一、业务指标
1.1 数据分类
用户数据、行为数据、产品数据
1.2 常用指标
（1）用户数据指标（我是谁）
（1）对于新增用户使用的指标：日新增用户数
（2）对于活跃用户使用的指标：活跃率
日活跃用户数、周活跃用户数、月活跃用户数
PS：活跃率代表的是用户在一段时间登录的人数，活跃率低说明产品存在很大的问题。
（3）对于留存用户使用的指标：留存率
留存可以评估产品功能对用户的黏性
比如：
第7日留存率
第一天新增的用户中，在第二天使用过产品的用户数/第七天新增总用户数
第30日留存率
第一天新增的用户中，在第30天使用过产品的用户数/第一天新增总用户数
（2）行为数据指标（我做了啥）
- PV（Page View）访问次数：一定时间内某个页面的浏览次数，用户每打开一个网页可以看做一个PV
- UV（Unique Visitor）访问人数：一定时间内访问某个页面的人数（一个人打开多次记为一次）
- 转发率：转发率=转发某功能的用户数/看到该功能的用户数（UV）
- 转化率，与业务场景相关，
- 如广告转化率=点击广告的人数/看到广告的人数
- 转化率=购买产品的人数/所有到达店铺的人数
- K因子：衡量推荐的效果，即—个发起推荐的用户可以带来多少新用户。
- K因子＝平均每个用户向多少人发出邀请×接收到邀请的人转化为新用户的转化率。假设平均每个用户会向20个朋友发出邀请,而平均的转化率为10%的话,K因子＝20×10%＝2。
- 当K＞1时，新增用户数就会像滚雪球一样增大。如果K＜1的话，那么新增用户数到某个规模时就会停止通过自传播增长。
（3）产品数据指标（sale啥东西）
（1）用来衡量业务总量的指标：如成交总额、成交数据量
- 成交总额（GMV（流水）
- 销售额
- 取消订单金额
- 拒收订单金额
- 退货订单金额
- 成交数量
- 访问时长
（2）用来衡量人均情况的指标
- 人均付费（客单价）：人均付费=总收入/总用户数
- 付费用户人均付费（ARPPU）
- 总收入/付费人数
- 用于统计付费用户的平均收入
- 人均访问时长
- 人均访问时长=总时长/总用户数
- 用于统计每个用户使用产品的平均时长
（3）用来衡量付费情况的指标：付费率、复购率
- 付费率
- 付费率=付费人数/总用户数
- 反应产品的变现能力和用户质量
- 复购率
- 含义：指一定时间内消费两次以上的用户数/付费人数
- 重复购买的频率，用于反映用户的付费频率
（4）与产品相关的指标，如热销产品数、好评产品数、差评产品数
- 含义：从产品的角度去衡量哪些产品好，哪些产品不好；好的产品重点推销，不好的产品分析原因
- 热销产品数
- 好评产品数
- 差评产品数
（4）推广付费指标
1）展示广告位
2）搜索广告
例如搜索引擎的关键字搜索广告，电商搜索广告；广告主为某一个搜索关键词出价，用户看到的搜索结果是按广告主出价的高低来排名的
按点击次数付费（CPC）,也就是有多少人点击了改广告
3）信息流广告：
按投放的实际效果付费（CPA,Cost Per Action）包括:
CPD（Cost Per Download）:按APP的下载数付费;
CPI（Cost Per Install）:按安装APP的数量付费,也就是下载后有多少人安装了App;
CPS（Cost Per Sales）:按完成购买的用户数或者销售额来付费
1.3 如何选择指标
（1）好的数据指标应该是比例。要将指标换算成比例。
（2）根据目前的业务重点,找到北极星指标。
要根据目前的业务重点，去寻找北极星指标。
1.4 指标体系和报表
（1）什么是指标体系
一个指标没办法解决复杂的业务问题，这就需要使用多个指标从不同维度来评估业务，也就是使用指标体系。指标体系是从不同维度梳理业务，把指标有系统地组织起来。简而言之，指标体系＝指标＋体系,所以一个指标不能叫指标体系,几个毫无关系的指标也不能叫指标体系。
（2）指标体系有什么用
监控业务情况
感通过拆解指标寻找当前业务问题
评估业务可改进的地方，找出下一步工作的方向
（3）如何建立指标体系
（1）明确部门KPI（关键绩效指标法），找到一级指标。
一级指标是用来评价公司或部门运营情况最核心的指标
（2）了解业务运营情况,找到二级指标。
有了一级指标以后，可以进一步将一级指标拆解为二级指标。具体如何拆解，要看业务是如何运营的。例如销售部门一般按地区运营，就可以从地区维度拆解。市场部门—般按用户运营，就可以从用户维度拆解。
（3）梳理业务流程，找到三级指标。
把二级指标按照业务流程拆解为更细的三级指标
（4）通过报表监控指标,不断更新指标体系
报表就是报告状况的表，是通过表格、图表来展示指标，从而方便业务部门掌握业务的情况。
制作报表的步骤：需求分析、建立指标体系、设计展现形式、编写需求文档、报表开发。
（4）建立指标体系的注意事项
（1）没有一级指标，抓不住重点。
（2）指标之间没有逻辑关系。
（3）拆解的指标没有业务意义。
（4）一个人就完成了指标体系和报表，也不和业务部门沟通。
二、分析方法
2.1 5W2H分析方法
5W是指对于所有的现象都追问5个问题:what（是什么）、when（何时）、where（何地）、why（为什么）、who（是谁）
2H是指再追问2个问题;：how（怎么做）、how much（多少钱）。
5W2H分析方法可以帮助我们解决简单的问题，比如：
如何设计一款产品?
