数据分析体系构建

一、数据分析的目的

1.验证产品模式是否可行

2.验证用户对产品功能的满意度

3.挖掘新的需求，帮助产品、运营进行迭代

二、数据分析流程

1.数据采集

友盟+事件埋点

2.数据清洗

Excel清洗

3.数据分析

Excel + SPSS

4.数据可视化

Excel图表

5.数据迭代

三、数据分析工具

四、数据分析指标

1.定性指标vs量化指标

2.探索性指标vs报告性指标

3.先见性指标vs后见性指标

4.相关性指标vs因果性指标

5.虚荣性指标vs可付诸行动指标

①整体

北极星指标：核心指标

一级指标：衡量公司战略和目标

二级指标：一级指标的路径

三级指标：二级指标的路径

AARRR模型：

A：用户获取

渠道相关：

渠道规模、访问量、访问用户量、拉新能力、新访问用户量、新访问用户量/访问用户总量、渠道质量、访问时长、每次会话浏览页面数、跳出率、用户注册转化率、用户其他转化率、渠道留存率

激活相关：

下载量：已下载应用的用户数量，以及应用商店排名和评分

安装激活量：安装并打开应用的设备数

激活率：激活设备数/安装设备数

新增用户数：新增设备的数量（激活数量，唯一）

注册用户数：所有激活用户中注册成功的用户占比

用户获取成本：每获取一个用户所需要的费用

抛出一个疑问：何为真正的激活？

安装之后打开就算激活吗？注册成功就算激活吗？还是必须得首次体验到产品核心功能才算激活？

A：用户活跃

产品使用规模：

日活、周活、月活跃用户量：一段时间内启动过应用的设备数，表示用户规模

访问量，启动次数：启动应用的次数

活跃系数：日活跃用户数/月活跃用户数（大于0.2比较合适）

平均使用时长：平均每个用户一天使用应用的时间

功能使用率：使用某功能的用户数占活跃用户的比例

新手引导效率：

新手任务完成率

新手任务完成耗时

用户活跃度：

活跃访次/全部访次

各模块用户活跃度

产品转化率：

核心流程转化率

核心转化步骤流失率

R：用户留存

N日留存计算：统计日期新增的用户或活跃用户，在第N天又来使用的比例。

次日留存率

7日留存率

30日留存率

产品留存率：

核心产品功能留存率

抛出一个疑问：当留存率非常低时，如何利用指标发现问题？

次日留存比较低时，说明用户对我们的产品不感兴趣，或者说我们的产品做得太差

7日留存比较低时，说明用户觉得我们的内容不耐玩，不好玩

30日留存比较低时，说明我们的版本迭代规划做得不够好，没有及时给用户更新内容

R：获取收入

销售额、转化率

R：用户传播

推荐用户数量

推荐用户/全部线索用户

NPS

K因子

口碑指数（百度，谷歌）

②局部

1.产品每一个具体功能的用户体验评估

heart模型：

2.产品每一个具体业务的指标

电商类：

UGC内容类：

游戏类：

平均同时在线人数（ACU: Average concurrent users）：即在一定时间段抓取一次数据，以一定周期为期限；周期内的ACU可取时间段的平均数据。[例如：系统每一小时抓取一次数据，全天24小时共24个不同时刻的在线数据，则每天的ACU是这24个数据的平均值（每个公司有每个公司的定义，一般ACU取平均值，若针对某一时刻，则直接在某时刻内直接统计用户数）

最高同时在线人数（PCU:Peak concurrent users）即在一定时间内，抓取最高在线数据。（例如：单天最高在线：系统每小时统计一次数据，全天24小时共24个不同时刻的在线数据，则24个时间段内最高的用户在线数据为PCU）

充值金额（RMB）：即在一定周期内充值总金额。

元宝消费金额（RMB）：即在一定周期内，玩家在游戏商城中的消费总金额（仔细看，充值金额与元宝消费金额有着明显区别，上者受活动影响，下者受商城道具需求影响。）

每付费用户平均收益（ARPPU: Average Revenue Per Paying User)：相似于下载游戏的消费比率，（国内很多人以“ARPU”称呼，个人定义不同），此类数据主要衡量付费用户收益（公式：月总收入/月付费用户数）

平均每活跃用户收益（ARPU: Average Revenue Per User）：主要衡量游戏整体贡献收益；毕竟除了付费收益，活跃用户也能产生收益，（一般国内以此数据为核心，各家算法不同）（公式：月总收入/月活跃用户）

