基本数据单位转换

最新推荐文章于 2023-03-29 16:10:03 发布
最新推荐文章于 2023-03-29 16:10:03 发布
阅读量1.1k 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Mintind/article/details/99420389
版权

我就记记

基本数据单位转换：

1B（Byte字节）=8bit

1KB (Kilobyte 千字节)=1024B

1MB (Mega byte 兆字节 简称“兆”)=1024KB

1GB (Giga byte 吉字节 又称“千兆”)=1024MB

1TB (Tera byte 万亿字节 太字节)=1024GB

1PB（Peta byte 千万亿字节 拍字节）=1024TB

1EB（Exa byte 百亿亿字节 艾字节）=1024PB

Mintind
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
C语言与数据结构
09-26
C语言与数据结构 1．基本概念和术语 1）数据：是对客观事物的符号表示。在计算机科学中其含义是指所有能够输入到计算机中并被计算机程序处理的符号集合。 2）数据元素：是数据集合中的一个实体，是计算机程序中加工处理的基本单位。 数据元素按其组成可分为简单型数据元素和复杂型数据元素。简单型数据元素由一个数据项组成，所谓数据项就是数据中不可再分割的最小单位；复杂型数据元素由多个数据项组成，它通常携带着一个概念的多方面信息。 3）数据对象：是性质相同的数据元素的集合，是数据的一个子集。 4）数据结构：是一门研究非数值计算的程序设计问题中计算机的操作对象以及它们之间关系和操作等的学科。或者说，数据结构是相互之间存在一种或多种特定逻辑关系的数据元素的集合。数据元素之间的相互关系称为结构（Structure）。 一、考点： 了解Ｃ语言的特点 掌握Ｃ语言程序的构成和书写风格。 二、知识点： 1、Ｃ语言的特点： 1)Ｃ语言简洁紧凑，压缩了一切不必要的成分。 2)Ｃ语言运算丰富，将括号、赋值、强制类型转换、取变量地址等都以运算实现。 3)C语言数据类型丰富，具有现代语言的各种数据类型，用户还能扩充它，实现各种复杂的数据结构，完成各种问题的数据描述。 4)C语言是一种结构化程序设计语言，层次清晰，便于按模块化方式组织程序，易于调试和维护。C程序由若干程序文件组成，一个程序文件由若干函数构成。 5)Ｃ语言可以直接访问物理地址，进行位(bit)一级的操作，能实现汇编语言的大部分功能。 6)C语言提供了预处理机制，有利于大型程序的编写和调试。 7)C语言生成的目标代码质量很高，程序执行效率很高。 8)用Ｃ语言写的程序可移植性好。 9)C语言语法限制不太严格，程序员设计自由度较大
中国银保监会银行业金融机构监管数据标准化规范（2019版）.xlsx
05-17
通用说明 1. 适用机构：在境内依法设立的银行机构，包括政策性银行、大型商业银行、股份制商业银行、城市商业银行、民营银行、农村信用社、农村商业银行、农村合作银行、村镇银行、外资银行、中德住房储蓄银行。 2. 数据结构：《中国银保监会银行业金融机构监管数据标准化规范（2019版）》（以下简称《规范》）共包括十个监管主题域、66张数据表、1852个数据项。数据表报送范围及数据项在《规范》中均有说明。 3. 数据来源：银行机构根据《规范》要求报送除理财业务域以外的九个监管主题域，从行内相关信息系统中获取数据，其中信息系统包括但不限于以下系统：核心业务系统、信贷系统、国结系统、票据系统、人力资源等。理财登记中心根据《规范》要求，向银保监会报送采集范围内的数据。各报数单位现有信息系统无法满足数据填报需求时，应及时采取措施，完善信息系统建设，并制定具体工作方案计划，以逐步达到数据报送要求。 4. 数据采集：银行机构首次按本《规范》集中报送数据时，公共信息、客户信息、信贷管理等相关数据表报送采集时间段内存续数据，账户类及交易明细类数据报送时间段内的全量数据。银行机构持续报数时，公共信息、客户信息相关数据表报送采集时间段内存续全量数据。理财登记中心按照理财业务相关数据表的采集要求报送数据。报送账户、借据全量数据时，采集时间段内结清、未结清，销户、未销户都应上报。 5.数据校验：银行机构按照数据检核规则报送数据。首次集中报送时，银行机构按照数据检核规则完成对报送数据的整改工作。持续报送时，银行机构应在一个报送周期内完成对不符合校验规则数据的整改和入库。 6.数据分层存储：所有采集数据分层存储在银保监会（或其派出机构）和报数机构。每批次数据采集时，报数机构将全部数据存至本机构存储平台，并按照《规范》要求，将其中部分数据报送至银保监会（或其派出机构）。存至本机构的数据要单独存放、隔离管理，并建立安全可靠的传输通道和保障机制，支撑银保监会数据调阅与应用。存储平台中的数据，未经银保监会许可，不得导出、拷贝和删改。 7. 关联数据项：不同表存在数据项名称、填报内容定义相同的数据项时，应保证所填数据在这些表格中一致。例如：不同表的客户统一编号、工号、合同号应保持表间一致。“备注”栏所列“关联数据项”意为表之间数据项存在相关关系，用于指导银行机构填报存在相关关系的数据及监管查找关联数据之用。 8. 银行自定义数据项：由于银行机构业务和信息系统的差异性，规范中一些数据数据项填报要求注明由银行自定义，此类数据数据项报送应注意使用中文字典或中文描述，避免使用英文或代码表示。对于《规范》中已经列出数据项值的数据项，严格依照标准中已有的分类上报。 9. 敏感信息处理：对于客户隐私均在备注栏内做了注解，分为“隐私，暂不取”、“隐私，银行机构变形”两种情况。对于“隐私，暂不取”数据项，保留在银行机构，作为可追索数据项；对于“隐私，银行机构变形”数据项，按照以下规则进行变形： （1）个人件号码： 若件号码中有英文字母，应先统一转换成大写英文字母； 变形后的件号码（38字节） = 件号码前6字节（6个英文字符/数字，或2个汉字，或1个汉字+3个英文字符/数字） + MD5(件号码全文UTF-8编码)（32字符，英文按小写输出），若件号码为空，则按空值报送。 例： 18位公民身份号码：33010219801212031X，变形后： 33010268162287691742b48cbc3ae8b70650a7 15位公民身份号码：330102801212031，变形后： 330102b88ce0d0e99298c224409414db399920 军官证/武警部队警官证：参字第1234567号，变形后： 参字3d0b11c17f6130dbd8502a416a7935ef 护照：E12345678，变形后：E12345d02f3cf86bb402a904f98df6373eb1ac （2）包含个人件号码的客户统一编号： 若件号码中有英文字母，应先统一转换成大写英文字母； 将件号码部分用件号码全文UTF-8编码的MD5杂凑值替换，其余部分不变。 （3）客户名称和所有对方户名信息： 三个汉字以内（包含三个汉字）的名称，做有限暴露方式的脱敏处理，只保留最后一个字，其余长度的名称不变形。银行机构员工和业务办理人员、自然人股东、单位负责人姓名不变形。 10. 数据约束：数据结构备注中PK为监管部门作为唯一性约束的参考条件，含有多个PK的，表示联合主键的参考，并不作为主外键唯一性约束的条件，可根据数据实际使用用途情况作出调整。 11. 数据项报送：《规范》中所有数据项均作为必填项对待，确实无法对应的数据项应报监管部门备案，并参照以下处理：①未开办此类业务，则无须报送；②已经开办此类业务，但需要一次性录入索引类数据，应当在实施过程中另行建表维护或对源系统进行技术改造。 12. 数据格式：报送数据若为字符串，则字符串中不能包含\n、\r、双引号等控制字符和转义字符，且字符串首尾不能包含空格。报送数据若为浮点数，则必须为123.789形式，前后不可补0、补+号。报送数据若为整数，则必须为123456形式，数值前不可补0、补+号，数值后不能带小数点。 13. 拆分原则：明确采集分支机构数据的银行机构，由总行按照一级分行进行数据拆分，并由一级分行报送属地银监局。若多个一级分行归属同一银监局管辖区域，则应由多个一级分行分别独立报送。数据拆分应当以满足交易描述的完整性为基本原则，账户归属地、业务发生地不在一个一级分行的，归属地、发生地应当分别报送。 14. 标准引用：下列标准中的条款通过本规范的引用而成为本规范的条款。凡是注日期的引用文件，其随后所有的修改单（不包括勘误的内容）或修订版均不适用于本规范，然而，鼓励各方研究是否可使用这些文件的最新版本。凡是不注日期的引用文件，其最新版本适用于本规范。 银保监会《金融机构代码编码规则》 ISO/IEC 10646 Information Technology -- Universal Coded Character Set (UCS) GB 32100-2015 法人和其他组织统一社会信用代码编码规则 GB 11714-1997 全国组织机构代码编制规则 GB 11643-1999 公民身份号码 GB/T 2261-2003 个人基本信息分类与代码 GB/T 4754 国民经济行业分类 GB/T 7408-2005 数据元和交换格式 信息交换 日期和时间表示法（ISO 8601:2000，IDT） GB/T 12406-2008 表示货币和资金的代码（ISO 4217:2001，IDT） GB/T 18142-2000 信息技术 数据元素值格式记法（ISO/IEC 14957:1996，IDT） GB/T 4658-2006 学历代码 GB/T 8561-2001 专业技术职务代码 GB/T 2659-2000 世界各国和地区名称代码
数据挖掘分析报告.docx
12-23
