业务知识记录
目录
一.认识目标用户
1.1用户分析体系
1.1.1 用户标签
1.1.2用户画像
1.1.3用户需求挖掘
1.1.4用户生命周期
1.1.5用户细分
1.1.6用户分层
1.2用户增长
1.2.1用户增长
1.2.2用户活跃
1.2.5用户流失
二.理解营销策略：数据助力3大场景
2.1营销的基本概念
2.2促销的基本战术
2.3促销的基本运作方式
2.4促销的基本数据需求
2.5运营分析的难点
2.6助力数据分析，从清晰目标开始
2.7数据助力，发现机会，管控过程
2.8数据助力区分场景，提升相应
2.9经营会员体系
三.如何梳理 业务逻辑-<七步成诗法>
四.各行业备战要点
4.1业务知识要懂到什么程度
4.2各行业要点
4.2.1电商行业
4.2.2平台类业务
4.2.3传统行业-会员经营(母婴、美容)要点
4.2.4金融业务--零售金融
4.2.5游戏行业
4.2.6证券行业运营
五.业务知识积累
5.1数据分析基本方法系列
5.1.1解读企业数据
5.1.2埋点应用
5.1.3数据驱动业务
5.1.4ABtest
5.1.5可执行方法保证（5W2H)
5.1.6数据分析方法
5.2专题分析系列
5.2.1营销活动分析
5.2.2销售分析方法
5.1.3多维度分析
一.认识目标用户
业务部门对目标客户的关注点
目标客户分析的核心难点
第一角度：单一订单分析
第二角度：多订单对比分析
第三角度：基础互动行为
第四角度：精准营销互动
第五角度：客户生命周期
第六角度：客户价值分级
客户分析的基础：信息采集方式
客户分析的进阶：标签体系应用
1.1用户分析体系
1.1.1 用户标签
用户标签价值
Part1：制作用户标签步骤
归纳一下，共有7步：
- 从单维度开始
- 设定区分目标
- 进行维度拆解
- 观察区分效果
- 总结经验
- 多维度交叉
- 不断提升效果
#疑惑：有时候标签是根据业务目标而定，当你业务目标变化时，设计标签呢？（个人理解：很可能不建立标签库，或者标签库是动态的）
Part2：用户标签的五大常见问题
1）没有目标，盲目干活
分出来的类别之间有什么差异，有多大差异，压根没检验过。甚至，你问他为啥这么打标签，他说不知道。领导让打，咱就打，管他呢。
2）不区分时间状态
比如打一个“高价值用户”标签，这里“高价值”指的是历史消费水平高，还是未来消费的多？很多人傻傻不分，就统计下历史消费金额，然后消费多的就是价值高。但是谁保证用户过去买的多，未来一定买的多？？完全不一定。
注意：如果我们要打的标签是个未来情况，比如未来消费多，意味着我们要做一个预测：用户未来会消费多少。这里就得基于测试或者建模预测才能得到结论，不能简单基于历史数据统计。
3）行为动机乱归因
我们只知道用户买了A的行为，并不能直接推导出动机；在推导动机的时候要特别谨慎，因为错误的、随意的归因会误导业务行动。明明用户喜欢的是打折，结果缺误判为产品粉丝，最后很有可能狂推一堆产品却没有响应。
4）多目标混合不清
比如评高价值用户，把活跃度和付费金额，付费金额和毛利几个指标混合在一起，美其名曰“综合评价”。结果搞出来一毛不花天天白嫖的用户也是高价值用户。要是都这么折腾公司就得破产了。
这类问题，主要是做数据的同学嫌一个维度一个维度切分不体现数据能力，非得整个模型，算个权重才显牛逼。降维可以做，但牢记整个原则：不同类目标不混合。特别是涉及钱的目标。到底公司赚没赚钱，是个很严肃的事。搞混了，是要喝西北风的
5）结果缺少检验
>很多公司都是为了打标而打标。至于打了标签干什么，用在哪里，效果如何，从来没考虑过。乱象背后深层问题，是这几年大肆吹嘘的“数据中台”、“用户画像”的概念。于是不管数据采集如何，不问业务落地场景，也不想最后实现什么效果，盲目打标签。临到年底汇报，还喜气洋洋说：我们完成了10万标签组成的海量数据库！数仓、模型、可视化啥都有了，就是没人用，最后一地鸡毛。
打标-验证-积累-二次打标的过程，持续的进行迭代。
1.1.2用户画像
用户画像该怎么分析？
>个人感觉说明的不够好或者说贴合具体企业问题，更像是分析而不是用户画像的建立或者设计，不过又借鉴的思路。
Part1：用户画像错误姿势
- 限于数据，动不敢动：很多人脑海里立刻蹦出了性别，年龄，地域，爱好等基础信息字段，然后大呼：我们好像没这个数据，于是放弃分析了，贴用户标签有很多方式，不要限于一些难采集的基础信息。
- 罗列数据，没有思路：本能的就开始把数据库里的用户标签往外搬，至于摆完这些数据干什么，完全没有考虑过。这种分析结果，当然让人看完一头雾水。迷茫的发问：“所以呢？又怎样呢？”
- 无限拆分，没有逻辑：一听到类似“流失用户画像分析”一类相对具体的分析题目，就开始无限拆解数据。分性别，年龄，地域，设备，注册时间，来源渠道，购买金额……拆了几十个维度看流失率。最后，只看到有的维度差5%，有的差10%，当然没有最后结论啦，越看越糊涂
以上问题，都是太过纠结于用户画像四个字，忽视了分析两个字导致的。用户画像作为一个基础数据体系，本身并没有分析功能。单纯的罗列用户标签或者拆解用户指标，也起不到分析作用
Part2：用户画像分析思路
step1：转化商业问题
用户画像分析，本质上是从用户的角度思考问题。
举个简单的例子，比如新上市产品销售未达预期，我们既可以从产品管理的角度来思考问题，也能从用户角度来思考问题。同样一个问题，会有两种思考方式（如下图所示）：
用户画像只是分析的一个工具，和其他分析一样，也要先考虑：我要解决的实际问题到底是什么。想清楚了，再把问题转化成用户相关的问题，就能继续使用用户画像分析方法了。
需要注意的是，商业问题是很复杂的。往往一个问题，可能与若干用户群体、若干用户行为有关。比如上边的例子，就至少和三个用户群体（潜在用户、流失用户、存量用户）涉及到用户态度、信息接收、购买流程、使用体验等多方面。因此更得分门别类，把分析线索和分析逻辑理清楚，找到对应的数据。不然一锅炖，光列性别，年龄，地域，也解释不了任何问题
step2：宏观假设验证
转化完问题后，先宏观上对假设进行检验非常重要，能有效避免无限拆解的错误，（先做假设聚焦、检验或定位问题）。
如果大方向都不成立，细节更不用看了。还是新产品卖不动的问题，如果要从大方向验证，可以简单如下进行：
- 如果怀疑大环境不好，那应该全品类受影响。
- 如果怀疑竞品竞争力强，那应该竞品直接影响到我们产品
- 如果怀疑运作太差，那本次商品转化漏斗上势必有一环掉链子
- 如果以上有假设验证，可以进一步深入分析
- 如果以上假设都不成立，可能还需要新假设
先进行大方向检验，可以有效缩小怀疑范围。怀疑范围越小，后续对用户分析可以越精确。同时，当数据不足的时候，怀疑范围越小，越能够集中力量收集数据，改善数据质量，做出有精度的分析。用户的分类维度可以有几百个之多，如果不加筛选的做拆解对比，很有可能在数十个维度上都有差异，最后完全读不懂数据。在拆解以前聚焦假设，非常重要。
step3：构建分析逻辑
宏观验证以后，可以基于已验证的结论，构建更细致的分析逻辑。在这个阶段，实际上已经把原本宏大的问题，聚焦为一个个小问题，比如：
举一个具体场景：已验证：我们却受竞品影响
- 子问题1：目标用户的需求是什么？
- 子问题2：目标用户对竞品体验如何？哪些需求点最被触动？
- 子问题3：目标用户对本品体验如何？哪些差距是致命伤？
- 子问题4：竞品/本品在硬功能，软宣传上差距如何？
这四个子问题，都可以通过对用户需求与行为的深入挖掘得到答案，下一步可以继续深入了。须注意的是，这一部分的分析需要大量用户态度、潜在用户、竞品用户的研究，单靠内部数据不能完成，必须通过外部调研。
再看另一个场景：已验证：本次新品上市操盘却有问题
- 子问题1：问题出在预热、发布、上市、推广哪个阶段
- 子问题2：上市阶段大量用户未能响应，广告投放出了什么问题
- 子问题3：推广阶段销量未能引爆，为啥没有激发核心用户需求
- ……（可进一步问太多，简单举例如上）
这些问题，可以分两方面解决：
一方面，通过对不同类型用户对比，如
- 核心/普通
- 购买/未购
- 触达/未触达
用户进行对比，找到投放、奖励活动、购买品类、金额等细节上差异，从而调整投放、营销、产品补货等业务。
另一方面，通过对核心用户画像，让业务更看清楚，真正爱买的人
- 来自哪个渠道
- 通过什么主题
- 需要什么样优惠
- 在什么时机下单
让业务更多的去抓这些核心用户，而且改善后续表现。
需要注意的是，这一部分用户来源、信息投放响应，购买行为，主题阅读，完全可以通过内部系统记录。即使不知道他是男是女，我们也能通过投广告，发内容，做优惠吸引到他们。
step4：获取用户数据
用户画像分析如果真的想深入用户，就得依赖多种数据来源。很有可能是内外部数据双管齐下的。考虑到内部数据可能采集不全，外部数据存在抽样误差问题，在使用数据上就得有取舍，有重点。这也是为啥前边一直强调逐步验证，缩小假设的原因。聚焦了才好采集数据。
一般来说，
- 越是偏态度、体验、情感类问题，越倾向于用调研的方法
- 越是偏行为、消费、互动类问题，越倾向于内部的数据分析
- 如果想了解竞品，就拉竞品用户调研，或针对竞品网店爬虫
在有条件的情况下，还是尽量推动内部数据丰富。不然事事依赖调研，数据没有积累，以后也难做。
step5：归纳分析结论
