各分类提出拉新方法，一层层拓展完善，直至提出可落地的具体方案。
ps：资深分析师相对于新手分析师最大的区别在于能不能快速找到好的分类维度。
（2）假设树：假设一种方案，然后去验证假设。只有所有的先决条件都满足的情况下，方案才可行，否则假设将被推翻。
假设树的优点是可以快速响应，在短时间内找到可行的方案，但不一定是最佳方案。
eg：如何提升日活人数
（3）是否树：提出一个判断题，根据问题的答案进入下一个问题或得出结论。通常用作bug的筛查。
（4）三种逻辑树的特点
3、拆解问题的原则
MECE原则（相互独立，完全穷尽）：需要注意的坑为拆解问题追求一步到位（一次性拆分太多非常容易出错，每次拆分3-4类就可以啦），以及追求绝对的MECE（遗漏或者重复是必然的，要做到不影响最终结果就可以啦）。
4、系统性思维
可以使站在更宏观的角度思考问题，找出问题的本质，重新定义问题。事件与事件之间相互影响，解决问题在内部无解时，可以跳出问题本身，寻求外界相关事件的影响因素。
六、懂业务：让你的分析结果与业务方、领导同频
懂业务的本质是要知道业务动作最终都是为了影响用户的行为，商业模式、产品形态、运营套路都是为了施加这种影响而存在的外部形式。
1、定义
落地：业务人员看了分析之后必须知道应该要做什么，而不是只知道现状。
指标：本质上都是反应了用户是否做了某些特定的行为。
改变用户行为的模型是Fogg模型（福格模型）
2、Fogg模型（福格模型）
将人的行为分为动机、能力、触发三要素，三要素同时满足时则会产生某种行为。
3、 福格模型的应用
（1）用业务视角读懂数据。
（2）提出靠谱的建议。
在数据不完整，产品体验差时，可以不用局限于用户行为数据，也可以收集内部调研，竞品分析等
七、懂用户：数据分析+用户思维=精细化运营
真正要做到数据驱动业务，应先考虑业务和用户，再思考到底要哪些数据。精细化运营，就是数据分析+用户思维。
1、用户思维
定义：“站在用户的角度来思考问题”，了解用户的需求，能够让产品更好地符合用户的需求。
概括为两部分，一部分是用户的需求，另一部分是影响用户的策略。
2、用户决策过程
产生兴趣——收集信息——评估价值——做出决策
3、用户思维的应用
（1）更高效的数据驱动
A/B测试：常规测试方案往往只考虑最终的结果，忽视了中间的过程。利用用户思维，可以在设计页面时，将用户决策的各环节明显分割开来，这样就可以评测各环节效果评测出更优版本。这样极大地提升测试迭代的效率，快速找到出更好的内容方案。
（2）更精准的漏斗分析
传统的漏斗分析不考虑转化流程本身是否又问题；传统漏斗分析时站在业务的视角看待问题，未必能得出有效的建议。
模块二 做：万能的业务问题分析框架
八、分析流程：业务数据分析的通用流程
业务分析主要解决五个问题：要解决的问题是什么，为什么要分析这个问题，问题的表面原因是什么，问题的根本原因是什么，要解决问题该怎么办。
1、通用的解决问题的流程
2W1H模型=What（是什么）+Why（为什么）+How（怎么办）
（1）What（是什么）：清楚明白问题的具体含义。比如“领导问如何提升某课程的销量”，“是什么”就是要确定“如何提升”的含义是要分析出落地方案，“销量”要准确定位到数量或者金额等；
（2）Why（为什么）：深究问题的根本目的，问题的表面原因，以及问题的深层次原因。
a、根本原因是要挖掘问题是要短时间快速解决，还是需要长时间精细打磨，没搞清楚根本原因，分析结果自然不受待见；搞清楚分析目的，还可以评估分析的价值，从而调整分析需求的优先顺序；
b、表面原因往往集中在某个业务环节；可以通过拆分不同维度、不同链路发现具体问题。
c、深层次原因可以理解为用户的需求，可以使用购买决策过程模型进行拆分分析。
（3）How（怎么办）：找到具体的落地方案。可以通过拆分理想状态主谓宾的方式，分别对症下药，采取具体的措施。
2、找到根本原因的方法
（1）站在用户的角度体验一次销售流程
（2）找同事一起讨论可能的情况
