商品运营师必须要知道

的数据分析精髓！！！

NICK微课堂

现在有越来越多的同学们在问，究竟大数据分析我们应该关注那些

维度，天天在看数据做分析，但就是做不出最优质的商品运营方案和

商品促销规划方案，今天的分享中就和大家一起来探讨商品运营中必须要知道的运营指标和指标分析后要做的事情。

商品运营的核心就是大数据，而企业的信息数据都是要经过沉淀与过滤才能使用，这个过程就必须要我们商品运营人员懂得帮企业去养

自己的数据，在这个部分，我们首先要做的就是必须把数据中的商品

属性统一起来，不能爱那那样，第二点，就必须要控制好信息系统中进、销、存各部分流程的数据规范化录入，不然就会发生我们经常面对到的负库存啦，没库存但有销售等等情况。

就像现在服饰行业中经常听到的：

"没有商品运营之前，市场都是盲目操作的，有了商品运营后就是洞察市场的企业啦。"

商品运营是一个体系化的工程，它可以帮助企业搭建商品进销存结构化的系统，这个系统能通过对企业的大数据分析，找出需求痛点解决运营问题。下面是作为运营，你必须知道的数据指标及指标背后你应该做的事情。

一、以下就是商品运营要经常关注的数据运营指标

我们在做实体店商品运营的时候要分析很多数据标注，售罄率，毛利率，货品成本，连带率，roi，费销比，合理销售额，合理备货率等，如下：

二、客户生命周期管理是运营的开始，而品牌的客户获取是有一个

结构化思维的

品牌客户再发生消费时就会产生动态的消费数据，也是客户RFM数据分析的过程，在客户的动态数据中我们就可以分析出客户的生命周期，从消费动态数据产生的是从客户进店-客户开卡-客户试衣-客户消费的动态过程中，我们就可以分析及制定对应的营销活动刺激客户活跃度和复购率。

客户生命周期要关注的数据指标

我们从用户生命周期图的每一个时期来进行指标分析

引入期：我们较为关注的是在某一个会员增长活动中的新增会员数

期间新增会员数/期初有效会员数，成交量及转化率我们可以在往后一个时间看，在该阶段我们要对会员增长活动用这个指标来做活动成功率分析

成长期：在会员成长期阶段，我们则较为关注期间有效会员的回购率及复购率，在该阶段，客单价及连带率我们可以留待下一个阶段来考核，重点要看的是品牌新增会员对品牌的粘度

成熟期：在会员成熟期，这个阶段不同品牌有不同的定义，通常用

会员开卡时间，或者品牌会员的年龄，不同的定义也会有一个基本维度就是时间，在该阶段，我们则较为关注期间有效会员的客单价，连率及复购率啦，但这3个指标也会受品牌

商品战略规划的影响，也就是品牌大商品企划的影响啦

休眠期及流失期：在该阶段，我们就可以使用RFM会员指标分析啦

该套指标是一个对比指标，围绕各个会员的统计期消费频次

，消费金额，最近消费天数来做KPI指标评分，该阶段我们

要缩定休眠会员或者有机率流失的会员做唤醒活动，比如

大型会员PARTY，大型会员日，或者老客换新卡送礼品等

刺激老客回购活动

三、当我们了解到会员生命周期管理的数据分析指标后，我们就要做商品生命周期的指标分析了

商品生命周期是指市场上的的商品周转期，有严格的标准划分，要经历导入、成长、畅销、衰退这样的周期。就商品而言，也就要经历：研发、导入、成长、畅销、衰退的阶段。

大家通过这个图片也可以很清晰的看出，商品生命周期与客户生命周期的过程是非常相似的，而它们的运营管理方法也是非常雷同

商品导入期：较为关注的各个商控波段的新品试销

在该阶段我们会把各个波段的新品提前投放在品牌各种业务渠道，如微商城，天猫电商或者战略门店，它的核心分析指标是浏览率，加购率及门店的预购数，我们可以通过这些指标了解到每波段新品可能会出现的关键爆品，从而提前操作快反补货（这也是快反商品管理品牌的一个提前预售测算的手法）

商品成长期：较为关注的各个商控波段的新品试销分析/滞销品定位

在商品生命周期第二阶段我们会对该波段商品及下期的合理库存进行复盘，从而较准确的通过近期单品销售趋势分析出畅销款及滞销款，

如果品牌的供应链管理良好，生产速度快速，则可在此阶段才进行爆品补货，而该阶段的分析核心，则是目标售罄率，首单售罄率及预测出每款商品到期末的合理剩余库存，通过这3个指标，我们就可以对各款商品进行快反补货了

商品畅销期：该阶段是每款商品的核心销售期，我们要重点分析出滞销款及制定衰退期时的单品促销规划

在商品生命周期第三阶段尤其是快销品牌，在该时间段中，应为商品上市时间已经有15天，三周，我们可以很清晰的知道每款商品的销售表现，通过复盘分析，我们就可以为销售衰退期要进行降价出清的商品制定促销规划，该阶段我们也要操作商品门店调拨，该阶段的分析核心，目标售罄率，损益售罄率，毛利率及竞品的商品运营活动及品类价格结构带

商品衰退期：这是商品生命周期的最后一个阶段，我们重点关注的是商品促销，该波段商品重组（可延伸到下波段的商品），下波段商品上新

在商品生命周期的最后阶段，是我们波段商品的大促期及退市期，

更要操作下波新品上市试销，这是一个结构化流程，每个波段都要循环操作下去，该阶段的分析核心，商品促销增长率，波段毛利率，波段备货率复盘，波段合理库存复盘。

通过今天的分享，我简单的与大家分享了商品运营师在客户生命周期及商品生命周期各个阶段的销售数据分析维度及指标使用方法，做商品运营管理，最简单粗暴的做法就是分客户管理及商品管理，并且在各个商品运营阶段要设定好操作时间节点，并且在波段开始时制定好商品运营战略大表，预则立，不预则废！！！

只因有你的关注，我们将为做得更好！

来自：数据观 https://shujuguan

DT时代，我们每天都会收获来自各种渠道的海量数据，它们是对我们上一步行动的反馈，但人脑消化数据的能力却是有限的——如何及时洞察数据中的涵义，就需要数据可视化工具的帮助了。然而，图表的类型非常丰富，如何做出正确的选择，达到“一图胜千言”的效果呢？

［数据的五种关系］

首先，我们需要了解，数据通常包含五种相关关系：构成、比较、趋势、分布及联系。

构成

主要关注每个部分所占整体的百分比，如果你想表达的信息包括：“份额”、“百分比”以及“预计将达到百分之多少”，这时候可以用到饼图。

比较

可以展示事物的排列顺序——是差不多，还是一个比另一个更多或更少呢？“大于”、“小于”或者“大致相当”都是比较相对关系中的关键词，这时候会首选条图。

趋势

是最常见的一种时间序列关系，关心数据如何随着时间变化而变化，每周、每月、每年的变化趋势是增长、减少、上下波动或基本不变，这时候使用线图更好地表现指标随时间呈现的趋势。

分布

是关心各数值范围内各包含了多少项目，典型的信息会包含：“集中”、“频率”与“分布”等，这时候使用柱图；同时，还可以根据地理位置数据，通过地图展示不同分布特征。

联系

主要查看两个变量之间是否表达出我们预期所要证明的模式关系，比如预期销售额可能随着折扣幅度的增长而增长，这时候可以用气泡图来展示，用于表达“与……有关”、“随……而增长”、“随……而不同”变量间的关系。

对信息中包含的5种关系，可以简单归纳如下：

构成：占总体的百分比

比较：项目的排名

趋势：如何随着时间变化

分布：项目的频率情况

联系：变量之间的关系

［图表的具体适用场景］

下面，我们具体来看一下图表特点及适用场景：

以下图表均制作于数据观

条图

条图表达比较关系，按照强调的方式可以排列任何顺序，适用于高亮Top3或Top5数据，如在零售行业中统计畅销品的销售情况就是很好的应用。它是最通用的一种图表，应在所有的图集使用中占到25%。

