一、数据分析的作用：

1、通过观察数据知道当前发生了什么

2、通过具体的数据拆解，理解为什么发生

3、预测未来会发生什么

4、支撑商业决策

二、数据分析的应用场景：

运营：活动运营、内容运营、商品运营、用户运营（用户分类、用户生命周期）

产品：产品功能、产品体检、产品调研、用户需求调研

市场：商务合作效果、渠道推广效果、投入产出比

三、数据收集：

数据埋点：如uv/pv、用户数、用户停留时间、浏览页面等用户行为数据

第三方的数据平台：如Growing IO、SimilarWeb、Google Analytics、国家统计局网站

问卷调查：线上问卷调查、线下问卷调查、电话回访

四、数据整理：

数据异常表现：空值、波动太大、不同数据源获取的数据矛盾

数据异常原因：系统故障、人为因素

数据如何清洗：删除异常值、平均值填充、通过统计计算值填充、不同数据源的数据交叉验证

五、常用数据分析指标：

网站分析指标：UV、PV、点击率、转化率、网页停留时间、网站停留时间、跳出率、退出率

渠道分析指标：新增用户数、用户转化率、渠道ROI、渠道流量、渠道流量占比

活动效果指标：活动点击率、活动参与人数、活动转化率、活动ROI

收入指标：付费人数、转化率、订单数、客单价、GMV、复购次数、毛利率、毛利额

用户类型指标：新增用户、活跃用户、暂存用户、回流用户、流失用户

用户价值指标：用户最近一次下单时间、用户下单频次、用户消费总金额

六、不同类产品关注指标：

1、电商类产品：

GMV=流量*转化率*客单价

毛利率=流量*转化率*客单价*毛利率

2、工具类/社区类产品：

活跃用户数=新增活跃用户数+已有活跃用户数 =新访客流量*新用户激活率+已有用户数*老用户留存率

3、游戏类产品：

付费收入=活跃用户数*付费率*ARPU =（新活跃用户数+留存用户数）*付费率*ARPU =（渠道流量*转化率+老用户数*次日留存率）*付费率*ARPU

4、O2O类产品：

订单完成率=已完成订单数/需求订单数 = （新用户订单数+老用户订单数）/（新用户需求数+老用户需求数）

七、构建数据分析指标体系：

1、通过收入关联指标拆解数据指标

2、通过用户类型拆解指标 

3、通过用户渠道拆解指标

4、通过流量漏斗拆解指标

八、常用分析框架

1、QQ模型

数量（绝对数）用户数 浏览数 点击数

质量（相对数）留存率 转换率 参与率

2、用户行为理论

认知 网站访问：PV、UV、访问来源

熟悉 网站浏览：平均停留时长、跳出率、页面偏好

站内搜索：搜索访问次数占比

试用 用户注册：注册用户数、注册转化率

使用 用户登录：登录用户数、访问登录比

用户订购：订单数、转化率

忠诚 用户粘性：回访者比率、访问深度

用户流失：用户流失数、流失率

3、5W2H分析法

what 产品提供什么服务？用户核心需求是什么？

who 谁是目标用户？用户有什么特点？

where 用户一般在什么场景使用产品？用户主要分布在哪里？

when 用户在什么时候使用产品？

why 用户为甚什么要使用产品？产品有什么地方吸引用户？

how 用户如何使用产品？用户的使用路径是什么？

how much  用户在产品上花费了多少钱或多少时间？

4、AARRR模型

Refer 推荐

推荐用户数、推荐转化率、被推荐转化率

Revenue 收入

付费用户数、付费用户占比、评价付费金额

Retention 用户留存

用户天然生命周期、用户留存率、不同用户分组留存率

Activation 用户激活

定义用户激活行为、用户激活率、激活漏斗转化率

Acquisition 用户获取

用户获取成本=（营销费用+销售费用）/同时期新增用户数

用户来源渠道：渠道新用户数、渠道新用户占比、渠道成本

5、RFM模型

用户价值分类 R F M 措施

重要保持客户 低 高 高 定期的edm、push、短信等方式的主动联系

重要发展客户 高 低 高 优化产品和服务、帮助用户在平台上活跃

重要价值客户 高 高 高 重点维护对象、适当的核心用户组织建设、权益分发和奖励

重要挽留客户 低 低 高 重点预流失客户、提前做好流失预警措施

6、人货场模型

场：网站、渠道、点位数、展示位置

人：用户数、留存率

货：商品数量、商品动销率、商品单价、客单价

九、常用数据分析方法

1、对比分析法：

用于判断某个数据是好是坏，以及某几个数据之间的差异性

时间对比 同比、环比、变化趋势

空间对比 不同城市、不同产品对比

目标对比 年度目标、月度目标、活动目标

用户对比 新用户vs老用户、注册用户vs未注册用户

竞品对比 渠道、功能、体验和流程、推广和收入

2、分组分析法：

用户数据包含的信息多样化、且各种类型的数据之间差异较大、用于分析不同类型数据之间的差异、经常与对比分析法一起使用

不同时间分组 日、周、月、年

不同产品类型分组 产品属性、产品区域

不同用户类型分组 人口属性、客户价值、消费频次

不同渠道分组 线上渠道、线下渠道、付费渠道、免费渠道

3、逻辑树分析法：分层罗列影响因素，发现问题

通过将复杂数据层层拆解，用于发现复杂数据中的问题和机会

4、漏斗图分析法

用于发现某个行为路径中的问题

5、矩阵关联法：对2-4个重要属性进行分析

当判断某个事物有多重属性时，且各个属性之间没有直接的关联性，需要根据多种属性判断事物的结果。

SWOT矩阵 优势 劣势 机会 威胁

波士顿矩阵 市场份额 市场增长率

满意度矩阵 重要性 满意度