（3）把用户在落地页上的行为日志全部拉出来，然后一个个看
九、定义问题：怎么定义问题，打通分析思路？
1、问题的定义
（1）业务问题：是业务上的某个problem/trouble，可以理解为业务上遇到的困难、困境、难题；
（2）业务数据的分析问题（简称分析问题）：是一个question，是一个问句。
本章解决的是业务分析问题。
2、问题的基本结构
完整的业务数据分析=业务遇到的问题+分析的方向
（1）业务遇到的问题：业务的现状与目标之间的差距；
寻找业务问题时容易犯的错误：把直觉当成了事实；目标不是业务指标；目标和现状没有对应关系。
（2）分析的方向：业务现状+怎么办；
3、确定业务问题的指标：
（1）确定指标：需要确认指标是否合理，指标口径是否一致，数据是否可以获取；
（2）确定数据 ：与业务方沟通具体的目标；当业务方没有具体目标时，根据历史的数据趋势推断，或拿历史的较大值作为目标。
十、拆解问题：为什么总是拆解出一堆没用的数据？
拆解维度的选择要符合指标体系以及业务管理模式。
1、找出表面原因
拆解问题——把问题用结构化思维拆解成小问题，然后发现问题集中在某一个特定的小问题上。
2、如何拆解问题
（1）拆解问题的目标
在拆解问题钱，一定要搞清楚，拆解问题的目标到底是什么，拆分问题究竟是解决了什么问题。拆解问题的目标就是要找出表面原因。
（2）拆解问题的步骤：
a、排除数据错误
当数据和预想的差别很大，或者几个不同指标的数据交叉对比后发现数据有明显错误，需怀疑数据本身是否出现问题。
由于数据一般是通过客户端采集，传输到服务端，服务端清洗后保存在本地数据库，数据库再次清洗入库到数据仓库中，故数据错误可以从三个渠道进行排除：客户端问题（排查客户端版本、机型等，排查版本问题、机型适配问题）、服务端问题（排查不同服务端的日志数量，是否为某个服务器问题）、数据仓库问题（排查服务端日志和数据仓库的日志是否对应）。
b、缩小问题范围——多维度分析
找出拆解的维度；多个维度组合进行拆解。拆解维度可以从指标体系的子指标和维度中选择，拆解维度必须符合业务管理模式。拆解维度求精不求多，尽量不要超过三个维度。
c、找出具体环节
主要通过拆分过程指标来实现。
由于某些问题没有过程指标，或无法获取过程指标，以及某些问题的业务流程本身不合理都无法完成过程指标的拆分，故该环节并非必需完成的环节。
十一、找出原因：问题原因那么多，哪条才是最关键
表面原因是站在业务角度看问题，找到的原因都是某个业务指标的问题；根本原因是站在用户角度看问题，找到的原因都是用户遇到了什么样的问题。根本原因相比表面原因更好地解决问题。
找出根本原因的方法
假设树——提出假设，并找出数据验证这个假设。
更有条理地提出假设，需从用户身上找根本原因。
提出假设的方向
（1）用户的属性
直接找业务方沟通，让业务人员提出假设是最高效方法；若业务方无思路，尽量把用户属性控制在三个维度之内，通过数据的方法找出区别度最大的用户属性。
（2）用户的需求链路
找业务人员沟通；通过用户思维提出假设。先用行为数据还原场景，再梳理用户流程，根据流程提出假设。
十二、提出建议：什么才是有价值的建议？
在拆解问题、分析原因的阶段，已经开始为提出建议提供必要的支持；能够提出好的建议是检验分析师能力的重要标准之一。企业不追求真理，追求有效，做分析最重要的是找出究竟该如何。
1、建议有哪些类型
2、如何提出建议
（1）给方向
找出表面原因的第二步是缩小问题的范围——按照子指标和维度交叉组合分析问题。
（2）给策略
找出表面原因的第三步是确定具体环节——用过程指标找出存在问题的环节。“给策略”一般对应的是过程指标的某个具体环节。
（3）给方案
找到了根本原因，用演绎法推理出落地的方案，提出“给方案”的建议。由于数据不全或者其他原因无法找到根本原因时，可以通过归纳法根据同类型问题的历史数据，结果优化效果，给出落地方案；也可以用fogg模型做一个归类方便业务人员快速理解。
3、提建议的要求
在“给方案”的建议时，需尽量把建议讲得足够具体和完整，至少要说清楚“谁，做，什么事”三要素。