数据挖掘分析报告全文共3页，当前为第1页。数据挖掘分析报告全文共3页，当前为第1页。数据挖掘分析报告 数据挖掘分析报告全文共3页，当前为第1页。 数据挖掘分析报告全文共3页，当前为第1页。 这是一篇由网络搜集整理的关于数据挖掘分析报告模板的文档，希望对你能有帮助。 　　一、 提出问题　　1、单位基本情况及相关业务流程介绍；　　对于药店，储存大量的常用药品是必不可少的工作，随之而来的对药品的数据信息管理和储存成为了令人头疼的问题，在接到货源后，工作人员需要统计药品产地和价格的信息，为以后的货源供给地，用合理的价格出售药物，是至关重要的工作。　　2、单位存在的问题。　　由于货物种类、名称众多，在短时间内分析好相关数据几乎不可能，大量的数据，依靠人力或是非数据统计软件进行统计工作，事倍功半。严重影响药店的'正常进货，出售药品的工作。　　二、 分析问题　　1、对该单位存在的问题进行分析；　　由以上问题可见，利用数据挖掘进行相关数据的统计和整理工作，简单、省时、有效。　　2、解决问题的可能途径和方法。　　利用SQL SEVER 导入数据，再提取统计分析结果，很快会得到想要的数据分析结果。　　三、 利用数据挖掘技术解决问题数据挖掘分析报告全文共3页，当前为第2页。数据挖掘分析报告全文共3页，当前为第2页。　　1、设计数据挖掘算法；　　决策树；　　数据关联；　　神经元算法；　　2、对挖掘结果进行深入解释和分析　　由此可以看见在不不同的产地，由于地理因素和特产药品的原因，在药品相关的植物盛产区，进货比较便宜。　　可以分析出，不同的消费人群对于同类的药品的购买需求，对于同样的功能的药，药存储不同价格的种类，以满足广大消费者的需求。　　可以分析以前的销售结果，哪类、什么价格的更受消费者欢迎，方便以后进货。　　四、 总结　　通过自己的实践，对数据挖掘有了新的认识。简单来说，数据挖掘是基于"归纳"的思路，从大量的数据中（因为是基于归纳的思路，因此数据量的大小很大程度上决定了数据挖掘结果的鲁棒性）寻找规律，为决策提供证据。从这种角度上来说，数据挖掘可能并不适合进行科学研究，因为从本质上来说，数据挖掘这个技术是不能证明因果的，以一个最典型的例子来说，例如数据挖掘技术可以发现啤酒销量和尿布之间的关系，但是显然这两者之间紧密相关的关系可能在理论层面并没有多大的意义。不过，仅以此来否定数据挖掘的意义，显然就是对数据挖掘这项技术价值加大的抹杀，显然，数据挖掘这项技术从设计出现之初，就不是为了指导或支持理论研究的，它的重要意义在于，它在应用领域体现出了极大地优越性。一下是我参阅资料总结的设计数据挖掘的步骤：数据挖掘分析报告全文共3页，当前为第3页。数据挖掘分析报告全文共3页，当前为第3页。　　 理解数据和数据的来源　　 获取相关知识与技术　　 整合与检查数据　　 去除错误或不一致的数据。　　 假设数据模型。　　 实际数据挖掘工作（data mining）。　　 测试和验证挖掘结果（testing and verfication）。　　 解释和应用（interpretation and use）。　　由上述步骤可看出，数据挖掘牵涉了大量的准备工作与规划工作，事实上许多专家都认为整套数据挖掘的过程中，有80%的时间和精力是花费在数据预处理阶段，其中包括数据的净化、数据格式转换、变量整合，以及数据表的链接。可见，在进行数据挖掘技术的分析之前，还有许多准备工作要完成。 数据挖掘分析报告全文共3页，当前为第2页。 数据挖掘分析报告全文共3页，当前为第2页。 数据挖掘分析报告全文共3页，当前为第3页。 数据挖掘分析报告全文共3页，当前为第3页。 数据挖掘分析报告 1
SAP中和计量单位有关的表
09-14
附件内容为：SAP中与单位相关的表。附件内容为：SAP中与单位相关的表。
数据可视化分析.docx
12-23
数据可视化分析全文共3页，当前为第1页。数据可视化分析全文共3页，当前为第1页。数据可视化 数据可视化分析全文共3页，当前为第1页。 数据可视化分析全文共3页，当前为第1页。 简介 数据可视化是关于数据之视觉表现形式的研究；其中，这种数据的视觉表现形式被定义为一种以某种概要形式抽提出来的信息，包括相应信息单位的各种属性和变量。 数据可视化技术的基本思想是将数据库中每一个数据项作为单个图元元素表示，大量的数据集构成数据图像，同时将数据的各个属性值以多维数据的形式表示，可以从不同的维度观察数据，从而对数据进行更深入的观察和分析。 概述 数据可视化主要旨在借助于图形化手段，清晰有效地传达与沟通信息。但是，这并不就意味着，数据可视化就一定因为要实现其功能用途而令人感到枯燥乏味，或者是为了看上去绚丽多彩而显得极端复杂。为了有效地传达思想概念，美学形式与功能需要齐头并进，通过直观地传达关键的方面与特征，从而实现对于相当稀疏而又复杂的数据集的深入洞察。然而，设计人员往往并不能很好地把握设计与功能之间的平衡，从而创造出华而不实的数据可视化形式，无法达到其主要目的，也就是传达与沟通信息。 数据可视化与信息图形、信息可视化、科学可视化以及统计图形密切相关。当前，在研究、教学和开发领域，数据可视化乃是一个极为活跃而又关键的方面。"数据可视化"这条术语实现了成熟的科学可视化领域与较年轻的信息可视化领域的统一。 基本概念 数据可视化技术包含以下几个基本概念： 数据空间：是由n维属性和m个元素组成的数据集所构成的多维信息空间； 数据开发：是指利用一定的算法和工具对数据进行定量的推演和计算； 数据分析：指对多维数据进行切片、块、旋转等动作剖析数据，从而能多角度多侧面观察数据； 数据可视化：是指将大型数据集中的数据以图形图像形式表示，并利用数据分析和开发工具发现其中未知信息的处理过程。 目前数据可视化已经提出了许多方法，这些方法根据其可视化的原理不同可以划分为基于几何的技术、面向像素技术、基于图标的技术、基于层次的技术、基于图像的技术和分布式技术等等。 数据可视化分析全文共3页，当前为第2页。数据可视化分析全文共3页，当前为第2页。相关领域 数据可视化分析全文共3页，当前为第2页。 数据可视化分析全文共3页，当前为第2页。 数据采集 数据采集（有时缩写为DAQ或DAS），又称为"数据获取"或"数据收集"，是指对现实世界进行采样，以便产生可供计算机处理的数据的过程。通常，数据采集过程之中包括为了获得所需信息，对于信号和波形进行采集并对它们加以处理的步骤。数据采集系统的组成元件当中包括用于将测量参数转换成为电信号的传感器，而这些电信号则是由数据采集硬件来负责获取的。 数据分析 数据分析是指为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。数据分析与数据挖掘密切相关，但数据挖掘往往倾向于关注较大型的数据集，较少侧重于推理，且常常采用的是最初为另外一种不同目的而采集的数据。在统计学领域，有些人将数据分析划分为描述性统计分析、探索性数据分析以及验证性数据分析；其中，探索性数据分析侧重于在数据之中发现新的特征，而验证性数据分析则侧重于已有假设的证实或证伪。 　　数据分析的类型包括： 　　 1）探索性数据分析：是指为了形成值得假设的检验而对数据进行分析的一种方法，是对传统统计学假设检验手段的补充。该方法由美国著名统计学家约翰·图基命名。 　　 2）定性数据分析：又称为"定性资料分析"、"定性研究"或者"质性研究资料分析"，是指对诸如词语、照片、观察结果之类的非数值型数据（或者说资料）的分析。 数据治理 　　数据治理涵盖为特定组织机构之数据创建协调一致的企业级视图（enterprise view）所需的人员、过程和技术，数据治理旨在： 1）增强决策制定过程中的一致性与信心 2）降低遭受监管罚款的风险 3）改善数据的安全性 4）最大限度地提高数据的创收潜力 5）指定信息质量责任 数据管理 　　数据管理，又称为"数据资源管理"，包括所有与管理作为有价值资源的数据相关的学科领域。对于数据管理，DAMA所提出的正式定义是："数据资源管理是指用于正确管理企数据可视化分析全文共3页，当前为第3页。数据可视化分析全文共3页，当前为第3页。业或机构整个数据生命周期需求的体系架构、政策、规范和操作程序的制定和执行过程"。这项定义相当宽泛，涵盖了许多可能在技术上并不直接接触低层数据管理工作（如关系数据库管理）的职业。 数据可视化分析全文共3页，当前为第3页。 数据可视化分析全文共3页，当前为第3页。 数据挖掘 　　数据挖掘是指对大量数据加以分类整理并挑选出相关信息的过程。数据挖掘通常为商业智能组织和金融分析师所采用；不过，在科学领域，数据挖掘也越来越多地用于从现代实验与观察方法所
容量单位_K_M_G_T_P_E_Z_Y
tianlianchao1982的专栏
07-21 1万+
<br /> 单位全称  缩写        换算 Kilo    K  1K字节 = 1，024个字节Meg     M 1M字节= 1，048，576字节Giga      G 1G字节 = 1，073，741，824字节Tera     T  1T字节 = 1，099，511，627，776字节Peta    P  1P 字节= 1，125，899，906，842，624字节Exa     E  1E字节 = 1，152，921，504，606，846，976字节Zetta    Z  1Z字节 =
c# int Int32 Int64 的区别
weixin_33795093的博客
08-11 1515
Int16 值类型表示值介于 -32768 到 +32767 之间的有符号整数。 Int32 值类型表示值介于 -2,147,483,648 到 +2,147,483,647 之间的有符号整数。 Int64 值类型表示值介于 -9,223,372,036,854,775,808 到 +9,223,372,036,854,775,807 之间的整数。 ---------------------...
