导图社区 高级产品经理必修课
- 20
- 2
- 1
- 举报
高级产品经理必修课
高级产品经理必修课：如果操作请求稍多就非常容易造成数据库服务宕机，而当这样的情况发生在我们的业务数据库中时，就会直接导致用户端无法使用。
编辑于2022-11-10 09:05:43
- 时间管理-读书笔记
时间管理-读书笔记，通过学习和应用这些方法，读者可以更加高效地利用时间，重新掌控时间和工作量，实现更高效的工作和生活。
- 设计史理解理论与方法⭐️（谢尔提·法兰2016）
本书是法兰教授的最新作品之一，主要阐明了设计史的来源、设计史现在的状况以及设计史的未来发展可能等三个基本问题。通过对设计史学科理论与方法的讨论，本书旨在促进读者对什么是设计史以及如何写作一部好的设计史等问题的深入认识与反思。
- 计算机组成原理
《计算机组成原理》涵盖了计算机系统的基本组成、数据的表示与运算、存储系统、指令系统、中央处理器（CPU）、输入输出（I/O）系统以及外部设备等关键内容。通过这门课程的学习，学生可以深入了解计算机硬件系统的各个组成部分及其相互之间的连接方式，掌握计算机的基本工作原理。
高级产品经理必修课
社区模板帮助中心，点此进入>>
- 时间管理-读书笔记
时间管理-读书笔记，通过学习和应用这些方法，读者可以更加高效地利用时间，重新掌控时间和工作量，实现更高效的工作和生活。
- 设计史理解理论与方法⭐️（谢尔提·法兰2016）
本书是法兰教授的最新作品之一，主要阐明了设计史的来源、设计史现在的状况以及设计史的未来发展可能等三个基本问题。通过对设计史学科理论与方法的讨论，本书旨在促进读者对什么是设计史以及如何写作一部好的设计史等问题的深入认识与反思。
- 计算机组成原理
《计算机组成原理》涵盖了计算机系统的基本组成、数据的表示与运算、存储系统、指令系统、中央处理器（CPU）、输入输出（I/O）系统以及外部设备等关键内容。通过这门课程的学习，学生可以深入了解计算机硬件系统的各个组成部分及其相互之间的连接方式，掌握计算机的基本工作原理。
- 相似推荐
- 大纲
高级产品经理必修课
产品迭代四步拆解法
企业战略规划分析
企业战略建模也可以使用一个标准公式来进行拆分
企业战略建模=企业战略+企业经营阶段+战略执行情况
1.企业战略：企业所选择的商业模式与核心竞争策略。
2.企业经营阶段：企业从小做到大所需要经历的不同发展阶段。
3.战略执行情况：企业各阶段需要完成的阶段任务与价值判断指标。
任意一家公司的本质可以划分为如下三个流动模型：
工作流（工作拆分+安排）。
数据流（交易中产生的各种业务数据和财务数据）。
业务流（业务流程管理）。
一个投行中经常用到的评价体系公式：
商业模式评价=市场维度评价+企业维度评价
1.市场维度：市场吸引力；行业吸引力。
2.企业维度：持续经营能力。
市场吸引力（消费者视角）：企业提供了什么服务/产品，消费者是否愿意为该服务/产品的价值进行付费？
行业吸引力（竞争者视角）：我们的服务/产品与众不同的地方在哪儿？本行业的未来发展中会有什么问题需要我们怎么解决？
持续经营能力（企业股东视角）：一个服务/产品能否持续运营，不断创造出正向现金流，而不是只在短时间内挣钱就草草结束了？
为一家企业的成本可以分为两个部分
企业固定成本与企业变动成本。
所企业固定成本，就是指企业在初创时一次性投入的成本。比如，企业的设备购买、土地租赁等
企业变动成本指的是企业在每次履约过程中所要付出的成本。例如，送外卖时给外卖小哥的配送费。
跟CEO学习企业战略研判
：数据分析的本质是为企业战略规划而服务的
企业战略规划
企业战略规划简称企业战
，那么你必须要深刻地理解公司业务发展背后的决策依据——企业战略。
也就是说，我们要从业务分析上升到企业运作维度，让自己成为企业制定发展方向的一个“探针”，去判断企业战略规划是否正确，并学着思考下一步企业战略将怎么制定。
要想成为企业维度的“探针”，首先我们需要先懂得企业战略规划是什么？