4、提建议的技巧
建议的内容尽量和执行人的KPI挂钩，提高建议被执行的概率，没有落地的报告是没有价值的。
十三、报告撰写：怎样高效地写一份数据分析报告？
1、组织报告的步骤
（1）明确报告的目标
写报告的目的是为了推动建议落地，筛选出对业务人员真正能起到改变作用的建议，让大家看完报告之后做出一些改变。
（2） 为达到目标所需支持建议的结论
需要把得出结论提炼一下，只选择和最终建议相关的结论。
（3）寻找支持结论的数据
（4）促使业务重视建议
大家要有足够的兴趣关注这份报告，并且认为建议的内容很重要，才能推动落地。
2、如何让业务重视建议
（1）吸引业务方的兴趣：提出的建议与业务人员的业绩挂钩，或者表明问题的背景、严重性、以及问题不能及时解决的严重性；
（2）提高落地的动力：采纳建议获得的好处，如提升（具体数字）的业绩。
3、报告的基本结构
（1）分析背景
表明报告的重要性，促使业务重视建议；
结论与建议
说明报告的目的，触达具体建议的落地方案以及支撑建议的结论；
分析框架
利用金字塔结构表明整个报告的逻辑
支撑建议的结论与事实
展示出整理的结论与支撑数据；
技巧：
每一页只讲一个结论，并且该页所有信息均围绕这一结论展开的；
用具体结论做标题，简单明了。
重申结论/建议
在看完报告主体部分时，要重新强调该报告的目的。
十四、分析框架进阶：其他常见的分析流程（预测/竞品/用户/数据建模）
思路（2W1H）是主线，分析方法只是工具。所谓的预测分析、相关分析、聚类分析、分类分析等分析方法是为了完成2W1H分析的工具，这些方法只能解决整个分析流程中的部分问题。
1、 预测分析
预测分析：通过定性或者定量的方法，预测出之后的数据走势和数值；
预测分析方法：ARIMA模型、移动平均法、机器学习预测模型等；
（1）归纳法思维
最简单——回归分析；复杂——ARIMA模型、移动平均
（2）演绎法思维
对要预测的指标进行分析，找到和指标相关的指标；利用机器学习对拆分的指标进行预测建模；根据相关联指标预测要分析的指标。
2、竞品分析
数据分析是做竞品分析是带着问题做分析。
（1）宏观战略方向为行业趋势分析、市场规模分析；
一般是咨询公司和大公司内部战略投资部门做的，一线数据分析师主要工作是收集数据。数据源可以用第三方数据，比如Questmoblie、百度指数、艾瑞、易观等（需注意的是第三方数据大多为抽样数据，可参考其比例），如果竞品公司已上市，可以通过财报获取数据。宏观类的分析一般用来发现问题。
（2）微观层面为功能体验分析
直接对比自家产品和竞品的区别，找出竞品的优点，选择性的应用到自家产品上。一般在“提出建议”的阶段，会用到微观层面的功能体验分析。
3、用户分析
行为路径分析相当于高级版的漏斗分析，是把用户整个使用过程全部还原出来。行为路径分析一般采用桑基图。
行为路径分析一般运用在“找出原因”阶段：在用户属性、行为分析和路径分析三个方面分析。
4、数学建模/算法
（1）分类
a、回归：对数据进行拟合，找出描述趋势的函数；
b、聚类算法：最常用的是K-means，常见的分类算法有决策树、随机森林、支持向量机等；
c、分类： 事先明确类别及类别特征，分类算法根据用户的特征判断其类别。
（2）应用
a、在分析根本原因时，要对用户属性进行分析。可通过聚类算法对用户进行分组，刻画不同群体的画像信息；
b、对用户属性进行分析时，总结出用户属性的规律。为了精细化营销，可通过分类模型对用户自动化分类。
模块三 成：各类型分析案例实战
十五、产品分析：如何将某功能的次日留存率提升10%？
业务数据分析可以分为运营分析和产品分析。做好产品数据分析的关键，通过数据还原用户场景，找出用户遇到的问题，并且需要一些基础的产品设计知识，用来给出具体的落地方案。
1、 案例背景
产品经理认为同花顺APP“简况”功能体验不好，需要优化体验，做一次改版。需要数据团队对不同模块改变的优先级以及改版方式提供数据支持。
2、明确问题
（1）what 定义问题