柱图

柱图用高度反映数据差异，用来展示有多少项目（频率）会落入一个具有一定特征的数据段中，比如分析公司人员构成是否存在老龄化现象，可以通过柱图看到25岁以下的员工有多少，25岁到35岁之间员工有多少等这种年龄的分布情况。同时，柱图还可以用来表示含有较少数据值的趋势变化关系。

分析图形有单指标柱图、多指标柱图以及堆叠柱图类型。

（1）、单指标柱图

（2）、多指标柱图

（3）、堆叠柱图

线图

线图可用来反映随时间变化而变化的关系，尤其是在趋势比单个数据点更重要的场合。

在柱图与线图的选择过程中，可以考虑数据的本质。柱图强调的是数量的级别，它更适合于表现在一小段时间里发生的事件，产量的数据很适合这个领域。线图强调的是角度的运动及图像的变换，因此展示数据的发展趋势时最好使用它，存货量就是一个很好的例子。柱图和线图的使用应占到图集看板的50%左右。

线图类型中可以有单线图，还可以在图中进行多指标趋势性比较。

（1）、单线图

（2）、多指标趋势性比较

饼图

构成比例关系时，最好使用饼图，给人一种整体的形象，可以展示每一部分所占全部的百分比，比如产品A预计销售额占到所有产品销售额的最大份额。

为了使饼图尽量发挥作用，在使用中不宜多于6种成分。人的眼睛比较习惯于按顺时针方向进行观察，所以应该讲最重要的部分放在紧靠12点钟的位置，如果没有哪一个部分比其他部分更加重要，那么就应该考虑让它们从大到小的顺序排列。

数据观除了有标准饼图，还提供中空饼图和环形饼图两种类型。

（1）、标准饼图

（2）、中空饼图

（3）、环形饼图

Attention！不适用饼图的情况

饼图是通过面积呈现数据的变化，当各指标所占比例接近时，无法直观的判断面积的大小，此时选择条图来呈现，规律就更加清晰。饼图是应最少使用的图表，在所有的陈述和报告中其使用率应少于5%。

错误的图表类型：

正确的图表类型：

气泡图

气泡图判断两个变量之间是否存在某种关系，可反映五维数据。每个气泡的不同颜色或标签，以及气泡点大小，都可以反映一个维度。一般使用率为10%。

KPI图

最直接显示结果，适用于高亮关注指标值或者差异，可以通过主要指标和次要指标进行体现。信息量避免过多，越直观越好。

面积图

与折线图较为类似，面积图强调变量随时间而变化的程度，也可用于引起人们对总值趋势的注意。用填充了颜色或图案的面积来显示数据，面积片数不宜超过5片。

漏斗图

漏斗图用来表示逐层分析的过程，从一个总值（最顶端），不断除去不关心的部分，最终得到关心的值的过程。

多用于业务流程比较规范、周期长、环节多的流程分析，通过比较各个环节宽窄大小，能够直观地发现和说明问题所在。常见应用场景：电商网站、营销推广、CRM等。

1）电商网站：通过转化率比较能充分展示用户从进入网站到实现购买的最终转化率。2）营销推广：反映搜索营销的各个环节的转化，从展现、点击、访问、咨询，直到生成订单过程中的客户数量及流失。

3）CRM：销售漏斗图用来展示客户各个阶段转化比较。

金字塔图

金字塔图用于展示类似金字塔的层级结构和数据量。例如某个国家的收入分配，金字塔顶部显示高收入类别，逐渐降低到代表低收入的底部。

雷达图

雷达图可以用来表现一个周期数值的变化，也可以用来表现特定对象主要参数的相对关系。

雷达图多用于在财务分析中，用来分析企业负债能力、运营能力、盈利和发展能力等指标。

地图

地图是信息密度最大的数据可视化方式，人们在日常生活中就使用地图，所以能直观理解地图。

数据观基于不同的视觉化原理提供三种地图：区域地图、散点地图和热力地图。

（1）、区域地图

区域地图是按照国家、省市行政区划分，用来展现地理信息，以及与地理位置有关的信息，指标的多少可以用颜色深浅区分。

（2）、散点地图

散点地图基于高德地图实现，通过定位经纬度，用散点来表示所在位置的信息指标。

（3）、热力地图

热力地图以特殊高亮的形式显示访客所在的地理区域的图示，不同颜色反映不同区域密度的分布。

表格

表格可以通过拖拽所关心的指标，如通过一级、二级分类，了解更加明细的数据，起到数据透视表功能。

综合使用

饼图、柱图、条图、线图、气泡图可以组成可视化报告90%图形，其他视觉化展示可以将图表组合起来综合使用。

以上就是为大家提供的图表基本使用原则，适用于日常工作中大多数的图表制作。

最后，希望大家都可以需要根据自己想要表达的信息选择合适的图表，让数据可视化帮助我们的大脑减负，替我们的数据说话。

中商情报网讯：据冶金商会统计，1至9月，145家重点民营钢铁企业（钢产量占全部民营钢企的80%）实现销售收入1.33万亿元，同比增长43.93%；实现利税1273.2亿元，同比增长194%；实现利润932亿元,同比增加645亿元，大幅增长225%。

目前，全国钢铁行业正在由2015年全行业性亏损到2016年的触底反弹，转为2017年全行业进入一个新的盈利周期。

从产量看，2017年10月中国钢材产量为9178.5万吨，同比下滑1.6%。1-10月中国钢材产量为9亿吨，同比增长1.1%。从涨幅看，今年国内钢材产量涨跌幅均小幅波动。

2017年钢材产量及增减变动月度数据表

数据来源：中商产业研究院大数据库

据中商产业研究院发布的《2017-2022年中国钢材行业市场前景及投资机会研究报告》数据统计显示，2016年中国钢材累计产量为11.38亿吨，累计增长2.3%；预计2017年中国钢材累计产量将达11.53亿吨，累计增长约4%。

数据来源：中商产业研究院大数据库

从出口来看，2017年10月中国出口钢材498万吨，同比下滑35.2%；1-10月中国出口钢材6449万吨，与去年同期相比下滑30.4%。

10月中国钢材出口金额39.77亿美元，同比下滑4.9%；1-10月，我国钢材出口金额达451.95亿美元，同比下滑0.3%。

2017年中国钢材出口情况一览表

数据来源：中商产业研究院整理

2016年中国钢材累计出口量为10853万吨，比上一年下降3.4%；2016年钢材出口金额为544.89亿美元，同比下降13.3%；1-10月中国出口钢材6449万吨，预计2017年中国钢材累计出口量将达8万吨。

数据来源：中商产业研究院整理

总的来说，钢材将在2017年仍维持在减产中，因产能下降，钢价微涨，钢铁企业净利润也出现上涨。但我国钢材出口仍下滑，钢企应该提高钢材品质，增加出口量，减轻国内库存，让钢铁行业进出新的增长点。

据某第三方平台近期调研结果显示，在金融创业领域，2013年一家互联网金融创业公司的投资获客成本区间为300-500元，而2016年则涨为1000-3000元；在电商领域，新用户的获取成本，是维护一个老用户的3倍到10倍……

如今，高居不下的获客成本让互联网、移动互联网创业者们遭遇新的“天花板”，甚至陷入“纳不起”新客的窘境。而花费极高成本所获取的客户，可能仅打开一次APP、或完成一次交易，就流白白流失。随着市场饱和度上升，绝大多数企业亟待解决如何增加客户黏性，延长每一个客户的生命周期价值。因此留存分析分析模型备受青睐。