企业战略规划简称企业战略（Enterprise Strategy），指的是企业为达成特定的商业目标而定义的一系列企业执行动作的集合。
企业战略规划完整模型
企业战略的两个维度
第一个维度
行业空间测定。就是指要主动分析目前公司主营业务在所在的整个行业发展中处于一个什么样的态势，比如，是否还有发展潜力，是处于收缩阶段还是扩张阶段等。
第二个维度
公司运营分析。实际上就是分析一下企业目前处于什么阶段，是属于启动期、增长期还是成熟期，同时在这些对应的阶段中企业的业务发展情况在监测指标上是否表现正常。
一句话介绍企业战略
企业战略规划是在帮助我们寻找一个处于扩张阶段的行业赛道，并且在企业发展的各个阶段，不断监控企业的关键业务指标是否达到行业平均水平。
数据助理实现黑客增长
黑客增长的执行方法，共分为6步
1）确定增长目标（核心指标）：确定当前产品阶段的核心增长目标，通常是北极星指标的具体指标，如增长用户数、增长订单量等。
2）收集与分析数据：根据具体增长目标制定数据分析方案。
3）假设方案设计：定义能带来增长的尝试性方向是什么，如新增功能、新增活动等。
4）确定增长实验：将上一步提出的尝试性方案设计为功能，并组织实验进行市场投放，然后使用A/B Test进行功能验证。
5）分析实验效果：对多个尝试性方案的增长实验进行逐个测试，以此确定当前产品群体内效果最好的优化方案。
6）系统化全局推广：当确定最优方案后，正式投放至全公司业务中。
判断产品是否可以开始进行用户增长，要关注的唯一指标就是当前产品中现有用户的留存率是否足够高，且产品是否已经拥有了一条清晰的留存渐近线。
用户群的分类
重度使用用户（高价值）：用户黏性高，对产品接纳程度高，愿意为产品付费。
重度活跃用户（重点发展）：产品中有吸引用户的点，也愿意付费但不积极。
一般使用用户（重点转化）：有一定的吸引点，但不愿意为产品付费。
一般活跃用户（重点挽留）：即将流失的用户群，应该推出活动吸引用户返回产品。
用户分群的指标需要自己通过关键指标维度去设定
用户生命周期分层
游客
会员
交易旁观者
交易者
高阶分层模型：RFM模型
维度1，最近一次消费
表示用户的可触达性，R值越大，说明用户发生最后一笔交易的时间距离现在越远；反之，表示最后一笔交易时间距离现在越近。
维度2，消费频率
表示用户的忠实度，F值越大，说明该用户交易越频繁，而对于大多数消费服务平台来说，交易频繁的用户就属于平台中的优质客户。
维度3，消费金额
表示用户的价值，M值越大，说明用户交易金额越大，当然用户价值也就越高，是平台的重点客户。
通过RFM制定的运营方案
重点价值用户/重点活跃用户
是产品的核心用户，也是整个产品现金流的重要来源，运营对策是维持这群用户的消费频次与金额，很多时候我们的活动效果是否能达到预期目标就要看是否触达这里的群体。
重点发展用户/重点挽留用户
是产品的潜力用户，在整个产品中拥有与上面两类用户相同的消费能力，代表着如果我们能找到满足这类用户的价值点，他们就会付费，因此我们需要不断优化产品，去寻找适合他们的价值点，从而不断地将用户培育成第一类用户。
一般价值用户/一般发展用户
是产品的高忠诚用户，虽然整体付费金额不够高，但是对产品的使用频次却很高，所以我们需要定向对他们发送阶梯式优惠券。
一般保持用户/一般挽留用户
是产品流失边缘的用户，我们需要定向对他们推送优惠或大额优惠券来实现这些用户的召回。
渠道增长数据模型
归因分析
首次互动模型分析法
是将后续渠道的触发转化归功于消费者第一次互动的渠道。
优点：容易实施，且可快速统计所有受到该广告影响的用户（如曝光、点击等）。
缺点：在投放渠道多了后，很难追踪第一次吸引用户进入的渠道。
适用场景：初期（第一次）投放市场的产品，目标不仅仅是用户转化也有品牌认知要求。
最终互动模型分析法
将销售转化归功于消费者最后一次互动的渠道，与首次互动模型不同的是，最终的互动计算是以成交作为一次计数判断的。
