不久前，还在考虑报一门优达学院的「商业决策」课程，不过现在，这个课程变得可有可无了。
商业决策的最重要的是什么呢？我觉得不是获取数据、清晰数据这样基本的技能。> 技术流的老司机，都是左手R右手Python，溜得飞起。学会了当然很棒，不会也没关系。
更重要的是，数据分析不是技术流，而是一种思维习惯。它能帮你梳理业务，找到方向，达成目的的数据分析，才是真的数据分析。
相比之下，原本学习的统计思维和合适的数据分析方法，甚至寻找合适的业务数据指标都是更加重要的是事情。
精细化运营的大数据时代，每个互联网从业者都需要：
- 充分理解数据指标体系搭建的目标
- 设计自身科学的产品数据体系
- 了解公司数据上报规范和数据存储计算能力
- 掌握数据分析、数据挖掘和数据可视化的技能
数据分析的三个基础方法：
- 趋势分析
- 对比分析
- 细分分析
趋势分析
一般而言，趋势分析适用于产品核心指标的长期跟踪，比如DAU、DNU、点击率、留存率等。
简单的数据趋势图并不算是趋势分析，趋势分析需要明确数据的变化，并对变化原因进行分析。
在进行趋势分析的时候需要明确两个概念：同比、环比。
同比：与历史同时期比较，例如今年第1月与去年第1月相比较。
环比：环比是连续2个单位周期内的量的变化比，例如今年2月与今年1月数据的对比。
趋势分析的核心目的是对趋势做出解释，解释趋势线中明显拐点的原因，从而帮助业务方及时发现问题。
对比分析
从数据趋势变化独立地看，在很多情况下并不能完全说明问题。
对比分析，就是给孤立的数据一个合理的参考系，否则孤立的数据毫无意义。对比分析典型的应用场景就是A/B test。A/B test的关键是保证两组中只有一个单一变量，其他条件保持一致。比如测试首页的改版效果，就需要保证来源渠道一样，用户质量一样，上线时间保持相同，这样测试出来的数据才有意义。
新老版本迭代的时候，我们一般列出一些指标，来评估版本迭代的好坏。比如访问频次、使用时长、启动次数、关键事件达成率、留存率….我们一般采用对比方式是在新版本发布前后，对比新版本用户和老版本用户各个数据指标前后的差异。
在分析过程中，可能经常得出的结论是：新版本的数据优于老版本的数据。然而真的是这样么？
通常情况下，喜欢升级新版本的用户都是最活跃的用户，因为他们本身对产品的依赖度强，使用频度高，升级的机率自然就大。所以在做此类数据分析，最好选择两个版本发布初期的新用户，保证对比指标之外的其他因素尽可能保持一致。
细分分析
“不细分无分析！”
在当前流量红利逐步消逝的时代，笼统的统计和分析已不能满足需求，我们更迫切需要以数据驱动精细化运营，需要对用户行为的每个点进行细分，才能挖掘到隐藏在其行为背后的真正影响因素，常见的RFM模型、漏斗分析最基础的原理就是细分分析。
细分分析一般有两种，一是逐步细分分析，二是维度交叉分析。
逐步细分分析
逐步细分，顾名思义，是根据分析要求由粗到细、由浅入深，逐步进行细分的过程。当然，这里的步骤有多种解释，可以理解为用户行为分析中的漏斗分析步骤，比如第一步是什么，第二步是什么；也可以理解为对维度进行分解的步骤，比如按地区逐步细分，中国可以细分为北京市、广东省、河北省等省市，广东省又可以细分为广州市、深圳市等，广州市还可以继续往下细分到各区、县等。维度交叉分析
维度交叉分析，即根据不同的维度进行交叉细分，常见的综合交叉分析应用有四象限分析法、RFM模型等。
四象限分析法：按照两个维度交叉分析，在四个象限中对所有内容进行拆分，一般斜对的两个象限（如第一象限和第三象限、第二象限和第四象限）是相对立的，而且是壁垒分明的。如常见的获客渠道分析，需要按照质量和数量两个维度综合交叉分析，将所有渠道按照高质量低数量、高质量高数量、低质量低数量、低质量高数量这四个象限进行分析归类，就能选出ROI最高的推广渠道。
RFM模型：按照三个维度对用户进行划分，分别为Rencency（最近一次消费），Frequency（消费频率）、Monetary（消费金额）。（更多有关该模型的内容请见《06浅谈「用户分层」与「用户分群」》）
细分分析是一个非常重要的手段，多问一些为什么，才是得到结论的关键，而一步一步拆分，就是在不断问为什么的过程。
数据指标体系
什么是数据指标体系
数据指标体系就是将统计指标系统性地组织起来。
指标体系是由指标和体系两部分组成。
- 指标（也称度量）是量化的数值，指标包括用户数、次数、人均次数、时长、点击率、转换率、渗透率、留存率、成功率等。
- 体系是由维度组成，维度是指人们观察、思考与表述某事物的“思维角度”，维度有层次有属性，如用户数中的新老用户、用户城市分布，又如设备分布、版本分布都是维度。维度是数据指标体系的核心，没有维度，单纯说指标是没有任何意义的。
数据指标体系搭建步骤
数据指标体系的搭建过程，整体来讲分为四个步骤：
- 设目标
设立目标是整个体系建立的第一步，如同打地基一样至关重要。未来数据指标体系的模型可用性和迭代程度，很大程度取决于这一步的方向。目标大体上可分为五类，分别是：表现现状、反应问题、预测趋势、评估目标和调整决策。
- 定指标
有了方向就需要划定指标，根据划分标准，指标大体分为三种：关键指标、衍生指标和自建指标。在大量的指标中，同学们需要根据这三种指标结合分析目的进行配比。
