精选“数据分析”好问题汇总·第三期

与其羡慕他人智慧，不如自己勤奋补拙；与其羡慕他人优秀，不如自己奋斗不止。——数据说·梦想季

小飞象

乐于分享，自我提升，赋能他人

在【第一期】我们讨论了关于入门数据分析的一些要领、以及对初学者可能会有帮助的关于数据分析的书籍。【第二期】讨论了每一位数据分析者都会关注的几个问题：如何优雅的进行成果展示与汇报？什么样的行业最适合数据分析工作者的发展？等。本期我们来梳理一下关于APP运营相关的分析问题以及数据思维的问题，如下：

●关于APP运营的分析维度有哪些？

●关于APP做埋点数据分析，有哪些常见的坑？

●关于运营关注哪些核心问题?如何保持用户增长？

●·······

还是那句话，“我有一个苹果，你有一个苹果，我和你交换之后，咱们各有一个苹果；我有一个想法，你有一个想法，我和你交换以后，可能收获两个想法，甚至更多。”当然，一些见解不是绝对的，如果在数据领域中新的交流和思考中碰撞出了不同的火花，欢迎和我们留言讨论以及群里多多参与讨论哦！

下面，我们一起来揭开这些问题的答案吧！

精选问题

第三期

﹀

﹀

﹀

问题主题一

关于APP运营的分析维度有哪些？

问题及内容贡献者：@蓉Ruby lu R、@飞熊等

‍

‍‍提问者：

@飞熊：我这边目标KPI是用户数和活跃数。初步目标是展示APP的运营情况，包括几个维度：

1、使用：浏览量，登录量，交易成功量，交易失败，页面流转漏斗，闪退情况，设备类型等等；

2、用户：1日留存，3日留存，5日留存，7日留存，15日留存，1月留存，流失分析等等维度；

也不知道这样想对不对 希望大神们多多指教哈

答疑者：

@蓉Ruby lu R：相关的数据字段是已经有，还是等待梳理？要是已经确定好相关的数据字段，可以直接用字段做EXCEL的单页BI模板。单页的自动更新BI模板也可以做到这个程度。要是还没有确定的字段，那需要根据KPI需求，从梳理字段开始！‍

‍

 海盗模型（AARRR模型）

留存率的图表

小飞象

来回答总结一下

要做好APP运营分析之前，我们就要熟悉这款APP的产品属性、竞对情况以及整体相关功能等，主要需要了解如下几个方面：

首先，需要了解这款App的用户类型：toB还是toC。其次，了解此app的基本属性，如游戏类、工具类、交易类、社交类、平台类、电商类、短视频类等。还需要了解此App在什么时间，什么场景下，为用户提供什么。如考勤工具类App在员工上下班时为企业提供考勤管理的工具，企业考勤记录一键导出，随时随地线上查看出勤情况，无纸化办公高效便捷，化零为整，降低企业HR考勤汇总与核对工作量等。

进而，大体了解一下App的此分类下的情况，在哪个梯队？如初创－尾部－腰部－头部。有哪些竞争对手，又有哪些优势资源？如人，技术，资本，渠道等。并清楚该App现在是什么发展阶段。如初始期－发展期－成熟期－衰退期，不同的阶段侧重关注的数据指标不同。有多少用户量？现阶主要是做什么，达到什么目标？如上述截图所说的AAARR模型——拉新－促活－留存－变现－裂变。

最后，就是熟悉App的相关功能等。如界面、模块、功能、内容丰富度、体验注册、使用等产品业务流程。

了解了APP的以上信息，我们就可以从五个方面进行APP运营分析，分别是渠道分析、用户分析、活动分析、商品分析、会员分析，这五个方面可以说囊括了APP分析的方方面面。

▶渠道分析方面：可以通过SEM分析、新增分析、渠道分析等多种分析各个渠道的转化率以及用户质量、留存等来筛选APP分发渠道，根据这些数据选择适合APP推广的渠道。

▶用户体验方面：转化漏斗分析于链路明确的APP来说是检验运营效果的一个重要的分析方法，通过对APP内部搜索分析、访问路径分析、活跃数据分析、趋势分析等等一些列数据，可优化提升用户体验，进而提升用户的购物转化率。

▶活动分析方面：通过成本分析、效果分析、推广分析等来优化后续活动效果。

▶会员分析方面：通过RFM分析、用户画像分析、商品推荐分析等评估会员的价值，提升会员以及产品的复购率等。

▶商品/价格方面：通过商品/促销分析、销售分析、客单价分析等这些数据，可为商品制定合理的价格及有效的商品推广方案。

关于APP数据指标定义都可以在网上找到相应的参考，但找到适合自己产品的指标体系才是关键之处。每一个产品APP处在不同的发展阶段，包括初始期－发展期－成熟期－衰退期，在做运营分析时权重和分析侧重点都应有所区别。下图为运营分析部分指标体系，仅供参考。