优点：容易统计与计算，产品不需要设置大量的数据跟踪代码即可完成用户分析。
缺点：缺点很明显，用户的转换往往是在多个渠道的广告综合刺激下才实现的，此时只归功于最后的渠道往往会夸大最后渠道的价值，导致渠道效果评价失真。
适用场景：转化路径短的场景，如App内推荐位转化率。
线性归因模型分析法
会将转化归功于消费者接触的所有路径，并罗列销售转化路径，平均分配贡献权重。
优点：能兼顾所有渠道，并且为每个渠道分配价值。
缺点：线性平均地分配价值，不利于事后寻找价值最大化渠道。
适用场景：市场拓展期的产品，需要以平均值均匀地进行投放，以保证渠道的覆盖面宽度。
产品增长数据模型
Acquisition（用户获取阶段）
目标：本阶段主要是通过不同的渠道获取用户。
Activation（用户激活阶段）
目标：本阶段主要是将获取到的用户进行运营，使其在平台中活跃。
Retention（用户留存阶段）
目标：除了要大规模地引入用户以外，另一个更重要的关注点就是要让这些来的用户都能留在本平台。因此在本阶段我们关注的核心就是产品质量。
Revenue（收入阶段）
目标：本阶段主要关心用户所带来的收入与客户价值。
平均每用户收入ARPU=总收入/总活跃用户
电商的营收=流量×转化率×ARPU
实现电商的收入增长就可以从这三个维度进行优化：
维度1，提高流量，即提高来本平台的用户量，提高用户来本平台后的留存率，提高用户的复购率。
维度2，提高转化率，即提高加购到支付的流程转化。
维度3，提高ARPU，即为有消费能力的用户推荐更高的毛利产品，提高客单价。
Referral（传播阶段）
目标：本阶段主要关心用户所带来的新的用户与为产品带来的市场影响力，这与前面讲解的线下零售模型中的客带客环节是相同的。
通常情况下，我们会使用K因子来计算一个产品的口碑传播能力，具体来说K因子的公式如下：
K=（每位产品用户向好友推荐的人数）×（推荐触达的人群成为产品新用户的转化率）
当K>1时，产品有持续传播性，会不断增长。
当K<1时，产品传播性有限，达到一定水平后会停止。
举个例子来看，假设每个用户平均会向身边50位好友发出邀请，好友的平均转化率为20%，可计算出：
K=50×20%=10
NPS推荐值模型
作用就是能够直接反映用户对产品的喜爱度
NPS的本质就是一个非常简单的客户问题：“您有多大意愿将本产品推荐给身边的朋友？”以此来衡量用户对产品的感觉。
当用户回答该问题时，只需要在从0到10这10个数中做出一个选择即可，0代表完全不愿意，10代表非常愿意，从而将用户对产品的喜好程度进
模型的应用。
图12-9 某App的NPS调查
因此，NPS的本质就是一个非常简单的客户问题：“您有多大意愿将本产品推荐给身边的朋友？”以此来衡量用户对产品的感觉。
当用户回答该问题时，只需要在从0到10这10个数中做出一个选择即可，0代表完全不愿意，10代表非常愿意，从而将用户对产品的喜好程度进行量化统计。
统计后结合用户的意愿选择结果，我们可以将用户分为如下三类：
满意用户（8～10分）：本类用户属于忠实客户，他们会继续使用本产品，并愿意推荐给其他人。
中性用户（4～7分）：对产品没有极端的热爱，也无极端的贬低，当出现行业竞争者时，有一定概率会转移到其他产品中。
厌恶用户（0～3分）：产品没有满足该类客户的需求，这部分用户对本产品持有负面意见。
NPS分值=（满意用户数-厌恶用户数）/总投放调查用户数
数据分析平台完整架构
产品运营数据模型
谓产品运营
就是检测产品内各事件的转化率，并对事件中低转化率环节进行优化，因此产品运营又可以称为事件运营。
数据事件
由一组特殊指标组成的用以追踪或记录用户行为或业务过程的监控体系。
通用事件设计方法
维度1：拆分问题——思考事件的组成层级。
维度2：定义各描述层级——使用不同的指标来描述不同层级的现状。
维度3：结果辅助参考——对结果进行划分，给予辅助参考。
漏斗分析模型
