数据-数据指标-分析框架-分析方法
一、数据
数据：量化事物的指标
了解数据的来源
看这个数据的样本范围，提取手段，处理方式等其他手段，才能评断这个数据所反映的问题。
数据分析的错误：忽略沉默用户、错判因果关系，相关关系
二、数据指标
2.1构建数据指标
界定产品目的和目标，根据目标提出假设、预判产品效果。
1.功能设计方案
2.功能目的和目标
3.功能上线后需要跟踪的数据指标，及指标精确定义
举例：
网站注册流程功能的数据统计需求。
做这个功能的意义：让所有新用户快速完成注册流程，并正确提供所需的必要个人信息
所需指标及定义：围绕目标设计所需的数据指标，思考哪些数据指标，可以描述目标完成情况；
比如：每一个注册环节的用户跳出率，每一个注册填写字段的出错率，各类注册错误的出现频次分布等
三、分析数据
对数据足够敏感，能够敏锐的发现数据当中的隐含信息，通过逻辑推理，进一步提出好的追问和假设，然后通过数据或其他手段来验证。
3.1一般思路
发现问题--提出假设--验证假设
-
发现问题
根据数据，全面地描述这个问题。
1.数据指标到底处于什么样的一个水平？
主要通过，横向对比、纵向对比（历史同期水平）分析
2.数据指标是如何变化的？
趋势分析（历史所有的变化）
1.对比分析
横向对比：行业均值、竞争对手的水平
纵向对比：同比，环比
2.趋势分析
整体趋势
周期性
离群点
- 提出假设-验证假设
交叉分析法。
假设，某因素与该问题相关，那么可以加入这个维度，再来分析细分数据的情况。
3.交叉分析法
对数据在不同维度进行交叉展现，进行多角度的结合分析
从多个维度细分数据，从中发现最为相关的维度来探索数据变化的原因。
3.2一般模型框架分析
逻辑分层拆解
逻辑分层拆解
核心指标
逻辑拆解：
找到的指标一定要能够影响核心指标变动，他们之间对应要存在强烈的逻辑关联，在用这些相关指标之前，我们必须清楚的了解他们是如何影响核心指标的。
分层拆解：
第一层：直接解释核心指标变动的大的方向
第二层：针对这个大方向的细分，从而能够将问题定位的更加准确和可操作性
3.3 特殊情况的分析框架：
1.AARRR模型
AARRR模型，通过各个阶段的指标分析，可以了解用户是从哪些渠道引入的，哪些渠道的用户引入的用户转化率高，留存高，什么类型的用户喜欢传播我们的产品
AARRR模型：
获取Acquisition：曝光数、点击数、打开率、下载量、安装量、用户获取成本
激活Activation：设备激活量、新注册用户数、订阅数量、事件达成数、浏览数、日活跃率
留存Retention：次日留存率、7日留存率、距离上次使用时长、DAU/MAU、7日回访率
收入Revenue：付费率、付费频次、客单价、用户价值
推荐Refer：转发数、邀请数、评论数、K因子
2.漏斗模型——流程相关
它可以广泛应用于流量监控、产品目标转化等日常数据运营工作中。之所以称为漏斗，就是因为用户（或者流量）集中从某个功能点进入（这是可以根据业务需求来自行设定的），可能会通过产品本身设定的流程完成操作。