如果以上几步做好了，在最后推分析结论就是水到渠成的事，完全不费力气。实际上，用户画像分析最大的问题都是出在前五步的。
当然用户画像有其他很多用处，比如支持新品开发，支持推荐系统，支持自动营销系统，支持投放系统等等，作分析只是它一小块作用。
1.1.3用户需求挖掘
引言
错误案例故事：
一个小哥来五金店买钉子，买钉子是因为他想挂一幅画，挂一幅画是因为他很孤单，他很孤单因为他很想找女朋友，所以他真正的需求是个女朋友，应该给他介绍个女朋友；
从业务上看，一个五金店老板，如果不想着怎么卖金属器械，而是研究牵线搭桥的话，那小店离倒闭也就不远了。从数据上看，想不想找女朋友，估计连自己七姑八姨都懒得说，又怎么会轻易告诉陌生人（况且他还是个卖钢筋的）。
普遍的错误：误以为，用户需求挖掘，非得挖到别人不知道的八卦奇闻，才算有深度，非得满足很深层的需求，才算是真需求
实际上，只有极少数行业能如此深度的了解用户，能无限度的满足用户。比如金融行业，针对极高端客户的私人服务，或许能做到这一点（分行行长亲自开车送大客户儿子上学也不是啥新鲜事），但大部分企业业务范围有限，面对的是海量用户。因此，不能脱离业务实际，做太细腻深刻的挖掘。无论是业务上还是数据上，都做不到，也没有必要做到。
用户需求挖掘的本质，是：从有限的数据里，筛选关键区分维度，提升用户响应概率。我们要做的，不是搞清楚每个用户的，每个层次的需求。而是通过区分，提高用户响应概率，识别核心用户群体。让用户对我们的业务响应率，比闭着眼睛瞎做要高。
Part1：用户需求挖掘的五个步骤
step1：区分核心用户
在精力有限的情况下，先抓住大客户才是关键，分类是很必要的。拿五金店老板举例：
- 第一等：物业维修部、装修队、工地（B2B类客户）
- 第二等：装修、改水电、维修的客户（B2C类大客户）
- 第三等：偶尔买一个灯泡、插座、钉子的散客（B2C类小客户）
但起初接触客户时，并不知道相关信息，因此开始第一步的用户需求挖掘用户，挖掘的问题很简单：“您想买点什么"
step2：第二步：对业务分类
小伙表示：想买钉子；每一类业务，可能有固定的商品组合和消费特点，比如对五金店而言：
- 工程类业务：大量的钢筋、各种物料（不会零散采购）
- 水类改造：水管、扳手，防水胶带
- 电类改造：电线、开关、插座
- 墙体维修：水泥、刷子、油漆
- 物件维修：钉子、锤子、钻机
这叫：业务强相关性。即使不做关联分析，这些商品也是天生捆绑出现的。做好事先业务分类非常重要。当我们无法采集大量用户信息的时候，可以通过仅有的一点点购货记录，利用业务相关性去推断用户需求。
此时老板仍不知道小伙是C类大客户还是散客，还需要第二步挖掘。问题也非常简单：“您买钉子做什么”
step3：抓关键信息
小哥回答：“我想要买钉子，在墙上钉一副画”；
基于前边的分类，读者们听到钉一幅画，也能立即反映出来：这是个散客，价值不高。钉子和锤子、钻机是高度关联的，有交叉销售机会。这里借助2个简单的问题，我们已经完成了抓关键信息。当然，实际业务中，传统企业靠销售、导购、业务员去抓关键信息，互联网企业靠埋点、推送/反映、问卷、浏览频次等抓关键信息。
做好用户分群和业务分类以后，再做需求挖掘的时候是非常容易的。
step4：推送商品/活动
现在有了假设，我们可以尝试验证，推一个商品/活动试验下。这时候五金店老板就不会花大力气去问小哥是不是想谈恋爱，而是说：“你需要钉画的话，用1寸小钉子比3寸的大钉子好看，容易钉还不显眼。”这样就能锁定小哥的需求，比那些不理不睬的老板成功几率高。同时，还能做个交叉推荐：“你有锤子了吗？可以买个小钻机，比锤子省事，修其他东西也能用”如果推荐成功，就能成功的把客单价从1块钱提升到200块，也是小赚一笔。
step5：验证推送效果
有推送，就有成功和失败两种可能，因此需要验证效果。需求挖掘，本质上是个概率问题。需要通过数据验证我们推送，进而验证我们选择的挖掘维度，挖掘方向是否正确。对五金店老板而言，这里有两个维度要验证：
- 钉墙推荐1寸钉子（假设：基于用户需求考虑，更容易成交）
- 钉墙的男性推荐风钻（假设：男性喜欢机械，有机会成功）
这实际上已经是个小型ABtest了。如果有一个数据可记录的话，老板会看到，这两个假设可能成立，也可能失败。比如做了200组，发现用户根本不考虑美观，都是什么便宜买什么，那以后的策略，就是散客来了直接丢最便宜的东西给他。当然，也有可能发现这个策略可行，10单能交叉卖出3单钻机。那以后就按这个策略走。到这里，我们的需求挖掘结束。
我们找到了一个区分方向，验证了一个可提升成交的机会点，从用户买钉子挖出了钻机的需求。这么做，可比天天琢磨小哥到底有没有女朋友，是喜欢萝莉还是喜欢御姐要靠谱的多。
先区分用户还是先区分业务，是有行业差异的。一般传统企业的业务类型比较固定，倾向于先区分业务。互联网企业业务比较灵活，甚至能无中生有创造新场景，往往倾向于先区分用户，甚至有可能针对一个用户不同场景做文章。
Part2：注意事项
用户/业务区分的注意事项
一提用户分类，很多文章都扯RFM，这是非常错误的，并非所有的业务都需要高频次消费，也不是所有业务都累积高金额，甚至有可能一个业务同村存在一次消费和高频消费，如
更多事类似五金店老板，做好业务分类，在前端销售、导购、业务员做好关键信息采集
互联网公司需特别注意：一个平台有可能同时融合多种业务，这些业务看似相似，可实际对应的用户需求，相关的业务，完全不同。（如上图红圈所示）一个订票平台，对商旅客人，可能就是高频次高金额频繁发生的事，这时候可以用RFM来进一步细分。
推送/验证的注意事项
不需要特别多数据，也能提假设，不是所有假设都有必要投入ABtest；我们可以先从数据上作区分。比如从一个用户身上发现的假设点，先看：是否该用户有强烈的特征，比如我们假设他是优惠驱动，那么他参与优惠订单》n次，优惠力度》50%的活动参与率》X%，总之，他得真的表现出对优惠有特别兴趣。再看，是否有足够数量用户有类似特征，如果用户数量太少，那即使是个机会点，也不一定被业务所用。如果符合以上两点，可以考虑提建议，让业务做方案，上Abtest了
1.1.4用户生命周期
ps.不是所有用户都会经历这些，有时未到成熟期就流失了。
1）快消品类用户生命周期
>指：高频次、低金额、用户挑选周期短的商品。日用、零食、游戏、O2O服务、娱乐视频/音频内容等等。此类产品多是廉价生活刚需，用户天然的会频繁购买。
大量用户会因为内外部影响，在初入期或成长期流失。流失常见情况如：
-
初入期-业务范畴限制：平台提供的产品/服务有特定种类，只能吸引特定用户。
-
初入期-新人引导影响：用户适应平台，上手需要时间。新人保留做的不好，用户还没有体验到核心服务就已经流失。核心功能快速体验、主要功能逐步体验、用户需求分类等均是在做业务场景划分。
-
成长期-内部不良事件：出了运营事故、产品BUG、设计缺陷，导致用户流失。
-
成长期-外部竞品事件：竞品做了促销、拉新活动、爆款，把我们的用户搞跑了。
-
成长期-用户需求满足：没有那么核心的用户，已经满足了需求，需要额外消费。
# 筛选有价值用户，如何优化用户结构呢？
用户类型
-
核心用户：沉淀下来，消费几乎所有产品，保持长时间活跃，进入成熟期。
-
轻度用户：消费到一定频次后停滞，但重新迭代业务可以将部分人激活。
-
边缘用户：逐步流失，特别在引入期、成长期大量流失，并且不会响应唤醒。
>用户体验到核心卖点以后产生的流失，不一定需要100%挽回。很有可能他的需求已满足，或者他根本不是我们的核心用户。盲目的拉动所有用户群体的消费，会浪费大量费用，且因为派太多优惠券，而养出一帮无利不至的羊毛客
生命周期计算方式：从注册开始，T+1，T+2,T+3……看数据的方式，常见的有三种计算方法：
#用户生命周期到底怎么定义？
通过评估生命周期，评估生命价值，估算ROI等
不局限生命周期：想做全局运营的话，这么看有缺陷。因为快消品类天生受促销活动、新消费主张、营销话题影响。轻度用户被唤醒、回流的情况很常见。使得用户生命周期不是规则的初入到流失，而是经常出现波动。如果陷在每一个人的波动细节里，整体规划就没法做了。我们做全局规划的时候，而是关注整体用户结构。当很多期用户重叠的时候，会形成一个处于引入期、成长期、成熟期用户构成的用户结构。我们要保证的，是整个用户结构能支撑的起当前的经营目标，并且在不断的优化下持续向好发展（如下图所示）：
>做到这就又变成增加核心用户数；个人理解是否是核心用户标准 是否付费、付费程度、活跃程度等，然后引导期可根据获取用户时间，缩短用户成为核心用户的时间为目标。
生命周期管理2要点：
- 对新用户：做好引导，尽快进入成长期。
- 对全体用户：维持合理的用户结构，改善重点关注群体。
基于要点衍生的生命周期分析的四大议题：
- 新人留存分析：从注册开始T+N看数据，分析转化漏斗，关注新人体验到核心卖点后留存率。个人推测：产品初期不知道转化率标准时，可看运营经验评估，可做抽样调研 量化用户结构，该结构应和引流渠道（实际是用户需求）有关，转化率极限主要受外部因素影响。
- 用户路径分析：从注册开始T+N看数据，关注用户成长路径，关注是否有足够多的用户进入成长期、成熟期，消除路径障碍。
- 用户结构分析：按自然日期统计数据，跟踪用户结构变化，根据经营目标，制定用户结构当前目标。