计算机的计量单位KMGTPEZY
丰空岛主(Vega Prime,Android,LabWindows,ThreeJS,Python,OpenCV）
11-07 6722
【代码】计算机的计量单位KMGTPEZY。
kb、M、G、T、P的换算单位
qq_15821487的博客
03-29 8832
一般情况把他们看作是按千进位就行，准确的是1024也就是2的10次方。B=10^21 Bronto（十垓）P=10^15 Peta（千兆）M=10^6 Mega（百万）G=10^9 Giga（十亿）T=10^12 Tera（兆）E=10^18 Exa（百京）k=10^3 Kilo（千）注：Byte就是B也就是字节。
关于几个单位K，M，G，T，P，E，Z
mariodf的博客
05-26 3211
关于几个单位K，M，G，T，P，E，Z：他们分别是10的3次，6次，9次，，，以此类推
ifix驱动MB1_7.16B
08-19
ifix驱动MB1_7.16B
数据运营思维导图
04-26
数据运营 作用&意义 知错能改，善莫大焉 —错在哪里，数据分析告诉你 运筹帷幄，决胜千里 —怎么做好“运筹”，数据分析告诉你 以往鉴来，未卜先知 —怎么发现历史的规律以预测未来，数据分析告诉你 工作思维 对业务的透彻理解是数据分析的前提 数据分析是精细化运营，要建立起体系化思维（金字塔思维） 自上而下 目标—维度拆解—数据分析模型—发现问题—优化策略 自下而上 异常数据 影响因素 影响因素与问题数据之间的相关关系 原因 优化策略 数据化运营7大经典思路 以目标为导向，学会数据拆分 细分到极致 追踪思路 运营的问题，是追踪出来的，不是一次就看出来的 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” 结合/拆分思路 追踪数据，多个维度结合分析。 从多个维度拆分数据 对比思路 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 节点思路 如运营活动等 行为标记思路 将大动作的优化，大的项目上线及时标注在数据报表中 培养数据的敏感度 培养数据思维，从每天的各种数据报表开始 数据来源 数据埋点 初级 追踪每次用户的行为，统计关键流程的使用程度 中级 在产品中植入多段代码追踪用户连续行为，建立用户模型来具体化用户在使用产品中的操作行为 高级 研发团队合作，通过数据埋点还原出用户画像及用户行为 常用数据分析工具 友盟、Talkingdata 友盟的页面访问分析，对帮助分析用户流失有重要指导意义 网站Alexa排名查询、爱站网、中国网站排名、网络媒体排名 禅大师、ASO100 各种指数 百度指数、搜狗指数、腾讯浏览指数、360指数、某视频网站指数 数据库、运营后台等 工作内容 数据监控 检测异常指标，发现用户对您产品的”怒点“ 如：多次获取手机验证码，次数剧增 这里需要考虑有一个监控指标 新功能数据分析 通过留存曲线检验新功能的效果 通过留存看新功能用户的接受程度 通过用户反馈或调研，了解新功能接受度 数据指标 标记: 红色 整体概况 1、[大盘数据]用户及收入表格+折线图 注册用户（今天、昨日、近3天、近7日、近30天、全部） 新增用户、付费用户、充值总额 2、同时在线趋势折线图 在线人数一向是游戏火热程度的最好衡量 需要有同期对比功能，有参照物才能更好的比较 3、付费渗透 日付费率变化折线图 日付费率通常不稳定，一般情况下看周付费率或月付费率 付费率=充值人数/活跃人数*100% ARPU值变化折线图 ARPU值=总收入/活跃人数 ARPU值影响因素 活跃人数DAU发生较大变化 运营活动影响 金字塔 大R 是否有大R用户异常波动（大R用户流失或大R用户进入） 中、小R 大量中R、小R用户出现或消失 ARPPU值变化折线图 ARPPU值=总收入/付费人数 可以用来监控大R用户异常变化情况 如果该值异常波动，请进一步看鲸鱼用户数据 4、用户留存 新用户留存 次日、3日、7日、14日、30日留存 次日留存是对玩家“第一游戏体验”的最佳印证 与游戏的类型、题材、玩法、美术风格、游戏前期内容吸引度、新手引导有效性有直接的相关性 如果导入的新增玩家群体对游戏题材、玩法、美术风格不予认可，留存将会很差，且可优化的空间较小 优化新手引导和前期的游戏内容则可以有效帮助提升次日留存 7日、30日留存则与游戏难度、持续的活动运营、游戏内奖励机制有密不可分的关系 活跃用户留存 一般不分析活跃用户留存，而是通过DAU观察活跃用户流失数据 留存是评定游戏综合质量的最佳指标 5、平均使用时长和平均使用次数 可以使用柱状图来展现 两项宏观行为指标可反映出用户对app的依赖程度 如果留存较好，但时长和次数均不高，则可能是因过于强调每日登录奖励，但持续的app内容用户家缺乏吸引力所致 用户分析 用户规模 下载数量 新增用户 定义：每日注册并登录游戏的用户数量 ——解决问题 渠道贡献新用户份额分布，监控重点渠道 宏观走势，是否需要进行市场投放 判断是否存在渠道作弊行为、渠道包被下架等问题 日一次会话用户数 即新登用户中只有一次会话，且会话时长低于门阀值 ——解决问题 推广渠道是否有刷量作弊行为 渠道推广质量是否合格 用户导入是否存在障碍点，如网络状况和加载时间等 用户获取成本 解决问题 获取有效新登用户成本 如何选择正确的渠道优化投放 需要根据渠道来细分不同渠道的获取用户成本 了解用户成本 活跃用户 DAU（日活跃用户） 定义 每日登录过游戏的用户 解决问题 了解游戏的核心用户规模 了解游戏产品生命周期变化趋势、渠道活跃用户生命周期 了解游戏产品老用户流失和活跃情况 注意事项 日活跃=新增用户+回流用户+老用户 如果日活跃依靠新增为维持，留存肯定有问题 健康比例3:7，当然不同产品会有一定差异 WAU（周活跃用户） 定义 截止当日，最近一周含当日的7天内，登录过游戏的用户，一般按照自然周计算 解决问题 游戏的周期用户规模 游戏产品的周期性/每周变化趋势衡量 注意事项 利于在不同活跃用户规模的维度上发现和掌握游戏用户规模的变动 数据去重 MAU（月活跃用户） 定义 截止到当天，最近30天（含30天）登录过游戏的用户 解决问题 游戏总体用户规模并评估用户规模稳定性 推广效果评估 了解产品的粘性 注意事项 MAU层级的用户规模更加具有稳定性、相对变化很小 某个时期或版本更新对其可能也产生较大影响 数据去重 一定程度上可以观察游戏的生命周期 DAU/MAU（日活跃用户和月活跃用户的比例值） 一般极低值为0.2 保证产品能够达临界规模的病毒式传播和用户粘度 忠实用户 连续3周登录的用户 目前分析价值不大 用户活跃 启动次数（时、日、周、月） 每日启动1次计算为1次启动 需要有一个间隔时间，30秒内多次启动只能计算为1次 解决问题 衡量用户粘度，数值越大越好 识别优质渠道，渠道是否存在刷量 什么渠道/用户启动次数多 日均使用时长 定义 活跃用户每日平均在线时长 解决问题 游戏的参与度怎么样 产品质量把控指标，游戏粘度如何 渠道质量如何 与单次使用时长结合分析留存和流失问题 用户活跃度 DAU/MAU，理论上不低于0.2，0.2*30=6天 解决问题 游戏的人气是增长、衰退还是稳定？ 看趋势 一个月中，用户的活跃天数是多少 用户的游戏参与度如何 用户活跃率 活跃率=活跃用户/总用户 了解你的用户的整体活跃度，但随着时间周期的加长，用户活跃率总是在逐渐下降的 用户层次（轻度、中、重） 轻度用户：每周登录1~2次的用户 中度用户：每周登录3~5次的用户 重度用户：每周登录6~7次的用户 解决问题 了解用户忠实度，能否走得动”口碑传播“ 在线统计 实时在线曲线（每5分钟统计一次当时的用户同时在线人数） 上周同期对比 平均同时在线人数、最高同时在线人数和时间 每小时注册用户数 用户在什么节点来的多，需要重点监控该时间段app运行 用户画像 概述 是什么，有什么用，怎么做 构建用户画像的核心工作即是给用户贴“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 作用 精准营销 分析产品潜在用户，针对特定群体利用短信、邮件等方式进行营销 用户统计 如购买某类书籍人数 TOP10 数据挖掘 定义 把散乱数据转换成有价值信息的过程 效果评估 完善产品运营，提升服务质量 其实这也就相当于市场调研、用户调研，定位服务群体，提高服务 个性化服务 对服务或产品进行私人定制，精准到某一类甚至每一位客户提供个性化服务 基本构成 用户静态属性 基本指标 年龄、性别、地域、学历、角色、收入、婚姻状态、职业 每个指标均需要从多个角度来分析，以区域为例 各区域充值总金额、充值人数、充值次数、付费率、arpu值分布 交叉分析 以区域和性别为例 不同性别+不同地域环境下，付费率数据…… 渠道分布 品牌、机型、操作系统、分辨率、联网、版本、设备均价、运营商 单设备注册账号数分析 可以分析小号分布情况 用户动态属性 动态属性指具有可变性 基本指标 用户的兴趣爱好、兴趣标签 在互联网上的活动行为特征 用户行为分析环节深入分析 用户消费属性 消费属性指用户的消费意向、消费意识、消费心理、消费嗜好等，对用户的消费有个全面的数据记录，对用户的消费能力、消费意向、消费等级进行很好的管理 用户心理属性 心理属性指用户在环境、社会或者交际、感情过程中的心理反应，或者心理活动 目前，用户心理相对会有难度，不用过多考虑 怎么做 数据收集 数据太多可以采用抽样的方法 数据建模 根据所获取到的数据建立模型，注入数据调整模型参数 数据分析及预测 数据可视化、输出报表、趋势预测 留存分析 留存（次~7日、14日、30日） 解决问题 用户对游戏的适应性 用户对于游戏的粘性 评估渠道用户的质量、投放渠道效果评估 新增用户什么时候流失在加剧？ 