平均生命周期：有新增账户在首次进入游戏到最后一次参与游戏的时间天数。比如记录某一个月，这个月里，每个新增用户的生命周期之和/MAU=平均生命周期。

LTV生命周期价值（LTV: Life Time Value）：约定一个计算的生命周期值(比如上个月的平均生命周期，或者约定为15日，即这个月有15日登陆记录的账户数)，符合这个生命周期条件的账户数中，充值金额的和/条件账户数。

每日注册并登陆的用户数（DNU: Daily New Users）：这个言简意赅，就不详谈了，直接从后台抓取即可。

新登用户中只有一次会话的用户（DOSU: Daily One Session Users）：这个也很简单，此类数据主要衡量新用户的质量，买量的可以参考一下。

每日登陆过游戏的用户数（DAU: Daily Active Users）：直接从字面就能了解了，一般从后台抓取。

七天内登陆过游戏的用户数（WAU: Weekly Active Users）：这个还是很好理解，就不废话了，此类数据主要衡量周变化。

30天内登陆过游戏的用户数（MAU: Monthly Active Users）：浅显易懂，主要衡量产量的粘性以及用户的稳定性。

四、数据分析中的误区

1.忽略沉默用户

2.过度依赖数据

3.错判因果关系

4.通过数据表达方式欺骗

5.妄谈大数据

五、数据分析方法

从统计学的角度看：

按照难易程度分为：基础统计分析、高级统计分析、数据挖掘方法。

常见的分析方法有如下：

①画像分群：聚合符合某种特定行为/画像的用户，聚类分析

②趋势分析：实时快速了解多维度趋势，便于进行产品、市场迅速迭代

③对比分析：与竞争对手比，与过去的自己/版本比

④交叉分析：多维度交叉分析

⑤漏斗分析：按照已知转化路径，分析每一步骤转化情况

⑥回归分析：预测性的建模技术，研究因变量和自变量之间的关系

⑦聚类分析：物以类聚，人以群分，将相似或距离相近的对象/数据归为一类

⑧相关性分析：对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度

⑨行为事件分析/用户路径分析：探索性了解某组用户的行为轨迹

⑩留存分析：了解行为/行为组与回访之间的关联

⑩①A/B测试：对比不同产品设计/算法对结果的影响

⑩②优化建模：建立预测模型优化商业结果

六、数据分析框架/思维

①AARRR模型

不解释了。

②逻辑分层拆解

七、数据应用的场景

产品设计前：通过数据分析发现问题

产品设计中：辅助决策，判断思路（A/B测试）

产品设计后：数据验证方案

数据驱动产品闭环

所谓的数据驱动，其实就是一套量化的发现问题和解决问题的流程，在产品设计的重要环节，数据都在发挥着主观臆断无法替代的作用。

八、回归实际，解决重要的三个问题

①数据如何科学的采集？（关于埋点方式的探讨）

目前市面上有的埋点方式主要是三种：

a.可视化/全埋点

所谓全埋点，就是在产品中嵌入一段SDK，做一个统一的埋点，也叫“无埋点”。

优势：

可视化展示宏观指标，满足基本的数据分析需求；技术门槛较低，使用与部署较简单；用户友好性强

缺陷：

只能采集到用户交互数据，自定义的某些属性无法采集；无埋点兼容性有限，同一按钮可能出现不同名称，造成混乱；属于前端采集的方式，有天然的缺陷，如数据采集不全面、传输时效性差、数据可靠性无法保障等。

b.代码埋点

又分为前端代码埋点和后端代码埋点。前端类似全埋点，所不同的是，对于每一个关键行为，都需要调用SDK，将必要的事件名、属性字段写入代码；后端代码埋点则将相关的事件、属性等通过后端模块调用SDK的方式，发送到后台服务器，这种方式更适合安全性要求高、精细化分析的场景，如金融服务。

c.导入辅助工具

还可以采用日志、数据库的方式生成数据，然后对数据进行转换，通过实时或批量工具完成数据的导入。

那么，如何选择合适的采集方式呢？因企而异。

一般三种都是结合起来用的，只不过看全埋点是用第三方现成的，如友盟、神策数据、growthingio等，还是用官方自己搭建数据分析平台，这要根据公司具体业务来定。

②一款产品在什么时期就要开始做埋点工作了？（尤其是早期冷启动产品）

建议在早期就要有数据分析体系搭建的意识，可能暂时还用不上，如果产品验证还不错，公司资源又跟的上，那建议尽早去做。

③数据深度挖掘算法

现在大家都在谈大数据，大数据该怎么做？怎么智能化？有以下几个方向：

a.决策树模型

b.神经网络

c.机器学习

因为涉及的领域太深、太难，此处不做过多分析。

作者：会弹琴的小哥哥
链接：https://www.jianshu.com/p/ef251a518fdf