- 事件效果分析：按自然日期统计数据，关注对用户结构有影响的内外部、正反面事件，分析市场影响，关注用户结构走势。
2）大件商品用户生命周期
Part2：大件商品生命周期
>往往是产品金额高，消费频次低，用户选择周期很长。比如房子、汽车、婚庆、出国游、家居、装修、消费型贷款等等。
因为单品价值高，所以用户选择周期变长，在一锤定音之前，会做大量的对比。因此用户生命周期是前置了的。
每一类大件商品都有一个倒计时范围。因为一般大件商品都和结婚、生孩子、孩子上学、出国这种大事有关，不会无限制拖下去，也不会随意更改。一但决策流程启动，在窗口期内用户的考察品牌范围会越来越窄，而成交概率会随着时间流逝越来越高（如下图所示）。
实际不同阶段用采用不同的业务动作；此图可进行成交概率和客户某个行为的关联分析，寻找最佳业务触点。
对大件商品，搞清楚接触用户生命周期节点非常重要。在这个领域做得好的企业，都会特别在意信息的采集。比如买房会了解参考了哪些楼盘，是否有中意户型。买车的会了解是否看过本品其他4s店，对比哪些车型，等等。这里的关键有两个点：用户需求+业务动作。只有抓对了用户需求做动作，才能产生立竿见影的效果。
推导出大件商品用户生命周期管理的基本思路：
- 识别有真正需求的用户。
- 在用户决策结束前做匹配需求的关键行动。
- 引导用户买到匹配需求的产品。
衍生出四大数据分析主题：
- 用户需求分类：清晰每一类产品针对的用户需求。
- 生命周期计算：了解每类用户决策时间周期。
- 接触节点采集：用各种手段，了解用户在哪个节点接触我们。
- 关键动作分析：从成功/失败教训中，总结对促成有用关键动作。
Part2：其他注意事项及说明
需要注意的是，同一业务用户群可能会产生很大差异，比如：
- 同样是小额贷，普通用户借一笔就是低频高金额，而小微商户老板周转的，就会出现高频次高金额的循环贷款。
- 同样是服装消费，普通用户换季买几件就是高频低金额消费，但扫货卖往四五六线城市的二次销售的老板，可能就是高频高金额消费。
- 同样是订票，结婚出国的普通用户可能是低频高金额消费，但经常出差的商务人士，就是高频高金额。
生命周期最长的用户，很有可能和其他用户不是一类群体。他们有特殊诉求；因此需要根据业务进行用户分层或分群。
用户生命周期，对体系化的运营非常有帮助。想要获得真正的用户生命周期情况，就得深入理解业务特点，了解用户需求与购买习惯，做好用户分类。
1.1.5用户细分
Part1：用户细分步骤
step0：实例
先看看消费习惯，从对公司贡献的收入上看，ABC三类是同一档次的。可实际上ABC三类代表了三种不同的消费习惯：
- 集中采购（很有可能是在双十一买最便宜的）
- 换季采购（很有可能每季度跟风新品）
- 频繁采购（日常活跃高，运营最喜欢）
用户消费习惯不同，会直接影响运营手段
- 集中采购：集中一次大活动引爆！
- 换季采购：每季新品促销
- 频繁采购：打卡+积分+周活动
通过细分，为运营提供更精细的数据指导
step1：定义“有效”标准
用户细分可以有无穷无尽的分法，如果不事先定义清楚什么是“有效”细分，就会陷入茫茫多的细节大海捞针。
step2：从运营手段上找分类维度
找到了分类标准，我们可以看从什么维度切分用户，能让用户群体间差异更明显。有差异但不一定有业务意义。
但可选维度非常非常多。很多同学陷入迷茫？
1）选数据来源可靠的维度
比如性别，年龄这些基础维度，很多公司没有严格采集流程，数据空缺多，真实性难保证，就不要用这些。尽量用消费、活跃、注册来源这些可靠的数据。
2）选运营可影响的维度
比如设备型号，可能开发很关心，但运营知道了也干不了啥事，这时候就不要选；有些指标运营特别关注，比如运营想发优惠券，那用户对优惠券领取率、使用率就是特别好的指标。
3）选自身分层差异明显的指标
有些指标自身差异都不大，数据分布很集中，这时候就不优先选用，优先选择那些自身分布差异大一些的指标
4）找跟业务目标相关性高的
step3：尝试细分，观察结果
有了分类维度，我们可以尝试对分类标准做切分
这里又有三个很纠结的问题：
- 到底每个分类维度且几段
- 到底要加多少分类维度
- 到底分多少类合适
业务动作：原则上，最终分类数量不宜太多，每个群体要在运营看来有可操作意义；习惯上限制群体最大为8类（每个群体都大于10%的份额）至于具体规模大小，可以根据项目目标，运营情况做设计。因此每维度不应切分太细。
维度特点差异明显不可合并，或应区分出。
1.1.6用户分层
Part0：介绍说明
用户分层用处
- 用户分层是一种特殊形态的用户细分：按用户价值高低进行细分
- 用户分层最大用处，是：去平均化
- 当我们分开高中低档观察用户的时候，很容易直观看到：我们提供的产品/服务/体验是不是出了问题，我们正在损失哪一档顾客。这样的分析指向性非常强。可以快速定位问题，帮运营找到突破口
Part1：用户分层基本思路
step1：只需要分类维度+分类标准两样东西即可
用户分层的最大用户是快速定位问题，提示业务突破口。想要达到这两重目的，就得做到（如下图所示）：
- 分类维度是当前业务的关键问题
- 分类标准和业务动作直接相关
业务发展的关键问题和业务动作
step2：基于业务动作设分类标准
企业能提供给用户的产品/服务/体验是有限的，它受到三方限制
- 产品限制：每种产品，每个产品组合能满足用户的需求是有限的
- 竞品限制：即使企业能提供众多产品，也很难包装拼的过对手
- 需求限制：用户口味会经常变化，今天喜欢，明天就不喜欢
在这三方限制下，往往运营会选择爆款战略，用一个爆款产品/有竞争力的服务/优质的顾客体验来吸引用户，达成自己的目标。往往在用户处于新人阶段，有一个入门级产品；在成长期会在某个节点设立特别优惠的奖励。这些节点，就成为天然的分类标准。
在这方面，传统企业做的反而比互联网企业要好。传统企业指望卖产品的毛利过日子，因此对给客户多少回馈有清晰的界定。一般是从毛利中拨一个固定比例作为回馈，然后参照竞争对手的比例，选择自己主打的档位，从而形成竞争优势。这样对应的分类标准，也可以直接套用业务的标准（如下图所示）。
在这种分层标准的指导下，就很容易根据分层数据的变化，找到对应的问题。如同开头举例的效果，看到某个档次的用户少了，立马意识到：找人找偏了，产品竞争力得检讨了。这样后续深入分析，也有了线索。
step3：小结
用户分层看起来简单，可深入探讨的话，需要牵扯的业务细节非常多。很多同学做起来很困扰，都是困扰在：领导让我分高端用户，到底是8000算高端，10000算高端，还是12000算高端呢？是滴，他就纠结这个划线纠结的死去活来。
你反问：
- 目前阶段的重点问题是什么？
- 在目前阶段，高端真的就是“高消费吗？”
- 8K，10K，12K背后，对应我们运营的什么动作？
- 我们做的动作，到底对用户有什么吸引力，竞争力
用户分层是业务运作的结果，用户分层是应用于业务运作，因此看似简单的分层，只要和业务结合起来，就很容易解释清楚，也很容易定位到问题
1.2用户增长
1.2.1用户增长
Part1：介绍
用户增长起源：Growth Hacking（增长黑客）最早应对的假想敌是传统的Marketing（市场营销），试图分析市场营销的资源投入，但由于用户行为无法量化统计；随着互联网发展，用户被服务在平台或线上产品，用户行为可量化，《增长黑客》这本书在2015年也同步上市，因此火爆。
用户增长含义
企业可以相对精确地记录：
- 我投放的广告，获得了多少客户点击、下载。
- 客户更容易反馈XX类的产品、活动、宣传。
- 没有反馈的客户，停在了哪个环节。
基于这些精确的记录，企业可以：
- 追溯客户来源、了解客户需求
- 分析广告效果
- 改善产品设计、操作流程
经过这些工作，可以理直气壮的说：
- 我们投入营销费用，实现了增长！
- 我们知道钱花到哪里去了！
用户增长，渐渐演化成三大流派（#再进行验证，应有更多内容）：
- 裂变流：这帮人口中的“用户增长”，就是基于微信做各种裂变，各种快速圈人，往往还伴有三级分销等打擦边球的东西。
- 投放流：这帮人口中的“用户增长”，就是做广告投放，基于各种广告平台规则砸钱圈人。往往他们喜欢喊“流量为王”，最近流行的“私域流量”也是他们捣鼓出来的。
- ABtest流：上两类都是小平台，大平台往往已经有很大存量规模，于是想办法做“质”的增长，其中的核心就是ABTest。
从工作内容上看，和数据运营、渠道运营、用户运营有好多交集，原始资料说，为了创新概念产生的词汇，但应该有些区别，后续注意。
三大流派区别重点：
1）裂变流：K因子与超级传播者
裂变流的核心在于：参与裂变的用户有多大比例能真正响应，响应裂变的用户能带来多少新增。因此裂变流喜欢讲K因子（K因子=邀请数*转化率）。以此衡量裂变效果。不过从实际操作上看，超级传播者分析思路会更适合。因为每次裂变，真正能带来大量新增的往往是少数KOL或者至少是个KOC，所以区分是否存在超级传播者，到底传播力有多少，对于设计裂变方式有非常重要的参考意义：
2）投放流：转化漏斗
投放流的核心就是投放的转化漏斗，如图：
3）ABtest流：
ABtest本身并不是唯一检验idea的方法，还有很多其他方法可以用。ABtest太耗时间，而且经验上看，结果会存在偏向性。往往产品流程用Abtest，一般都是接近传统流程的方案胜出。往往是转化问题的Abtest，一般都是优惠度大的获胜……所以ABtest可以用，但切莫沉迷。