会通过监控一个用户任务从起点到终点各个环节中用户的数量以及转化情况，从而定位流失较大的环节，接下来寻找每个环节的可优化点。
用户运营模型
解决三件事
用户流失：每日平台中有多少用户流失？这是我们每日的用户损耗。
用户召回：平台流失的用户是否可以通过召回进行挽救，从而减少用户的损耗。
用户留存：每日平台新增的用户中有多少留存下来了，这是我们用户的增长。
用户流失
指定时间周期内历史用户不再登录本应用，这部分历史用户称为流失用户。
是对于不同类型的产品，由于用户需求频次不同，所以流失衡量的时间周期长度也各不相同。
所以我们必须要根据自己产品的需求频次来定义对应的流失判定周期。
流失原因
1.自然流失：由于用户对原需求停止而不再使用，这属于自然流失。
2.产品缺陷：初次体验不佳导致流失，如功能缺失/性能不稳定。
3.竞品迁移：用户发现行业中有更好的解决方案提供者，为此转向使用竞品。
流失判断
（当前日期-用户最后一次登录日期）>流失判定周期
例子：如果我们定义的流失判定周期为7天，某用户最后一次登录是在两周前（1月1日），而今天为1月14日，根据公式：14-1>7，因此我们就可以判定该用户已经流失了。
新用户的流失率=当天新用户的流失数/当天新增总注册用户数
用户召回
发现用户流失后，就需要及时启动用户召回来减少我们的用户流失数。
我们需要确定一个临界点，即一旦超过这个临界点，挽回该用户的可能性就几乎为0，此时这个临界点也是我们召回周期设置的最长时间周期
常用的通知方法可以有如下4种形式：
召回邮件。
召回短信。
召回推送。
电话回访
用户留存
留存条件：新产品带来的价值>（迁移成本+学习成本）
留存率是衡量产品留存能力的大小
常用的留存率指标：新增用户留存、活跃用户留存、次日留存、周留存、月留存。
留存渐进线：产品留存率最终维持在一个水平线上，这一水平线称为留存渐进线。
是盈利公式：新增用户×留存率×订单转化率-成本>0，就代表盈利。
杜邦分析模型
是指针对某个指标通过梳理对应的影响因素点，将指标逐层展开，从而将一个指标拆解为由多个因素组成的单位。
当某项业务数据出现波动时，如新增用户数下降，此时我们需要将新增用户数这个指标拆解为由多个因素组成的体系，分析究竟是什么因素导致的数据波动。
数据驱动业务决策框架
数据驱动业务决策框架：如何用适当的分析方法及工具根据当前的数据，识别产品的问题并提取有价值的信息，进而形成有效的结论和解决方案，针对业务的短板进行提升。
新人常见的问题可以归为如下两类：
面对满屏幕的数据指标项手足无措，无法找到关键指标。
进行数据定位后却不知从何种角度给出业务优化策略。
包括以下量部分
日常运营：通过数据分析定位产品问题，保证平稳运行。
黑客增长：通过数据分析发现业务短板，实现业绩增长。
前言
M-P能力模型
M（Market）部分：市场运作能力，即将一个应用投放到市场并盈利的能力。
P（Product）部分：需求生产能力，即将一个想法变成一个App或网页等落地应用的能力。
执行类
低级执行产品经理
高级执行产品经理
筹划类
筹划型产品经理
战略类产品经理
高阶产品经理：掌握了M-P能力模型中偏市场层面的能力，能以大局观来看待整个产品的问题。
数据驱动产品设计概念
数据分析的意义：
如何验证自己所设计的产品及其功能是正确且有效的。换句话说，也就是用户为什么愿意为产品买单
用数据分析来帮助我们在无法与用户沟通的情况下，快速掌握市场反应。
职级：是对某个岗位熟练程度的一种描述，如我们经常听到的产品助理、产品经理、高级产品经理、产品专家、产品总监等。
职能：是对这个岗位具体要从事什么工作及所涉及领域的定义，如增长（负责产品用户增长）、业务（负责功能设计）、数据分析（负责对业务数据的分析）等。
产品经理的分类
业务产品经理
业务产品经理又可以称为功能产品经理。
在对业务逻辑有一个清晰理解的前提下，通过不断地优化，可以使线下工作变得更简单与高效，这就是业务产品经理要做的事情。