注意事项 次日留存一定程度上代表了用户对游戏的满意度 主要反映了游戏初期新手对游戏引导和玩法的适应性 关注用户流失率的同时，需要关注用户流失节点 实际运用 常见的7日连续登录礼包 第七天送大卡就是为了次日和7日留存的漂亮 次留很低，可能原因 新手阶段不友好、开场不吸引人、游戏上手难度大 程序bug太多，闪退，卡死，无法登陆等 功能引导太繁琐 次留不低，但是第3-4天大量流失，可能引起的原因 游戏内容重复，单调、游戏挫败感太强；新手无对应保护等 如果只是某个渠道存在这个问题，可能存在渠道作弊 [略]僵尸用户（回归、留存） 流失用户（日周月、自然流失、回归流失） 周流失用户 上周登录过游戏，本周未登录过游戏的用户占上周周活跃用户比例 解决问题 活跃用户的生命周期是多少 哪个渠道的流失率比较高 版本更新对于用户的流失影响是多大 什么时期用户的流失率比较高 当游戏进入稳定期尤其值得关注该指标 (活跃用户的生命周期是多少, 哪个渠道的流失率比较高, 版本更新对于用户的流失影响是多大, 什么时期用户的流失率比较高) 稳定期一般来讲收入和活跃都相对比较稳定，是产品稳定的风向标 付费用户流失监控 用户运营需要高度重视的数据 找到付费用户流失模型（多少天未登录有多少概率流失） 流失原因分析指标 流失用户行为分析 流失前等级分布 是否存在卡点 流失用户生命周期 流失用户付费金额、流失用户付费次数、人数 流失原因分析——流失用户时间节点 流失前运营手段 运营活动、服务器问题、版本更新（bug、新版本用户不接受） app生态 用户成长体系是否健康 用户调研 用户留存分析流程 第一步：分组 按照不同的（时间/渠道/行为等）维度进行用户分组 时间分组 通常用于看整体数据，看整体留存是否出现异常情况 渠道分组 对比不同渠道留存数据 通过不同渠道数据对比，找到异常渠道数据或排出渠道因素 行为分组 按照功能点使用/未使用分组 第二步：对比 根据用户行为进行分组 例子 看贴功能内浏览了3篇贴子的新用户和仅浏览1篇贴子的新用户进行分析 来自A渠道的新用户进行（有使用看贴/未使用看贴）行为分组比较 渠道对比 是不是某些渠道的量出现问题 用户行为 功能使用及参与度 页面访问路径 衍生指标 人均浏览页面数和时长、启动次数、收藏、点赞、关注、评论等 最好形成漏斗模型，规划合理访问路径 关键路径上面各个页面的浏览量 页面转化&用户进入后一步步的转化情况 是否可以简化流程，减少用户操作步骤 (最好形成漏斗模型，规划合理访问路径) 用户习惯分析 平均使用时长 单次使用时长、日使用时长、周使用时长 可以进一步做渠道细分 平均启动次数 日、周、月启动次数 启动天数 周、月游戏天数 使用间隔 平均多长时间启动/使用一次app 用户对app的依赖程度 各个时间段启动app人数分布 用户行为 短期点击行为、搜索行为、收藏行为 等级分析 各个等级平均耗时 用户成长速度 需要严格控制高端用户成长速度 各个等级用户流失 各个等级次日、3日、7日、14日、30日未登录用户数分布 到底在哪个等级阶段用户流失严重？ 各个等级用户分布数量 各个等级游戏次数 各个等级充值数据 累计充值总金额、充值人数、充值次数 哪个阶段是付费高峰期？ 各个等级首次充值 各个等级首次充值人数、充值次数、各个等级首次充值金额选择 哪个等级段容易拉动首次充值行为？ [辅助]各个等级消耗游戏币数据 新用户等级分析 首日等级 所选期间的新增玩家，在其新增当日中最终玩到的等级分布情况 首周等级 所选期间的新增玩家，在其新增7日后玩到的等级分布情况 14日等级 所选期间的新增玩家，在其新增14日后玩到的等级分布情况 近7日等级变化 堆叠图显示每日各个等级人数变化情况 分析新用户成长 (首日等级, 首周等级, 14日等级) 关卡/任务系统 新手引导转化率 任务参与人数及完成情况 支付转化率 漏斗模型的合理使用 用户传播 分享、互动、邀请等 付费分析 整体数据 付费总额 时间段内付费用户消费总额 收入下降，原因？ 付费率下降？ 付费用户流失比活跃用户流失严重 流失的是大R用户还是中小R用户？流失了多少个 付费用户停止付费但未流失 大R还是中小R停止付费？ 哪些消费点的消费在下降或停止？ arpu下降？ 付费人数增加了？ 付费人数无变化、付费金额下降了 哪些消费点的消费在下降？付费点已经饱和？ 付费用户 时间段内进行过付费行为的用户数 其次还有一个付费次数、不去重 新增付费用户（日、周、月） 活跃付费用户数 定义 统计时间段内，成功付费的用户数，一般以月为单位统计 活跃付费用户数=月活跃用户数*月付费率 解决问题 了解产品的付费用户规模 付费用户整体的稳定性 了解付费用户构成 鲸鱼用户、海豚用户、小鱼用户各自数量和比例 注意事项 数据是去重的 ARPU 名词定义 平均每活跃用户收入 统计时间段内，总收入/活跃用户数，一般情况下以月为单位 衡量每个用户带来的平均收益 解决问题 评估不同渠道用户的质量 游戏收益贡献、人均收入 用于产品初期不同规模下的收入预估 (评估不同渠道用户的质量, 游戏收益贡献、人均收入) 注意事项 arpu值很高 ——大R付费能力很强，需要重点关注大R用户 付费率高，arpu值低 ——小R用户较多，要多关注小R用户 ARPPU 名词定义 平均每付费用户收入 统计时间段内，付费用户平均所创造的收入，一般以月为单位统计，因为月的数据相对比较稳定 解决问题 了解游戏付费用户平均的付费情况 付费用户整体的付费趋势 加强对鲸鱼用户的分析和监控 注意事项 容易受到鲸鱼和小鱼用户的影响 付费率（一般看月付费率） 名词定义 时间段内，付费用户数/活跃用户数 首充大礼包就是为了拉付费率 月付费率 名词定义 统计时间段类，付费用户/活跃用户比例，一般以月为单位计算 解决问题 游戏产品的付费引导是否合理、付费转化是否达到预期 用户付费倾向和意愿 需要结合首次付费功能、道具、等级整体分析 注意事项 付费率的高低并不代表付费用户的增加和减少 游戏类型不同，付费率有较大的差异 生命周期 定义 一个用户从首次进入游戏到最后一次参与游戏之间的时间间隔 一般计算平均值 14日LTV（新用户后续付费能力指标） 名词定义 用户在生命周期内所创造的收入 14日LTV 14日LTV=今日注册新用户在后续14天内付费额/注册的新用户数 这里计算的是一个平均值 解决问题 用户在游戏中会待多久 用户对于游戏的贡献价值是多少 付费用户流失数量 本周付费用户下周未登录人数 付费习惯 付费周期 首次付费周期 用户注册到第一次充值的平均时间间隔 付费周期 上一次付费和下一次付费的时间间隔 付费渠道 采用那种支付方式充值？支付宝、微信、公众号等 付费面额 主要为首次充值面额 首次大额度要纳入高端用户维系中去 用户问题、多少天未登录都要及时监控和跟进维系 不同时间段首次付费 用户数量 付费总金额 充值后首次消费行为分析 充值之后第一件事情是购买什么东西？ 研究触发用户充值行为的原因，便于优化首充，提升付费率 需要把各个消费点理解透彻 新增付费用户 首次付费用户等级分布 首次付费时间间隔 首次充值面额 结合首次付费用户的游戏天数、累计游戏时长综合分析 (首次付费用户等级分布, 首次付费时间间隔, 首次充值面额) 不同性别/年龄阶段付费分析 首次付费分析 首次付费等级 首次付费周期 首次付费消费结构 首次付费选择订单面额分布 首次付费各个时间节点用户数量及付费总金额 看首次付费正在哪个时间段分布比较多 一周为单位，哪些时间点是付费高峰期？ 首次付费用户及后续付费行为 首次付费行为产生原因 充值之后第一件事情是购买什么东西？ 