前言
由于在工作中经常需要对业务数据进行分析并提供相应的结论和建议，数据分析的能力是一个目前我认为比较重要的点，但在实际操作中总觉得理论体系或者经验不足，接下来会不断地去充实自己，同时也会整理所学到博客之中，望共同学习~
业务数据分析流程
这是在多次的业务数据分析任务中梳理的较浅层的分析流程，数据分析较多情况下都是为了解决业务瓶颈抑或是决策/活动效果评估，分析要基于对业务的理解之上，才能够较为全面地去看待问题，另外在数据分析的过程中往往会有偏离分析目的的异常发现（有时也是挺有趣的数据现象，可以借此深入挖掘），然而在分析框架的构建上也是目前急需提升的能力点，下面将对此模块的方法论进行初步地梳理~
分析思维以及层次
思维框架
结构化思维
即金字塔思维。指分析过程要有明确的目的性和方向性。
核心论点：寻找金字塔的塔点（假设/预测/问题/原因）
结构拆解：自上而下将核心论点层层拆解成分论点，上下之间呈因果/依赖关系
MECE：相互独立，完全穷尽（分论点之间避免交叉重复，尽量完善）
验证：核心论点/分论点都是可量化的、可验证的，要用数据说话
业务化思维
从业务方的角度思考，分析出原因，并且将分析结果落地。
公式化思维
上下互为计算（一切结构皆可量化）、左右呈关联（最小不可分割）
思维方式
对比思维，从纵向和横向去进行对比，纵向可以是同对象不同时间的对比，横向是不同对象同时间的对比
细分思维，细分的维度有时间，渠道，产品，用户等维度
溯源思维，了解最原始导致问题发生的原因是什么
相关思维，建立在相关分析上，了解用户的行为模式，然后研究因果关系
假设思维，对于一个不是很明确的问题，可以做出一系列的假设，然后去证实或证伪
换位思维，如果站在更高的角度，我应该怎么分析？
分析层次
描述性分析：
基于历史数据描述发生了什么。
预测性分析：
用于预测未来的概率和趋势。
规则性分析：
解决决策制定和提高分析效率。
方法论
PEST：主要用于行业分析
P：构成政治环境的关键指标：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：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：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：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。
5W2H：应用相对广泛，可用于用户行为分析、业务问题专题分析、营销活动等
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）
该方法广泛应用于企业营销、管理活动，对于决策和执行性的活动措施非常有帮助，也有助于弥补考虑问题的疏漏。
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。
它是将问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展。
逻辑树的作用主要是帮我们理清自己的思路，避免进行重复和无关的思考。
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。
缺点：涉及的相关问题可能有遗漏，虽然可以用头脑风暴把涉及的问题总结归纳出来，但还是难以避免存在考虑
不周全的地方。所以在使用逻辑树的时候，尽量把涉及的问题或要素考虑周全。
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）
用户使用行为：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。
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。
内外因素分解法
内外因素分解法是把问题拆成四部分，包括内部因素、外部因素、可控和不可控，然后再一步步解决每一个问题。
AARRR模型
AARRR模型是做用户分析的经典模型，是一个典型的漏斗结构。它从生命周期的角度，描述了用户进入平台需经历
的五个环节，最终获取商业价值。价值不仅直接源于用户购买行为（获取营收），还来自用户作为推荐者（自传播）
和内容产生者（留存率）所带来的营收。
产品生命周期中的五个阶段：
获取（Acquisition）：用户如何发现（并来到）你的产品？
激活（Activation）：用户的第一次使用体验如何？
留存（Retention）：用户是否还会回到产品（重复使用）？
收入（Revenue）：产品怎样（通过用户）赚钱？
传播（Refer）：用户是否愿意告诉其他用户？
AARRR模型指出了两个核心点：
以用户为中心，以完整的用户生命周期为线索。
把控产品整体的成本/收入关系，用户生命周期价值(LTV)远大于用户获取成本(CAC)与用户经营成本（COC）之和
，就意味着产品的成功
分析思路
单项分析
数字和趋势
看数字、看趋势是最基础展示数据信息的方式。在数据分析中，可以通过直观的数字或趋势图表，迅速了解例如市场的
走势、订单的数量、业绩完成的情况等等，从而直观的吸收数据信息，有助于决策的准确性和实时性。
渠道归因
对用户在完成转化之前所接触到的所有宣传推广渠道进行分析。通过渠道归因，可在不增加市场推广费用的情况下，通过
合理安排推广费用在不同渠道间的分配，显著提升销售额。
用户分群
针对符合某种特定行为或背景信息的用户，进行归类处理，是用户分群（segmentation ）的手段。可通过提炼某一群
用户的特定信息，创建该群体用户的画像。 例如根据用户ip得到地址为“北京”的用户，可以被归类为“北京”用户群体。
而针对“北京”用户群体，可以进一步观察他们购买产品的频度、类别、时间，这样我们就创建出该用户群体的画像。
转化漏斗
漏斗分析是最常见的数据分析手段之一，包括注册转化漏斗、下单漏斗。通过漏斗分析可以从先到后还原用户转化的
路径，分析每一个转化节点的效率。
注意关注三个要点：
整体的转化效率
每一步的转化率
转化率top分析：原因及流失用户符合的特征
留存分析
每个产品核心都应关注用户的留存，确保做实每一个客户。我们可以通过数据分析理解留存情况，也可以通过分析用户
行为或行为组与回访之间的关联，找到提升留存的方法。
A/B测试
A/B 测试用来对比不同产品设计／算法对结果的影响。产品在上线过程中经常会使用 A/B 测试来测试不同产品或者功能
设计的效果，市场和运营可以通过 A/B 测试来完成不同渠道、内容、广告创意的效果评估
组合分析（维度分解）
当单一的数字或趋势过于宏观时，通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。在选择维度时，需要
仔细思考其对于分析结果的影响。例如，当监测到网站流量异常时，可以通过拆分地区、访问来源、设备、浏览器等等维
度，发现问题所在。
用户场景分析（行为轨迹）
关注行为轨迹，是为了真实了解用户行为。数据指标本身往往只是真实情况的抽象，例如，网站分析如果只看访问用户量
（UV）和页面访问量（PV）这类指标，断然是无法全面理解用户如何使用你的产品。通过大数据手段，还原用户的行为
轨迹，有助于增长团队关注用户的实际体验、发现具体问题，根据用户使用习惯设计产品、投放内容。可通过时间、地点
和需求三个维度分析用户
专题分析
用户体验分析、产品问题分析、销量增长分析
数学建模
当一个商业目标与多种行为、画像等信息有关联性时，可以使用数学建模、数据挖掘的手段进行建模，预测该商业结果
的产生。