#个人理解：此处应该是一些产品/业务迭代，此处仅写ABtest可能有些局限，但很有可能该部分便为主要工作内容或方式，后续关注更新认识。
Part2：AARRR
注意事项
1）AARRR只是指标，有些业务场景不适合（如：不关注活跃等），不能生搬硬套；AARRR本质指的是用户相关的指标，更适合于B2C的快消品零售类业务，更适合基于移动APP的游戏、电商、O2O、社交平台类业务，在张口讲AARRR之前，最好先想想自己的公司是不是真的符合业务场景。
2）AARRR是主要针对用户的指标，所以并不能包打天下，还有电商的进销存人货场。
3）AARRR是一套整体设计，为了诊断业务状况，需针对业务整体来看，不能单一看，找对适合自己的平衡点。
因为每个业务面对的核心客群、用户需求不同，发展业务的手段也不同，就催生出不同的发展模式（或者叫套路）在这些发展模式指导下，AARRR五个方面会产生出不同的组合。
比如做游戏就有大R和大DAU两种路线。如果做大R，就得为土豪营造爽快感，就得体现出付费等级差距，就可以接受相当数量的用户流失。我们常见的，那些香港明星穿着奇葩衣服，扛着塑料大刀，“介柿你没有体验过的船新版本”这些传奇类广告就是这样，甚至估计造丑态逆向筛选用户。而如果做大DAU路线，比如消消乐，跑酷，斗地主，那就得把收入往后摆，在保持活跃度的情况下全力做新用户获取与转介绍。虽然都是游戏，但两种模式决定了AARRR的两种组合形态。
当业务类型是平台类业务，一个平台包含多种业务形态混合的时候，就得分层设计战术。
- 比如商旅平台，商旅用户（高频高消费）、节假用户（高频低消费）、婚庆用户（低频高消费）、散客都有不同的需求。
- 比如电商运营，不同产品类目，耐用、快消、服装、食品本身的消费节奏不同，不同核心客群的需求也会有差异。
- 比如在线教育，K12，初升高，在职培训，英语出国等需求客群也差异巨大。
不去区分客群需求，不找核心客群，一概而论AARRR，反而会抹杀了不同类型用户的巨大差异，在数据指导下的精细运营，变成了被数据忽悠的打地鼠运营
4）AARRR是有优先级的，不是打地鼠
AARRR五个方面不是一视同仁的，而是有所取舍。要先清晰当年的核心问题，再看具体AARRR哪个方面最重要，为了保障核心指标，该怎么分析问题，设计战术。
新人们往往缺少整体观念，喜欢打地鼠。看到活跃低了就搞活跃率，看到转化低了就搞促销，看到新人少了就想着投钱买量、搞个裂变。反正数字越大越好看，只看一个指标不及其余。这种是典型的头疼医头、脚疼医脚的做法。实际上，每个维度单独看，都有一些立竿见影的做法，能把数据值搞起来：
- 用户获取A：花钱买量，砸广告
- 用户活跃A：大转盘、大抽奖、大赠送、单品9.9元限时特卖
- 用户留存R：30天、60天、90天派各种券……
- 用户收益R：特卖、满减、加1元购……
- 用户转介绍R：拼团降价，转发拿券，朋友帮忙砍价……
但没有整体设计，只看局部的话，就很容易无休无止的派优惠，烧费用不说，还会吸引大量薅羊毛用户，最终伤害业务的可持续发展。
最好的展开方式是先交代当前业务发展阶段（扩张、稳定、收缩）以及业务的的首要目标（稳增长，促转化，保收入，控成本），围绕着这两个，列举AARRR中待解决的几个核心问题，然后再深入看这些问题如何用二三级指标分析解决。
1.2.2用户活跃
Part1：活跃用户定义
用户活跃与企业不同阶段关注的指标有关，因此活跃定义的标准也不一，
Part2：用户分析的核心问题
从本质上看，互联网应用讲用户活跃，就像传统企业讲顾客到店一样。
- 活跃是一切的基础，必须关注
- 不能空活跃不转化，得联起来看
- 影响因素太多，必须抓大放小，聚焦行动
做活跃分析，不是为了逼用户天天来戳一下，而是为付费、转介绍提供稳定的支持。
Part3：用户活跃分析基本思路
分析基本思路
- 定标准：目前业务需要什么样新增、活跃、付费结构
- 找规律：常规的活跃走势，该是什么样；
- 查异常：区分常规变化、异常变化；看不同生命/自然周期的变化范围和持续时间，判断变化类型；
- 追原因：对异常变化进行追踪，分析；
- 定计划：根据问题轻重缓急，制定应对
（1）定标准主要参考三点：
- 业务特征：不同业务，本身需要的活跃用户数和活跃率就不一样。
- 发展阶段：一般新上线更倾向于聚集人（做大DAU），到一定程度才做付费转化。
- 竞争策略：策略不同，意味着对活跃、付费的要求不同。
请注意，竞争策略才是定标准的核心。比如传统观点认为金融服务是低频业务，可做金融APP时，完全可以把财经新闻、理财教育、本地吃喝攻略、电影信息这些和消费有关的东西做进去，把一个低频应用做成高频应用。因此，一般同类业务特征和发展阶段只是参考。更重要的，是业务内心的声音：“我们要做成一款XXX的应用，相比之市场上的产品，我的目标是XXX”。（用户不活跃，消费场景前期阶段要很好的融合，在消费时才能想到你这个产品，但在某些低频产品做成高频产品时，要注意区分模块内容（浏览咨询类、查看企业资料），该思路是先有付费模块再丰富活跃模块，但实际产品设计应都是先做活跃模块再做付费模块）
（2）找规律的常用办法，规律包含三类：
- 政策规律。政策发布以后，产生的巨大反响。
- 自然规律。全年1-12月，本身就包含了很多影响活跃的因素（如下图所示）——因此分析用户群特点，可发现规律亦或可通过自然规律发现客户群；
- 运营规律。常见的运营事故（商品缺货、系统宕机、宣传误导……）运营措施（抽奖、签到、互动游戏）都能引发活跃数据变化。——收集企业/行业常见运营手段。
这些具体的政策、事件、运营动作，才是指标变化的本质原因。因此在分析之前，应该先大量收集内外部事件，拿着事件思考问题。而不是就数论数，说“因为过去三天涨，所以今天涨”“因为之前周五涨、所以这个周五涨”之类毫无逻辑的话。
找到一些明显的规律后，可以用来做定性预测，根据未来要发生的时间，预计指标波动变化。也可以用来做解释。比如发生指标波动的时候，如果有对应事件发生+对应波动形态，那八成就是规律性变化。——因此做时间波动状态的收集，有助于分析和运营支持。
新老用户生命周期、自然周期趋势，有波动多维度分析探究原因，新客户流失探究行为路径、用户回访，定位产品问题和用户需求，老客户进行打标，分层用以付费率的转化；用户生命周期趋势判断用户所处产品阶段的时间（进入期、成长期、成熟期）；
（3）查异常的常用办法
- 幅度：单日波动是否足够大
- 持续性：是否有持续增大、持续回落的走势
- 规律性：是否是有规律的、计划内的波动
- 关联性：关联的注册、付费指标是否同样波动
不是所有的波动都值得追击，大幅度、持续性、非规律、波及其他指标的优先处理。偶尔的波动一下很正常，但是要记录发生时间，观察走势，当问题出现恶化时容易溯源。
（4）追原因的常用办法
确认是异常波动，常见的形态有三种，用户流失有详解
- 事件型：一次性的，大幅度下跌
- 持续型：从某一节点开始，持续下跌
- 系统型：自身波动小，但始终比竞品
（5）定计划
并没有这一部分，这一部分是运营的范畴，是一个业务动作，不在本篇的讨论范畴。定计划主要看运营的业务能力。作为数据分析，可以提供的支持是：
- 判断问题轻重缓急
- 对紧急重要的问题，提示问题源头
- 对过往改善问题的方法，提供ROI分析结果支持
- 等着运营提想法，做临时性支持
- 某些运营行为的历史信息反馈
1.2.5用户流失
Part1：用户流失分析常见错误
1.试图挽留每一位用户。这是运营最常见的错误，结果空烧经费，养出来一帮无利不起早的羊毛客，每种业务都要关注自己的核心用户。在谈及用户流失的时候，我们真正要做的是：把流失率关在笼子里，控制在一个可以接受的水平上。
2.试图搞懂每一个流失原因。这是分析最常见的错误，用户不喜欢？我们没做好？对手太厉害？用户没钱了？——总之想给每个人一个理由。可压根没数据，于是大眼瞪小眼。实际上，我们没必要、也没能力穷举所有原因。同上一条，我们只要控制可控因素，减少明显错误即可。
3.只盯流失不看活跃，事后诸葛。这是另一个常见错误。在流失率实际增高以后才开始分析。结果木已成舟，用户都跑了，分析了也没啥用。流失率是个相对滞后的指标。在数据上“流失”以前，用户可能已经跑掉了，早前几个月就没活跃了。所以，流失率要和活跃率结合起来看。对于影响用户活跃的事件要尽早关注，对于核心用户活跃率要紧密跟踪，避免事后做无用功。
Part2：用户流失分析基本思路
1.流失类型
用户流失分析的目标是把流失率关在笼子里，因此在数据上，我们首先关注的是流失率走势，尤其关注三类问题（如下图所示）。
- 事件型问题。由一次/多次事件引发的短期流失率波动。
- 系统型问题。公司整体流失率高于同行/经验水平，并且居高不下。
- 持续型问题。流失率从某时间开始持续增高，未见好转迹象。
流失率是一个和活跃率相对的概念。因此用户流失和活跃需要联合起来看才能锁定问题（因为是不活跃了导致流失的），同事从自然周期和生命周期两个维度看探索问题。
DAU=DNU+DOU，往往系统型问题会影响DNU，在用户注册后T+1，T+2…T+N的时间内没有做好引导，导致用户不活跃甚至流失。DOU往往与事件有关，比如季节性促销，沉默用户唤醒，新品上市等等。因此在追踪原因时，可以分头观察。对新人关注注册到首次付费流程，对老人打标签，关注老人对活动的响应（如下图所示）
