你好，我是不二翔叔。
一、數據分析的目的
1.驗證產品模式是否可行
2.驗證用戶對產品功能的滿意度
3.挖掘新的需求，幫助產品、運營進行迭代
二、數據分析流程
1.數據采集
友盟+事件埋點
2.數據清洗
Excel清洗
3.數據分析
Excel + SPSS
4.數據可視化
Excel圖表
5.數據迭代
三、數據分析工具
四、數據分析指標
1.定性指標vs量化指標
2.探索性指標vs報告性指標
3.先見性指標vs后見性指標
4.相關性指標vs因果性指標
5.虛榮性指標vs可付諸行動指標
①整體
北極星指標：核心指標
一級指標：衡量公司戰略和目標
二級指標：一級指標的路徑
三級指標：二級指標的路徑
AARRR模型：
A：用戶獲取
渠道相關：
渠道規模、訪問量、訪問用戶量、拉新能力、新訪問用戶量、新訪問用戶量/訪問用戶總量、渠道質量、訪問時長、每次會話瀏覽頁面數、跳出率、用戶注冊轉化率、用戶其他轉化率、渠道留存率
激活相關：
下載量：已下載應用的用戶數量，以及應用商店排名和評分
安裝激活量：安裝并打開應用的設備數
激活率：激活設備數/安裝設備數
新增用戶數：新增設備的數量（激活數量，唯一）
注冊用戶數：所有激活用戶中注冊成功的用戶占比
用戶獲取成本：每獲取一個用戶所需要的費用
拋出一個疑問：何為真正的激活？
安裝之后打開就算激活嗎？注冊成功就算激活嗎？還是必須得首次體驗到產品核心功能才算激活？
A：用戶活躍
產品使用規模：
日活、周活、月活躍用戶量：一段時間內啟動過應用的設備數，表示用戶規模
訪問量，啟動次數：啟動應用的次數
活躍系數：日活躍用戶數/月活躍用戶數（大于0.2比較合適）
平均使用時長：平均每個用戶一天使用應用的時間
功能使用率：使用某功能的用戶數占活躍用戶的比例
新手引導效率：
新手任務完成率
新手任務完成耗時
用戶活躍度：
活躍訪次/全部訪次
各模塊用戶活躍度
產品轉化率：
核心流程轉化率
核心轉化步驟流失率
R：用戶留存
N日留存計算：統計日期新增的用戶或活躍用戶，在第N天又來使用的比例。
次日留存率
7日留存率
30日留存率
產品留存率：
核心產品功能留存率
拋出一個疑問：當留存率非常低時，如何利用指標發現問題？
次日留存比較低時，說明用戶對我們的產品不感興趣，或者說我們的產品做得太差
7日留存比較低時，說明用戶覺得我們的內容不耐玩，不好玩
30日留存比較低時，說明我們的版本迭代規劃做得不夠好，沒有及時給用戶更新內容
R：獲取收入
銷售額、轉化率
R：用戶傳播
推薦用戶數量
推薦用戶/全部線索用戶
NPS
K因子
口碑指數（百度，谷歌）
②局部
1.產品每一個具體功能的用戶體驗評估
heart模型：
2.產品每一個具體業務的指標
電商類：
UGC內容類：
游戲類：
平均同時在線人數（ACU: Average concurrent users）：即在一定時間段抓取一次數據，以一定周期為期限；周期內的ACU可取時間段的平均數據。[例如：系統每一小時抓取一次數據，全天24小時共24個不同時刻的在線數據，則每天的ACU是這24個數據的平均值（每個公司有每個公司的定義，一般ACU取平均值，若針對某一時刻，則直接在某時刻內直接統計用戶數）
最高同時在線人數（PCU:Peak concurrent users）即在一定時間內，抓取最高在線數據。（例如：單天最高在線：系統每小時統計一次數據，全天24小時共24個不同時刻的在線數據，則24個時間段內最高的用戶在線數據為PCU）
充值金額（RMB）：即在一定周期內充值總金額。
元寶消費金額（RMB）：即在一定周期內，玩家在游戲商城中的消費總金額（仔細看，充值金額與元寶消費金額有著明顯區別，上者受活動影響，下者受商城道具需求影響。）
每付費用戶平均收益（ARPPU: Average Revenue Per Paying User)：相似于下載游戲的消費比率，（國內很多人以“ARPU”稱呼，個人定義不同），此類數據主要衡量付費用戶收益（公式：月總收入/月付費用戶數）
平均每活躍用戶收益（ARPU: Average Revenue Per User）：主要衡量游戲整體貢獻收益；畢竟除了付費收益，活躍用戶也能產生收益，（一般國內以此數據為核心，各家算法不同）（公式：月總收入/月活躍用戶）
平均生命周期：有新增賬戶在首次進入游戲到最后一次參與游戲的時間天數。比如記錄某一個月，這個月里，每個新增用戶的生命周期之和/MAU=平均生命周期。
LTV生命周期價值（LTV: Life Time Value）：約定一個計算的生命周期值(比如上個月的平均生命周期，或者約定為15日，即這個月有15日登陸記錄的賬戶數)，符合這個生命周期條件的賬戶數中，充值金額的和/條件賬戶數。