产品经理：想要优化“简况”的体验➡️➡️数据分析师：选择衡量用户体验的指标➡️➡️确定次日留存率为衡量用户体验的指标➡️➡️确定次日留存率具体的目标
PS：不选择使用时长是因为用户的使用时长提高了，并不意味着真正喜欢该功能，可能是因为该功能很难用，但又不得不用，所以在该功能上花费了很长时间；不选择核心功能使用率是因为面向的客户差异性较大，无法确定具体的“核心功能”。核心功能使用率适用于工具类的APP。
（2）why问题背景与目的
优化简况体验的目的在于提升APP整体的留存率，一般称大盘留存率。提升大盘留存率是为了提升大盘日活。
3、找原因
（1）表面原因
基本思路：提升留存率较低模块的留存率;提升留存率较高模块的使用人数
根据矩阵分析可知：
a、 “主要指标”使用人数最多但留存率低；“概念题材”留存率最高且人数较多；各个模块的使用人数不是按照从上到下依次递减，这说明用户是带着一定目的使用的；
b、左下角部分使用人数和留存率都低，属于比较冷门且低频，提升用户数和留存率都比较困难；左上角部分只适合小部分的群体，很难提升使用人数，这是由于其功能决定的；右下角部分是使用人数多，但是留存率低，根据模块功能这些应该属于留存率高的模块，所以应优先分析这部分功能；右上角部分数据相对较好，但是对于大盘来讲所占比例较低，仍有上升空间，所以将该部分放到第二顺序。
（2）根本原因
通过用户的行为数据来找根本原因。选择页面内的点击率（表示用户是否完整地体验了功能）和页面停留时长（表示用户是否有探索的热情）两个指标构建矩阵。
a、留存率较低功能，以“主要指标”为例：用户的停留时长非常短，且页面内部的点击率也很低，属于右下角部分，初步判断为页面内容不符合用户的心里预期，结合实际查看页面内容确定根本原因是页面内容太少，不符合用户需求。
b、留存率较高功能，以“概念题材”为例：用户的点击率很高，时长较短，用户当天平均使用次数也较高，属于右上角部分。根据实际查看页面，页面留存率较高能满足用户需求，但使用上稍又些麻烦，确定根本原因是链路较长，跳转比较繁琐，不方便用户使用。
4、提出方案
（1）“主要指标”模块
主要问题：页面内容不符合用户的需求，用户没有再次使用的兴趣；
建议：建议产品经理修改页面，增加更多的指标信息，满足用户查看更多指标的需求。
跟踪：使用时长和留存率均有15%的提升。
（2）“概念题材”模块
主要问题：使用起来比较繁琐；
建议：建议产品经理缩短使用链路，降低用户的使用门槛，让用户更方便地使用。
跟踪：用户数提升两倍，留存率提升13%。
十六、转化分析：如何提升产品的购买转化率？
转化分析一定要注意站在用户的视角思考用户真正需求，不被现有的产品形态所限制。落地页的转化不行，就在该落地页的问题的思维是假的用户思维，要回归到真实的需求上去，思考用户真正想要什么，而不是用户在这个页面上想要什么。一旦真的找到了用户的需求，看到的问题就是真正本质的问题，这样分析的结果落地之后才会有质的飞跃。
1、案例背景
业务人员在“指数”行情走势页添加了“买指数”按钮，可以满足用户购买需求。这个功能上线了一段时间，到月底的时候业务人员需要写月度总结汇报，想要看一下新增“买指数”按钮带来的转化情况怎么样。
2、明确问题
（1）what 定义问题
业务：新增“买指数”按钮带来的转化情况怎么样➡️➡️数据分析师：选择衡量转化情况最核心的结果指标➡️➡️确定核心指标为转化人数（因为该入口的业务目标是带来更多的用户），以及转化人数的衍生指标曝光人数和转化率。
（2）why问题背景与目的
该问题属于取数需求，但是由于取数结果表明，新上线的购买入口，转化人数不多，转化率也较低，则深挖如何提升转化人数。
3、找原因
（1）表面原因
根据指标体系拆分找出表面原因
a、拆分子指标
转化人数的子指标是曝光人数和转化率，取数结果可知曝光人数不足，转化率不高，两者都有问题。
b、拆分维度
由于投资市场的热点变化非常大，热度持续时间短，故没有分析价值。
c、拆分过程指标