2.事件型问题分析方法
负面的事件会引发用户流失。比如缺货、涨价、系统BUG、用户投诉、对手大促销（我们还恰好没做）等等。这一类事件最容易被识别到。体现在数据上，受事件影响的用户群体活跃率，会在事件发生后应声而落，之后N个月，流失率开始增长
在分析时，需要
- 收集并密切注意相关事件。
- 做好事件归类（内部/外部、系统/价格/商品…）。
- 锁定受影响用户群体（打好标签备观察）。
- 关注受影响用户活跃变化。
- 观察事件对整体流失影响。
这样就事论事，更容易看出结果。在设计挽留方法时，也更容易对症下药。找到真正让用户不爽的原因，比单纯的塞优惠券更能保留用户。
需注意：正面事件也会提升流失率。特别是用户拉新、促活、留存、唤醒等等。单纯的刺激非消费类软指标，最容易引发虚假繁荣。客观上：只要有优惠活动，就会吸引套利的羊毛客，这类用户天生流失率就高。主观上讲：运营方为了制造好看的数据，也会减少限制，留下套利空间。两下作用，使得正面活动的效果往往会打折。比如新用户注册，由拉新活动产生的用户生命周期流失率很容易明显高于正常新用户的（如下图），之后N个月，这一批用户流失率势必高。
3.系统型问题分析方法
发生系统型问题，说明我们的业务做得比对手差。此时，诊断业务问题，改善业务表现才是核心。可以参照用户生命周期理论诊断。
用户在进入期、成长期、成熟期的流失原因有所不同，分析的侧重点也有不同，为了节省篇幅，这里简单总结如下图
在进入期，会无差别改善。在进入期，用户实际上还没有体验到我们提供的核心卖点，因此需要无差别改善流程，让用户尽可能体验到核心卖点再说。在互联网行业往往关注黑色一分钟（下载到注册的一分钟）关注新手教程的过程。在传统行业，往往强调迎客话术，尽快让用户做一次体验，试用一下产品。
进入成长期后，需要分类对待。进入成长期后，边缘用户、羊毛用户会被淘汰，用户价值也开始分化。非核心用户，就该让他流失掉，一味挽留只是空浪费经费，还会因为打折频繁让品牌贬值。这时要特别关注的是核心用户的流失，核心用户的活跃率下降，生命周期缩短，新进用户中核心用户占比下降，都是大问题，需要细致梳理和解决。有可能没有等到流失率真的涨上来，就已经开始行动了。
因此如果发现存在系统型问题，需要：
- 选好参照标杆，找准差距
- 设计解决方案，投入测试
- 记录测试结果，观察数据变化
- 积累经验，保留有效方法
最终，我们看到的是我们的用户留存曲线越来越接近竞争对手，流失率持续下降，这时候可以说：系统型流失问题已得到解决。这中间可能要很多次试验、尝试，因此需要做好观察和记录，打持久战。
4.持续型问题分析方法
持续型问题往往最难解决。因为实际上流失率、活跃率、留存率等数据，经常出现不规则小幅度波动，而不是大幅度持续增长。这就是真正的鸡肋问题：放着不管、领导总问。想管一管，没有头绪。甚至还有流失率涨了几天，分析报告还没写出来丫就跌回来了，真是尴尬。
处理的顺序，事件型>系统型>持续型。因为单次的重大事件最容易被识别到，容易通过数据看清楚。同时，往往一系列事件是导致系统型、持续型问题的根源，能识别具体事件对处理其他问题也有帮助。系统型问题，在业务方经验丰富的情况下，能找到合适的标杆，因此相对容易处理。
最难的事持续型问题，往往流失率变化不会持续到特别严重，而是小范围反复波动（如下图），在缺少经验、数据积累的情况下，很难完全识别这些小波动。如果真解决不了，就设立观察指标，先追踪起来。等到有一定程度，可能可以找到线索。
Part3：不同业务类型流失处理差异
因为流失问题和业务高度相关，因此不同业务流失分析方向也不同。从大类上看，有两个最重要的区分维度。
☆贵重低频产品VS便宜的快消品。越贵的产品（车、房、大件家居、婚庆……），用户决策流程越长，越倾向于事前判断，不存在复购一说。此类业务用户决策有明显的窗口期，越往deadline接近，用户最后下判断可能越大。所以，此类业务用户流失是个倒计时沙漏，在接触到用户的第一时间要搞清楚用户状态：用户需求是什么、对比了哪些竞品、是否已经开始议价，这样可以大概判断：留给我们的时间还有多少。从而更好抓住成交机会，赶紧跟进。而不是傻傻不分需求，按部就班介绍、跟进，黄花菜都凉了。
快消品，或者购买频次高的消费类产品（比如衣服、鞋、手机）用户天生忠诚度低，很容易被流行趋势、促销活动改变态度。完全可以采用无差距挽留的策略。反正用户这一次不买，过一段时间也会回来买。因此处理此类产品，互联网企业往往区分平台流失与产品流失两个流失留存。只要用户还停留在平台上，就持续做唤醒。传统企业往往利用换季、新品上市、周期庆、节日活动等手段，多频次激活用户。总之，只要用户价值足够大，就不抛弃、不放弃。
☆传统行业VS互联网行业。两者在用户生命周期上积累的数据量不一样。互联网行业数据较多，往往可以记录用户从点击推广链接-落地页-注册-浏览-下单全过程，因此常采用漏斗分析法，看流失用户会卡在哪些步骤，锁定问题点做改进。特别是新人注册阶段，往往是无差别优化。
传统行业往往只有消费数据，因此只能用消费频次、消费间隔来衡量用户。一般用户在消费n次以后，不喜欢的会流失，喜欢的会持续买，这就是所谓的魔法数字。通过魔法数字的大小对比，可以知道自己与对手的差距。至于用户到店-迎客-体验-服务-评价等行为层面，完全没有数据，需要通过市场调查等手段补齐。
这里主要是提醒，业务间差异很大，虽然流失的定义可以定成XX月不登录/不购买。但是实际流失场景可能早就发生了，制止流失的关键动作也有可能没有数据记录。
Part4：小结
很多同学觉得用户流失问题很难处理。从明面上看，是因为用户流失的数据少，我们不知道用户心理怎么想的。可从本质上看，是因为会导致用户流失的原因，与用户生命周期、用户分群、用户决策流程、用户成长路径、新用户转化流程、用户体验、用户MOT、竞品影响等众多因素有关。这里随便一个主题拿出来都能单独摆一篇文章。整明白了这些，基本就搞懂了整个用户运营的流程。本质上，用户流失分析难，难在：做分析的同学们很少懂用户运营的业务。
拉一个做分析的同学出来问：
- 生命周期该是多长？
- 行业性留存率是多少？
- 核心用户是什么群体？
- 核心卖点是什么体验？
- 竞争对手有多大差异？
- 最近运营发生了啥事？
- 出现哪些意外bug？
- 最新改动有什么影响？
- ……
二.理解营销策略：数据助力3大场景
营销的基本概念
营销的基本战术
营销的基本运作模式
营销的基本数据需求
营销数据分析难点
数据助力营销基本原则
场景1：发现营销机会
场景2：提升客户响应
场景3：经营会员体系
2.1营销的基本概念
营销背后的逻辑：
营销（markering）=促销+产品管理+品牌推广+渠道管理
促销：迷信促销，促销战术越来越多，简单说 用xx方法促进xx进行xx产品的销售
促销的类别：
- 销尾货：挤压越久越难卖、能收回多少成本是多少，一般直接打折，亏本甩卖
- 铺新品：新货上市，增加市场占有率，一般采用买赠的策略，平本或者略赚
- 增业绩：必须有利润，要么让不买的人买了，要么让买的人买更多，平衡投入产出
不同阶段用户，面临的问题不同：
2.2促销的基本战术
基本战术：
尽量减少打折，打折过多容易降低产品价值
首单金额较大的情况，积分礼品应用较好
推荐对有些产品非常有帮助，如“非标准化产品、保健品、奶粉等”
2.3促销的基本运作方式
最好用户眼里价值高，企业眼里价值低，很随意的
2.4促销的基本数据需求
简单说：预测——监控——总结，个人理解将分析指标——业务指标——运营KPI指标
2.5运营分析的难点
目标太细不容易形成热度，传播受限制
2.6助力数据分析，从清晰目标开始
为避免扯皮，先明确考核指标
目标值、期望值、估算值的区别和应用自己要注意
2.7数据助力，发现机会，管控过程
先去伪、再存真
2.8数据助力区分场景，提升相应
预测的最关键因素：人力到底能影响多少？
案例：预测出的数值，为目标，如果搞不定或者希望要更多，那就从老板那里申请，导致老板更关注业务部门的表现；当人力影响因素很大的时候，要想办法让人动起来。
2.9经营会员体系
特殊的促销体系——会员体系
会员体系：
- 服务土豪型：仅为少数顶尖会员提供超值服务，努力从低级会员挖掘有潜力成为顶尖会员的用户，提供升级路径；如美容院。
- 消费噱头型：目的师刺激一次性消费，如一次性冲xx，送会员88折；如洗发店。
- 集中回馈型：会员每次消费送积分，积分集中使用兑换礼品等；如航空公司。
- 行为引导型：引导用户进行特定行为，培养用户习惯；
- 信息采集型：传统企业常用，建立用户联系，保持用户活跃；如屈臣氏。
三.如何梳理 业务逻辑-<七步成诗法>
七步成诗第一步，剖析经营模式
七步成诗第二步，认识目标客户
七步成诗第三步，理解产品属性
七步成诗第四步，认识销售渠道
七步成诗第五步，理解竞争策略
七步成诗第六步，认识组织架构
七步成诗第七步，了解营收情况
七步成诗法应用方式
四.各行业备战要点
4.1业务知识要懂到什么程度
初级:懂公司的商业模式/营收模型
中级:懂业务指标,以及指标标准、作用、应用
高级:
- 业务指标常态数值大小
- 业务上的固定分析套路
- 业务上常用分析假设
- 业务上应对问题的常见手段
4.2各行业要点
4.2.1电商行业