发现其中的规律，运营中可以更好利用首次付费 首次付费地域分布 首次付费渠道分布 付费场景 一定程度上可以理解为付费点，在哪些地方会产生付费 消费场景 消费人数和消费次数 鲸鱼用户 每日top100付费用户及累计付费金额数据 账号、id、电话、充值总额、消耗总额、最后登录时间、当前等级 加强对金字塔用户的运营管理 营销效果 新增用户 每小时新增用户 衡量推广效果的最基础指标 新增用户/活跃用户的比例也是衡量产品健康度的标准之一 比例过高，需要关注留存 新增用户渠道分布 活跃用户 渠道分布 启动次数 单次平均使用时长 留存率 检验产品用户吸引力的重要指标 若版本稳定的情况下，留存出现明显波动，很可能是渠道的问题 渠道充值数据 其他 用户行为是否正常、机型、设备分布 其他分析 货币产出和消耗数据 各等级货币消耗 消耗总量 消耗人数 消耗次数 不同道具消耗数据 用户调研 用户来源 用户来自哪里 用户属性 用户是谁 用户在做什么 用户行为 流失原因 用户建议 数据分析模型/方法论 [思维模型]AARRR分析模型 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（Retention） 产品怎样（通过用户）赚钱？ 传播（Retention） 用户是否愿意告诉其他用户？ 依据该模型，分出更细分的维度，罗列出影响每一个维度的变量 理解到这里即可，该模型更多的是一个思维模型，也可以叫方法论 (获取（Acquisition）, 激活（Activation）, 留存（Retention）, 收入（Retention）, 传播（Retention）, 依据该模型，分出更细分的维度，罗列出影响每一个维度的变量) [思维模型]5W2H 何因（Why）、何事（What）、何人（Who）、何时（When）、何地（Where）、如何就（How）、何价（How much） 提供一种问题/业务分析思路 活动运营常用方法论，尤其是编写活动执行案的时候 如何更加全面的思考问题 [思维模型]PEST分析法 用于对宏观环境的分析，包括政治（political）、经济（economic）、社会（social）和技术（technological）四方面 适合做大环境、行业分析，一般情况下用途较少 [思维模型]4P营销理论 分析公司的整体营运情况，包括产品（product）、价格（price）、渠道（place）、促销（promotion）四大要素 以用于公司整体运营情况分析 [思维模型]用户行为理论 主要用于用户行为研究 用户行为理论步骤 认知 网站访问 主要指标有：PV、UV、人均访问页面量、访问来源 熟悉 网站浏览 主要指标有：页面停留时长、跳出率、页面偏好 网站搜索 主要指标有：搜索访问次数等 试用 用户注册 用户注册量、注册转化率 使用 用户登录 登录用户数、DAU等 用户订购 订单量、订购频数、内容、转化率 忠诚 用户粘性 回访者比例、访问深度 用户流失 流失数和流失率 [思维模型]鱼骨图 发现问题“根本原因”的分析方法 多维度分析 细分问题 趋势分析/折线图 数据监控 [思维模型]极简数据分析方法论 3个步骤 确定目标、列出公式、确认元素/字段 3个模型 [提升元素量级]漏斗模型 适用范围：需要多个步骤达成的元素 通过提升转化率，提升单个元素量级 [精细化]多维坐标 精细化运营 通过多维坐标将用户分组，对不同组用户采取对应的运营措施 用户运营也有个经典坐标，叫RFM坐标 [监测数据]分组表格 适用范围：随时间变化的用户属性元素 留存率分组表格 用户行为分析模型 行为事件分析 用户留存分析 魔法数字法 留存与关键用户行为关系组合图 GrowingIO留存曲线 漏斗模型 AIDMA理论是漏斗模型的理论基础 漏斗模型用途 漏斗模型适用于应用中某些关键路径的转化率的分析 以确定整个流程的设计是否合理，各步骤的优劣，是否存在优化的空间等 了解用户使用你应用的真正目的，为他们提供合理的访问路径或操作流程 解决方案思想 扩大漏斗口径 提升转化率 反向漏斗模型 倒推用法——根据目标倒推所需资源配置 趋势、对比、分组 趋势 从时间轴的维度，看某个流程或某个步骤前后优化效果及监控 比较 比较类似产品或服务使用流程转化，发现应用中存在的问题 细分 细分来源或不同的客户类型在转化率上的表现 发现一些高质量的来源或客户，通常用于分析网站的广告或推广的效果及ROI 用户行为路径分析 用户路径的分析结果通常以桑基图形式展现 见友盟——功能使用——页面访问路径 主要用途 分析关键路径上的页面跳转以及转化率，找到流失用户的页面 分析到达关键页面的页面来源，分析关键路径到达的页面 RFM模型/分析法（客户关系管理模型-用户分类方法） R：表示客户最近一次购买的时间 时间差 用户类型（活跃用户、休眠用户、流失用户） 理论上，最近一次消费时间越近的用户应该是比较好的用户 刻画用户的关注程度 F：表示客户在最近一段时间内购买的次数/频数 购买次数count 用户忠诚度 M：表示客户在最近一段时间内购买的平均金额 请注意是平均值 刻画用户的购买力 用户精细化运营常用模型 (R：表示客户最近一次购买的时间, F：表示客户在最近一段时间内购买的次数/频数, M：表示客户在最近一段时间内购买的平均金额) 用户细查 单个用户某行为或过程分析——进而上升到用户群体 如有没有多次获取验证码的情况 热力图 A/B测试（对比测试） 定义 通过对app的两个不同版本进行比较，来确定一个性能更好的方案 核心思想 提供多种方案，最终根据数据效果选择最优方案 注意事项 目标用户群一定是随机分配的 运用 不同创意/不同类型banner数据效果测试 在了解和分析各个渠道质量的时候，也可以运用A/B测试方法论 流失预警模型 分类模型 逻辑树分析法 把问题的所有子问题分层罗列 可用于业务问题专题分析 预测模型、分类模型 神经网络 朴素贝叶斯 支持向量机 K-临近邻算法 随机森林 预测模型 逻辑回归 聚合算法 K-Means 关联算法 Apriori算法 可用于游戏道具组合销售策略 异常检测 辅助算法等 主成分分析 特征选择法 降纬算法 数据分析报告 http://www.woshipm.com/operate/588326.html 运营日报 Excel 运营周报 一页简报——对关键指标汇总+总结，往往是领导要看的数据 多页子页——对关键指标的详细解读和说明、可视化 Excel 运营月报 PPT 数据分析报告 http://www.woshipm.com/data-analysis/677567.html 市场分析 市场需求 市场现状 找到突破口、找到目标用户在哪里 明确目标用户群体 年龄 收入 性别 爱好 目标用户体量 期待抢占多少用户比例 产品定位 基于目标用户需求制定计划 市场分析报告 竞品分析 了解 竞品的目标群体和推广策略 了解竞品运营需求，需要进行整理 了解竞品周边项目和战略布局 5w2h、swot分析 产品分析 产品市场定位 产品体验报告 左右资源 运营资源、技术资源、渠道资源 swot分析 数据运营精髓 通过数据指导运营决策 利用数据驱动业务增长 进一步深入 新增用户 新增设备、新增用户 活跃用户 新用户、老用户；各自数量及占比变化 付费用户 新付费用户、老付费用户；增长衰减变化 收入折线图
2019数据运营思维导图
03-29
数据运营 作用&意义 知错能改，善莫大焉 —错在哪里，数据分析告诉你 运筹帷幄，决胜千里 —怎么做好“运筹”，数据分析告诉你 以往鉴来，未卜先知 —怎么发现历史的规律以预测未来，数据分析告诉你 工作思维 对业务的透彻理解是数据分析的前提 数据分析是精细化运营，要建立起体系化思维（金字塔思维） 自上而下 目标—维度拆解—数据分析模型—发现问题—优化策略 自下而上 异常数据 影响因素 影响因素与问题数据之间的相关关系 原因 优化策略 数据化运营7大经典思路 以目标为导向，学会数据拆分 细分到极致 追踪思路 运营的问题，是追踪出来的，不是一次就看出来的 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” 结合/拆分思路 追踪数据，多个维度结合分析。 