一、什么是留存分析

留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。留存分析可以帮助回答以下问题：

一个新客户在未来的一段时间内是否完成了您期许用户完成的行为？如支付订单等；

某个社交产品改进了新注册用户的引导流程，期待改善用户注册后的参与程度，如何验证？

想判断某项产品改动是否奏效，如新增了一个邀请好友的功能，观察是否有人因新增功能而多使用产品几个月？

有人会疑惑：为什么要做留存分析，直接看活跃用户百分比不行吗？当然不行！如果产品目前处于快速增长阶段，很有可能新用户中的活跃用户数增长掩盖了老用户活跃度的变化。按初始行为时间分组的留存分析可以消除用户增长对用户参与数据带来的影响。通过留存分析，你可以将用户按照注册时间分段查看，得出类似如下结论：“三月份改版前，该月注册的用户 7 天留存只有 15%；但是四月份改版后，该月注册的用户 7 天留存提高到了 20%。”

二、神策分析留存分析模型特点与价值

神策分析留存分析根据实际需求灵活配置条件。可针对事件属性，根据具体需求筛选初始行为或后续行为的细分维度。另外，还可以针对用户属性筛选合适的分析对象。那么，留存分析有哪些价值呢？

第一，留存率是判断产品价值最重要的标准，揭示了产品保留用户的能力。

留存率反映的实际上是一种转化率，即由初期的不稳定的用户转化为活跃用户、稳定用户、忠诚用户的过程。随着统计数字的变化，运营人员可看到不同时期用户的变化情况，从而判断产品对客户的吸引力。

第二，宏观上把握用户生命周期长度以及定位产品可改善至之处；

通过留存分析，可以查看新功能上线之后，对不同群体的留存是否带来不同效果? 可以判断产品新功能或某活动是否提高了用户的留存率？结合版本更新、市场推广等诸多因素结合，砍掉使用频率低的功能，实现快速迭代验证，制定相应的策略。

三、神策分析留存分析应用场景

场景一：游戏行业提升活跃、留存——如何精准找到玩家“流失点”？

游戏的生命周期的时长差异、玩家的游戏粘度，直接体现了游戏的竞争能力和盈利能力。玩家对游戏的直观感受、游戏难度曲线、游戏节奏的松弛、游戏福利等游戏内涵都能够导致游戏玩家流失。正确找到玩家流失原因，是促进玩家、活跃挽留玩家的第一步。《迷城物语》是如何在神策分析做到这一点的？下面为《迷城物语》在删档测试期间的相关应用情景。（注：以下配图所涉及的数据，均为模拟真实应用场景下的虚拟数据）

在神策分析的平台上，可统计流失玩家的等级分布，判断玩家流失与关卡设置的相关性。

图1 玩家在首次登陆游戏之后的8周流失情况分析

上图显示，100～110级、80～90级是玩家流失较多的关卡。为精准导致玩家流失的关键因素，需要每个环节、具体场景进行深入追踪与分析，下略。

场景二：了解新用户的留存

运营人员可以根据新用户启动 App 的时间按日或按月进行分组，得到同期群，观察该群体用户发生投资的7日留存、14日留存或30日留存(可自由选择)，通过比较不同的同期群，可以获知，从总体上看用户留存的情况是否越来越好了。也可以点击“曲线标识”按钮，就可以看到每天留存率的变化趋势了。

图 2 新用户群体七天留存趋势变化

对于 7 日或者 30 日仍留下来做投资的用户，显然是一批忠诚度非常高的用户，什么样的用户群体有这么高的留存率？以 4 月 10 号这天的新用户为例，一共有 1931 个新用户，在第 7 天有 68 人留下来了，点击“68”这个数字，我们进入了用户列表界面。

这里值得强调的是，神策分析支持用户路径分析结果的人群明细查看。迄今为止，神策数据所有用户行为分析中的人群明细均可查看，如下图。

图3 第 7 天用户留存 68 人基本信息明细

这里我们能够看到留存下来的用户的一些详细的基础信息，比如借款次数，借款金额、年龄等，通过总借款次数以及借款金额，可进行用户质量评估；通过年龄可以分析到金融平台吸引的群体用户的年龄分布。

若想深度挖掘高留存用户有哪些共性特征、具体操作流程，以作为后序产品优化与改进的借鉴，则可使用用户分群功能，命名为“ 4-10 号 7 日留存用”然后通过用户路径等其他分析模型进一步深度分析。

第一部分：数据分析框架

为了分析问题的聚焦，我们具体拿互联网电商来举例子说明，至于其他的比如互联网金融、教育、社交等等，可以依此借鉴。

（1）从互联网实体角度分析。我们可以从以下7个角度构建互联网数据分析体系。

买家：基本特征分析、交易行为分析、流量行为分析、售后满意分析等

卖家：基本特征分析、经营效果分析、流量曝光分析、售后满意分析、产品分析等

产品：基本特征分析、交易行为分析、流量曝光分析、售后满意分析等

行业：基本特征分析、经营分析、曝光分析、售后分析、产品分析、买卖家分析等

设备：移动端分析、PC端分析、访问对象分析、cookie分析、session分析等

日志：访问对象URL分析、cookie分析、session分析等

事件：登录、流量、点击、曝光、下单、交易、支付、物流、评价、纠纷、仲裁等分析

这个实体分析方法，可以称得上是万能的数据分析框架，适用于所有的互联网企业。我曾工作过的阿里巴巴、腾讯、随手记等企业，我个人都是按照这个套路去构建互联网的分析体系。

（2）从用户的关键路径进行分析。

关键路径分析方法是一个行之有效的常用分析方法，也是做数据化运营的常用工具。关键路径分析让我们聚焦于核心环节，排除杂音，定位出业务的核心问题，快速的加以解决。在应用关键路径分析时候，我们往往先把可能的结果、以及最关心的结果梳理出来，以结果为导向追溯行为的根本，当然，也可以从行为的初始出发，梳理出所有可能的行为路径，找出关键行为，导向我们最终设计好的结果中去。下面我们举例子说明下：

在电商网站中，我们假设我们运营目标是让用户购买网站上的商品（在这里，我要插说几句，我们的目标有时候不只是购买，在精细化运营中，往往会根据用户的生命周期，确定关键路径的目标，比如对于一个进入期的新买家，我们通常会发一些购物攻略加以指导，针对流失期的买家，关键路径的结果我们可能导向申领我们的优惠劵之类，等等。关于这一部分数据化精细化运营方面，在大数据应用系列的数据化运营小讲，我们会详细加以分享，敬请关注）。刚才谈到，我们假设我们运营目标是让用户购买网站上的商品，那么我们可以把关键路径，也即，用户的购买路径梳理出来：

a.用户登录/注册》搜索关键词》查看商品详情》加入购物车》点击下单》确认付款》确认收货

b.用户搜索关键词》类目和店铺》卖家交流》点击下单》确认付款》确认收货

通过这种关键路径，我们还常常进行漏斗分析，从而进行流量的转化分析，找出影响到达最终结果的关键环节。

（3）从KPI拆解角度分析。

KPI拆解分析方法也是比较常见的互联网分析方法。核心思想是先定一个总体目标，比如今年营收12亿，那么可以把这个指标拆解到各个业务线去，业务线再进行拆分，比如分解为12个月，每个月需要达成营收额，接着，就是达成该营收额，根据流量的转化情况，估算出需要多少的流量，目前平台已有多少流量，需要外拓引流多少流量才能达成目标，这就可以层层的拆解指标，最终或落地到产品团队或部分到运营团队去承担KPI任务。

第二部分：数据分析常用分析方法

常用的数据分析方法有：PEST分析方法、5W2H分析法、4P营销分析法、逻辑树分析法、指标拆分法、对比分析法、漏斗分析法、用户行为分析法、用户生命周期分析法、金字塔分析法等等，下面我们逐个的简单说明下

（1）PEST分析方法

这个方法主要应用于行业研究中。从政治（Political）、经济（Economic）、社会（Social）、技术（Technical），简称PEST角度对一个行业进行比较分析。下面我们举一个例子：我们小讲开始就谈到数据分析行业前景，那么我们在此利用PEST分析下大数据行业前景如何？