4.2.2平台类业务
4.2.3传统行业-会员经营(母婴、美容)要点
4.2.4金融业务--零售金融
4.2.5游戏行业
4.2.6证券行业运营
客户全生命周期运营方案
全生命运营周期概念
运营方案分享
新客户运营
- 如何全面提升客户的质与量
- 提高新课价值
活动运营
- 老客户拉新
- 销售产品活动
智能推荐
规则推荐-优化栏运营
需要好好理解记忆
五.业务知识积累
没想清楚，暂定此类型
5.1数据分析基本方法系列
5.1.1解读企业数据
企业数据，不能只见数据，不见业务。方法三点：
- 业务含义：数据反映的是什么业务
- 业绩走势：通过数据形态，解读业务发展走势
- 判断标准：到底什么算好，什么算不好，（数据代表的现实含义、数据大小代表的现实区别）
step1：从理解业务含义开始：
- 直接含义：销售队伍的努力程度
- 销售业绩+成本：企业的盈利情况
- 销售业绩+产品：产品畅销程度
- 销售业绩+用户分层：用户的需求
- 销售业绩+库存：产品进销存管理质量
step2：曲线走势三种情况：
- 自然周期性变化
- 生命周期性变化
- 突发性变化
step3：列出假设做验证：
验证假设的办法：
- 可以和业务部门沟通，了解实际情况。
- 可以参考过往数据，验证判断，同时反向验证业务部门是不是撒谎了。
- 持续监控，延长时间和曲线
实际企业经营中，也经常出现上边三种情形，只是形态更复杂，往往是三种混合。比如B2C零售和B2B销售是反着的：
- 自然周期性：周五到周日高，其他工作日低；
- 生命周期性：新品上市到下市有季节性规律
- 突发事件：大促销（猛涨）恶劣天气（猛跌）
看数据的时候，往往会在业绩曲线上打上标签，比如一个日期是否节假日，是否某重点产品生命周期结束，是否突发情况等。
step4：深入细节看问题
往往人们都会注意到突发性急病，容易缺失的是对慢性病的观察
如果只看日数据，会感觉似乎每天波动不大，只能略微感到月头比月尾似乎高那么一点。但是如果拉长看周数据，就会发现问题。为什么在业绩好的月份，最后一周不冲刺业绩了？——典型藏单行为
我们不止看孤零零一个数，而是搭一个数据指标体系，还要做日报、周报、月报的原因。日报用来关联业务动作，反应突发问题，周报和月报用来追踪趋势，发现更深层次的问题。深层次的问题，再由专题分析解决。这样就构成了数据分析体系，系统化作战，才有威力。
理论上最佳的状态，是业务和数据之间有定期沟通，业务陈述需求，数据反馈结论。不过大部分企业，这个状态不存在。大部分企业都是大家各忙各的，数据忙于爬表出数应付日常各种报表，业务忙着干活撕逼。部门之间深沟高垒，几乎没有沟通，越大的公司越是如此。再加上，很多人对数据分析本身认识不清，还停留在“一个仙风鹤骨的道长掐指一算，口出出惊世憾俗之言”的印象中。
5.1.2埋点应用
Part1：数据生命周期
（1）数据采集：尽可能细而全的收集初始数据，便于后期进行数据分析与应用
- 埋点行为数据：通过埋点的方式，采集到的一些行为数据，如浏览、点击、停留时长等
- 业务数据：伴随着业务产生的数据，核心是生产系统内存储的业务表单数据
- 日志数据：一般是web端日志记录的数据
- 外部接入数据：从第三方获得的数据
（2）数据预处理：对一些不符合标准的数据进行清洗、转换，得到标准数据
（3）数据挖掘/分析：对预处理后的标准数据进行统计学分析，得到数据特性或普适规律
（4）数据应用：将数据特性或规律应用于业务，赋予数据业务价值
Part2：数据埋点
（1）常见问题：
- 不知道埋点的全生命周期是怎样的，只有片段概念？
- 如何将业务需求转换为数据需求？
- 埋点文档怎么写？事件、参数是什么？
- 埋点管理如何进行，管理平台如何搭建？
- 埋点数据如何进行可视化展现？
- 埋点数据准确性如何保障？
（2）埋点介绍
埋点概念：主要用来记录终端用户的操作行为，后续用于进一步优化产品以及给运营提供数据支撑。
埋点类型：
a.全埋点
通过加载一段定义好的SDK代码，前端会自动全量采集全部事件并上报埋点数据，能够呈现用户行为的每一次点击、每一次跳转、每一次登录等全量、实时用户行为数据。
优势：简单、快捷；开发工作量少
劣势：数据维度单一（如点击、加载、刷新）；数据准确性不高；上传数据多，消耗服务器资源多
适用场景：运营阶段初期，产品功能相对简单，主要分析活动页、着陆页、关键页面设计体验
b.代码埋点
纯手动写代码，调用埋点SDK的函数，在需要埋点的业务逻辑功能位置调用接口上报埋点数据，让使用者可以方便地设置自定义属性、自定义事件。
优势：按需采集、对数据分析更精细化，数据采集能力较强，包含服务器、数据库、第三方数据
劣势：项目工程量大，开发成本及沟通成本高
适用场景：运营阶段中后期，追求精细化运营，需要进行多维数据分析
c.可视化埋点
产品及运营可在可视化界面上圈选定义事件，来追踪用户行为，相比于手动埋点更新困难，埋点成本高的问题，可视化埋点优化了移动运营中数据采集的流程，能够支持产品运营随时调整埋点，无需再走发版流程，直接把配置结果推入到前端，数据采集流程更简化，也更方便产品的迭代。
优势：开发工作量少，使用成本低
劣势：数据精准度不高、针对页面上点击可见元素、数据维度单一（如点击）
适用场景：运营阶段初期，页面简单，主要分析点击事件
埋点生命周期：
埋点的生命周期主要分为以下三个阶段：
a.需求阶段：进行需求采集和需求分析，保证埋点满足核心业务需求
- 数据需求池：对数据需求进行整体维护，记录需求业务场景、需求内容、提出者、时间等
- 产品信息架构：梳理产品结构，熟悉产品
- 用户行为路径：分析用户路径，得到核心业务指标
5.1.2埋点系统性学习
Part1埋点开发步骤
1）两种常见的指标开发方式
- 通过业务数据库的交易表进行计算（交易额、交易用户数、下单用户数）
- 通过业务数据库日志表进行统计计算（登陆用户数、新增用户数等，也是excel形式的二维表 ）
缺点：不同指标在不同表上，没有关联；统计过程中间表无法服用；不同层次指标没有关联，无法下钻或上卷；计算符合指标需要join多，占用算率；
规范的指标开发方式
通过日志系统收集的埋点日志进行统计计算
一个埋点的生命历程：从需求到指标
- 分析需求
- 根据需求拆分指标
- 根据指标确定埋点
- 数据需求文档DRD
- 指标开发
step1：分析需求
step2：根据需求拆分指标
step3：根据指标确定埋点
step4：设计数据需求文档
step5：指标开发
Part2：埋点设计
>“产品成长期”设计多维事件模型，构建复杂的用户行为事件分析系统
埋点的设计思路
范式建模的数据库弊端
- 数据结构复杂，理解成本非常高
- 性能太差，无法满足大批量数据规模的分析工作
- 范式设计，导致数据不全，缺少分析需求要的属性维度
>数据模型是对现实士杰的抽象化展示，数据模型在满足抽象的同时，越简单越好
行为事件分析系统
- 验证数据波动是否异常
- 根据4W1H拆解维度
- 评估不同维度的影响权重
- 下钻维度进行探查分析，圈定异常范围
- 定位问题并给出结论与例证
Part3：通过实体模型和维度模型，搭建底层指标系统
指标不规范的弊端
Part3：通过实体模型和维度模型，搭建底层指标系统
指标不规范的弊端
数仓指标系统设计方法
5.1.3数据驱动业务
Part1：分析步骤
step1：梳理目标，确定一级、二级目标
实际上，真遇到业绩不行，业务领导往往第一位想到的是要资源，第二位想到的是调KPI，第三位想到的是找案例。别人真没心思听你说：“活跃率低了，要！搞！高！”。因此，梳理目标，确定一级、二级目标，非常重要！
step2：寻找优秀业务、探索业务流失原因
我们建数据模型，为的是大概率模拟现实情况，所以可以处理掉一些数据，虚拟填充一批数据，反正为的是整体效果。
做数据分析，有独特效果：能指导业务部门创造现在不存在的情况。比如业务觉得，能月入7500的骨干至少占比20%，团队才稳定，那现有的薪酬制度、操作系统、招聘流程都能改，这就打破了现状。因此做数据分析，往往更看重对业务的指导意义，找标准，要找符合业务需求的标准。
step3：评估优秀坐席
step4：数据解读
从解题步骤来看，只要目标设定合理，一步步做，还是可以产生很多有用结论的。哪怕最后发现，销售就是很随机的，那对于业务也是很大支持，至少以后就可劲招人好了，搞人海战术。如果能总结出一套标杆话术，当然是更理想的结果了。
而且，也不是所有数据都不能获得。比如我们真的选出标杆，他的话术、联系客户时间，跟进次数就是可以记录和补充的。基于这些分析结果，我们可以进一步推动系统升级改造。有了更好的系统，业务既能提高效率，数据也能有更多分析素材，大家都有获益。
step5：设置动作的优先度
经过第一阶段分析，业务认可复制标杆的做法，想进一步完善数据，那么下边数据数据都是需要系统支持的：
- 用爬虫爬客户详细信息
- 把业务员简历录入系统
- 上CRM记录业务员操作
- 完善客户信息表让业务员填
根据需要数据的价值、难度、时间成本等列出优先级。
Part2：注意事项及认识
1）数据分析的作用是：分析具体案例，区分可复制部分和不可复制部分，数据分析擅长的不是卖货，而是总结经验，寻找特征