总之，APP运营分析要围绕企业的商业模式和业务背景来进行分析，通常讲分析的结果能影响公司核心业务的指标，这样才能快速的做出业务表现判断，从而提高效率，快速发现问题，解决问题。

问题主题二

APP做埋点数据分析，有哪些常见的坑？

问题及内容贡献者：@飞熊、@蓉Ruby lu R、@红星、@斋尼等

提问者：

@飞熊：请教一下各位，APP做埋点数据分析，有哪些常见的坑？目前想到一个，不同APP版本，分析起来，非常不方便，要逐一APP版本去分析和对比

答疑者：

@张峰Math addictr：埋点数据分析，实际上在操作时，经常遇到两个问题，活动或者版本上线太急，来不及埋点。和虽然有埋点，但是最后做分析的时候，发现一些需要的节点漏掉埋点。

@张峰Math addictr：对于埋点漏掉这个问题，通常会在埋点前，模拟使用场景的过程，结合业务，分析过程中哪些点是必须要埋点检测数据的，通过业务流分析尽量做到不多不漏。

对于时间太急，来不及埋点，要是确实需要数据做分析的话，可以提前购买市面上的“无埋点技术”的分析工具。

@小馒头：可以用ｇｒｏｗｉｎｇ无埋点方法，很快捷，再配合个别手工埋点，效率很高

@斋尼：埋点的事，一言难尽，真正好的埋点系统，需要顶层设计和各部门的配合执行，最好还有平台流程支持，能够划清边界，效率、漏埋、错埋是常见痛点，取决于业务目标

@张峰Math addictr：对！而且，说是说埋点，实际工作过程中，是去不断和各个部门沟通，梳理业务，需求，或者申请资源买外部产品等等。至于“埋点”这个操作本身，是个简单的体力活。

@斋尼：围绕kpi指标，和kpi指标的一级和二级拆解为中心，cover这些，别的缺了也不影响决策

@小馒头：这个拆解流程是对的，细化到每个具体指标

@红星：我觉得是口径统一吧，如果是数据部门自己定的指标，业务部门可能不会接受，所以指标体系得拉着业务部门一起做，不然辛辛苦苦最后弄出来的成果，很可能全部要返工

@蓉Ruby lu R：对的，所以，实际工作中，能走通沟通，推动事情落地的人，比懂得“埋点”操作的人，重要。

@斋尼：口径问题在产业互联网比较突出吧？感觉互联网公司没这么难

@阿龍：埋点最终的目的是找出各种落地页转化情况吧，比如那些转化不高，去分析为什么

简单明了的产品流程，友好的交互设计，清晰的业务逻辑，才可以保证埋点是否有效吧

自己做的APP不清楚要往那些地方做埋点，也不会提高

个人小拙见，我自己都没弄过埋点

@蓉Ruby lu R：其实，埋点就是个简单的体力活，对埋点要求高，通常指对”数据分析方案“有要求。

小飞象

来回答总结一下

所谓的数据埋点就是产品或运营等相关人员跟据具体的需求，让技术人员对各相关操作节点进行数据埋点，定制性地统计较为复杂的用户数据，APP上线后能观察到相应的数据，进行相关的数据分析以及挖掘。

数据埋点属于数据采集的阶段，是数据分析业务闭环中的起点，为之后的许多日常及专题的分析提供数据源，一个简单的逻辑就是不做数据埋点，就做不了数据分析。

那么，数据埋点可分为产品内部埋点和外部埋点。

▶内部埋点：分析用户使用产品的行为及流程，提升用户体验，还原出用户画像及用户行为，建立数据分析后台，通过数据分析、优化产品。

▶外部埋点：分析该产品在市场上的表现及用户使用场景，用来追踪每次用户的行为，统计关键流程的点击程度。如产品在不同市场和地域的下载量，不同地域人群使用时间等等。

而埋点数据分析的一般步骤为：确认主题——确认指标——分解指标——统计点位/口径——沟通调整——进行埋点——数据收集——分析问题，具体就不一一展开了。

主要需要我们注意常见的坑如下：

◆埋点首先需要确认主要目的以及核心数据指标，其余指标可以分期、分步逐步加上。数据埋点是一项非常大的工程，少则一两百项多则几百个点位，全部使用代码埋点工作量巨大。

◆埋点前要提前确认哪些在第三方平台统计，哪些在后台统计。因为很多数据后台收集的数据很详细，而且实现可能更简单。

◆埋好点后及时进行跟进反馈，落实埋点的完整性与准确性。埋点过程中有埋点问题的要及时沟通，埋点事件名称切记不能随意修改导致两边不同，这会给后期数据分析造成干扰。

◆一定要注意名称的统一，因为不同第三方平台对于时间ID与名称可能会有不同限制。

◆尽量能按照类型分组，便于后期分析的时候查找，因为每个点都有一个专属ID。

.......