（2）5W2H分析法

这个方法主要应用于用户行为研究和专项问题分析，从时间、地点、人物、事情、原因、方式、价格等7个方面对一个问题进行刻画研究。请看如下案例二：

（3）4P营销理论

这个方法主要应用于公司整体经营状况分析，是比较经典的营销分析方法。该方法从产品、价格、渠道、促销等四方面对企业经营状况进行全面分析。请看如下案例三：

（4）逻辑树分析法

这个方法也称作问题树分析方法，主要应用于针对业务存在的问题进行专题分析，是数据分析方法中非常常见的一种分析方法。请看案例四：

（5）指标拆分法

这个方法也是经常适用的方法，特别是为了达成业务目标，我们往往都会先定一个总的目标，然后再初步的拆解指标。下面我们讲讲案例五：

（6）对比分析法

对比分析法是非常常用的基础分析方法，虽然方法特别简单，但几乎所有的分析报告中，都会采取对比分析方法。比如去年同期相比、上个月环比、目标和实际达成相比、各个部门和业务线相比、行业内竞品比较、营销效果对比，等等。这里需要注意的是我们不管是横向比较还是纵向比较，比较的双方一定要有可比性，并且在同一个维度、粒度上去比较，要不是毫无意义的。

（7）漏斗分析法

漏斗分析方法经常应用于产品的转化分析。举个电商的例子：用户登录网站1千万，浏览商品详情页200万，加入购物车80万，下单支付50万，支付成功40万。每一步都是转化率的问题。针对关键路径进行漏斗分析能够帮助我们快速的定位到问题所在。从而能够及时做出决策。

（8）用户行为理论

也称用户的活动周期理论。该分析方法，往往用于对用户的基础研究中。用户行为过程分为认知、熟悉、试用、使用和忠诚5个步骤。

（9）用户生命周期理论

该分析方法，也往往用于用户基础研究中，在互联网领域应用广泛。用户的生命周期分为进入期、成长期、成熟期、衰退期、流失期。每一个阶段用户的行为特征是不一样的，其价值是不一样的，需要精细化的运营。不可急功近利。

（10）金字塔理论

金字塔这个分析方法正好和漏斗分析方法相反，它是基数大，上层小。最初是英国历史学家、政治学家诺斯科特·帕金森(C.Northcote Parkinson)在《帕金森定律》(Parkinson's Law)一书中，论述在行政管理中，行政机构会像金字塔一样不断增多，行政人员不断膨胀，每个人都很忙，但组织效率越来越低下。这条定律又被称为“金字塔上升”现象。后来，人们将这一理论延伸应用，不再只限于本意。大凡是基数大，上层小，符合金字塔特征的研究分析都可以套用到该理论中。所以，金字塔这幅图也常常见于各分析报告中。比如，分析用户群体特征（马斯洛需求层次模型、用户价值模型等等）

综上所述种种数据分析方法，如果在一份分析报告中，能够把这些分析方法都灵活反复体现和应用，那么，这个分析报告一定会比较丰满的。

第三部分：数据分析的流程

数据分析的流程主要分为六步骤，遵循这种方法，一个完整的数据分析项目就出来了。

（1）明确分析目的：我们接到一个分析任务，首先要弄清楚我们分析的对象是什么，要达成怎样的目的，不能陷于为了分析而分析。然后，要熟悉行业和业务，透彻的理解分析的目的，构建起分析的角度和体系。

（2）进行数据准备：我们有哪些数据，通过什么途径可以获取到需要的数据，往往涉及到内部数据和外部数据，内部数据常常是我们的业务库或者基础数据团队建立起来的数据仓库系统，外部数据方面，现在各行各业都有大数据交易源，还有大量的公开市场数据。

（3）进行数据加工处理：主要通过数据清洗工作，对重复值进行去重处理、对异常值错误值进行修正或剔除、对缺失值进行填充修正或删除。如果软件环境为支持大数据量情况下，还需要对数据进行抽样处理。经过这些预处理后，最重要的就是进行数据的计算统计、合并转换，让数据符合目标分析过程。

（4）进行数据分析挖掘：绝大部分的分析目标达成都可以刚才介绍的分析方法外加常见统计分析等达到。主要的分析：整体和组成分析、走势趋势分析、均值方差分析、排序TOP分析、同比环比纵横比较分析、频度频率分析、相关关系分析、数量和比例的双坐标分析、逻辑结构分析、金字塔分析、漏斗图分析、矩阵图分析、指标拆解分析、PEST分析、5W2H分析法、4P营销分析等等。还有一部分分析需要到更高级的数据分析方法才能得到结论。

（5）进行数据结果图表展现：数据分析的目的就是要解决问题的，往往数据分析师不是需求的发起人，那么这就需要数据分析师把分析的数据和结论展现给需求方。最佳的方式就是通过图表，有理有据形象的重点突出且专业的表达出来。根据第（4）步骤的分析，我们可以选取恰当的图标。比如常用的有：折线图、柱形图、条形图、饼图、冒泡图、散点图、矩阵图、雷达图、双坐标图、瀑布图、帕累托图、金字塔图、漏斗图等等。

正如我之前的一篇文章 《图说可视化，报表也能做得如此酷炫！》，讲到帆软报表制作数据可视化的几个关键点。

（6）写出分析报告：数据分析最终的结论全部体现在分析报告中，一个分析师水平如何，只要看他写过的一份分析报告就可以完全清楚了。综合灵活应用这么多的分析方法和各种各样的展示图表，分析报告一定会显得非常丰满。下面一个问题我们再详细和大家讨论数据分析报告的相关事情。

今日荐文

今日荐文的作者为中国电子科学研究院专家周晓龙，张辉。本篇节选自论文《基于时间特性的周期BIT数据分析模型研究》，发表于《中国电子科学研究院学报》第12卷第2期。

摘 要：机内自检（BIT）是系统故障检测的重要手段，在电子系统中被广泛应用。随着系统越来越大，BIT数据越来越多。快速、准确的从BIT记录中获取有效的故障信息，并进行初步的故障隔离，对于大型电子系统事后检测分析具有重要的意义。本文主要研究了周期BIT数据分析方法，提出了利用周期BIT数据的时间标签特性，进行聚类分析，实现故障事件的初步融合，从而为进一步的故障推理提供了唯一性故障数据；论文还讨论了该方法在故障隔离方面的应用情况。

引 言

随着装备信息化程度越来越复杂，综合化水平越来越高，系统的健康状况监控能力越来越强，故障预测与健康管理（PHM）技术在系统研制、装备使用和后续保障中起的作用日益重要，测试性技术得到了快速发展。

在测试性设计技术中，机内测试（Built-in Test，BIT）是一项基础性技术，被广泛应用到各类系统中。机内测试是指系统或设备内部提供的检测和隔离故障的自动测试能力。

机内测试的形式有多种，比较典型的有加电BIT，周期BIT，启动BIT等。其中周期BIT由于具有在线、实时的特性，具有使用和维修辅助的多重用途。但在设计时，往往侧重考虑使用需求，比如实时性、关键参数监控、不干涉使用等。由于周期BIT的这些特性，周期BIT对于维修来说，往往有较多局限。比如，由于周期BIT信息的实时特性，不能反映历史情况，对于不稳定状态不能有效进行监控；受周期BIT机制的影响，周期BIT数据量往往较大，不便于直接应用。以某大型电子系统为例，周期BIT监控设备数百个，工作4个小时存储的BIT相关的数据量数万条。对于简单的数据检索应用来说，应用性不强。同时，由于装备构成复杂，在工作过程中可能出现多个故障，且故障之间可能存在相关性，不能直接将故障事件用于故障推理模型，实现故障隔离。因此，在越来越来多的系统研制中，采用事后数据分析技术，对周期BIT数据进行分析，提升周期BIT的应用价值。