设计一款APP的调查问卷,如何设计问卷上的问题?
5W2H分析方法很好理解，但是在复杂的商业问题面前不起作用。这是因为复杂的商业问题不会只有—个原因，而是由多个原因引起的。
2.2 逻辑树分析方法
逻辑树分析方法是把复杂问题拆解成若干个简单的子问题，然后像树枝那样逐步展开。
2.3 行业分析方法
进行行业分析，就是用PEST分析方法，PEST分析方法是对公司发展宏观环境的分析，所以经常用于行业分析。通常是从政策（Policy）、经济（Economy）、社会（Society）和技术（Technology）这四个方面来分析的。
2.4 多维度拆解分析方法
通过多维度拆解数据，我们发现了和一开始截然相反的结论，这种现象被称为“辛普森悸论”（Simpson’s Paradox），也就是在有些情况下，考察数据整体和考察数据的不同部分，会得到相反的结论。
只看数据整体，我们可能注意不到“数据内部各个部分构成的差异”。所以,我们需要从多个维度去观察数据,并相互验证，才能得出相对可靠的结论。
一般会从指标构成或者业务流程的维度来拆解。
1）从指标构成来拆解
2）从业务流程来拆解
2.5 对比分析法
（1）和谁比
和自己、和行业
（2）如何比较
数据整体的大小：平均值、中位数、或某个业务指标
数据整体的波动：标准差除以平均值得到的值叫作变异系数。变异系数可用来衡量整体数据的波动情况。
趋势变化：趋势变化是从时间维度来看数据随着时间发生的变化。常用的方法是时间折线图、环比（和上一个时间段对比，用于观察短期的数据集）和同比（与去年同一个时间段进行对比，用于观察长期的数据集）。
（3）注意事项
在进行比较的时候，要注意比较对象的规模保持一致。
A/B Test
A／B测试的背后也是用了对比分析方法。什么是A／B测试?
简单来说，A／B测试就是为同一个目标制定两个版本，这两个版本只有某个方面不一样，其他方面保持一致。
2.6 假设检验分析方法
假设检验分析方法分为3步：
（1）提出假设
（2）收集证据
（3）得出结论
假设检验分析方法可以分析问题发生的原因，也叫作归因分析。
如何使用假设检验分析方法？
如何客观地提出假设？
可以从按用户、产品、竞品3个维度提出假设，来检查提出的假设是否有遗漏。
（1）假设用户有问题:可以从用户来源渠道这个维度来拆解分析，或者画出用户使用产品的业务流程图来分析原因
（2）假设产品有问题：可以研究这段时间销售的产品是否符合用户的需求
（3）假设是竞品导致的问题：可以看竞品是不是在搞什么优惠活动，用户跑到竞争对手那里了
我们还可以从4P营销理论出发来提出假设：产品（product）、价格（price）、渠道（place）、促销（promotion）
2.7 相关分析方法
当我们研究两种或者两种以上的数据之间有什么关系的时候，就要用到相关分析。如果两种数据之间有关系，叫作有相关关系。
相关分析的作用：
（1）在研究两种或者两种以上数据之间有什么关系，或者某个事情受到其他因素影响的问题时，可以使用相关分析。
（2）在解决问题的过程中，相关分析可以帮助我们扩大思路，将视野从一种数据扩大到多种数据。
（3）相关分析通俗易懂，方便沟通。
X,Y的相关系数r=X与Y的协方差/根号下(X的方差*Y的方差)
相关系数的范围为[-1,1]
r的绝对值越大，表示相关性越强
r为正代表正相关
相关系数的两个作用:
（1）相关系数的数值大小可以表示两种数据的相关程度，系数值大于0.6或者小于-0.6，表示两种数据之间高度相关;
（2）相关系数数值的正负可以反映两种数据之间的相关方向。
如何判断两种数据之间是相关关系还是因果关系？
要用到“单变量控制法”，也就是控制其他因素不变，只改变其中一个因素，然后观察个因素对实验结果的影响。
例如，每天早上公鸡—打鸣，太阳就会升起，如果我们把公鸡杀掉，太阳还是会升起，完全不受公鸡的影响。所以， “太阳升起”和“公鸡打鸣”是相关关系，而不是因果关系。