这个岗位的要求是必须要非常懂业务，所以我们经常也称其为业务专家。
增长产品经理
增长产品经理的核心目标就是让用户知道我们的这款产品，并且使用它。
会通过如下几种方法来引流获客
广告的投放
营销活动策划
线上线下联动
商业化产品经理
要怎样做才能挣到钱，就是商业化产品经理要考虑的问题了。
商业化产品经理最常见的变现方法有如下几种：
在电商平台设置或制定一些销售策略，如设置定价模型，然后从买卖商品的过程中挣取差价。
面向商家开发新的收费服务，如商城联合品牌开展新品宣发，提供流量曝光。
面向用户开启预充值服务，收取会员费。这几年越来越多的电商推出了自己的会员服务，这就是商业化产品经理规划的成果。
数据产品经理
清晰地定位产品投放市场后的每一步是好还是坏
数据产品经理的日常工作
市场层面
用户运营
说明：分析用户行为与用户留存
常见分析指标：用户标签、点击行为
渠道运营
说明：分析渠道拉新能力与用户质量
常见分析指标：渠道拉新量、ROI
产品层面
产品迭代
说明：分析各功能的市场接受度
常见分析指标：功能使用率、转化率
内容运营
说明：商品分析与咨询阅读分析等
常见分析指标：点击率、转发率
活动运营
说明：分析产品内部运营活动效果
常见分析指标：触达率、点击率、参与UV
闭环产品体系设计模型
企业在将产品投放到市场之后，需要快速判断用户对产品的接受度，接下来要对市场接受的功能进行迭代优化。
对于用户接受度较低的功能，我们要么选择直接砍掉，要么去尝试新的方向，从而快速将这些市场的负面声音转化为正面声音
数据分析师
是满足重点数据结果需求的岗位
例如：整个平台的交易量相较于上周下降了30%，想要知道其中的原因，就需要数据分析师进行归因分析。
数据运营
是满足客户需求的岗位
通过数据及时发现的。
例如，通过数据分析对用户偏好设置标签。
数据产品经理
满足持久性数据需求的岗位
例如，需要监控平台的会员下单率及每日的变化情况，此时就需要数据产品经理去搭建一个数据平台。
数据产品经理的工作场景
工作流程：需求受理—定义问题业务域—明确分析目标—数据源定义—数据分析建模—数据结果可视化
业务不需要数据也可以运行，但是数据分析如果脱离了业务就变得毫无价值了。
数据分析体系入门
数据分析体系通常由数据使用者的分析模型和数据分析平台这两部分构成。
通用数据分析模型
实现通用数据分析模型的方法
1.设置目标：确定当下业务中你的目标及完成现状。
2.问题假说：穷举现状是由哪些问题导致的。
3.数据证明：通过数据来证明该问题会导致怎样的结果。
4.数据分析：分析该问题的成因并形成解决方案。
数据分析平台
在数据分析体系中，数据分析平台的构成包含三大核心要素，分别是北极星指标、数据建模和事件分析。
北极星指标
每个阶段针对具体业务领域确立的商业/业务目标
数据建模
又称为指标体系
DAU、GMV、留存率、订单量等
事件分析
漏斗模型、海盗模型、杜邦分析等
数据分析体系搭建路径
数据业务行动框架
业务现状调研—需求梳理—迭代定义
数据体系调研大纲
数据获取方式：当前业务中获取数据的方式是什么
数据承载系统：当前业务中使用什么系统来管理数据
如何定义北极星指标
你最想让用户用你的产品干什么
注意力博弈（The Attention Game）：用户在你的产品中花费了多少时间。
交易量博弈（The Transaction Game）：用户在你的产品中产生了多少交易量。
创造力博弈（The Productivity Game）：用户在你的产品中创造了多少高价值的内容。
以上三种只能选择一种作为本产品的核心价值指引
北极星指标价值判断维度
本产品当前阶段的核心价值是什么？选取的北极星指标能反映出来吗？
这个指标能反映用户的活跃程度吗？
如果这个指标变好了是否能说明本业务在不断向好的方向前进
这个指标是否容易被整个团队理解，且没有歧义
该指标是属于先导指标还是属于滞后指标
数据分析体系由两部分组成：数据分析平台与数据模型