本论文阐述了基于时间序列的数据分析模型，通过对周期BIT事件的进行分析，实现了故障事件提取和初步的故障隔离，为进一步开展基于模型的故障推理（比如基于D矩阵的故障隔离）奠定了基础。

1 周期BIT报故机制

周期BIT是一种实时监控的手段，周期BIT事件报告机制主要有两种：周期性报告机制和事件触发机制。

周期性报告机制的优点是信息可靠，缺点是数据量大。当监控单元数量较多时，网络传输压力和数据分析量将成倍增长。

事件触发机制的优点是数据量小，状态更新及时，一般是在监控对象健康状况发生变化的时候，立即进行报告，包括正常设备发生了故障，故障设备恢复到正常等情况；该机制的缺点是不可靠，可能会由于某些原因造成数据丢包，导致漏报。

对于大型信息系统来说，两种机制都会采用。

当一个故障发生后，会通过故障传播路径向后端系统进行传播，从而可能导致后端系统状态异常。故障影响范围，受系统电气结构和逻辑约束。比如当电源系统出现了故障（故障模式是无输出）后，受供电影响的相关设备都会出现异常。故障传播特性导致了周期BIT数据具有显著的时间特性，比如存在相关性的多个故障，往往在故障报告时间上存在一定的相关性。在时间特性上，相关联故障的报告发生在一定的时间区间内。该时间区间受系统BIT报故机制的约束。对于简单系统，该时间可以很短，比如一个报故周期。对于复杂系统，该时间可能会涉及多个报告周期，甚至更长时间。这种相关性与系统设计有直接的关系。

2 周期BIT数据的事件化模型

在系统工作过程中，周期BIT监控对象一般有3种状态：正常，故障，未知。如图1。在某些设计中，未知状态也可以作为相关监控对象故障状态的一种指示，此时可以用故障状态来表示。对于非故障指示意义的未知状态，不在本文讨论。

图1 任务过程设备状态转换示意图

不同的周期BIT报故机制导致不一样的数据构成。

周期性状态报告机制是通过对系统过程中状态的离散化生成一个状态报告序列，如图2。图中，竖线表示周期BIT报告数据。其中短竖线表示被监控对象为“正常”状态，长竖线表示被监控对象为“故障”状态。下同。

图2 监控状况序列（周期性状态报告机制）

事件触发机制是只在状态变化时进行状态报告，如图3。在不考虑数据丢失的情况下，两种机制的结果是可以互相转换的，本文仅针对第一种形式进行进一步的分析处理。

图3 监控状况序列(事件触发机制)

状态报告序列可看作是一种时间序列。时间序列是按照时间顺序取得的一系列观测值。时间序列可被抽象成二元组R=(O,t) 。其中t为时间变量，O为数据变量，反映数据单元的实际意义。因此，时间序列集合可以描述如下：

R=｛(Oi,ti) ｝，满足ti＜ti+1(i=1,2...) (1)

对于周期BIT来说，Oi表示为状态值（正常，故障）。

3 故障事件的提取

状态报告序列R包含了被监控对象在整个过程中的状态。对于使用和维护来说，故障事件更值得关注。因此，根据R进一步生成故障事件是一种必要的过程。

故障事件需要用3个参数进行标识，Ei=(Oi,ti,dti)。其中Oi表示故障事件，ti表示故障开始时间，dti表示故障持续时间。如图4。

图4 故障事件

从R中提取故障事件，需要按照2个步骤进行：

图5 多设备监控下的事件序列示意图

4 基于时间特征的故障模糊组分析

在经过事件化表示和故障事件提取后，输出结果可以全面的反应系统的故障信息，可用于支撑对系统的维护和维修。但是对于复杂系统来说，监控对象之间交联关系复杂，某监控对象发生故障后，会通过故障传递路径，在系统中进行传播，从而导致相关的监控对象报故，形成故障模糊组。这种现象，导致故障事件信息的混乱，给故障定位带来困难。

解决故障模糊组是故障诊断的重要课题，国内外提出了逻辑模型、信息流模型、多信号流图模型、结构模型、混合诊断模型等不同类型的测试性诊断模型和方法。对于大型复杂系统，由于工作过程中，可能有多个故障同时并发，不满足单一故障条件，会导致故障定位不准确。

本研究提出了基于时间特性的故障模糊组分析方法，是对故障事件信息的预处理。通过本方法形成的故障模糊组，进一步提交给推理机或其他诊断方式，可有效降低后续工作的难度。

基于时间特性的故障模糊组分析方法是利用故障事件的时间特性，进行聚类分析，形成模糊组集合G，使得每个故障模糊组中的故障事件之间存在强的关联性。通过分析故障事件之间的时间相似性，来识别不同的故障模糊组。

本文采用基于时间序列数据的相似性分析进行故障模糊组分析。在基于时间序列数据的相似性分析中，常用方法是计算欧几里得距离。通过欧几里得距离，进行事件匹配。

故障事件Ei=(Oi,ti,dti)，包括的时间信息包括故障开始时间ti，故障持续时间dti。两个故障事件之间的欧几里得距离的d(Ei,Ej)定义如下：

5 工程应用参考

系统的复杂性，会导致阈值d0展宽。d0的取值受2个方面因素的影响，一方面是设计因素，比如周期BIT状态报告周期、信号时延等固有特性；另一方面是数据丢包或网络阻塞延迟的影响。一旦发生了数据丢包，会成倍增加故障上报的时延。因此，阈值d0的确定是一个工程问题。可根据统计试验结果，确定合适的阈值d0。

阈值的确定需考虑2个方面影响：

一是阈值过小可导致较多的故障事件不能相关。可以通过统计评价试验的方式，确定阈值的下限。统计评价指标为相关率，定义如下：

过高的UR会给故障定位带来一定的困难，也可能造成隐藏故障，导致一次维修不充分。但一般来说，误相关的故障会在后续的诊断过程中进行解相关。因此，误相关的危害要小于相关率过低的为危害。从经验来看，90%以上的相关率、10%以下的误相关率是必要的阈值设定参考。

在实际应用中，可通过试验的方式确定阈值，如图6。步骤如下：

a) 根据系统的特性，设置初始阈值。

b) 试验：输入一组BIT数据文件，运行一遍预处理方法，并计算RR和UR；

c) 判断RR和UR是否满足要求；若满足要求，则阈值设置合理；若RR不满足要求，则增加阈值；若UR不满足要去，则减小阈值。

图6 阈值确定过程

6 结 语

本文论述了周期BIT数据分析的数学模型和工程方法，提出了周期BIT事件化表示模型、故障事件提取模型以及基于时间特征的故障模糊组分析模型，同时，论文也讨论了工程中欧几里得距离阈值的确定方法，为周期BIT数据的事后分析提供了可行的思路和参考。周期BIT数据分析结果，可以用于辅助维修人员准确掌握系统工作过程中发生的故障信息，从而支撑故障诊断方法的制定，提高维修效率，具有良好的应用价值。

该方法在项目组研制的维修辅助设备中得到了应用，效果较好。利用该方法，可以快速识别故障模糊组，可辅助维护人员作出相应的诊断决策。同时，对于较复杂的模糊组，该分析结果，可以提交到推理机中，进行进一步的诊断。