2.8 群组分析方法
（1）是什么？
“群组分析方法’’（也叫同期群分析方法）是按某个特征，将数据分为不同的组，然后比较各组的数据，说白了就是对数据分组然后来对比。
（2）有什么用？
群组分析方法常用来分析用户留存率（流失率）随时间发生了哪些变化，然后找出用户留下或者离开的原因。
产品会随着时间发布新的版本，产品改版的效果如何?版本更新后用户是增长了，还是流失了?像这类问题就需要将用户按时间分组，然后比较不同组的用户留存率。
（3）如何用？
先使用群组分析方法，找到留存率低或留存率高的组；然后使用假设检验、相关分析等方法，研究为什么这些组留存率低或留存率高。找到原因以后，就可以对应地优化产品。
当群组分析表格里的数据比较多的时候，直接分析起来比较困难，这时可以把数据绘制成折线图，这样就可以很容易地发现数据发现了哪些变化。
使用群组分析方法需要注意如何分组，除了按时间分组，还可以根据具体的业务场景来确定。
2.9 RFM分析方法
进行用户分类，高于维度价值平均值的为高净值的用户（区分出如下的8种用户）。比如重要价值用户，RFM三个值都很高。
RFM是3个指标的缩写:最近1次消费时间间隔（Recency）、消费频率（Frequency）、金额（Monetany），通过这3个指标对用户分类的方法称为RFM分析方法。
各指标特征如下:
- 对于最近1次消费时间间隔（R），上—次消费离得越近，也就是R的值越小，用户价值越高。
- 对于消费频率（F），购买频率越高，也就是F的值越大，用户价值越高。
- 对于消费金额（M），消费金额越高，也就是M的值越大，用户价值越高。
2.10 AARRR模型分析法
AARRR模型对应产品运营的5个重要环节，分别是:
获取用户（Acquisition）:用户如何找到我们?
激活用户（Activation）:用户的首次体验如何?
提高留存（Retention）:用户会回来吗?
增加收入（Revenue）:如何赚到更多钱?
推荐（Referral）: 用户会告诉其他人吗?
因为AARRR模型涉及用户使用产品的整个流程’所以它可以帮助分析用户行为,为产品运营制定决策，从而实现用户增长。例如，使用其他分析方法定位到问题的原因是留存率低，那么就可以参考AARRR模型里留存这一环节的策略来提高留存率。
2.11 漏斗分析方法
从业务流程起点开始到最后目标完成的每个环节都会有用户流失，因此需要一种分析方法来衡量业务流程每一步的转化效率，漏斗分析方法就是这样的分析方法。
漏斗分析的作用是“定位问题节点”，即找到出问题的业务环节在哪。漏斗分析常用于用户转化分析或者用户流失分析，所以漏斗分析中要关注两个指标：用户转化率和用户流失率。
经过各个业务环节转化下来的用户，会产生更大的价值。因为这部分用户更加忠诚，更认可业务的流程。随着转化用户的不断增加，留存用户的规模也在不断增大，产品的盈利规模也会随之增加。
流失的用户数量在每个业务环节都不同。可以分析用户主要流失在哪个业务环节，以及为什么流失，是因为业务流程过于复杂，还是产品特性无法完全展现，或是其他原因，最终的目的都是不断减少用户流失率。
2.12 多种方法解决问题的一个栗子
思路：确定问题，分析原因，提出建议
背景：某个店铺上半年完成的利润很低，要找出利润没有达标的原因，以及完成年度目标的方案。确定问题是
A. 需要明确时间地点和数据来源
B. 明确其涵盖的指标意义和相比较的对象
（1）首先例子中的问题是，利润没有达到目标(计划为3000万，实际完成1991.37万)，落后于计划1008.63万，需要解决，以及如何完成下半年指标；其业务指标:
利润的含义如何定义 = 销售收入 - 销售成本 - 营业外支出，销售收入 = 客单价 X 用户数，销售成本 = 商品成本 + 实现销售付出的成本，营业外支出 = 各种非盈利的支出比如捐款等