从多个维度拆分数据 对比思路 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 节点思路 如运营活动等 行为标记思路 将大动作的优化，大的项目上线及时标注在数据报表中 培养数据的敏感度 培养数据思维，从每天的各种数据报表开始 数据来源 数据埋点 初级 追踪每次用户的行为，统计关键流程的使用程度 中级 在产品中植入多段代码追踪用户连续行为，建立用户模型来具体化用户在使用产品中的操作行为 高级 研发团队合作，通过数据埋点还原出用户画像及用户行为 常用数据分析工具 友盟、Talkingdata 友盟的页面访问分析，对帮助分析用户流失有重要指导意义 网站Alexa排名查询、爱站网、中国网站排名、网络媒体排名 禅大师、ASO100 各种指数 百度指数、搜狗指数、腾讯浏览指数、360指数、某视频网站指数 数据库、运营后台等 工作内容 数据监控 检测异常指标，发现用户对您产品的”怒点“ 如：多次获取手机验证码，次数剧增 这里需要考虑有一个监控指标 新功能数据分析 通过留存曲线检验新功能的效果 通过留存看新功能用户的接受程度 通过用户反馈或调研，了解新功能接受度 数据指标 标记: 红色 整体概况 1、[大盘数据]用户及收入表格+折线图 注册用户（今天、昨日、近3天、近7日、近30天、全部） 新增用户、付费用户、充值总额 2、同时在线趋势折线图 在线人数一向是游戏火热程度的最好衡量 需要有同期对比功能，有参照物才能更好的比较 3、付费渗透 日付费率变化折线图 日付费率通常不稳定，一般情况下看周付费率或月付费率 付费率=充值人数/活跃人数*100% ARPU值变化折线图 ARPU值=总收入/活跃人数 ARPU值影响因素 活跃人数DAU发生较大变化 运营活动影响 金字塔 大R 是否有大R用户异常波动（大R用户流失或大R用户进入） 中、小R 大量中R、小R用户出现或消失 ARPPU值变化折线图 ARPPU值=总收入/付费人数 可以用来监控大R用户异常变化情况 如果该值异常波动，请进一步看鲸鱼用户数据 4、用户留存 新用户留存 次日、3日、7日、14日、30日留存 次日留存是对玩家“第一游戏体验”的最佳印证 与游戏的类型、题材、玩法、美术风格、游戏前期内容吸引度、新手引导有效性有直接的相关性 如果导入的新增玩家群体对游戏题材、玩法、美术风格不予认可，留存将会很差，且可优化的空间较小 优化新手引导和前期的游戏内容则可以有效帮助提升次日留存 7日、30日留存则与游戏难度、持续的活动运营、游戏内奖励机制有密不可分的关系 活跃用户留存 一般不分析活跃用户留存，而是通过DAU观察活跃用户流失数据 留存是评定游戏综合质量的最佳指标 5、平均使用时长和平均使用次数 可以使用柱状图来展现 两项宏观行为指标可反映出用户对app的依赖程度 如果留存较好，但时长和次数均不高，则可能是因过于强调每日登录奖励，但持续的app内容用户家缺乏吸引力所致 用户分析 用户规模 下载数量 新增用户 定义：每日注册并登录游戏的用户数量 ——解决问题 渠道贡献新用户份额分布，监控重点渠道 宏观走势，是否需要进行市场投放 判断是否存在渠道作弊行为、渠道包被下架等问题 日一次会话用户数 即新登用户中只有一次会话，且会话时长低于门阀值 ——解决问题 推广渠道是否有刷量作弊行为 渠道推广质量是否合格 用户导入是否存在障碍点，如网络状况和加载时间等 用户获取成本 解决问题 获取有效新登用户成本 如何选择正确的渠道优化投放 需要根据渠道来细分不同渠道的获取用户成本 了解用户成本 活跃用户 DAU（日活跃用户） 定义 每日登录过游戏的用户 解决问题 了解游戏的核心用户规模 了解游戏产品生命周期变化趋势、渠道活跃用户生命周期 了解游戏产品老用户流失和活跃情况 注意事项 日活跃=新增用户+回流用户+老用户 如果日活跃依靠新增为维持，留存肯定有问题 健康比例3:7，当然不同产品会有一定差异 WAU（周活跃用户） 定义 截止当日，最近一周含当日的7天内，登录过游戏的用户，一般按照自然周计算 解决问题 游戏的周期用户规模 游戏产品的周期性/每周变化趋势衡量 注意事项 利于在不同活跃用户规模的维度上发现和掌握游戏用户规模的变动 数据去重 MAU（月活跃用户） 定义 截止到当天，最近30天（含30天）登录过游戏的用户 解决问题 游戏总体用户规模并评估用户规模稳定性 推广效果评估 了解产品的粘性 注意事项 MAU层级的用户规模更加具有稳定性、相对变化很小 某个时期或版本更新对其可能也产生较大影响 数据去重 一定程度上可以观察游戏的生命周期 DAU/MAU（日活跃用户和月活跃用户的比例值） 一般极低值为0.2 保证产品能够达临界规模的病毒式传播和用户粘度 忠实用户 连续3周登录的用户 目前分析价值不大 用户活跃 启动次数（时、日、周、月） 每日启动1次计算为1次启动 需要有一个间隔时间，30秒内多次启动只能计算为1次 解决问题 衡量用户粘度，数值越大越好 识别优质渠道，渠道是否存在刷量 什么渠道/用户启动次数多 日均使用时长 定义 活跃用户每日平均在线时长 解决问题 游戏的参与度怎么样 产品质量把控指标，游戏粘度如何 渠道质量如何 与单次使用时长结合分析留存和流失问题 用户活跃度 DAU/MAU，理论上不低于0.2，0.2*30=6天 解决问题 游戏的人气是增长、衰退还是稳定？ 看趋势 一个月中，用户的活跃天数是多少 用户的游戏参与度如何 用户活跃率 活跃率=活跃用户/总用户 了解你的用户的整体活跃度，但随着时间周期的加长，用户活跃率总是在逐渐下降的 用户层次（轻度、中、重） 轻度用户：每周登录1~2次的用户 中度用户：每周登录3~5次的用户 重度用户：每周登录6~7次的用户 解决问题 了解用户忠实度，能否走得动”口碑传播“ 在线统计 实时在线曲线（每5分钟统计一次当时的用户同时在线人数） 上周同期对比 平均同时在线人数、最高同时在线人数和时间 每小时注册用户数 用户在什么节点来的多，需要重点监控该时间段app运行 用户画像 概述 是什么，有什么用，怎么做 构建用户画像的核心工作即是给用户贴“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 作用 精准营销 分析产品潜在用户，针对特定群体利用短信、邮件等方式进行营销 用户统计 如购买某类书籍人数 TOP10 数据挖掘 定义 把散乱数据转换成有价值信息的过程 效果评估 完善产品运营，提升服务质量 其实这也就相当于市场调研、用户调研，定位服务群体，提高服务 个性化服务 对服务或产品进行私人定制，精准到某一类甚至每一位客户提供个性化服务 基本构成 用户静态属性 基本指标 年龄、性别、地域、学历、角色、收入、婚姻状态、职业 每个指标均需要从多个角度来分析，以区域为例 各区域充值总金额、充值人数、充值次数、付费率、arpu值分布 交叉分析 以区域和性别为例 不同性别+不同地域环境下，付费率数据…… 渠道分布 品牌、机型、操作系统、分辨率、联网、版本、设备均价、运营商 单设备注册账号数分析 可以分析小号分布情况 用户动态属性 动态属性指具有可变性 基本指标 用户的兴趣爱好、兴趣标签 在互联网上的活动行为特征 用户行为分析环节深入分析 用户消费属性 消费属性指用户的消费意向、消费意识、消费心理、消费嗜好等，对用户的消费有个全面的数据记录，对用户的消费能力、消费意向、消费等级进行很好的管理 用户心理属性 心理属性指用户在环境、社会或者交际、感情过程中的心理反应，或者心理活动 目前，用户心理相对会有难度，不用过多考虑 怎么做 数据收集 数据太多可以采用抽样的方法 数据建模 根据所获取到的数据建立模型，注入数据调整模型参数 数据分析及预测 数据可视化、输出报表、趋势预测 留存分析 留存（次~7日、14日、30日） 解决问题 用户对游戏的适应性 用户对于游戏的粘性 评估渠道用户的质量、投放渠道效果评估 新增用户什么时候流失在加剧？ 注意事项 次日留存一定程度上代表了用户对游戏的满意度 主要反映了游戏初期新手对游戏引导和玩法的适应性 关注用户流失率的同时，需要关注用户流失节点 实际运用 常见的7日连续登录礼包 第七天送大卡就是为了次日和7日留存的漂亮 次留很低，可能原因 新手阶段不友好、开场不吸引人、游戏上手难度大 程序bug太多，闪退，卡死，无法登陆等 功能引导太繁琐 次留不低，但是第3-4天大量流失，可能引起的原因 游戏内容重复，单调、游戏挫败感太强；新手无对应保护等 如果只是某个渠道存在这个问题，可能存在渠道作弊 [略]僵尸用户（回归、留存） 流失用户（日周月、自然流失、回归流失） 周流失用户 上周登录过游戏，本周未登录过游戏的用户占上周周活跃用户比例 解决问题 活跃用户的生命周期是多少 哪个渠道的流失率比较高 版本更新对于用户的流失影响是多大 什么时期用户的流失率比较高 当游戏进入稳定期尤其值得关注该指标 (活跃用户的生命周期是多少, 哪个渠道的流失率比较高, 版本更新对于用户的流失影响是多大, 什么时期用户的流失率比较高) 稳定期一般来讲收入和活跃都相对比较稳定，是产品稳定的风向标 付费用户流失监控 用户运营需要高度重视的数据 找到付费用户流失模型（多少天未登录有多少概率流失） 流失原因分析指标 流失用户行为分析 流失前等级分布 是否存在卡点 流失用户生命周期 流失用户付费金额、流失用户付费次数、人数 流失原因分析——流失用户时间节点 流失前运营手段 运营活动、服务器问题、版本更新（bug、新版本用户不接受） app生态 用户成长体系是否健康 用户调研 用户留存分析流程 第一步：分组 按照不同的（时间/渠道/行为等）维度进行用户分组 时间分组 通常用于看整体数据，看整体留存是否出现异常情况 渠道分组 对比不同渠道留存数据 通过不同渠道数据对比，找到异常渠道数据或排出渠道因素 行为分组 按照功能点使用/未使用分组 第二步：对比 根据用户行为进行分组 例子 看贴功能内浏览了3篇贴子的新用户和仅浏览1篇贴子的新用户进行分析 来自A渠道的新用户进行（有使用看贴/未使用看贴）行为分组比较 渠道对比 是不是某些渠道的量出现问题 用户行为 功能使用及参与度 页面访问路径 衍生指标 人均浏览页面数和时长、启动次数、收藏、点赞、关注、评论等 最好形成漏斗模型，规划合理访问路径 关键路径上面各个页面的浏览量 页面转化&用户进入后一步步的转化情况 是否可以简化流程，减少用户操作步骤 (最好形成漏斗模型，规划合理访问路径) 用户习惯分析 平均使用时长 单次使用时长、日使用时长、周使用时长 可以进一步做渠道细分 平均启动次数 日、周、月启动次数 启动天数 周、月游戏天数 使用间隔 平均多长时间启动/使用一次app 用户对app的依赖程度 各个时间段启动app人数分布 用户行为 短期点击行为、搜索行为、收藏行为 等级分析 各个等级平均耗时 用户成长速度 需要严格控制高端用户成长速度 各个等级用户流失 各个等级次日、3日、7日、14日、30日未登录用户数分布 到底在哪个等级阶段用户流失严重？ 