（参考文献略）

《 召 集 令 》

身怀学术绝技的你速速前来！

1，有学术水准：一定的专业学术水准是必须的！

2，有独到思想：具深度，广度，锐度者为最佳！

3，内容范畴：自然科学，社会科学等等不设限！

4，资讯或翻译类文章：符合上述条件的均可以。

学术plus咨询/投稿邮箱

xueshuplus@163

《中国电子科学研究院学报》欢迎各位专家、学者赐稿！投稿链接 http://kjpl.cbptki

电话：010-68893411

邮箱：dkyxuebao@vip.126

道家强调四个字，叫“道、法、术、器”。

层次区别：

“器”是指物品或工具，在数据分析领域指的就是数据分析的产品或工具，“工欲善其事，必先利其器”；

“术”是指操作技术，是技能的高低、效率的高下，如对分析工具使用的技术（比如用Excel进行数据分析的水平）；

“法”是指选择的方法，有句话说“选择比努力重要”；

“道”是指方向，是指导思想，是战略。

在数据分析和产品、运营优化方面，数据分析方法是其核心，属于“法”和“术”的层次。

那么如何做好数据分析呢，今天我们来讲讲互联网运营中的十大数据分析方法。

01 细分分析

细分分析是分析的基础，单一维度下的指标数据的信息价值很低。

细分方法可以分为两类， 一类逐步分析， 比如：来北京市的访客可分为朝阳，海淀等区； 另一类是维度交叉， 如：来自付费SEM的新访客。

细分用于解决所有问题。

比如漏斗转化，实际上就是把转化过程按照步骤进行细分，流量渠道的分析和评估也需要大量用到细分的方法。

02 对比分析

对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值， 通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。

常见的对比方法包括： 时间对比，空间对比，标准对比。

时间对比有三种： 同比，环比，定基比。

例如： 本周和上周进行对比就是环比；本月第一周和上月第一周对比就是同比；所有数据同今年的第一周对比则为定基比。通过三种方式，可以分析业务增长水平，速度等信息。

03 漏斗分析

转化漏斗分析是业务分析的基本模型， 最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。

漏斗帮助我们解决两方面的问题：

在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。

在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。

04 同期群分析

同期群（cohort）分析在数据运营领域十分重要，互联网运营特别需要仔细洞察留存情况。 通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。

同期群分析深受欢迎的重要原因是十分简单，但却十分直观。 同期群只用简单的一个图表，直接描述了用户在一段时间周期（甚至是整个LTV）的留存或流失变化情况。

以前留存分析只要用户有回访即定义为留存，这会导致留存指标虚高。

05 聚类分析

聚类分析具有简单，直观的特征， 网站分析中的聚类主要分为：用户，页面或内容，来源。

用户聚类主要体现为用户分群，用户标签法；页面聚类则主要是相似，相关页面分组法；来源聚类主要包括渠道，关键词等。

例如： 在页面分析中，经常存在带？参数的页面。 比如： 资讯详情页面，商品页面等，都属于同一类页面。简单的分析容易造成跳出率，退出率等指标不准确的问题，通过聚类分析可以获取同类页面的准确数据用于分析场景。

06 AB测试

增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。 快速验证，那如何验证呢？主要方法就是AB测试。

比如： 你发现漏斗转化中中间有漏洞，假设一定是商品价格问题导致了流失，你看到了问题-漏斗，也想出了主意-改变定价。但主意是否正确，要看真实的用户反应，于是采用AB测试，一部分用户还是看到老价格，一部分用户看到新价格，若你的主意真的管用，新价格就应该有更好的转化，若真如此，新价格就应该确定下来，如此反复优化。

07 埋点分析

只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。

通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，即可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为。

如： 重度交互（注册，邀请好友等）和交易事件（加购物车，下订单等）则通过SDK批量埋点的方式来实施。

08 来源分析

流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。

传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。

09 用户分析

用户分析是互联网运营的核心， 常用的分析方法包括：活跃分析，留存分析，用户分群，用户画像，用户细查等。

可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标；通过用户行为事件序列，用户属性进行分群，观察分群用户的访问，浏览，注册，互动，交易等行为，从而真正把握不同用户类型的特点，提供有针对性的产品和服务。

用户画像基于自动标签系统将用户完整的画像描绘清晰，更有力的支撑运营决策。

10 表单分析

填写表单是每个平台与用户交互的必备环节，优秀的表单设计，对转化率的提升起到重要作用。

用户从进入表单页面之时起，就产生了微漏斗，从进入总人数到最终完成并成功提交表单人数，这个过程之中，有多少人开始填写表单，填写表单时，遇到了什么困难导致无法完成表单，都影响最终的转化效果。

以上是常见的数据分析方法，更多应用方法需要根据业务场景灵活应用。

这篇文章从整体框架出发，介绍了数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

数据分析目前在国内互联网圈的受重视程度在逐步提升，但是问题也很突出：

大家对于数据分析的认知和理解支离破碎，缺乏一个整体的、系统的思维框架；

大家的视野更多局限在数据报表、BI 系统、广告监测等领域，对于数据以及数据分析其实是缺乏深层次洞察的。

这篇文章就从整体框架出发，介绍一下数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

一、数据分析价值观

如何让数据分析真正发挥价值？我认为必须在

价值认同、工作定位和商业模式

三点上取得突破。

（一）数据分析的价值认同

做好数据分析，首先要认同数据的意义和价值。一个不认同数据、对数据分析的意义缺乏理解的人是很难做好这个工作的。放到一个企业里面，企业的 CEO 及管理层必须高度重视和理解数据分析的价值。你想一下，如果老板都不认可数据分析的价值，那么数据相关的项目在企业里面还能推得动吗？然后，企业内部还需要有数据驱动的公司文化。

如果大家宁可拍脑袋做决定也不相信数据分析师的建议，那么数据分析往往是事倍功半、走一下形式而已，反之则是事半功倍。

（二）数据分析的工作定位

做好数据分析，要对数据分析的价值有清楚的定位。既不要神化数据分析，把它当做万能钥匙；也不要轻易否定数据分析的意义，弃之不用。数据分析应该对业务有实际的指导意义，而不应该流于形式，沦为单纯的 “取数”、“做表”、“写报告”。在 LinkedIn 那么多年的工作时间里面，我们对数据分析的工作早已有了清晰的定位：

利用（大）数据分析为所有职场人员作出迅捷、高质、高效的决策，提供具有指导意义的洞察和可规模化的解决方案

。

当时我们还采用了一套 EOI 的分析框架，对不同业务的数据分析价值有明确的定位。针对核心任务、战略任务和风险任务，我们认为数据分析应该分别起到

助力（Empower）、优化（Optimize）、创新（Innovate）

的三大作用。

（三）数据分析的商业模式

做好数据分析，要对企业的商业模式非常了解。数据分析的最终目的还是服务于企业的增长目标，所以务必要对行业背景、业务含义、产品和用户有着深刻的认知。

还是以 LinkedIn 为例，作为企业增长的重要环节，LinkedIn 在产品设计之初就优先考虑到了数据的价值模式。首先是用户的增长、使用和活跃，然后产生大量的数据，最后根据数据进行业务变现（企业广告、企业招聘、高级账号等）和用户增长，从而不断良性循环。

只有认可分析价值、明确工作定位、深谙商业模式，数据分析才能走在正确的轨道上。

二、数据分析方法论

（一）数据分析的框架

在整个数据分析框架中，用户是数据的来源，也是数据分析最终要服务的对象。整个分析框架可以分为四大层次，依次是：数据规划、数据采集、数据分析和数据决策。

从用户、业务系统，到数据采集平台、ETL、数据仓库， 再到分析、BI、DM、AI、洞察，再到决策、行为、价值，最终回到用户。

上面整个分析框架中，越底层的占用的时间和精力越多，而顶层的耗时较少。从产生的价值来看，越底层的产生的价值越低，越顶层的产生的价值越高。大家想一下就会理解，做数据分析的过程大多时间是耗费在数据采集、清理、转换等脏活累活上面，最有价值的分析和决策部分往往耗时很少。

因此，大家做数据分析应该把重心放在最有价值的分析和决策两个层面上，并且尽可能使用工具实现底层的自动化操作。

（二）数据分析的方法论

数据分析应该帮助我们不断优化营销、运营、产品、工程，驱动企业和用户的增长，而不是为了分析而分析。在这里我给大家介绍两个方法论，一个是业务上的 AARRR 模型，另一个是分析上的学习引擎。