把转化率拆分称购买流程中不同阶段的漏斗转化情况，可得基金列表页到基金详情页的转化率偏低导致整体转化率低。
（2）根本原因
a、曝光人数不足
主要是该功能目前处于测试阶段，开放的人数较少，正式上线就会解决这一问题。
b、转化率不高
1️⃣页面原因
根据基金列表页各部分的点击率可得，用户对“投资价值指数”的走势图感兴趣，对于下面的基金，大部分用户选择了第一支基金。
还原用户使用场景，用户对“投资价值指数”走势感兴趣，但是没有购买基金，原因猜想有两种：用户看不懂投资价值指数的意思；看了投资价值指数后发现基金有风险，所以放弃购买。想要验证猜想必须借助用户调研、用户访谈等形式。
综上所述，“投资价值指数”干扰了用户，后续可以取消或者简化该指数。
2️⃣用户真正原因
用户决策模型分为产生兴趣、收集信息、评估价值、做出决策。“买指数”重点在于“买”属于“做出决策”阶段，用户的真正需求是下单购买，而不是考虑要不要买。所以问题并不是基金列表页做的不够好，而是不应该出现这个页面，应该直接跳转到支付页面让用户付费交易。
4、提出方案
主要问题：不应该存在基金列表页，应直接转到支付业让用户付费交易；
建议：考虑金融行业的特殊性（必须知道购买产品特点），保留一个落地页做承接（落地页只保留一支和该指数相关联度最高的基金），尽量精简，去除“投资价值指数”降低理解成本。
跟踪：“买指数”的转化率提升了一倍多。
十七、活动分析：如何分析活动效果并给出有效建议？
活动分析是日常工作最常见的分析类型之一。在分析活动效果时，必须搞清楚活动的类型，目的以及评判标准；分析活动好坏原因时，要把过去所有的活动串联起来，总结出经验规律，为后续活动提供支持。
1、评价活动效果
（1）评价指标
活动的类型基本上围绕AARRR模型展开，大致分为拉新、促活、留存、转化和裂变。各类型的目标都不相同，评判活动效果的指标不都相同。指标一般选择结果指标为主指标，一些过程指标为辅助指标。
（2）参考标准
a、活动目标
参考标准最重要的是活动在规划时制定的活动目标（老板通常在意活动目标的达成情况）。在分析之前要与业务人员沟通好，没有具体活动目标，只能提供数据无法判断好坏；
b、与活动上线之前对比
可以对比不做活动带来的数据增量；
c、与历史活动对比
对比之前活动，评判本次活动效果；
d、A/B测试对比
结论更加可信。
2、效果产生的原因
活动包含策略（比如活动目的是拉新，主要策略是发红包吸引用户，红包怎么发等）和执行（包含落地页的设计和开发，埋点等）两部分。执行出问题改动相对容易，策略出问题改动就比较困难。
（1）执行层面
在活动进行时，一般针对执行层面去分析问题。排查执行问题更多的是提供高效准确的数据反馈。在活动上线前建立好相关报表，数据维度的选择一般按照活动流程，以漏斗的形式对每个环节进行监控，若某个环节出现问题可及时发现。
（2）策略层面
分析活动策略，总结活动经验教训，找到活动亮点，为下一次的活动提供指导。
分析流程：找表面原因（通过漏斗分析，定位问题出现的环节）➡️➡️分析根本原因（最好的办法是和历史上同类活动的数据进行对比）
分析根本原因：最好的办法是和历史上同类活动的数据进行对比。原因类型主要为用户属性和用户行为两方面。平时需注意搜集和整理历史活动数据（记录历史活动的时间、地点、埋点等），与之后活动共同沉淀出业务经验。
eg：分析表面原因时发现进入拉新页面的人较少：需思考本次投放渠道、拉新文案等，再对比历史上的投放渠道、拉新文案等。
3、提出建议
（1）
原因：页面埋点错误，主要是因为新员工的埋点设计稿不规范
方案：对新员工进行埋点设计规范培训；
（2）
原因：新用户适合产品介绍类型的承接页，老用户适合价格促销的承接页
方案：之后的转化类活动可以对新老用户分别投放产品介绍页面和价格促销页面；
（3）
原因：女性用户占比较大的渠道投放效果更好
方案：渠道投放应尽量选择女性为主的渠道。
十八、用户增长：找出快速提升用户数的关键行为
找出用户关键行为的分析方法，在增长黑客的领域已经非常成熟了。
增长黑客是以试验和数据驱动业务。