数据分析平台
负责采集数据、数据清洗以及根据数据算法进行预处理，从而得到一个自助取数平台。
数据模型
作为数据产品经理，需要将一些数据模型传达给业务方，从而教会运营人员使用数据分析平台对这些模型进行分析
演进蓝图RoadMap设计
分阶段划定目标
1.现状分析服务
通过数据确定当前业务的现状，此服务在企业建设初期就必须要开始建设，从而帮助企业者确定企业运营的总体成效。本类分析中最常见的产出就是数据报表。
2.成因分析服务
通过数据确定当前业务现状是什么因素造成的，如用户下单量不高背后的原因。
3.预测分析服务
在找到现象与成因后，我们就可以逐步建立起预测模型，从而预测下一次同类型事件发生时的可能性结果。
例如通过收集过往活动的促销数据预测本年“双11”的订单数据，从而提前备货。
确定招收点目标
数据报表设计
数据报表就是指根据指定的统计维度，每日由系统自动将业务的运行情况汇总计算出来。
如何设计数据报表
明确数据报表需要反映的业务问题
也称之为业务模型定义，就是找到测量业务的指标。
通常在这个时候会选取公司业务在该阶段的北极星指标。
确定报表的数据集范畴
定义数据集，就是指我们需要挑选使用哪些描述型数据来反映公司的核心业务情况。
例如，如果想要反映公司的订单量变化，我们可以用订单量、下单频次、人均下单数这几个指标来进行描述。
数据报表的展现方式
这一步要明确我们应该用怎样的方式来承载数据，是使用数据表格、折线图、直方图，还是扇形图等
数据报表分析法
建立数据参考系
数据参考系作为反映公司业务基准线的事物，它标志着业务的平均水平是怎样的
当单位时间内的数据超过这个基准时，就真正意味着我们的业务处于增长态势，反之就属于衰退态势。
同比/环比
同比
非连续时段下，某个周期的时段与过去上一周期的相同时段进行比较
如今年Q3的交易额与去年Q3的交易额的对比。
同比增长率=（本期值-同期值）/同期值×100%
环比
两个连续时段下，某个时段与时长相等的上一个历史时段进行比较
如本周订单量与上周订单量的对比。
环比增长率=（本期值-上期值）/上期值×100%
数据源管理
数据仓库存在的意义
在企业中对一个产品的数据取用可分为如下两种场景
业务型数据读写
指的是服务具体的用户场景。
这类数据库要求能支撑某时刻的高并发量，但是每次读写的数据却不大。
例如“双11”活动的时候，电商商城可能会出现上万人在同一时间提交下单的情况，但是每个读写操作向数据库提交的数据量却不大，只有订单信息和支付信息等。
分析型数据读写
指的是我们需要对用户数据进行分析。众所周知，一般的业务数据库是用于解决大规模并发小数据量读写场景的
而在挖掘用户行为时，更常见的操作是一次性将全量历史用户数据取出并进行分析，此时对数据库I/O的操作是非常大的
如果操作请求稍多就非常容易造成数据库服务宕机，而当这样的情况发生在我们的业务数据库中时，就会直接导致用户端无法使用。
数据仓库的数据处理体系改造后会分为三个层级
ODS层（原始数据层）
负责从原业务数据库中提取原始数据并存储下来，作为原始数据备份。
在此处获取到的原始数据不可修改，只能向上层提供查询服务，在存储过程中，每个用户行为数据都会形成一条记录。
对于ODS层内的数据，根据同步机制的不同，可将其分为如下两类
离线处理数据：在每日的业务数据产生后，错峰定时推送至ODS层，降低对业务数据库的压力，应用场景主要为订单数据分析、用户数据分析等。
实时处理数据：需要实时计算数据，并实时同步至ODS层，应用场景主要为在新版本发布或重要活动上线后对于核心效果指标进行监控，以便发现问题时可以第一时间进行版本退回。
CDM层
负责数据的清洗与按对象生成数据主题，这里还可细分为两个子层级，即DWD层（明细数据层）与DWS层（服务数据层）
DWD层：负责对ODS层获取到的数据进行清洗（去除空值、删除重复数据等）与标准化（去除超过正常范围的异常数据），得到可用数据。