AARRR 是著名的 Growth Hacker （增长黑客）海盗法则，依序分别是 Acquisition（获取用户）、Activation（激发活跃）、Retention（提高留存）、Revenue（增加收入）和 Referral（推荐传播）的首字母简称，覆盖用户整个生命周期。我们在进行数据分析的时候，应该考虑用户正处于 AARRR 模型的哪个部分、关键数据指标是什么、对应的分析方法又是什么？

“ 学习引擎 ” 是《精益创业》一书中提倡的精益化运营方式，在硅谷被大小企业广泛采纳。当我们有一个想法的时候，可以采用最简可行化产品（MVP）的方式将其构建（Build）出来。产品上线后，我们需要衡量（Measure）用户和市场的反应。通过分析收集到的数据，我们可以验证或者推翻我们之前的想法，从而不断学习（Learn）和优化。

（三）数据分析的具体方法

这篇文章的目的不是介绍具体的分析方法，而是为了让大家对整个数据分析能力体系有一个系统的认知，所以我就不对每一个方法进行具体的阐述。

懂得每一种方法的原理是一回事，在业务中灵活应用又是另外一回事。以产品经理为例，可以把“用户行为 – 数据分析 -产品设计 & 优化 ”三位归于一体，在不断的实践应用中掌握各种分析方法的精髓和要义。数据来源于用户，数据分析的最终目的也是服务于企业和用户。做数据分析之前，一定要清晰业务目的和数据指标，选择科学的分析方法，用数据来指导产品和用户增长。

三、数据分析工具篇

（一）为什么工具那么重要？

“ 工欲善其事，必先利其器 ” ！

整个数据框架下面的部分可能花费了 80% 的时间和精力，但是产生了不到 20% 的价值。大家都在搭建数据采集平台、都在写代码埋点、都在做 ETL、都在建 BI 系统，哪里还有更多的时间和人力来做 Analytics 和 Insight 。

以前市面上没有好的数据分析工具，大家都只能自己去部署很多的系统、建立很多的机制，甚至雇佣三四个团队去做一件事。

今天市面上有很多好的工具来帮助我们进行数据分析，为了节省时间、资源（特别是成长型企业），大家完全没有必要内部建造一套分析系统，应该擅用好的工具来帮助自己做数据分析。

（二）选择合适的分析工具

选择什么样的分析工具，跟你的工作岗位、分析场景息息相关。每种场景都有若干种工具可以选择，有些工具也可以用于多种分析场景，关键在于你对工具的熟悉和理解。

Excel 绝对是最基本、最常见的数据分析工具了，对于数据量较小的情况，无论是数据处理、数据可视化还是一些统计分析都能支持。一旦数据量大了，这个时候就需要大型的数据库来支持。

市场营销人员需要对广告投放进行数据分析，网站流量监测是他们关注的重点。产品和运营重点关注用户行为和产品使用，用户行为数据分析工具是他们的首选。

以前大家只关注业务数据，然而这些结果型的数据并不能告诉他们中间发生了什么、为什么发生；现在大家越来越关注精细化运营、对用户行为数据的需求也越来越高，这也是我回国创立 GrowingIO 的原因。

如果你能懂一些 R 和 Python，在数据建模、统计分析、数据科学的方向上有所发展，那么你的数据分析水平就更上一层楼了。

上面说的这三点构成了数据分析的能力体系。只有认同数据分析的价值、掌握数据分析的方法并且灵活应用数据分析工具，才能真正做好数据分析。

本文根据张溪梦演讲内容整理编辑。

作者：张溪梦，GrowingIO 创始人 & CEO

本文节选自 GrowingIO 2017 年第 3 期电子书《产品经理数据分析手册》

本文由 @GrowingIO 原创发布于人人都是产品经理。未经许可，禁止转载。

大学生们就业难，连一些将被社会淘汰行业人员想要转行也不是件容易的事情？其实，很大一部分原因还是因为这些人既不愿意做辛苦的工作，又不愿意工资低，或者是因为没有选择一个前景好的行业。在这样的情况下，不如多多提升自身的技能，选择一个高薪的机会，而大数据就是这样的一个行业。下面西线学院为想要学习大数据的朋友们解答一些疑问。

一、为什么要学大数据？

大数据应用产业发展快速，大数据技术人才需求量大，麦肯锡预测，到2018年，在“具有深入分析能力的人才”方面，美国可能面临着14万~19万人的缺口，而“可以利用大数据分析来作出有效决策的经理和分析师”缺口则会达到150万。国内大数据人才有多大的缺口？目前尚无权威研究报告指出，不过今年2月万达集团的一份“求贤帖”颇能说明问题：万达开出50万~70万元年薪吸纳大数据架构师、大数据研发工程师和算法工程师，应者寥寥。

二、大数据难不难学？

回答是肯定的，大数据的学习是有一定的难度，但是只要你用心去学习，结果不会差。现在很多大数据培训机构都有零基础的课程，就是针对从来没有接触过大数据的朋友们的。其次，在大数据的职位中，如果你实在怕自己学不会，可能数据分析相对来说会简单一些。

这里也想对那些嫌弃自己薪资低又不愿意付出努力提升自己的朋友说：不要在空想了，不努力就踏实做自己现在的工作吧。

三、大数据要学习哪些课程？时间要多久？

课程可能每个培训机构学习的都是不同的，大数据需要java的基础，一般课程会分为R语言，python和大数据部分。时间要看你学习什么课程，零基础课程在4个月左右。西线学院课程每个阶段都有案例和项目结合，从简单到专业一步一步带领学生走进大数据世界，帮助学生顺利走上数据分析师的道路！

四、大数据该选择什么学习方式呢？

学习的方式有自学、视频学习、在线学习和线下学习。那么什么样的学习方式最适合你呢。建议是如果是零基础学习、自控力比较差、自学能力不是很强选择线下培训，有人监督加上交了钱，学习效果肯定要比自学好很多。另一种选择线下培训的情况是想要快速学习，不想办周期拖太长。其他如果是自学能力强，自控力也好的，可以选择自学。

五、大数据的薪资有多少？

大数据行业现在正是用人的时候，对于不少刚毕业的学生，薪资是非常可观的。而且经过沉淀，薪资过万很容易。

六、有没有哪家培训机构是可以保障就业薪资的？

有，但是你的想想，薪资是不是得按照个人的技术掌握情况来定，如果你自己都知道技术掌握不够好，培训机构跟你说保障你1万，你自己会信吗？心里有底吗？所以，薪资的多少，还是要根据个人的学习情况。

以上就是一些关于大数据的疑问解答，说得不对的地方，希望大家根据自身情况吸收。

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊。

一、初创期

初创期的重点在于验证产品的核心价值，或者说验证产品的假设：通过某种产品或服务可以为特定的人群解决某个问题。这个阶段应当遵循MVP(Minimum Variable Product) 的思想，以最小的成本来验证创业的想法，并根据用户的反馈快速迭代以调整解决方案，最终在数据上得到验证。

案例：

拿之前做的某款国外移动端论坛社交应用为例，产品在idea时期(12,13年左右)发现了论坛用户经常在吐槽从移动端Wap页访问论坛速度慢、广告多、完全没有移动端适配，于是我们提出假设：做一个App，连接论坛系统与用户，让论坛用户在移动端也能享受流畅的论坛访问体验，并且用户愿意为了这种体验付费。

于是在初期，整个产品完全围绕看帖、发帖两个核心场景进行挖掘，在论坛里进行宣传，售价$18，发现有许多用户为之付费，且这些用户的留存率达到60%+(当然与用户付费了有关)，有一半的用户使用时长都超过了70分钟。当时没过多久陆续出来了一些竞品 (Vbulletin团队，当时最大的论坛系统，开发了一个移动端的App，意图解决同样的问题)，但是没过多久都远远落在了我们后面，就是因为整个团队遵循MVP的思想，按用户反馈专心反复打磨看帖、发帖的流畅体验，获得了非常好的用户口碑并领先市场，也获得了某著名硅谷投资机构的投资。