总之，在埋点过程可能出现很多遗漏和注意的地方，需要后续进行补充，这里就简单的列举几条。另外，埋点只是数据分析的基础，需要贴合实际业务场景对数据进行分析，形成参考才能体现数据的价值。更重要的是需要业务管理层能对数据驱动能有足够的重视，用数据说话，用数据做支撑。

最后，结合产品数据进行问题排查、功能优化、业务探索、试错并及时修正。

问题主题三

运营关注哪些核心问题?

如何保持用户增长？

问题及内容贡献者：@chen、@蓉Ruby lu R、@橙.🦋等

提问者：

@橙.🦋：请问运营小伙伴最关注的问题是什么？有哪些核心问题

答疑者：

@一条小鱼：流量怎么来

@蓉Ruby lu R：用一个最简单的词总结是：AARRR。

根据产品，会处在不同的运营阶段：

第一阶段：用户获取（Acquisition）

第二阶段：用户激活（Activation）

第三阶段：用户留存（Retention）

第四阶段：获得收益（Revenue）

第五阶段：推荐传播（Referral）

@橙.🦋：那么进一步讨论:在实际工作中，有哪些措施确实提高了流量，或者运营的不同阶段效果，相对比下这些，哪些活动或者方式实现的效果比较好呢

@chen：嗯，这也是我想问的一个问题，在如今获客成本太高的情况下，我们应该采取什么措施来保持用户增长呢？

@蓉Ruby lu R：找推广渠道？

@chen：对，我在想有没有其他的方向，或者说衡量一个渠道的好坏，除了注册，激活，成本这些，还应该考虑哪些东西

小飞象

来回答总结一下

运营工作的核心在一本书中提到过：即流量建设与用户维系，而这其中又包括了内容运营、渠道运营、品牌建设、活动运营、用户运营、新媒体运营等。其本质就是平衡用户目标与商业目标，长期目标与短期目标，在既有资源的限制下，借助内部和外部资源，在用户、内容、流量上使劲，增量、保质、提粘性、促活跃，实现商业变现。也就囊括了上述群友说的AARRR模型。

需要关注思维、节奏、精细化三个层面把握整体运营工作。

★思维层面（如目标导向意识、思路拆解、逻辑梳理、归纳总结、推理演绎等）

①总结归纳，方法论沉淀。当我们做了一段时间运营或者经过十几次活动后，需要总结经验，沉淀方法论，形成系统化的流程和思路。同样的问题在下一个运营阶段中会再次出现时能解决。

②拥有系统化思维。对新项目要有全局性的掌控和系统化的思路梳理，而不是无章法的就直接干。

③基于目标的思路拆解。通过SMART原则用于将目标按照一定的规范拆解，按时间、粒度、实体等维度拆分成一个个子目标，达到将目标大而化小，由难变易。

④注重逻辑推理能力、思维推演方式。清晰的，有条有理快速的给出诸多可行性策略，进行思维推演。

⑤明确目的和目标，目标导向型，提升沟通技巧。沟通的结果总是为了达到一个双方认可的目的，以推动项目可执行可落地。

★节奏感层面（如目标、工作统筹和过程管控等）

①主次紧急，把握运营的节奏化。运营工作比较碎片化，同时处理各种事情，因此需明确阶段性目标和重点工作。

②工作统筹安排。对每天和每周周要做的事情需要时间预期，后期要复盘实际完成时间和预期时间，总结问题，发现问题。

③对目标设置和阶段目标的拆解、实时效果的管控、评估和优化。阶段性目标的设定和过程管控，保证做很多事情按照预期进行。

★精细化层面（用户分层、数据化、工具化、表格化、规范化）

①用户分层是根本。围绕着目标进行用户细分，前期先进行初步的用户分层细分，当后期跑通之后，如果在这一层用户中，用户行为之间也存在某些明显的差异，还有进一步提升的空间，可以再一步进行用户分层。

②优化源表，使其规范化，流程化，数据化。将之前的工作成果进行归纳分类，总结经验等。如哪些文章阅读量较高？是标题好还是哪里可以借鉴等。

③具备数据分析意识，总结分析思路。做运营总结时，如面对异常数据经常出现“好像做了什么？好像发生了什么？需要做个数据驱动业务增长。数据分析可以给我们提供有效信息，指导营销决策，但也不要迷信数据，要换位思考，这样数据才能发挥其真正价值。