指标确定的三个步骤：
1. 定关键指标。根据流程关键点选择指标，并且该指标能够很好地反应业务特征和问题本质。
2. 塑造衍生指标。对关键指标进行重构或计算，辅助关键指标实现对问题的阐述，如关键指标的比值、均值等。
3. 通过建立自建指标验证关键指标的有效性。
- 建模型
建模型其实就是：先确定一个业务目标，将该目标尽可能地进行细化拆解，找出会对目标产生影响的各项指标，并通过某些计算逻辑将这些指标关联起来的过程。
一个好的模型具备：
1. 系统性：即该模型可以全方位系统化地评估目标的实现程度；
2. 可扩展性：是指可扩展的能力，可以通过不断地迭代，提升解决问题的效率；
3. 易操作性：即在实际的统计和分析中该模型易于落地执行，也利于问题的发现。
在纷繁复杂的各种模型中，有些是比较成熟的模型可以直接“拿来主义”，但有些则需要根据业务实际情况进行调整或重建。
- 采数据
数据搜集比较费时，需要根据实际情况，在保障数据质量的同时，提高构建数据指标体系的效率，在减少时间成本的前提下优雅地解决问题。
总之，数据指标体系建立的过程，是一个实践与优化的过程。我们要以事件为核心，圈定范围，明确逻辑，挖掘根源。这样，数据指标体系对于分析的价值才能最大化。
三个数据模型来帮助我们搭建数据指标体系
Web版：PULSE模型介绍
- Page view:页面浏览量
- Uptime:响应时间
- Latency:延迟
- Seven days active user:7天活跃用户数
- Earning:收益
PULSE模型是衡量用户体验的重要指标，也经常被用来度量产品的整体表现。举例来说：如果一款产品响应时间为10秒，那么大部分用户会放弃这款产品；如果一款产品7天活跃用户数仅占全部用户数的1%，那么将很难实现用户的持续增长；如果一款产品有很好的流量却没有办法变现，那么产品将无法长久经营。
用户侧：HEART模型介绍
- Happiness：愉悦度
- Engagement：参与度
- Adoption：接受度
- Retention：留存率
- Task success：任务完成度
HEART模型，是由Google用户体验研究团队设计，衡量提升用户体验的框架模型。我们之所以选择介绍这个模型，是因为它把产品目标与创建指标体系相关联，并包含了宏观和微观的衡量方式。
愉悦度： 是指交互设计给用户带来体验的满意程度。具体指标包括可用性、易用性、推荐意愿、视觉感受度等，指标数据可通过调研问卷得到。 最著名的🌰就是，Google根据愉悦度指标，做出了关停了整个Google Reader的决策。
参与度： 是指用户参与互动的程度。具体指标包括参与时长、频率、深度和参与会话数（取决于产品形态），如访问频率、访问深度、页面停留时间、产生UGC的数量，日活跃度、周活跃度、月活跃度等指标。指标数据可以选择事件埋点并监控数据获得。
接受度： 是指用户对一个功能或者一组功能的接受情况，又或者是新用户接受一个产品的情况。具体指标需要考虑产品功能，比如电商网站的购买、微信发消息发朋友圈、支付宝转账付款、游戏充值、新闻评论等等，我们可以在一定时间范围内观察产品功能的渗透率
留存率： 顾名思义是用户的次日留存率、周留存率、月留存率等数据指标，这需要结合参与度和接受度综合来评估。
任务完成度： 是指任务完成效率和效果。具体指标包括任务完成率、完成时间和错误率，比如从开始注册到最后注册完成的比例和时间，游戏新手任务的完成率和完成时长，用户填写产品反馈、上报错误信息等等。
产品侧：GASM模型介绍
- Goal:目标
- Action：优化
- Signal:表现
- Metric:指标
- GASM是对Google提出GSM指标量化模型的更新，它以目标为结果，通过对目标的设定来倒推过程，精准设定指标体系。
目标：识别明确目标。
- 业务目标、用户目标、产品目标是什么？
- 用户要完成什么任务？我们希望他们按照什么路线走？希望他们执行什么操作？
优化：具体的优化行为。
- 优化增加点，如运营活动、运营文案、产品改进
表现：推衍相对的行为和表现。
- 什么用户行为/态度指示了目标达成？
- 什么样的感受与目标失败/成功相关？
指标：找出关键指标。
- 与合作方充分沟通，确保口径及对象清晰无歧义
- 考虑每个指标的价值，清楚它们的意义
- 少而精，重点关注3-5个最核心的指标
⚠️在指标的选择过程中，需要注意三点：
第一，尽量避免设定同质指标（如，用户在某页面中的点击率和跳出率就是同质指标。用户进入某页面之后只有两种可能性：进行点击操作和不进行任何点击操作【即：跳出】。该页面的点击率和跳出率均受用户点击行为的影响）；
第二，相比于绝对值，应该更关注相对值。因为在大部分情况下相对值比绝对值更具有意义，如比例、百分率或者每个用户的平均值；
第三，不拘泥于已知，一些情况下需要“创造”新的指标。
GASM模型举例
我们不妨来实践一下：通过对某电影APP选座页面调研，我们发现这个页面最大的问题是选座过程中用户选座退出率奇高。
优化时，便根据GASM搭建了一套数据指标体系，形成下面表格，其中Action的部分主要由PM和UI同学担当，具体优化对象和和后续埋点也离不开可爱的RD小哥哥助力：