（2）明确好问题后，我们需要分析原因。此处我们会先对利润进行拆解，按照上面的业务指标可能由这么些要素组成，再去分别追溯数据。
- 发现上半年的销售成本出现明显增长，但销售成本和销售收入直接关系，在费率比逐步下降的情况下，销售费用上升并非是利润不达标的原因。
- 接下来再去分析商品采购成本，与去年上半年同期相比，是低于的，也不是不达标的原因。销售收入对比后发现，今年上半年总销售收入比去年下降了8.79%；
- 再在销售收入的组成元素里去拆解，分析客单价和用户数，发现客单价变化不大反而用户数量下降了。接着去分析用户数量下降的原因。
三、用数据分析解决问题
3.1 数据分析解决问题的过程
（1）明确问题
（2）分析原因
（3）提出建议
3.2 如何明确问题
（1）明确数据来源和准确性
时间
地点
数据来源
（2）业务指标理解，对于业务指标，可以分析指标含义、和谁比。
3.3 如何分析原因
如何知道哪些是“关键的因素”呢?可以在分析的过程中使用这3步来分析:
（1）使用“多维度拆解分析方法”对问题进行拆解，将一个复杂问题细化成各个子问题
（2）对拆解的每个部分，使用“假设检验分析方法”找到哪里出了问题。分析的过程可以用“对比分析方法’’等多个分析方法来辅助完成
（3）在找到哪里出了问题以后，可以多问自己“为什么出现了这个问题”，然后使用“相关分析方法’’进行深入分析。
3.4 如何提出建议
在提出建议这一步，常用的分析方法是回归分析或者AARRR模型
注意:
（1）做决策的选项不能太多。太多的选项不仅会增加决策的成本，还会让人迷失,无从下手。相对简单的问题，需要4个选项左右；相对复杂的问题，需要4～7个选项
（2）决策要是可以落地的具体措施，这样决策者才能根据措施，合理安排资源，把措施变成行动
四、行业分析实战
4.1 内容行业
内容行业（如某音、某红书等）的主要部门（当然还有研发部门）：
（1）业务模式
一般以文章，图片，视频为内容载体去满足用户阅读/学习/消遣需要。
（2）业务指标
- 内容生产指标
- 内容生产者比例来衡量一个平台内容的生产健康度;
- 内容更新总数为内容平台每天更新的内容数，主要分为UGC（user generated content，用户生成内容） 和 PGC（professional generated content，专业生产内容）
- 内容更新频次为一段时间内内容更新的总量/时间周期
- 内容曝光指标
- 人均曝光次数指某类内容的人均曝光次数
- 内容点击指标
- 内容平均点击数/曝光点击率
- 内容阅读指标
- 完成阅读的人/总阅读人数，体现内容质量
- 内容评论指标
- 评论用户数/评论率
- 内容分享指标
- 用户分享率/内容分享用户数/内容实际产生价值(包括广告/分成/订阅付费等等)
4.2 案例分析
（1）回答量下滑分析
日均回答量影响因素：
（2）用户分类
1）明确问题
某乎的首页推荐内容的好坏直接影响了用户留存率，如果现在运营想知道首页用户的群体和活跃状态，数据分析师需要对首页用户进行分类。一般可以用RFM模型，分析首页用户活跃程度和用户构成，监控首页用户状态变化。
2）分析原因
（1）定义指标R、F、M。
- 最近一次消费时间间隔R：最近一次访问首页距今天的天数
- 一段时间的消费频率F：定义为最近30天访问首页的天数，连续一个月未访问即定义为流失用户
- 一段时间的消费金额M：定义为30天内在首页的总阅读量
（2）确定指标分类标准
（3）用户分类
3）提出建议
找出提升首页用户质量的因素（比如提高用户访问频率），最优策略（比如激活第Q类用户先成为第K类用户）。
Reference
[1] 猴子学院. 数据分析思维 分析方法与业务知识
[2] https://blog.51cto.com/u_15084039/5541358?abTest=51cto
[3] 【阅读笔记】数据分析思维：分析方法和业务知识
[4] 内容行业模块在原书的P251