2）猛将必发于卒伍，宰相必起于州郡；好的数据分析师，不是一上来就搬弄模型，而是能从数据细节里，读出企业的问题；能基于哪怕最简单的数据基础，设计出可行方法帮助业务从低端向高端升级。这才是好的数据分析师真正起到的作用。
3）我们总结下做优秀数据分析项目五大坑点：
- 没有立项，没有共识，只谈数据，没法落地
- 直接拿最高目标当项目目标，无法完成
- 生搬硬套模型，结果陷于数据不足动弹不得
- 一次做的太复杂，迟迟出不了结果
- 没有循序渐进迭代，成果至于一张ppt
参考：https://mp.weixin.qq.com/s/sihxrtNwRDzaaZ_QFTETEw
Part3：赋能业务注意事项
赋能常见方式：赋能业务、资源式赋能、服务式赋能
step1：赋能前期业务理解
- 对象：谁是我的赋能对象
- 流程：他在做什么？分为几步做？得什么结果？
- 现状：做了多少？ 达到结果没有？卡在哪一步？
- 痛点：哪些地方是不满意的
- 需求：想改善哪些问题
只要知道清晰的信息，那人人都是用兵如神。数据分析在赋能中的作用，首先体现在：用指标体系清晰量化情况，基于数据诊断问题
step2：明确赋能问题
>这部分很难，更多的都是去去伪，想解决未知问题需要认知和能力；有些时候更多的是不知道怎么做。
到底赋能要解决什么问题。我们可以用两个方式转化问题：第一，从需求出发，推导可行解决范围，落实到一个具体问题上。第二，从痛点出发，先找到需求背后的真实痛点，再找解决痛点的方案。
step3：筛选方法
利用数据筛选方法，选择更有效的方法。这里有三种做法：
其他步骤，看小结
小结：所谓数据分析赋能业务，可以做的是
- 一量化现状，为赋能打下基础
- 二梳理问题，为赋能方向指路
- 三筛选方法，为赋能优化效率
- 四监控进度，为赋能保驾护航
- 五总结经验，为赋能积累成果
5.1.4ABtest
Part1：A/B测试流程
一个完整的A/B test主要包括如下几部分：
- 分析现状，建立假设：分析业务，确定最高优先级的改进点，作出假设，提出优化建议。
- 设定指标：设置主要指标来衡量版本的优劣；设置辅助指标来评估其他影响。
- 设计与开发：设计优化版本的原型并完成开发。
- 确定测试时长：确定测试进行的时长。
- 确定分流方案：确定每个测试版本的分流比例及其他分流细节。
- 采集并分析数据：收集实验数据，进行有效性和效果判断。
- 给出结论：①确定发布新版本；②调整分流比例继续测试；③优化迭代方案重新开发，回到步骤1。
分流/抽样注意事项：同时性、同质性、唯一性、均匀性（要求各组流量是均匀的。Hash算法。现在一般由专用的A/B测试工具负责。也有看到一篇文章写了python实现，大体的思路是对用户id添加Salt值，对其散列，并据此算出一个0-1之间的浮点数，同设定好的阈值比大小，从而分组。有兴趣的可以看看，该作者的思路很清晰： 随机分配里的Why and How。（统计学原理上，我没有找到均匀性这一要求的依据，其实双样本的假设检验并不要求两个样本的数量相等或相近。当然从直观上是可以理解，希望分出的用户组越相近越好，包括人数的相近。））。
A/B测试的原理——假设检验
参考：https://zhuanlan.zhihu.com/p/68019926
5.1.5可执行方法保证（5W2H)
5.1.6数据分析方法
Part1：数据分析方法
>每次被面试都被问“你使用过哪些数据分析的方法”。结果都感觉答不上来。我回答做了相关分析、回归分析、聚类分析、因子分析又经常被人怼。所以到底数据分析有什么方法？为啥我在做数据分析，却感觉没什么方法？
答：首先，相关分析、回归分析、聚类分析、因子分析的名字叫XX分析，但它们是统计学方法，只是数据分析的工具，不是解决问题的全部办法。很多同学一看到名字叫分析，就想当然的以为我只要按这些XX分析的代码跑一遍就算分析了，这种行为经常会被真正懂行人怼。就举个最简单的例子，所谓相关分析，很多同学就是算了个相关系数。可统计上的相关系数与业务中的相关关系是两码事。
要回到数据分析到底解决哪些业务问题上去。我们之前分享过，数据分析可以解决的是：
- 是多少（数据描述状况）
- 是什么（树立数据标准）
- 为什么（探索问题原因）
- 会怎样（预测业务走势）
- 又如何（综合判断状况）
其中问题1是用数据描述问题，把问题量化。问题2345都需要探索-假设-检验-总结的循环性的过程。真正服务于业务的时候，只要熟练掌握了量化-探索-假设-检验-总结的循环，就能完成一个分析。
然而，这么说面试官肯定不满意。他们还是期待着你说出一些具体名词的。因此人们总会发明一些新词，比如什么AARRR法，矩阵法，切割法，杜邦分析法等等
这里我们结合数据分析能解决的问题，梳理下这些方法。
1）属于“是多少”的方法
“是多少”指数据描述状况，如果指标很多，就会涉及到选择哪些重点指标，以什么方式展示这些指标，一些常见的：
- AARRR：互联网行业增长黑客理论的五个大指标。
- 漏斗法：衡量流程转化率的指标
- 杜邦分析法：拆解经营指标
- 量收利进销存：零售行业，无论线上线下都是这六个关键指标。和AARRR一样，有一堆二级三级小指标。
2）属于“是什么”的方法
“是什么”指树立数据标准的方法。寻找标准可以基于业务经验，但业务经验也需要数据进行验证才知道是对的错的。因此，产生了“是什么”的两大类方法：探索标准的方法，验证标准的方法。
探索标准的方法：只用1个指标的方法有：二八法、十分位法、切割法。名字听着玄妙，实际上就是切割线摆在哪。当我们没有信心的时候，可以根据二八定律，把切割线摆在20%，也可以先拆10组或者若干组出来，探索下摆在哪里合适。比如用2个指标，就是所谓矩阵法，其实就是把两个指标交叉，分出四个象限，看看四类有没有明显特点。
如果超过3个指标，一般不建议直接交叉。即使只有3个指标，每个指标分3类，也会产生3*3*3=27类出来，在业务上太复杂了。这时候会用一些统计学的方法。在无标注的情况下可以用Kmean聚类进行分类探索，在有标注情况下可以用决策树
验证标准的方法：好的标准要能清晰区分不同群体，可做下数据分布、业务自己定、看分类算法的特征区间；有没有用数据找标准，有没有验证过业务部门的标准，是从取数到分析的分水岭
3）属于“为什么”的方法
“为什么”指探索问题原因，找原因的方法可以分作经验推断与算法推断两种，，具体到数据操作上，就是分组对比（归纳原因）和趋势推演（演绎判断）；想仅通过数据分析找原因，是相当困难的。往往要内部数据+外部调研+业务判断+测试，共同努力锁定原因。
比如问为什么销售额下降，用归纳法就是将每一次销售下降的时候，相关症状指标列出来，然后做分组对比，看哪个因素影响下跌的厉害。
用演绎法，就是假设销售下降就是因为人员流失/引流产品不给力/季节因素导致的，那么我做了相应调整：人员调动/上新品/等季节过去，以后应该销售能回升。实际中，当然是两种方法结合，不断逼近真相。
算法推断：相关性分析，
4）属于“会怎样”的方法
“会怎样”指预测业务走势，预测常用的方法有三种：业务推演法（拍脑袋法）、时间序列法、因果关系模型；方法：杜邦分析、分类算法、分析影响因素；
短期用时间序列、辅以杜邦分析/因果关系；
5）属于“又如何”的方法
主观法和客观法两种；主观法就是基于人工判断（专家判断），只不过打分方式有很多种，直接打分再赋权重的往往叫专家法，打一个矩阵评分再计算的叫层次分析法（AHP）；客观法可以通过因子分析（用方差解释率做权重）神经网络（算法训练权重），这样不依赖专家打工。
5.2专题分析系列
5.2.1营销活动分析
Part1：营销活动基本类型
有些策划、运营推出的活动可能用词特别花里胡哨，会把人看晕，大家可以用这个逻辑图简单分类，找到他们的主题思路。
Part2：理清营销活动分析思路
营销活动不同于常规的经营活动，它是为了特定目标开展的、短期、大力度的行动。因此营销活动分析目标感，需要特别的强。整个分析围绕目标展开：
- 是否达成目标
- 如未达成，原因是什么
- 如达成目标，效率是否可优化
- 达成目标后，对整体经营有何影响
当有多个活动同时开展时，遵循：分门别类，从小到大的顺序。先从单次活动入手
★一看单次活动目标达成情况，效率
依据活动目标，对当前活动做出好/坏评价。评价将直接影响到后续的分析。好则总结经验，坏则分析原因。这是最基础的分析，先下判断，再找原因，不然很有可能南辕北辙。
★再看同一类活动，过往达成，效率
数据连起来看才有意思。比如针对用户拉新，可能做过4-5类活动形式，将过往记录摆在一起，可以看出是否此类活动整体上效果越来越弱，可以看出哪一次活动是效果最好的标杆，和当前活动相比，好/不好的地方，从而在找原因的时候有清晰的标杆，更容易出结论
★三看不同类活动交叉效果，是否改善了整体状况
比如可能同时有商品活动在做，用户活动也在做。都会对用户转化率有影响。那在多重作用下，到底用户转化率提升没有，用户结构是否去到我们理想状态。如果多重作用叠加都没有达到预期，那就得认真反思：是否整体策略要调整。（监控思路类似下图举例，当然还能有更多维度）。
★四看整体营销费用投入产出比，业绩营销依赖度。
从而发现盛世危言：是否公司太过依赖营销，是否营销费用如脱缰的野马已经失控（监控思路类似下图举例，当然还能有更多维度）。