各个等级用户分布数量 各个等级游戏次数 各个等级充值数据 累计充值总金额、充值人数、充值次数 哪个阶段是付费高峰期？ 各个等级首次充值 各个等级首次充值人数、充值次数、各个等级首次充值金额选择 哪个等级段容易拉动首次充值行为？ [辅助]各个等级消耗游戏币数据 新用户等级分析 首日等级 所选期间的新增玩家，在其新增当日中最终玩到的等级分布情况 首周等级 所选期间的新增玩家，在其新增7日后玩到的等级分布情况 14日等级 所选期间的新增玩家，在其新增14日后玩到的等级分布情况 近7日等级变化 堆叠图显示每日各个等级人数变化情况 分析新用户成长 (首日等级, 首周等级, 14日等级) 关卡/任务系统 新手引导转化率 任务参与人数及完成情况 支付转化率 漏斗模型的合理使用 用户传播 分享、互动、邀请等 付费分析 整体数据 付费总额 时间段内付费用户消费总额 收入下降，原因？ 付费率下降？ 付费用户流失比活跃用户流失严重 流失的是大R用户还是中小R用户？流失了多少个 付费用户停止付费但未流失 大R还是中小R停止付费？ 哪些消费点的消费在下降或停止？ arpu下降？ 付费人数增加了？ 付费人数无变化、付费金额下降了 哪些消费点的消费在下降？付费点已经饱和？ 付费用户 时间段内进行过付费行为的用户数 其次还有一个付费次数、不去重 新增付费用户（日、周、月） 活跃付费用户数 定义 统计时间段内，成功付费的用户数，一般以月为单位统计 活跃付费用户数=月活跃用户数*月付费率 解决问题 了解产品的付费用户规模 付费用户整体的稳定性 了解付费用户构成 鲸鱼用户、海豚用户、小鱼用户各自数量和比例 注意事项 数据是去重的 ARPU 名词定义 平均每活跃用户收入 统计时间段内，总收入/活跃用户数，一般情况下以月为单位 衡量每个用户带来的平均收益 解决问题 评估不同渠道用户的质量 游戏收益贡献、人均收入 用于产品初期不同规模下的收入预估 (评估不同渠道用户的质量, 游戏收益贡献、人均收入) 注意事项 arpu值很高 ——大R付费能力很强，需要重点关注大R用户 付费率高，arpu值低 ——小R用户较多，要多关注小R用户 ARPPU 名词定义 平均每付费用户收入 统计时间段内，付费用户平均所创造的收入，一般以月为单位统计，因为月的数据相对比较稳定 解决问题 了解游戏付费用户平均的付费情况 付费用户整体的付费趋势 加强对鲸鱼用户的分析和监控 注意事项 容易受到鲸鱼和小鱼用户的影响 付费率（一般看月付费率） 名词定义 时间段内，付费用户数/活跃用户数 首充大礼包就是为了拉付费率 月付费率 名词定义 统计时间段类，付费用户/活跃用户比例，一般以月为单位计算 解决问题 游戏产品的付费引导是否合理、付费转化是否达到预期 用户付费倾向和意愿 需要结合首次付费功能、道具、等级整体分析 注意事项 付费率的高低并不代表付费用户的增加和减少 游戏类型不同，付费率有较大的差异 生命周期 定义 一个用户从首次进入游戏到最后一次参与游戏之间的时间间隔 一般计算平均值 14日LTV（新用户后续付费能力指标） 名词定义 用户在生命周期内所创造的收入 14日LTV 14日LTV=今日注册新用户在后续14天内付费额/注册的新用户数 这里计算的是一个平均值 解决问题 用户在游戏中会待多久 用户对于游戏的贡献价值是多少 付费用户流失数量 本周付费用户下周未登录人数 付费习惯 付费周期 首次付费周期 用户注册到第一次充值的平均时间间隔 付费周期 上一次付费和下一次付费的时间间隔 付费渠道 采用那种支付方式充值？支付宝、微信、公众号等 付费面额 主要为首次充值面额 首次大额度要纳入高端用户维系中去 用户问题、多少天未登录都要及时监控和跟进维系 不同时间段首次付费 用户数量 付费总金额 充值后首次消费行为分析 充值之后第一件事情是购买什么东西？ 研究触发用户充值行为的原因，便于优化首充，提升付费率 需要把各个消费点理解透彻 新增付费用户 首次付费用户等级分布 首次付费时间间隔 首次充值面额 结合首次付费用户的游戏天数、累计游戏时长综合分析 (首次付费用户等级分布, 首次付费时间间隔, 首次充值面额) 不同性别/年龄阶段付费分析 首次付费分析 首次付费等级 首次付费周期 首次付费消费结构 首次付费选择订单面额分布 首次付费各个时间节点用户数量及付费总金额 看首次付费正在哪个时间段分布比较多 一周为单位，哪些时间点是付费高峰期？ 首次付费用户及后续付费行为 首次付费行为产生原因 充值之后第一件事情是购买什么东西？ 发现其中的规律，运营中可以更好利用首次付费 首次付费地域分布 首次付费渠道分布 付费场景 一定程度上可以理解为付费点，在哪些地方会产生付费 消费场景 消费人数和消费次数 鲸鱼用户 每日top100付费用户及累计付费金额数据 账号、id、电话、充值总额、消耗总额、最后登录时间、当前等级 加强对金字塔用户的运营管理 营销效果 新增用户 每小时新增用户 衡量推广效果的最基础指标 新增用户/活跃用户的比例也是衡量产品健康度的标准之一 比例过高，需要关注留存 新增用户渠道分布 活跃用户 渠道分布 启动次数 单次平均使用时长 留存率 检验产品用户吸引力的重要指标 若版本稳定的情况下，留存出现明显波动，很可能是渠道的问题 渠道充值数据 其他 用户行为是否正常、机型、设备分布 其他分析 货币产出和消耗数据 各等级货币消耗 消耗总量 消耗人数 消耗次数 不同道具消耗数据 用户调研 用户来源 用户来自哪里 用户属性 用户是谁 用户在做什么 用户行为 流失原因 用户建议 数据分析模型/方法论 [思维模型]AARRR分析模型 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（Retention） 产品怎样（通过用户）赚钱？ 传播（Retention） 用户是否愿意告诉其他用户？ 依据该模型，分出更细分的维度，罗列出影响每一个维度的变量 理解到这里即可，该模型更多的是一个思维模型，也可以叫方法论 (获取（Acquisition）, 激活（Activation）, 留存（Retention）, 收入（Retention）, 传播（Retention）, 依据该模型，分出更细分的维度，罗列出影响每一个维度的变量) [思维模型]5W2H 何因（Why）、何事（What）、何人（Who）、何时（When）、何地（Where）、如何就（How）、何价（How much） 提供一种问题/业务分析思路 活动运营常用方法论，尤其是编写活动执行案的时候 如何更加全面的思考问题 [思维模型]PEST分析法 用于对宏观环境的分析，包括政治（political）、经济（economic）、社会（social）和技术（technological）四方面 适合做大环境、行业分析，一般情况下用途较少 [思维模型]4P营销理论 分析公司的整体营运情况，包括产品（product）、价格（price）、渠道（place）、促销（promotion）四大要素 以用于公司整体运营情况分析 [思维模型]用户行为理论 主要用于用户行为研究 用户行为理论步骤 认知 网站访问 主要指标有：PV、UV、人均访问页面量、访问来源 熟悉 网站浏览 主要指标有：页面停留时长、跳出率、页面偏好 网站搜索 主要指标有：搜索访问次数等 试用 用户注册 用户注册量、注册转化率 使用 用户登录 登录用户数、DAU等 用户订购 订单量、订购频数、内容、转化率 忠诚 用户粘性 回访者比例、访问深度 用户流失 流失数和流失率 [思维模型]鱼骨图 发现问题“根本原因”的分析方法 多维度分析 细分问题 