DWS层：以DWD层的数据为基础，根据业务需求进行聚合、汇总生成主题表与维度表。
ADS层（数据应用层）
对各种数据结果进行加工整合，为各个数据应用提供汇总好的数据集合，如为统计报表提供最终的数据集合。
数据指标
日常的数据分析工作中，我们通常将指标分为如下三大类
产品概要类指标：用于评价产品现阶段的整体情况
产品流量类指标：用于评价产品内用户的数量与质量
客户价值类指标：用于评价产品的盈利状况与可持续性
指标=业务维度描述+技术维度描述
业务维度：阐述清楚这个指标的业务需求是什么，这个指标想要指代什么业务，反映出什么问题等
维度（Latitude）：衡量业务的具体维度，如用户参与次数、业务发生时间、交易频次、订单规模、用户规模、新用户增长规模等。
量度（Particle size）：指标的取值范围与单位，如用户参与人数为“200人”、交易频次为“每周3笔”、用户规模为“20万注册用户”、新增用户规模为“日新增1万注册用户”等。
指标业务维度描述属性
指标名称：用于说明指标是什么，如GMV、核心事件完成率
指标作用：指标是为了监控什么而设立的
指标分类：该指标属于前文提到的三大类指标中的哪类指标，以及具体子类，如产品营收>交易规模类
指标维度：指标衡量的具体业务的哪个维度
指标量度：指标的取值范围与单位
指标展现方式：该指标采用什么样的展现形式，比如数字、图表等
技术维度：是一个指标除了要定义清楚具体的需求外，还要面向技术人员准确定义该指标的实现逻辑，因此该维度也就是技术人员为了实现这一需求而必须了解的内容。
指标技术维度描述属性
数据来源：数据从何处采集，如访客埋点、按钮点击次数统计
数据算法：指如何计算该指标，如活跃用户=今日访问用户/总注册用户
数据更新频率：数据指标多久统计一次，如日活需要在第二天统计计算头一天的数据
数据存储方式：存储中间值或者最终值
指标体系
多个指标以一定的逻辑组合成的能反映当前的业务问题，并能定位业务问题背后原因的指标集合。
问题指示指标：发现并定义问题的指标，如用户数下降中的用户数指标。
原因定位指标：描述全局现状的其他指标，如各渠道新增用户数、流失用户数指标等。
从零开始设计指标体系
指标体系建立的方法论
通常指标体系的建立方法共分如下4步。
1.确定数据分析目标
确定北极星指标
指标满足两个条件
根据业务的定义出发，且有足够细粒度的指标。
该指标不能是假性、虚荣性指标及后见性指标。
2.定义纵向指标维度（层级设计）
不同层级有数据需求的人是哪些
该层级人员关注什么指标
三级指标层
一级指标
能否反映公司概要情况
使用业务概览类指标反映整体业务的运营现状，也就是之前在数据报表中涉及的指标，方便一眼确定业务现状。
二级指标
能否反应产品当前的运营情况
通常为了实现一级指标，都会制定对应的产品运营解决方案，而二级指标就是用来衡量这些解决方案是否很好地实现了一级指标（衡量实现路径效果）的。
三级指标
能否帮助一线人员定位问题，指导运营工作
第三级指标必须要聚焦到用户动作上，从而确定下一步工作，比如，收藏率（用户对商品是否感兴趣）、注册页填写时长（注册页填写任务难度）、回购率（用户第一次购买后，对整体平台的购物体验是否满意）等。
3.定义横向指标维度（指标填空）
自上而下法：由业务域驱动进行指标设计
第一步：完成业务域到需求域的转化。
通过分析实际业务构成点，来拆解一个具体的业务
第二步：完成需求域到实现域的定义。
根据细分的需求目标去寻找能够反映这些目标的指标
OSM分析框架
O（Objective，目标）：用户使用本功能的目标是什么？该功能满足了用户的什么需求？
S（Strategy，策略）：为了达成上述目标，我们采取的业务策略是什么？
M（Measurement，指标）：与这些策略对应的数据指标都有哪些？
自下而上法：由现有系统的功能模块逆推功能指标
由系统功能大纲推导指标范围
我们将系统面向用户提供的功能都罗列出来，如审批流程中有审批发起、审批附件添加、审批人审批、审批状态通知等功能。