每日注冊并登陸的用戶數（DNU: Daily New Users）：這個言簡意賅，就不詳談了，直接從后臺抓取即可。
新登用戶中只有一次會話的用戶（DOSU: Daily One Session Users）：這個也很簡單，此類數據主要衡量新用戶的質量，買量的可以參考一下。
每日登陸過游戲的用戶數（DAU: Daily Active Users）：直接從字面就能了解了，一般從后臺抓取。
七天內登陸過游戲的用戶數（WAU: Weekly Active Users）：這個還是很好理解，就不廢話了，此類數據主要衡量周變化。
30天內登陸過游戲的用戶數（MAU: Monthly Active Users）：淺顯易懂，主要衡量產量的粘性以及用戶的穩定性。
四、數據分析中的誤區
1.忽略沉默用戶
2.過度依賴數據
3.錯判因果關系
4.通過數據表達方式欺騙
5.妄談大數據
五、數據分析方法
從統計學的角度看：
按照難易程度分為：基礎統計分析、高級統計分析、數據挖掘方法。
常見的分析方法有如下：
①畫像分群：聚合符合某種特定行為/畫像的用戶，聚類分析
②趨勢分析：實時快速了解多維度趨勢，便于進行產品、市場迅速迭代
③對比分析：與競爭對手比，與過去的自己/版本比
④交叉分析：多維度交叉分析
⑤漏斗分析：按照已知轉化路徑，分析每一步驟轉化情況
⑥回歸分析：預測性的建模技術，研究因變量和自變量之間的關系
⑦聚類分析：物以類聚，人以群分，將相似或距離相近的對象/數據歸為一類
⑧相關性分析：對兩個或多個具備相關性的變量元素進行分析，從而衡量兩個變量因素的相關密切程度
⑨行為事件分析/用戶路徑分析：探索性了解某組用戶的行為軌跡
⑩留存分析：了解行為/行為組與回訪之間的關聯
⑩①A/B測試：對比不同產品設計/算法對結果的影響
⑩②優化建模：建立預測模型優化商業結果
六、數據分析框架/思維
①AARRR模型
不解釋了。
②邏輯分層拆解
七、數據應用的場景
產品設計前：通過數據分析發現問題
產品設計中：輔助決策，判斷思路（A/B測試）
產品設計后：數據驗證方案
所謂的數據驅動，其實就是一套量化的發現問題和解決問題的流程，在產品設計的重要環節，數據都在發揮著主觀臆斷無法替代的作用。
八、回歸實際，解決重要的三個問題
①數據如何科學的采集？（關于埋點方式的探討）
目前市面上有的埋點方式主要是三種：
a.可視化/全埋點
所謂全埋點，就是在產品中嵌入一段SDK，做一個統一的埋點，也叫“無埋點”。
優勢：
可視化展示宏觀指標，滿足基本的數據分析需求；技術門檻較低，使用與部署較簡單；用戶友好性強
缺陷：
只能采集到用戶交互數據，自定義的某些屬性無法采集；無埋點兼容性有限，同一按鈕可能出現不同名稱，造成混亂；屬于前端采集的方式，有天然的缺陷，如數據采集不全面、傳輸時效性差、數據可靠性無法保障等。
b.代碼埋點
又分為前端代碼埋點和后端代碼埋點。前端類似全埋點，所不同的是，對于每一個關鍵行為，都需要調用SDK，將必要的事件名、屬性字段寫入代碼；后端代碼埋點則將相關的事件、屬性等通過后端模塊調用SDK的方式，發送到后臺服務器，這種方式更適合安全性要求高、精細化分析的場景，如金融服務。
c.導入輔助工具
還可以采用日志、數據庫的方式生成數據，然后對數據進行轉換，通過實時或批量工具完成數據的導入。
那么，如何選擇合適的采集方式呢？因企而異。
一般三種都是結合起來用的，只不過看全埋點是用第三方現成的，如友盟、神策數據、growthingio等，還是用官方自己搭建數據分析平臺，這要根據公司具體業務來定。
②一款產品在什么時期就要開始做埋點工作了？（尤其是早期冷啟動產品）
建議在早期就要有數據分析體系搭建的意識，可能暫時還用不上，如果產品驗證還不錯，公司資源又跟的上，那建議盡早去做。
③數據深度挖掘算法
現在大家都在談大數據，大數據該怎么做？怎么智能化？有以下幾個方向：
a.決策樹模型
b.神經網絡
c.機器學習
因為涉及的領域太深、太難，此處不做過多分析。
九、擴展：如何培養數據分析能力
①心法層面
1.好奇心
2.求知欲
寬廣的胸懷，敢于打破常規和局限。
②基礎層面
基礎指標：pv、uv、跳出率、轉化率、點擊數等
學習網站：
http://bluewhale.cc/
書籍：
《統計數據會撒謊》
《深入淺出數據分析》
《誰說菜鳥不會數據分析》
《赤裸裸的統計學》
《深入淺出統計學》
《MySQL必知必會》
《流量的秘密》
《數據之美》
《精益數據分析》
《利用Python進行數據分析》
③對業務足夠了解
④重視數據，保持敏感
時刻關注數據，時刻反思優化
我是不二翔叔，歡迎關注我~
