數產實戰進階6-7
第6章數據指標體系
數據指標需要對業務進行進一步抽象，通過埋點進行數據采集，設計一套計算規則，通過可視化呈現，能夠解釋用戶行為變化與業務變化。常見的指標有PV、UV。
指標的主要類別：基礎指標（訂單數、DAU），復合指標（ARPU、人均章節閱讀數）、派生指標（近三日銷售額）
數據指標的類別：埋點數據、業務數據、財務數據、復合數據
-
埋點數據
- 基本的埋點指標（以APP端舉例）有：啟動用戶數（日活DAU）、新增用戶數、啟動次數、某頁面訪問量（PV）、平均使用時長（排除小于0和大于24小時1440分鐘的臟數據）、平均日啟動次數、次日啟動留存、次日新增留存、標的物被瀏覽次數、簽到人數、某元素點擊人數
- 比較常用的派生指標：累計用戶數、7日平均新增用戶數、7日平均次日留存率、7日平均日使用時長、7日平均活躍用戶、周活（WAU），月活（MAU）
-
業務數據
- 常見的業務數據指標：充值用戶、充值額度、消費總用戶、充值次數、首沖忍人數、消費金額
- 會員人數、新開通人數、老會員續費人數、累計會員收益
-
復合數據
- CPA每個用戶的注冊成本，GMV成交總額，ARPU用戶平均回報，ARPPU付費用戶平均回報，CTR廣告點擊率、CPM廣告展示千次的成本，ROI投資回報率
數據指標的構建，感覺AARRR模型就很合適
第7章AB測試系統搭建
AB測試的特點
- 先驗性：屬于預測型結論，與后驗的歸納行結論差距很大。先驗的可以直接對業務產品進行干預和影響。
- 科學性：通過嚴格的隨機算法將相似的用戶均分到試驗組中，確保每個組的用戶特征的相似性，避免數據偏差
- 嚴謹性：AB測試的結果需要統計學的假設檢驗進行驗證，有著深厚概率統計學的支持
- 成效性：較低成本的小范圍測試，試錯成本低
- 并行性：AB可以將兩個或兩個以上的方案同時驗證，保證了各個版本環境的一致性，更加科學的比較
AB的測試場景，主要有四個，界面測試、功能測試、算法測試、人群測試
- 界面測試：用來優化UI，比如按鈕的顏色設置，字體設置、文案設置等等
- 功能試驗：新功能上線或下線，功能變動試驗。例如APP簽到下線后的用戶反應和影響
- 人群試驗：屬于進階版的AB測試，有兩類：一類是特定人群分流測試不同方案，例如測試90后女性對不同風格首頁的反應。二類是測試不同人群對于同一方案，本質是看不同人群對該方案的認可程度，例如研究不同年齡段人群的復購程度
- 算法實驗：新的推薦算法的效果
AB測試流程：主要分為需求洞察、需求發起、方案設計、需求落實、效果分析五個階段
需求洞察：例如某個設計有點丑，某個位置應該讓出來、應該選擇哪個落地頁
后面流程并不絕對，這里不展開說了
-
方案設計
-
AB的成功需要兩個角色的配合，分別是AB測試系統側來解決分流問題，AB測試產品側解決產品問題
- 分流方案：明確具體的分流算法，明確實驗分層與分組，每組的流量與占比方式，明確分流實驗周期，明確分流的人群與預測分流的風險
- 產品方案：產品原型的設計，效果指標的定義與埋點方案設計
-
需求落實
-
效果分析
-
一般周期不強的，收集兩周就可以做完整分析了，然后結合正態分布、中心極限定理、t檢驗等統計學理論判斷結果是否顯著
- 一般而言，是選擇目標指標95%置信度下的置信區間ab作為參考
-