根据这几个功能我们可以定义出如下的监测指标范围，如使用审批频率、审批成功次数、审批耗时等，这一步需要我们尽可能地穷举出所有指标。
根据指标范围增添其余指标
4.定义各维度指标项
数据采集管理
需求分两类
定性：业务需要数据化衡量
定量：业务数据化的落地产物——数据指标
数据采集分为两类
透明采集：指看不到原始数据，只能通过统计上报采集，常见的方法如埋点。
透明采集：直接提取业务线中现有的系统数据库中的数据，如日志服务器数据的整理抽取，在POS机的交易数据库中抽取订单数据等
新手采集可能会犯的两个错误
采集数据颗粒度过细，导致应用缓慢
数据统计点过少（颗粒度过大），导致发现问题时无法定位具体原因
数据核心采集方式：埋点
埋点：又称事件追踪（Event Tracking），是指针对特定标识用户的行为或事件进行捕获、处理与传输等操作的全过程。
埋点有三部分组成：：目的、所服务的指标和埋点细节说明
埋点设计的原则
反应事件：必须能准确地获取要监测的事件
监测行为分为三类
点击事件：用户点击按钮触发的事件。
展现事件：用户的操作界面中出现了多少次该事件。
停留事件：用户停留在该页面的时长
描述完整：必须能清晰地反馈用户的完整行为。
有效行为
指触发了带有业务含义的操作，通常用来分析活动/产品的有效性。
比如，Banner广告位点击、推荐商品点击等，据此来得到转化事件的触发率，并评估运营活动/推荐算法的有效性。
点击行为
指用户在产品内的一般性点击，通常用来帮助推进产品迭代。
比如，用户经常误触某些元素，我们就要分析是什么设计误导用户认为那里是可以点击的，从而进行产品迭代，将用户的操作引导到有效行为上。
用户追踪：必须能判断出哪类用户有问题。
埋点的分类
代码埋点
采集方式：设计并定义用户事件，由开发人员编写代码完成采集
缺点：需要产品经理定义，开发工作量大
全埋点
采集方式：无需设计埋点嵌入统计SDK，由其自动统计上报
缺点：数据准确性不高，统计维度单一（用户点击/用户查看）
可视化埋点
采集方式：嵌入统计SDK，在后台页面签订需要统计的事件，由其自动统计上报
缺点：技术成熟性低，支持的可视化选择事件不多，部分自定义业务事件无法统计
服务器埋点
采集方式：通过监测接口调用计算埋点数据
缺点：缺少前端交互，无法判断数据发生场景
埋点方式排序
1.从准确性上来说，代码埋点=服务器埋点<可视化埋点<全埋点。
2.从个人推荐上来说，代码埋点=服务器埋点>可视化埋点>全埋点。
埋点描述公式
4W1H=who+when+where+how+what
什么用户在什么时间点的什么场景中以什么方式完成了哪项用户任务。
who
游客→设备ID（User_ID）（因为没有注册，故使用当前设备的ID进行标识）
注册用户→账户ID（Device_ID）（登录后拥有账户，此时使用账户ID进行标识）
when
客户端时间。
服务器时间（Unix时间戳）
由于会涉及多个终端，因此通常情况下我们都会选用服务器时间（Unix时间戳）进行记录，也就是用户触发该任务时服务器的时间。
where
GPS：获取当前设备所在的经纬度，需在后台转化为地址信息。
IP：在无法获取GPS信息时，只能使用当前用户IP信息获取大致地址信息。
how
设备型号：PC/移动设备，需精确到具体型号
操作系统：安卓、iOS、Windows等
版本号：获取当前使用我们App的版本号
网络：移动数据、WiFi
what
记录用户具体操作的业务对象
数据埋点文档
事件编号：事件唯一编号。
事件名称：事件名称。
事件定义：具体想要分析的事件，如用户在商品列表页的浏览。
事件触发：事件被定义为一个有效事件的触发条件，如浏览时长超过5s。
属性定义：事件中需要采集的数据项，如点击次数、页面浏览等。
属性类型：采集的数据项格式，如日期格式、数字格式等。
补充描述：采集的数据单位与特殊定义。
埋点形式：该事件的采集方式，比如前端埋点、服务器埋点等。