精益数据分析阅读笔记（数据指标）

1 我们都在说谎、

专人接待式最小可行化产品：足以向市场传达你所主张的价值最小化产品。
数据分析启示：有时候，增长来自于你未曾想到的方面。在你认为找到值得一试的想法时，先想想如何以最小的投入快速完成测试。然后事先为成功下定义，并明确如果直觉正确的话下一步要如何走。

2 创业的记分牌（反映我们产品或公司运营状况的数据指标）

数据分析离不开对企业或产品关键指标的工总。这些指标跟你的商业模式有关（营收来源、支出成本、客户数量以及客户获取策略的效果）

2.1 什么是好的数据指标？

好的数据指标能带来你所期望的变化。
衡量好坏的准则：
好的数据指标是比较性的。例如：“本周的用户转化率比上周的高” 显然比“转化率为2%"更有意义。
好的数据指标是简单易懂的。
好的数据指标是一个比率。
好的指标会改变行为：这是最重要的评判标准：随着指标的变化，你是否会采取相应的措施？

比率是最佳的数据指标的原因？
1.比率的可操作性强，是行动的向导。例如：里程只透露距离信息，而速度(距离/时间）能告诉当前形势状态，以及是否需要调整速度以确保按时抵达。
2.比率是天生的比较性指标。
3.比率还适用于各种因素间的相关性。

学会根据数据确定一条做与不做的准则。
一个好的数据指标之所以能改变商业行为，是因为它与你的目标是一致的：保留用户，鼓励口碑传播，有效获取新用户，创造营收。
例子：例如销售人员的评分机制，初衷是：提高服务质量，但是实际上销售员为了个人收入浪费太多时间在说服客户为其评分上。
数据指标之间的耦合现象：转化率（访客中真正发生购买行为的用户）与购买所需的时间（需要花费多长时间才完成购买）挂钩，二者可以告诉你现金流的问题；病毒式传播系数（平均每个用户邀请来的新用户）和病毒传播周期（用户完成一次邀请所需时间）二者结合可以告诉你产品普及率的问题。这些数据背后隐藏着最重要的指标：营收、现金流、产品普及率；

2.2 想要找出正确的指标，需要牢记的五点

1、定性指标和量化指标
定性数据吸纳主观因素；定量数据排斥主观因素

2、虚荣指标与可付诸行动的指标
如果你有一个数据，却不知道如何根据它采取行动，该数据就仅仅是一个虚荣指标。
例如：总用户数，社交平台上粉丝数
可付诸行动的指标：活跃数/总用户数
单位时间内新用户数，可以用来对比不同营销策略或者改进的优劣。

8个需要提防的虚荣指标：点击量、页面浏览量PV值（在商业行为跟PV值挂钩时有用，如展示广告）、访问量、独立访客数、粉丝、网站停留时间、收集到的用户邮件地址数量、下载量

3、探索性指标和报告性指标
**麦克创建”妈妈圈“”的数据分析启示：进行深入挖掘，需找有意的用户行为模式和机遇。发现我们不知道自己不知道的事实。
想让一款社区产品极速启动就需要相当高的用户参与度。不温不火的用户无法提供我们更多关于产品改进以及未来发展的方向。更好的做法是：在一个更小的更容易触及的目标市场培养更多具有粘性的高活跃度用户。病毒式·转播需要专注。

4、先见性数据指标和后见性数据指标
先见性指标用于预测未来
后见性指标能提示问题的所在

5、相关性指标和因果性指标
发现相关性可以帮助你预测未来，而发现因果关系意味着你可以改变未来。
通常因果关系不是简单的一对一关系，而是多因素共同作用的结果。

2.3 市场细分、同期群分析、A/B测试和多变量分析

测试使数据分析的灵魂。通常就是通过市场划分、同期群分析或者A/B测试来科学地证明某种改变的合理性。

细分市场：就是一群有共同特征的人。
通过比较各个细分市场之间的差异，进一步找到背后的原因以及通过分析某一细分市场成功的原因并将经验应用于其他人群中。

同期群分析：比较的是相似群体随时间的变化。
每个用户都会经历的生命周期：免费试用、付费使用、停止使用。同期群分析能够观察生命周期不同阶段客户的行为模式。

A/B测试和多变量测试

3 你把生命献给谁？（）

3.1 精益画布

呈现在一张纸上的可视化简明商业计划书，体现你正在进行的、可付诸行动的商业计划。

4 以数据为导向与通过数据获取信息

坚持用人类的判断来调和机器的自动优化，单纯依靠机器，以数据为导向进行的产品优化会导致许多问题发生。
人类提供灵感，机器负责验证
渐进式的改变可以达到局部极限，创新则可能会导致全部洗牌
数据是检验假设的机加工局，除非结合人类的反思，发剖则很难在产生新假设方面有建树

