幾乎所有的互聯網公司及傳統企業都不遺余力地宣傳大數據的重要性，但是真正花費精力去做好數據后臺的公司壓根就沒有幾家。即便BAT來說，和數據部門打交道，也免不了被數據分析人員說：這個數我們取不到，實現不了。今天收集了一些外部資料，整理了下數據平臺搭建。

Part １.　數據分析體系構成

1.1常規數據分析：如日報、周報類

1.2專題數據挖掘：如用戶流失率、游戲關卡難度分布等

1.3用戶調研

常規數據分析體系主要是針對平臺總體用戶的指標，查看時間趨勢。常規數據體系具有較大的相似性，包含常規的數據指標。

專題數據挖掘和用戶調研主要是針對特定樣本（如流失用戶，最后登錄時間7天前），查看其行為表現。

而評價某個公司的數據分析體系構成優劣，我認為有以下標準：

１.全面性：是否涵蓋了所有的基礎指標，因為KPI真的是會變的，前半年是活躍度、總用戶數，后半年可能就是銷售額，這也是考量數據人員的前瞻性了。

2. 數據可視化：其實所有的數據文字都可以非常直觀地羅列出來。但是如果更直觀地表示無疑有助于分析人員更加快捷地發現問題。如友盟后臺：圖中的色區從上到下依次對應活躍1天的用戶，活躍2天的用戶......活躍15天的用戶，最紅色部分的用戶對App的粘性最高。圖中的A應用活躍1天的用戶（即新增用戶）增長穩定并且在整個活躍用戶中占比較小，說明這可能是一個處于生命周期成熟期的App，新增的市場空間來自新的移動互聯網網民或者設備更新，同時活躍多天的用戶占比較高，也說明這是一個優質的App。B應用活躍用戶經過急劇的攀升后又出現了下滑趨勢，活躍小于5天的用戶占絕大比例，這可能是一個剛剛處于導入期的App，經過一段時間后不同粘性的活躍用戶都出現了下跌，說明用戶對App的忠誠度并不高，這可能并不是一個強需求或高質量的App。

3. 是否可以快速的篩選和定位用戶。

這可以很好地幫助專項調研。如

篩選

出登錄時間7天內的用戶，觀察其注冊時間、付費情況等，確認流失用戶中是新用戶流失，還是由于老用戶的流失。或者篩選出X月X日杭州地區新登錄用戶，這幫助我們快速地評估地推活動的效果。

Part 2：常規指標體系案例

通常分為3類，用戶、產品和銷售類模型指標，不同類型產品側重點有所變化。

如電商較為關注銷售指標及各個步驟的轉化率

如游戲較為關注產品健康度：各個關卡用戶分布、關卡退出率、失敗率等

2.1用戶指標：如用戶地域分布、使用時長、生命周期、不同等級分布、最后登錄時間

2.2產品指標：流量、推薦位點擊等

2.3銷售指標：充值消費金額等