关键数据——目标人群画像

除此之外，初创期可以通过接入一些第三方的应用监测SDK来了解初期用户群体的画像，从侧面验证用户群体与假设的目标用户群体特征是否一致，常见的是人口学属性(性别、年龄、学历、地域)。

案例：

今年4月初在和国内某健身类的APP的产品经理聊到， 该APP最初是一款健身、运动记步的工具App，在产品前期新用户的次日留存处于业内平均水平，在其观察到目标用户群体的画像时，发现女性用户明显比男性用户要多，且女性用户留存明显比男性用户要高。于是决定在产品策略上向女性用户倾斜，主攻女性健身、减脂、美容方向的功能以及内容推荐，产品整体次日留存率相比之前增长近100%。

同样，最近服务了一个鹅厂内部客户，他们开发了一款新产品，意在面向年轻人群体，结果却发现其用户年龄分布以青少年和老年人居多：

这正好与他们的用户渠道相关，原来他们有一款面向青少年和老年人的产品，为了给产品带来第一批用户，他们直接从老的产品将用户引流过来，结果发现他们并非产品的目标用户。

关键数据——留存率

在当前用户符合目标受众特征时，核心关注这些用户的留存率、使用时长/频率、用户的黏性等指标，这里就留存率展开来讲。

留存率的维度分很多种(7日，双周，30日等)，依据产品特征来选择，若产品本身满足的是小众低频需求，留存率则宜选择双周甚至是30日;留存率高，代表用户对产品价值认可并产生依赖，一般来说，假设便能得到验证，通常低于20%的留存会是一个比较危险的信号。

介绍一个以数据为驱动的先行指标模型，可以通过找到先行性指标指导产品设计，从而提升留存率。先看下先行性指标的定义，先行性指标是指新用户在使用产品早期的一种产品行为，这个指标与用户的留存率指标之间存在着非常高的线性相关关系，可以预测用户是否会在产品中留存下来。

用自己总结的公式来描述，大致如下：

积极预测可能性(%)：表示用户执行了该行为，即可预测该用户留存活跃的可能性

消极预测可能性(%) ：表示用户如果不执行该行为，即可预测该用户不留存活跃的可能性

最终，先行性指标的可信度=积极预测可能性 X 消极预测可能性 ，我们直接看案例。

案例

拿之前的论坛社交App为假设，假设“用户在注册前10天内添加好友超过7个”为先行性指标，那么我们计算一组数据：

其中，用户前10天内添加好友超过7个，则其30日留存下来可能性为99%;若添加好友小于7个，则其30日不留存下来(流失)可能性为95%，综合指标可信度为0.9405。

同理，计算以下两个先行性指标可信度：

最终，我们得到对比：

以上只是假设的数据，实际上，我们需要对比十几个甚至是二十几个行为指标才能找出先行性可信度最高的行为。

这个模型中第一条“新用户在注册后的10天内添加好友超过7个”，也就是Facebook一个经典的“aha moments”，所谓”aha moments”即当用户意识到产品的核心价值的时刻，也就是我们的“先行指标”。

(Facebook，Instagram推荐好友截图)

除此之外，先行性指标应当满足以下条件：

二、快速成长期

经过了产品打磨的初始阶段，产品有了较好的留存率了，这个时候产品开始进入自发增长期。自发增长期的产品阶段，仍需要关注用户留存、用户时长、用户画像的变化等数据，但可以将侧重点关注在用户的整个生命周期的管理，其中以新用户的增长、激活、触发“aha moments”到产品稳定活跃用户的整个漏斗分析为主。

新用户的增长和激活

其中新用户的增长和激活一般有两种方式，第一种是构建产品的病毒性传播系数, 让产品自发增长，《精益运营数据分析》书中有提到的几个用户病毒式传播分类很有趣：

原生病毒性，即通过App本身的邀请好友功能而传播吸引的新用户的方式;

口碑病毒性，即通过口碑传播，用户主动通过搜索引擎成为的新用户;

人工病毒性，即通过人工干预，如有奖邀请等激励措施来鼓励用户进行邀请行为。

这里关注的一个指标称之为“病毒式传播系数”，感兴趣的同学可以自行深入了解。

新用户下载->激活->‘Aha Moments’->产品稳定活跃

产品开始进入自发增长期后，需要关注用户从新用户到活跃用户(留存后)、到核心用户的生命周期，并将每个过程的关键指标提炼并精细化。

案例

以之前的论坛社交APP为例，新用户进入产品会看到一个欢迎页(如左下图)，经过注册、登录后会看到产品的首页(如右下图的Feed流页面)，多数App都有类似的流程：

一个新用户从进入App欢迎页到最终成为核心用户大概是以下流程：新用户(探索发现产品价值中)-> 旁观者(逐渐认知产品价值并有一定的参与感)->生产者(认同产品价值并积极参与)：

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊：

此时，对各个阶段的用户行为进行指标分解：

新用户&探索发现者：

欢迎页跳出率新用户注册率新用户引导流程转化率初始看到Feed页跳出率搜索结果转化率推送权限开通率

旁观者(路过者)：

平均每个用户关注板块数平均每个用户关注其他用户数平均每个活跃用户赞/分享数Feed卡片展示数Feed卡片点击数订阅内容推送点击率

内容生产者：

· 平均每个活跃用户发帖数

· 平均每个活跃用户发照片、视频数

· 平均每个用户在论坛内使用时长

· 活跃用户在论坛内行为分布

精细化的拆分用户生命周期前中期的行为指标，在产品快速增长期帮助了产品不断打磨细节，将用户从新进到成为核心用户体验不断完善。与此同时，在各节点数据提升并稳定后，产品运营的同学则开始进行各种推广、投放的宣传以扩大盘子、占领市场。

三、成熟期

随着用户快速增长，产品不断完善，产品在进入成熟期前后，数据运营关注的重心开始从用户生命周期的前半段(吸引、激活、留存)往后半段(流失、回流)开始偏移。

这里分享一个在增长期和成熟期关注的数据模板 Daily Net Change (应用自John Egan@Pinterest)，区别于只关注DAU、MAU数据，只关注活跃用户数的增减很多时候都是取悦自己，而这个模型能帮助直观地观察到用户增长的因子是什么，或者用户盘子变化的情况，通过一张图展示了产品的新增、回流和留存情况。

其中Net Change = 新增用户 + 回流用户 – 流失用户。

新增用户即当天有多少新用户加入

回流用户即多少老用户连续28天没有使用，今天又开始使用

流失用户即有多少已有用户刚好最后一次使用应用是在28天前

流失与回流

在关注流失回流的过程中，数据会揭示当前用户盘子的一个变化情况，具体分析流失原因则可以参考下方流程：

核心思路即，通过回访定性+数据验证为主要手段，确定流失原因，改变产品运营策略以预防用户流失或拉回用户，促进回流。

除此之外，对于一些稳定的投放渠道，普通的改善方法可能提升转化有限，此时可以进行更精细化的渠道分析来优化提升ROI：

案例：

提升ROI

四、衰退期

最终，产品进入衰退期，一般在进入衰退期前可以采取两种方式：

1、规模化

常出现在零售业中，如开一家按摩养生店，在一定范围内收获好评，那产品成熟的时候则可以开启连锁加盟模式，通过迅速而广泛的扩大市场形成品牌效应，以形成壁垒，此时衰退的风险则被抵御。

2、生态化

在产品增长或接近完善时，单一的产品很容易存在需求过于垂直、用户无法形成依赖的问题，可以开发具有协同能力的新产品以搭建完整的产品生态，使得在当前产品上无法被得到满足或失去兴趣的用户被引流到新产品，作为新产品的新用户;同时新产品的用户也能在新产品上被引流回老产品，产品之间形成互相依赖的链条，最终用户有效流转，形成生态。