数据分析思维与方法总结

ABtest实验

数据分析——AB实验

漏斗分析

• 漏斗分析是指将某个业务场景中关联的事件，根据先后发生的顺序进行组织，从而系统性了解用户转化效率。漏斗分析不但可以整体性的反映用户在一定时间周期内，浏览网站或者APP中从起点到终点的转化率，而且还可以分析浏览过程中每一次跳转所产生的留存和流失，这样就能够直观地发现异常数据，从而通过分析根因找到问题所在，最后通过优化该环节来达到提升转化率的目标。
• 漏斗分析模型已经广泛应用于渠道来源分析、新用户激活、核心主流程优化、搜索功能优化等日常数据运营工作中。如果整体转化率较低，则可根据漏斗分析查看各步骤转化率，直观地发现问题所在，从而进行针对性的优化。

用户画像

辛普森悖论

学习参考资料
数据分析——工作中遇到的“辛普森悖论”

费米估计

数据分析——费米估算问题

AARRR

AARRR模型对应产品运营的 5 个重要环节，分别是：
第一环节是获取用户（Acquisition ）：用户如何找到我们？
第二环节是激活用户（Activation）：用户的首次体验如何？
第三个环节是提高留存（Retention）：用户会回来吗？
第四个环节是增加收入（Revenue ）：如何赚到更多钱？
第五个环节是推荐（Refer病毒式营销）： 用户会告诉其他人吗？
关注指标：
第一环节：

• 渠道曝光量：有多少人看到产品推广的线索。

• 渠道转换率：有多少用户因为曝光转换成用户。

• 日新增用户数：每天新增用户是多少。

• 日应用下载量：每天有多少用户下载了产品。

• 获客成本（CAC）：获取一个客户所花费的成本。
  第二环节：

• 日活跃用户数(DAU，简称日活)：一天之内，登录或使用了某个产品的用户数。比如一天内打开某微信公众号的人数。类似的还有周活跃用户数，月活跃用户数。

• 活跃用户占比：活跃用户数在总用户数的比例。
  第三环节：
  N日留存率：（第一天新增的用户中，在第N天使用过产品的用户数）/第一天新增总用户数。
  **第四环节：**这里我们要注意“用户”和“付费用户”的区分，这也将影响收入的计算。

• 客单价：每位用户平均购买商品的金额。客单价=销售总额/顾客总数

• PUR(Pay User Rate)：付费用户占比

• ARPPU(Average Revenue Per Paying User)：某段时间内，付费用户的平均收入（不包括未付费的用户）。ARPPU=总收入/付费用户数

• LTV(Lift Time Value)：生命周期价值，即平均一个用户在首次登录游戏到最后一次登录游戏内，为该游戏创造的收入总计。常用于游戏行业。
  第五环节：

• 转发率：某功能中，转发用户数 / 看到该功能的用户数
  比如一个微信公众号推送一篇文章给3万用户，转发这篇文章的用户数是3000，那么转发率=3000（转发这篇文章的用户数） / 3万（看到这篇文章的用户数）=10 %

• 转化率：计算方法与具体业务场景有关。我们举几个栗子：

  • 淘宝转化率=某段时间内产生购买行为的客户人数 / 所有到达店铺的访客人数，假如双11当天，有100个用户看到了你店铺的推广信息，被吸引进入店铺，最后有10个人购买了店铺里的东西，那么转化率=10（产生购买行为的客户人数） /100（ 所有到达店铺的访客人数）=10%
  • 广告转化率=点击广告进入推广网站的人数 / 看到广告的人数，比如我们经常使用百度，搜索结果里会有广告，如果有100个人看到了广告，其中有10个人点击广告进入推广网站，那么转化率=10（点击广告进入推广网站的人数） / 100（看到广告的人数）=10%

• K因子(K-factor)：用来衡量推荐的效果，即一个发起推荐的用户可以带来多少新用户。

  • K 因子= (每个用户向他的朋友们发出的邀请的数量) * (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 =20*10%=2。这个结果还算是不错的效果——当K>1时，用户群就会象滚雪球一样增大。如果K<1的话，那么用户群到某个规模时就会停止通过自传播增长。

参考文章：
一文看懂产品运营的分析方法

事件分析

• 事件分析是针对某个事件定义对应的指标反映事件变化，再从多个维度细分下钻分析，比如时间、地区等，查看数据指标的表现，比如基于时间维度进行对比观测指标（日活跃用户数）波动是否有异常。也可用于数据指标变化原因分析的方法。

用户路径分析

• 与漏斗分析模型不同，漏斗分析模型是分析既定的行为转化，如电商产品中用户从浏览产品详情到最终支付每一步的转化率。而全行为路径是根据用户在APP或网站中的访问行为，分析用户在各模块中跳转规律与特点，挖掘出用户的群体特征，进而实现业务指标。如提升核心模块的到达率、APP产品设计的优化改版、流失用户去向分析等。

留存分析

• 留存分析是一种用来分析用户参与情况和粘性的分析模型，考察发生了初始行为的用户中，有多少人会在后续的几天里面发生后续行为。这是用来衡量产品对用户价值高低的重要方法。
• 定义：满足某个条件的用户，在某个时间点有没有进行回访行为。
  公式：若满足某个条件的用户数为N，在某个时间点进行回访行为的用户数为M，那么该时间点的留存率就是M/N。

归因分析

归因分析一般用于广告投放的渠道归因，将用户点击行为的“贡献”合理地分配到每一个渠道，通过渠道归因来衡量渠道的效果，亦可指导业务人员在渠道投放时合理分配投入。
常见的归因思路有下面几种：
1）首次归因
多个待选中触点时，认为第一个的功劳为100%。理由是第一个触点给用户建立了认知，与用户形成了连接。适用于重视新用户线索的业务。
2）末次归因
多个待选中触点时，认为最后一个的功劳为100%。这种思路适用范围最为广泛，常用于电商业务的站内归因的计算。
3）线性归因
多个待选中触点时，认为每个“待归因事件”平均分配此次功劳。适合坑位效果比较平均的产品。
4）位置归因
多个待选中触点时，认为第一个和最后一个各占40%功劳，其余平分剩余的20%功劳。兼顾最初的线索和最终的决策。

RFM模型

数据分析——用户生命周期价值RFM模型