1、用户增长
用户增长的目的是提升总的活跃用户数。
|
|
方法 | 方式 |
|
用
户
增
长
|
提升新用户数量 |
获取更多的新用户； 留住更多的新用户 |
|
提升老用户的留存率
（十五讲案例）
|
主要通过产品优化、运营活动等 | |
| 找回已经流失的用户 | 一般等到新用户、老用户留存都优化差不多的时候再考虑 |
获取更多新用户，通过渠道分析，或开展裂变活动来实现
渠道分析两种核心方法：
- 归纳法（分析目前渠道流量情况，优化现有渠道资源分配结构）
- 演绎法（根系优质用户的用户属性，找到匹配该属性的新渠道）
本讲重点——如何通过关键行为分析留住更多新用户
2、关键行为
只有让用户感受到产品的价值，才能使用户留下来，成为产品的忠实用户。
（1）定义
用户完成的一些特定能使其认识到产品价值的行为，称之为关键行为。一般形式是：“谁、在多长时间内、完成多少次、什么行为”，比如社区类APP可能的关键行为是 用户在3天内添加超过10个好友。
（2）找出关键行为的步骤
a、列出可能的关键行为
结构化思维中构建议题树的两种方法、
- 归纳法（列出所有可能性，再分类汇总）
最简单的做法是把所有的功能全部列出来，对这些功能进行分析，筛选出对新用户留存率提升有作用的功能；
- 演绎法（从业务的角度出发思考，考虑这类型的业务可能的关键行为有哪些）
确定业务所属类型，产品定位所需满足的需求，在制定出对应的关键行为。
| 关键行为常见类型 | 例子 |
| 使用某个核心功能 |
音乐类APP：播放歌曲
社区类：浏览社区内容
投资类：投资交易
咨询类：查看咨询
购物类：完成一笔交易
|
| 和其他用户或内容建立了联系 |
音乐类：关注用户、收藏歌曲
社区类：关注用户
投资类：收藏某投资品种
购物类：收藏商品
|
- 定义更清晰的关键行为
在多少“时间周期”内，“行动多少次”。eg半小时内播放5首歌，其中“半小时”、“5首歌”都是魔法数字。魔法数字的确定是使用拐点法。
- 通过数据，找出效果更好的关键行为
对比不同关键行为的用户在之后时间的留存率曲线，确定留存率更高的关键行为。但是需要注意的是留存率最高的关键行为是否是覆盖了大部分人群，若为小众强需求则很难在后期进行推广。为了避免这一情况，采用矩阵图分析确定合适的关键行为。
c、主观筛选
数据得出的结论只能说明该行为可以带来留存率的提升，但这个功能本身也许并不是用户的需求，比如某些功能是为了完成其他功能的必经环节，这类行为就不能作为关键行为。
d、小结
任何模型和方法的本质都符合“2W1H”模型。
十九、AB测试：AB测试的效果评估和优化
A/B测试并不是一个完整的业务数据分析流程，而是穿插在其中的一种分析方法。在实际工作中，要对产品和业务有理解，以业务理解作为主线，A/B测试只是工具。
1、A/B测试的做法
（1）操作流程
a、为网页或APP页面制作两个或多个不同的版本；
b、在同一时间，让相同属性的用户分别访问两个不同的版本，手机用户的行为数据和业务数据；
c、通过不同版本之间的数据对比经过统计学的检验，评估出更好的版本
（2）操作要点
a、同一时间：不同的版本测试要在同一时间。当前市场热点变化非常快，若不同一时间测试，无法规避市场变化的影响；
b、同类用户：不同的版本必须确保用户属性是相同的。若用户类型构成不一致，会影响最终结果的测算。
要确保用户属性相同，就要确保分发算法的随机性：
简单的方案：依据IP地址、用户ID等，分成2组就按照奇偶数，分成n组就除以n取模；
复杂的方案：通过哈希算法进行随机分配，好处是可以做分层正交，多组试验不用相互干扰。
注：哈希算法主要由开发人员掌握，数据分析师了解即可。目前比较成熟的A/B测试平台有热云、云眼等。
c、统计学检验：
A/B测试最终的结果需要经过统计学的检验。一般显著性水平大于0.95结论才是可靠滴，可以通过A/B测试结果分析工具进行计算。
d、灰度发布
