一图读懂增长黑客-数据分析

数据分析的方法并不需要多么复杂高深的算法与图表，重点是要能看到数据背后的问题。数据分析是增长黑客的必备技能之一。掌握增长黑客思维的基础在于掌握数据分析的思路、数据分析的模型和工具，但如何从数据变化中发现问题和契机，是增长黑客思维的关键技能。

中心主题

• • • 数据分析
    • 一、数据分析的概念和价值
    • 大数据时代
      • 人与人的连接产生数据
      • 设备与设备的连接产生数据
      • 工具服务之间的连接产生数据
    • 大数据【5V】特征
      • 数据量
        • 绝对总量大
      • 速度
        • 产生、获取、更新
      • 广度
        • 数据种类繁多
      • 价值
        • 应用在特定领域
      • 真实
        • 数据可信度高
    • 数据 | 定义
      • 数据是一种量化事物的手段，是一个数字指标，代表了事物现实存在的客观情况
    • 数据分析的价值
      • 不靠感觉、有据可依
      • 量化标准，驱动产品改进
      • 挖掘隐藏需求
      • 提升精细化能力，降低运营成本
  • • 二、搭建业务指标体系
    • 指标
      • 是一种度量，用户追踪和评估商业进程的状态
    • 指标的不同分类方法
      • 基础指标
        • 新增用户、活跃用户、启动次数
      • 流量指标
        • PV、UV、跳出率
      • 使用数据
        • 使用时长、频率、二次访问间隔
      • 业务指标
        • 订单量、客单价、复购率、扫码率
      • 细化指标
        • 女性用户双十一的客单价
      • 成本指标
        • CAC、LTV、PBP
    • 培养数据指标敏感度的方式
      • 多看多记
    • 好的指标
      • 可比
        • 好的指标具有可比较性
      • 简单
        • 好的指标是简单易懂的
      • 比率
        • 好的指标通常是一个比率
    • 注意区别五组不同的指标
      • 定性指标vs量化指标
      • 探索性指标vs报告性指标
      • 先见性指标vs后见性指标
      • 相关性指标vs可付诸行动指标
    • 指标的分层
      • 北极星指标（核心指标）
      • 一级指标
        • 衡量公司战略和目标
      • 二级指标
        • 一级指标的路径
      • 三级指标
        • 二级指标的路径
    • 北极星指标
      • true north metrics
      • 企业为用户带来的核心价值观的体现
      • 是指引公司提升长期价值的方法
      • 明确公司长期优先级，凝聚团队
    • 衡量北极星指标的6个标准
      • 这个指标能否体现产品的核心价值
      • 这个指标能否反映用户的活跃程度
      • 这个指标变好能否说明公司正向发展
      • 这个指标能否被团队理解和交流
      • 这个指标是不是一个可操作的指标
    • 搭建指标体系【OSM模型】
      • 业务指标
        • 公司/业务/产品/功能存在的目的
      • 业务策略
        • 为了达成业务目标所采取的策略
      • 度量方法
        • 合理的度量方法
  • • 三、衡量产品用户体验
    • 用户体验指标体系【HEART模型】
      • H
        • 衡量用户愉悦度、满意度
      • E
        • 衡量用户参与度、活跃度
      • A
        • 衡量新用户接受度
      • R
        • 衡量即有用户的回访、留存
      • T
        • 衡量关键任务的完成情况
    • H：愉悦度-NPS
      • NPS（净推荐率）是一个流行的满意度指标
      • 通常认为，30不错50很好70优异
      • 净推荐值（NPS）=（推荐者数/样本总数）X100%-(贬损者数/总样本书）X100%
    • E：参与度
      • 每天/每周每个用户的平均访问量
      • 每天发生的分享次数等
    • A：接受度
      • 升级速率
      • 新功能的使用比率
      • 新用户的购买转化率
    • R：留存率
      • 衡量用户回访的比例，良好体验能够让用户持续回访
      • 拆分到不同用户分群的留存率，产品功能留存率
    • T：任务成功/失败率
      • 用户能否通过你的产品解决问题/完成任务
  • • 四、数据分析的流程
    • 数据分析的前提
      • 知道分析目标，不要为了数据而数据
      • 做好预期规划，有预期和结果才能对比
    • 数据分析流程
      • 数据获取
        • 数据可以以文件形式进行下载
        • 数据可以通过服务器访问日志查看
        • 数据可以通过交互界面访问
        • 数据可以通过应用程序接口（API）访问
        • 数据可以通过技术抓取手段获得
      • 数据清洗
        • 工具：Excel或Python
      • 数据分析
        • 画像分群
          • 聚合符合某种特定行为/画像的用户，聚类分析
        • 趋势维度
          • 实时快速了解多维度趋势，便于进行产品、市场迅速迭代
        • 漏斗观察
          • 按照已知转化路径，分析每一步骤转化情况
        • 行为轨迹
          • 探索性了解某组用户的行为轨迹
        • 留存分析
          • 了解行为/行为组与回访之间的关联
        • A/B测试
          • 对比不同设计对结果的影响
        • 优化建模
          • 建立预测模型优化商业结果
      • 验证发现
        • 警惕三种谬误
          • 虚假相关
          • 因果倒置
          • 沉默数据
      • 可视化
        • Excel统计图、信息图谱、实时报告图
  • • 五、A/B测试
    • 定义
      • 为Web或App界面或流程制作两个（A/B）或多个（A/B/n）版本，在同一时间维度，分别让组成成分相同（相似）的访客群组（目标人群）随机的访问这些版本，收集各群组的用户体验数据和业务数据，最后分析、评估出最好版本，正式采用
    • 价值
      • 建立数据驱动、持续不断优化的闭环过程；
      • 消除（UX）设计中不同意见的纷争，根据实际效果确定最佳方案
      • 通过对比试验，找到问题的真正原因，提高产品设计和运营水平
      • 通过A/B测试，降低新产品或新特性的发布风险，为产品创新提供保障
    • 进化论与A/B测试
      • 物竞天择，适者生存，提供多个方案并进行测试
      • 不同方案之间只存在一个变量
      • 以某种标准判定结果，筛出最优方案
    • 数据最大的特征是客观性