总之，运营的知识点太多，涉及领域较广，这里就简单的梳理一下，还是需要我们随时关注用户完整生命周期，每个阶段所关注的数据指标以及分析侧重都有所不同：

1) 引入期：提升ROI，收集用户意见反馈给产品经理从而迭代产品

2) 成长期：快速扩张宣传，通过各种手段提升用户，同时让用户快速体验产品核心功能

3) 成熟期：提升用户留存率和活跃度

4) 衰退期：通过用户分层，精准的去对沉默用户进行唤醒

5) 流失期：通过对流失用户画像分析，针对性进行用户召回，并从产品角度考虑是否要对产品方案改进

综上，这些都是可以精确到每个阶段运营去做的措施。只有对用户进行深刻的研究，了解用户行为，通过真正意义上了解并基于用户生命周期的五个阶段来制定不同的增长策略。

以用户获取为首要目标，持续关注新增用户在后续激活、留存、转化、传播再到获取的全过程，来持续关注完整的增长闭环，最基础的就是AARRR海盗增长模型，通过运营策略持续降低获客成本，保持用户持续增长。

问题主题四

数据分析师倾向于什么思维组合？

问题及内容贡献者：@阿龍、@蓉Ruby lu R等

提问者：

@阿龍：人们的思维方式表现出明显差异：有人更善于分析，有人则喜欢整体思考；有人重结果，有人重过程。话说数据分析师倾向于什么组合

答疑者：

@蓉Ruby lu R：数据分析师倾向于分析+整体。从老板那里拿结果，从业务人员那里拿过程，再和相关其他业务部门梳理关联的过程，从整体考虑影响，最后搭建一个从过程到结果的框架，然后着手做分析。

小飞象

来回答总结一下

在实际的数据分析工作中，很多人掌握了excel、Python、sql等各种工具和KANO模型、回归模型等方法论，在面对具体的业务问题时，依然可能会出现分析思路模糊，数据结论不够严谨等问题。因为，数据知识和数据技能，看起来好像是客观的，但对它们的理解、认知却是因人而异的。这就是每个人数据分析思维的水平相差很大的重要原因。

因此，掌握了工具和方法论的同时，若拥有数据分析思维，决定了你如何描述问题，如何思考问题，如何拆解问题，如何运用方法论，如何得出结论，如何确定问题等。那么，做数据分析输出的成果就更严谨，更有依据，更有说服力。总的来说，数据分析思维的表现，就是能站在多方角度，用数据来精确描述现状，分析问题，解决问题。

既然如此，做数据分析需要具备哪些思维呢？

主要常见的思维有：描述性分析思维、结构化思维、业务思维、目标思维、拆解思维、对比分析思维、框架性思维等

还有时间序列分析思维、数据模型分析思维、极值分析思维、微分分析思维、逻辑回归分析思维、相关性分析思维、数据迭代分析思维等。

总之，不止上述思维，这里就不一一展开了 ，感兴趣的朋友可以去搜搜这些思维，但作为一名优秀数据分析师要明白数据分析中有哪些思维以及套路、方法，如此才能举一反三，在不同业务场景数据分析中切换自如。因此，所谓的数据分析师倾向的思维组合更多是形成自己的分析框架，也就是"分析套路"。就像上述群友所说的分析、整体思考、结果、过程，其实都是重要的。即在本行业本岗位通过解决问题逐渐沉淀思维，来构建属于自己的思维框架体系。即在不断发现问题、分析问题、解决问题的过程中沉淀的行之有效的方法论。然后再涉略多领域的知识不断升华已有的思维框架。

总而言之，数据分析师构建自己的思维框架体系是不断积累的过程，注重每次创新型思维的总结，注重从其他领域吸取思考方式，会有机会升华现有的思维框架，突破自己。

end

致谢

最后，非常感谢提出问题和踊跃回答的小伙伴！感谢@阿龍@chen、@斋尼、@蓉Ruby lu R、@红星@H@飞熊l等小伙伴！数据之路，与你同行！若大家有好的想法，欢迎留言交流，精选留言者，添加木兮，领取数据分析礼包以及运营地图！

下期精选问题汇总预告

人力分析主要分析哪些方面？

AB测试应用？

······

敬请期待下一期

点个在看，证明你想看

超过60的话

会更快更新哦！

图片来源于网络

若好的建议和想法，欢迎在下方留言

我们将尽其所能打造数据分析交流的理想之地

分享，点赞，在看，安排一下？