灰度发布是指能够平滑过渡的一种发布方式，好处是如果新版本存在重大问题，小范围测试不会影响全局从而造成巨大影响。为了避免造成巨大损失，比较好的做法是先给一小部分流量做测试。
A/B测试做灰度发布，使一部分用户进入测试版本，剩余用户继续使用原版本，若测试版本效果更好，则逐步扩大使用范围，直至把所有用户都迁移到测试版本。
e、指标的选择
|
|
类型 | 衡量指标 |
|
A/B测试的指标
|
落地页 | 落地页的转化率 |
| 首页 | 用户留存率 |
（指标的选择可参考第三讲OSM模型）
注：A/B测试不仅要考虑当前页面指标，更要考虑全局，否则会造成局部更优而全局变差的情况。
2、A/B测试的类型
（1）功能MVP
功能MVP是在新功能上线前，先通过MVP（最小可行化产品）的形式进行测试，确定用户是否有相对应需求；
（2）路径测试
路径测试是比较不同的步骤和路径对用户的影响（此处步骤和路径不仅包含跳转的顺序，也包括单个页面上各模块顺序的调整）；
（3）文案测试
文案测试是比较不同文案对用户使用的影响。文案测试很多时候测的是用户心理学，改变用户对产品的认知；
（4）设计测试
设计测试是比较不同的视觉方案对用户的影响。
- 容易忽视的错误
优先级顺序（依次递减）：功能MVP>路径测试>文案测试>设计测试 该顺序符合产品设计的规律。
彩蛋
一、数据运营：如何搭建数据运营体系
数据运营是利用数据驱动，通过数据做好运营监控、原因排查、策略执行等一系列的运营动作、响应速度和迭代效率相比传统运营更高。
本讲以用户运营为例讲解
1、搭建用户运营体系的步骤
运营的最终目的是让更多的用户付费。最好的方法是先让用户留下来，让用户感受到产品的价值。
（1）首先进行用户生命周期运营
一个用户要持续地使用产品，在不同的时期用户的需求是不一样的。要把用户按照使用产品的阶段划分开来，总结一套使用适合绝大多书用户的使用轨迹，就是用户生命周期。用户运营的目的是尽可能的延长用户的生命周期，促使在生命周期内产生更大价值的收益。
所需注意的关键点：
引入期：注重引导，希望用户尽快进入成长期；
成长期：提升用户留存，养成用户的使用习惯，尽快成为成熟期；
成熟期：希望用户保持在成熟期，或者爱该阶段产生更多的收入；
休眠期：对用户进行促活，重新让用户回到成熟期，防止流失；
流失期：找回用户，延长用户的生命周期。
生命周期为运营提供依据，依据不同时期给出不同的运营策略。
（2）在生命周期基础上开展用户分层
用户分层是在生命周期的某个时期内，依据不同行为对用户进行分层管理。但是分层模型中的用户不会覆盖所有的用户群体，只要能圈选绝大部分的用户，该模型就具有意义。
eg：定义成熟期为购买一个课程的用户，若要提高成熟期用户的付费金额，最好的办法是再购买一门课程。
总结成熟期用户特点是首个购买的课程学习超过三天，则会提高完成学习第一个课程的概率；续费用户大多都完整学完第一个课程；购买超过3门课程的用户后续持续付费意愿会更高。
由此可得逐步递进的五类用户分层模型，每一层用户运营的目的都是使用户到更上一层：
（3）在分层基础上开展用户分群
不同特征（比如用户年龄，职业，行为特点等）都可作为差异化运营的维度，找到不同维度下对应的运营策略，就可以在分层的基础上做用户分群的精细化运营。
用户分层和用户分群的区别：用户分层每层用户之间相互独立；用户分群不考虑是否重叠。
- 用户画像
用户画像是由一堆用户标签构成的，通过用户的标签识别用户的属性。用户画像本质上是服务用户分群的。
2、数据分析的作用
（1）确定划分标准
无论是用户生命周期、用户分层、用户分群，都需要用数据选出特定的用户，需要数据分析是确定不同的划分标准。
eg：将付费超过100元的用户定义为成熟用户；超过3个月没有新付费的用户定义为休眠用户。
其中“100元”、“3个月”都需要数据分析师利用拐点法确认的划分标准的数字。
（2）运营数据监控
根据划分标准的口径制作相应的报表，方便业务人员查看数据变动的情况。
（3）用户标签建设
需要考虑用户标签的维度和颗粒度。
a、维度
b、颗粒度
颗粒度是指标签的精细程度。