4.1 十个需要避免的数据圈套

1、假设数据没有噪声：去噪的回报是非常大的。
2、忘记归一化
3、排除异常点：要分析异常点产生的原因及其背后蕴含的事情，不能简单排除不考虑。
4、包括异常点：建立普遍适合的模型，需要排除异常点
5、忽略季节性：
6、抛开基数谈增长，
7、数据呕吐，知道什么数据对我来说更重要
8、谎报军情的指标
9、“不是在这儿收集的”综合征：综合其他来源的数据
10、关注噪声：站在更高的角度看问题

5 数据分析的框架

5.1 海盗指标说（AARRR）

获取用户（Acquisition）、提高活跃度（Activation）、提高留存率（Retention）、获取营收（Revenue）和自传播（Referral）
它描述了用户须经历的五个环节，以便企业获取价值。

5.2 增长引擎说

关键绩效指标（KPI）

黏着式增长引擎：
重点是让用户成为回头客，并且持续使用你的产品。用户参与度是预测产品成功的组一家指示剂之一。
衡量黏性最重要的KPI就是客户留存率。流失率和使用频率也是非常重要的指标。

病毒式增长引擎
关键指标；病毒式传播系数 即每个用户所带来的新用户数。

付费式增长引擎
通常情况下在确知产品具有黏性和病毒性之前就开动这一引擎是过于仓促的行为。

客户终生价值（CLV）和客户获取成本（CAC）。从客户身上赚到的钱比获取他们花掉的钱多自然是好事，但并不简单滴等同于成功。一种衡量方法是：看客户盈亏平衡时间：也就是你收回获取以为客户成本所需的时间。

长漏斗
它是一种分析方法，能够帮助你理解你最初是如何获得客户的注意力，以及客户从最初的到该产品到发生你所期望的行为的全过程。
通常，对漏斗全阶段的监控要求，在起始阶段向数据中注入一些用户跟踪的特征。

科学的漏斗分析模型应该能够实现以下价值：
第一，企业可以监控用户在各个层级的转化情况，聚焦用户选购全流程中最有效转化途径；同时找到可优化的短板，提升用户体验；
第二,多维度切分与呈现用户转化情况，让单瓶颈无处遁形。
第三，不同属性的用户群体漏斗比较，从差异角度窥视优化思路。

在漏斗分析方法中，科学归因、属性关联的重要性。先谈归因。在科学的漏斗分析中，需要科学归因设置。每一次转化节点应根据事件功劳差异（事件对转化的功劳大小）而科学设置。企业一直致力定义最佳用户购买路径，并将资源高效集中于此。而在企业真实的漏斗分析中，业务流程转化并非理想中那么简单。以市场营销为例，市场活动、线上运营、邮件营销都可能触发用户购买。A 欲选购一款化妆品，通过市场活动了解 M 产品，后来在百度贴吧了解更多信息，但是始终没有下定决心购买。后来收到 M 公司的营销邮件，A 被打折信息及详实的客户评价所吸引，直接邮件内跳转至网站购买了该商品。那么，在漏斗设置时，转化归因应该“归”哪一个渠道呢？在这个案例中，运营人员愿意以实际转化的事件的属性为准。邮件营销的渠道在用户购买决策的全流程中对用户影响的“功劳”最大、权重较大，直接促进用户转化。在科学的漏斗分析模型中，用户群体筛选和分组时，以实际转化事件——邮件营销来源的用户群体的属性为准，则大大增大了漏斗分析的科学性。再一起看属性关联。在进行漏斗分析时，尤其电商行业的数据分析场景中，运营人员在定义“转化”时，会要求漏斗转化的前后步骤有相同的属性值。比如同一 ID（包括品类 ID、商品 ID）才能作为转化条件——浏览 iphone6，购买同一款iphone6 才能被定义为一次转化。因此，“属性关联”的设置功能是科学漏斗分析不可或缺的内容。

6 第一关键性指标的约束力

第一关键性指标：就是一个当前阶段高于一切、需要你集中全部注意力的数字。
切忌因能跟踪的数据太多而被带跑了注意力，你可以捕捉所有的数据，但只关注其中重要的那些

在足以验证商业假设的前提下，选择尽可能少的指标作为日常跟踪的对象。

使用第一关键性指标的四大理由：
1、它回答了现阶段最重要的问题。
2、它促使你得出初始基线并建立清晰的目标。
3、它关注的是整个公司层面的健康。
4、它鼓励一种实验文化。

定力初始成功基准