趋势分析/折线图 数据监控 [思维模型]极简数据分析方法论 3个步骤 确定目标、列出公式、确认元素/字段 3个模型 [提升元素量级]漏斗模型 适用范围：需要多个步骤达成的元素 通过提升转化率，提升单个元素量级 [精细化]多维坐标 精细化运营 通过多维坐标将用户分组，对不同组用户采取对应的运营措施 用户运营也有个经典坐标，叫RFM坐标 [监测数据]分组表格 适用范围：随时间变化的用户属性元素 留存率分组表格 用户行为分析模型 行为事件分析 用户留存分析 魔法数字法 留存与关键用户行为关系组合图 GrowingIO留存曲线 漏斗模型 AIDMA理论是漏斗模型的理论基础 漏斗模型用途 漏斗模型适用于应用中某些关键路径的转化率的分析 以确定整个流程的设计是否合理，各步骤的优劣，是否存在优化的空间等 了解用户使用你应用的真正目的，为他们提供合理的访问路径或操作流程 解决方案思想 扩大漏斗口径 提升转化率 反向漏斗模型 倒推用法——根据目标倒推所需资源配置 趋势、对比、分组 趋势 从时间轴的维度，看某个流程或某个步骤前后优化效果及监控 比较 比较类似产品或服务使用流程转化，发现应用中存在的问题 细分 细分来源或不同的客户类型在转化率上的表现 发现一些高质量的来源或客户，通常用于分析网站的广告或推广的效果及ROI 用户行为路径分析 用户路径的分析结果通常以桑基图形式展现 见友盟——功能使用——页面访问路径 主要用途 分析关键路径上的页面跳转以及转化率，找到流失用户的页面 分析到达关键页面的页面来源，分析关键路径到达的页面 RFM模型/分析法（客户关系管理模型-用户分类方法） R：表示客户最近一次购买的时间 时间差 用户类型（活跃用户、休眠用户、流失用户） 理论上，最近一次消费时间越近的用户应该是比较好的用户 刻画用户的关注程度 F：表示客户在最近一段时间内购买的次数/频数 购买次数count 用户忠诚度 M：表示客户在最近一段时间内购买的平均金额 请注意是平均值 刻画用户的购买力 用户精细化运营常用模型 (R：表示客户最近一次购买的时间, F：表示客户在最近一段时间内购买的次数/频数, M：表示客户在最近一段时间内购买的平均金额) 用户细查 单个用户某行为或过程分析——进而上升到用户群体 如有没有多次获取验证码的情况 热力图 A/B测试（对比测试） 定义 通过对app的两个不同版本进行比较，来确定一个性能更好的方案 核心思想 提供多种方案，最终根据数据效果选择最优方案 注意事项 目标用户群一定是随机分配的 运用 不同创意/不同类型banner数据效果测试 在了解和分析各个渠道质量的时候，也可以运用A/B测试方法论 流失预警模型 分类模型 逻辑树分析法 把问题的所有子问题分层罗列 可用于业务问题专题分析 预测模型、分类模型 神经网络 朴素贝叶斯 支持向量机 K-临近邻算法 随机森林 预测模型 逻辑回归 聚合算法 K-Means 关联算法 Apriori算法 可用于游戏道具组合销售策略 异常检测 辅助算法等 主成分分析 特征选择法 降纬算法 数据分析报告 http://www.woshipm.com/operate/588326.html 运营日报 Excel 运营周报 一页简报——对关键指标汇总+总结，往往是领导要看的数据 多页子页——对关键指标的详细解读和说明、可视化 Excel 运营月报 PPT 数据分析报告 http://www.woshipm.com/data-analysis/677567.html 市场分析 市场需求 市场现状 找到突破口、找到目标用户在哪里 明确目标用户群体 年龄 收入 性别 爱好 目标用户体量 期待抢占多少用户比例 产品定位 基于目标用户需求制定计划 市场分析报告 竞品分析 了解 竞品的目标群体和推广策略 了解竞品运营需求，需要进行整理 了解竞品周边项目和战略布局 5w2h、swot分析 产品分析 产品市场定位 产品体验报告 左右资源 运营资源、技术资源、渠道资源 swot分析 数据运营精髓 通过数据指导运营决策 利用数据驱动业务增长 进一步深入 新增用户 新增设备、新增用户 活跃用户 新用户、老用户；各自数量及占比变化 付费用户 新付费用户、老付费用户；增长衰减变化 收入折线图
GO 基本运算 数学运算 位运算 位运算下的进制转换示例
01-08
GO 基本运算 数学运算 位运算 位运算下的进制转换示例 基本运算 // CalculUse 运算，算术运算，逻辑运算，位运算 package main import ( fmt ) //算术运算，必须是同种类型的数据才能进行运算，否则需要强转 func MathCalcul() { var a int = 12 var b float32 = 12.125 res := float32(a) + b fmt.Println(result=, res) } //和其他语言基本一致，不赘述 func LogicalCalcul() { var b bool = false
pint-unit-investigation:基本脚本调查可从Pint提取的可用数据
04-30
品脱单位调查 一些基本脚本用于研究可从提取以用于自动完成UI的可用数据，以及自定义单位定义中可能涉及的问题。 列出品脱中可用的所有前缀，后缀和单位，可以将其组合以生成所有可能的单位。 脚本的输出可。 列出每个类别中的所有单位尺寸和单位，可以在所有单位尺寸和单位之间进行转换。 脚本的输出在可用 列出所有类别中的所有基本单位（和尺寸）和单位，可以在所有基本单位和尺寸之间进行转换。 脚本的输出在可用 在每个单位集中的每个单位之间来回转换，以确保它们都可以使用Pint的Quantity.to函数进行转换。 温度转换问题 当在两个温度之间进行转换时，即使两个单位相同ureg.Quantity(1, unit1) + ureg.Quantity(1, unit2)使用表达式ureg.Quantity(1, unit1) + ureg.Quantity(1, unit2)检查单元兼容性时也
有限元材料单位制转换公式
01-30
1、功能：数据从Kg-m-s单位制转换为其他单位制； 2、G列红色数字为输入文字区域； 3、新增物理量转换需要获得其量纲，并指定量纲对应的指数到C至F列； 4、新增坐标系统时需要获得基本单位的转化比例输入到3至6行； 5...
K、M、G、T、P、E、B的含义和全称 from csdner qqtian1110
sky527759的博客
12-01 9122
随着计算机硬盘制造技术的飞速发展，硬盘的存贮容量呈快速增长趋势，用来表示存贮空间的计量单位从过去的K升到M，又从M跃升至G甚至T。前几天，我们几个闲谈计算机的配置、存贮空间等问题时，说起“兆”这个单位，不免疑惑，1兆究竟等于10的几次方？通过一番追根朔源地考证，让我大开眼界。 我们目前所用的K、M、G、T等都是英文表示方法，分别是Kilo（103）、Mega（106）、Giga（109）、Tera（1012）的简写，更大的还有Peta（1015）、Exa（1018）、Bronto（1021）等。尽管现在常用
k、M、G、T 硬盘单位-简单说
热门推荐
Osborn的博客
11-28 1万+
Byte、KB、B、MB、GB之间的关系是： Bit——比特 B ——字节 KB——千字节 MB——兆字节 GB——吉字节 TB——太字节 1B=8 Bit 1KB＝1024B 1MB＝1024KB 1GB＝1024MB 1TB=1024GB B ——字节 KB——千字节 MB——兆字节 GB——吉字节 TB——太字节 1B=8 Bit 1KB＝1024B 1MB＝1024K...
计算机数据计量单位换算
m0_63055441的博客
12-21 2614
计算机的是由硬件和软件两部分组成，其中硬件是由输入设备，输出设备，存储器，CPU组合而成，软件则是由操作系统软件和应用软件组成，以下是关于计算机数据计量单位之间的换算： 字节：bytes 比特：bit位，人为规定最小计量单位 1B=8b（比特） 1KB=1024B 1MB(兆)=1024KB 1GB=1024MB 1TB=1024GB 1PB=1024TB ...
计量单位:添加辅单位及换算率修改 数据设计 sql
最新发布
05-25
| is_base | boolean | 是否是基本单位 | | base_unit_id | int | 基本单位 ID | | conversion_rate | float | 转换率 | SQL 示例： 添加辅单位： ```sql INSERT INTO unit (name, symbol, is_base, base_unit_id...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值