往往策划或运营，会过分重视一次活动的效果，在一看部分耗费太多精力。这么做，无非是想拼命证明自己在这次活动做得很好。如果数据分析师仅停留在这个层面，就会陷入诡辩、扯皮、无休无止的争论。也就达不到深度、高度。所以在正式工作前，一定要理清思路，二三四看才是数据分析师更有价值的地方。
Part3：做好预设目标管理与记录
目标是衡量活动效果唯一标杆，因此必须事前谈清楚
★要点一：不是所有的活动都有销售目标。
比如品牌类活动，本身就不是为了硬性带货的，完全可以设阅读量、点赞数这些非销售指标。有些策划、运营、推广非常投机，在活动里不设跳转销售链接，不设带货手段，却非要强行论证：我也是促了销售的。这是非常扯淡的做法。连个链接都没有，在数据层面是无法归因的。在预设目标时注意：一个活动，要带货就必须有带货手段，有考核要求；要不带，就干脆不设销售目标。所有扯“间接影响”“深层效果”“心智启发”一类的，都是浑水摸鱼的做法。
★要点二：不是所有的活动都有参照组。
营销活动的不同类型、不同时期有不同的衡量指标。
大促类，更关注对整体指标的营销，关注总量、极大值。如果是商品类，关注的是整个商品生命周期走势，是进销存的节奏感。上市铺货，就该关注铺货面，销售量，让新品尽快占领市场。到了成熟期就得关注销存节奏，控制补货，往还有需求的地方调拨商品，逐步减少库存。到了衰退期，就得尽快甩货，减少库存成本。商品类，往往和同类商品进行生命周期比较。这两类数据看法如下图所示：
★要点三：参照组有两种设法，合理选择
- 一般来说，用户类活动参照组，按活动前后来设，关注用户行为是否因活动改变了习惯，提升了质量。
- 精准营销类，按响应/非响应来设，将同一波人劈成两组对比。这样可以观察精准的效果。但是目前很多基于APP，网站，短信，外呼的用户类活动，实际上也是个性化推荐，封闭了宣传渠道，因此也可以按响应/非响应来设。具体差距是宣传是否封闭宣传渠道，能封闭的才分两组，否则就按前后对比。
★要点四：过程指标，要挂一个结果指标考核。
这部分内容比较少，后续待完善。
此类问题专指用户新增、活跃、留存。这三个指标往往不是企业追求的最终结果，如果单独考核，很容易引发虚假繁荣。因此需要有一个质量指标。比如新用户注册后7天活跃，转化率等等。
这里篇幅很长，是因为做活动分析，最大的问题都是出在目标上：
1、没有目标：领导让我做，我就做……
2、目标空洞：就是提升销售，提升多少我也不知道……
3、目标混杂：拉新、促活、留存、转化毕其功于一役！
4、目标扯淡：我们有无法衡量的深远影响，心智改变！
5、目标虚假：新人多啦，活跃率高啦，为啥转化不动呢？
6、目标随意：啊，活动效果不好，我们来改改目标，改改参照组吧
这些都会让后续分析变成毫无意义的扯皮。因此，设立一个清晰、具体、有节操的目标，就是做好50%的活动分析，大家切记。
Part4：做好活动流程监控准备
在正式分析前，一定要提示做好活动流程监控。特别是活动较多的时候，每一个活动的页面埋点、用户数据采集、业务上线时间等要有清晰记录。事前没有做好记录，各种数据缺失，事后肯定没法分析。
监控中，优先关注目标达成情况
- 目标达成：活动成功，总结经验
- 目标未达：活动失败，复盘教训
注意：如果在活动过程中，监控到目标达成率很低。我们可以马上进入第二步：原因分析、经验总结阶段。及时调整，促进目标达成。而不是改参照组，试图蒙混过关。
Part5：好活动事前分析
营销是由至少8个步骤构成的：
- 设定目标
- 洞察用户需求（用户分层、梳理用户结构）
- 选择产品
- 包装卖点（价格、性能、品牌）
- 设计传播内容（文案、图片）
- 选择投放渠道（时间、地点、内容）
- 投放-用户响应（跳转链接，落地页，转化页）
- 响应后服务跟进（应答、发货、售后）
其中1-4是前期策划阶段主要考虑的问题，5-8是执行阶段的主要考虑。在活动推出前需要做好洞察，找准需求和卖点，才能起到好的效果。这里有可能产生很多事前分析专题，如洞察用户需求，方案ABtest，活动效益预估，销量预测，备货数量预测等等，这里先不一一展开。如有必要，数据分析师可以单独立项一一进行事前分析。还可以把过往项目复盘报告拿出来，按活动类型归纳已有经验、教训。事前策划好，事后麻烦就会少很多。
Part6：掌握活动执行计划
在活动开展过程中，很有可能业务部门做一些临时调整。特别针对5-8环节，这是出现问题最多的地方，也是调整最多的地方。诸如投放渠道转化率不行，投放分配不合理，文案效果不好，跳转链接出问题等等。掌握活动的预定计划，了解活动过程中出现的幺蛾子与调整方案，对于分析活动有重要意义。这些执行上bug与修正是促成活动最终效果的重要原因，及时掌握才能做出全面分析。所以要实现和业务沟通好，拿到计划，及时了解进度，之后才能一路顺畅。
活动不够了解，对执行不够了解，对过往没有好的积累。最后只能就数论数，对着业绩曲线挠头。或者有准备但是没有节操，面对业务随意变更、修改目标不敢提出异议，不敢保留讨论会议纪要。结果事后分析变成了跟风附和。
5.2.2销售分析方法
step1：先确定问题的轻重缓急
时间周期拉长，单纯看销售未达目标这个状态的持续时间，波动幅度，变化趋势。
判断依据是：
- 连续发生的问题>一次发生的问题
- 持续恶化的问题>偶尔波动的问题
- 大幅度波动的问题>小幅度波动的问题
- 一路跌到死的问题>已经抬起头的问题
是滴，遇到事先看轻重缓急，再讲对策！
step2：确定问题的时间&位置。问题在何时，何地发生，特别是有多个销售渠道，问题是持续性发生的时候。在确认时间地点的时候，可以去找当时的背景、业务动作，为后续深入分析打下基础。
确认时间：
- 问题最早出现在X天，这一天有XX事情发生
- 问题持续期，在第X天做了XX动作，之后的走势是……
- 上一次出现问题，在第X天结束，目前已经历了XX天，趋势是……
- 确认位置：
- 总销量=渠道1+渠道2+渠道3+渠道4，所以哪个渠道问题最严重
- 总销量=区域1+区域2+区域3+区域4，所以哪个区域最严重
- 所有区域/渠道都严重，还是只有部分区域/渠道验证
- 严重/不严重区域，在内部外部都发生了什么事
实际上，如果业务经验足够多的话，做到这一步就能基本锁定原因了，所谓：见多不怪，老兵油子，讲的就是那些已经做过很多年业务的人，对数据、事件间的因果联系有丰富经验，所以即使不用拆解很细的指标，也能通过一些大概的趋势做判断。对他们而言，做到第二步就够了。
第二步还有个作用，就是通过分类，找到参照物，看哪些时间/区域/渠道相对OK，哪些不行。有了标杆，才好在第三步细看，到底哪个环节出了问题。如果改进可以向谁改进。
step3：再确定问题的环节。这时候可以祭出一些细分的公式。最基础的当然是被吐槽万年的：销量=客流量*转化率*客单价；先不要急着继续往下拆，先看清这几个大指标，哪个有问题。
客流量少：下一步再看是
- 新客成交少还是老客复购少。
- 新客=获客渠道*转化率（转化漏斗），看看是不是用户转化流程中哪个环节出问题了
- 老客要按价值（或RFM）拆分等级，不同等级天然复购率，复购频次会不一样，拆开看哪个环节出了问题。
转化率低：下一步再看
- 与新客/老客结合起来看，重点关注新客/老客差异。
- 分产品线，看是否产品吸引力下降。
- 结合促销活动，看是否受活动影响，比如重点活动铺了某些产品。
客单价低：
- 与新客/老客结合起来看，重点关注高等级客户消费。
- 分产品线，看产品交叉销售。
- 结合促销活动，看是否受活动影响，比如打折力度太大。
业务知识第6章和第90课时更详细
5.1.3多维度分析
明明出了那么多组数据，为什么还被说“分析维度不够多？”今天我们系统解答一下。问题的本质是：业务口中的“多维度”，完全不是你想的那个“多维度”；
多维度分析可以从两个维度：（实际也是纵向、横向）
- 添加过程指标；
- 按业务管理方式添加分类维度；
个人理解：多维度分析是还原过程，以定位问题阶段/范围或对象。
1.添加分类维度：看到哪个业务线没做好（如下图）
2.添加过程指标：看到从用户意向到付费，哪个环节出了问题（如下图）
很多数据分析师把业务口中的“多维度”，直接理解成了“维度多”，
业务口中的“多维度”，完全不是这个意思。业务脑子里装的是不是数据库里的表结构，而是一个个具体的问题。当业务看到“3月份销售没有达到“，脑子里想的多维度是这样的：
从本质上看，真正的多维度分析，其实考的不是数据计算能力，而是策略能力。具体来说是四个方面：
- 把业务上理由，转化为数据上论证。
- 堵住借口：业务不要总试图甩锅，集中精力想能干点啥。
- 找到症结：在一堆影响因素里，找到最关键的那个，集中发力。
- 找到影响结果的真正原因（个人理解，附带添加）。
解决业务理解的多维度分析的方法：
1.业务常用/可预测的/明里暗里的说法做分类，进行假设验证检验，通过对比分析进行证伪验证；优排除接口；
2.判断解决突发事件，很容易找到问题源头
- 正向的：促销活动，某群体用户骚动，新产品上线……
- 负向的：恶劣天气，突发事件，系统宕机……
因此先排除单次突发问题，找清楚一点原因以后，再追溯之前的情况，就容易说清楚。
3.按分工锁定问题点再谈细节
>该部分有详细说明
4.锁定细节问题
个人理解：该部分主要看运营或者业务部门
即使聚焦到一个部门的一个行动，还是很难扯清楚：到底是什么业务上原因导致的问题。因为本身业务上的事就是各种因素相互交织很难扯清，比如：
-
内容运营：传播渠道、主题、调性、风格、图片，发送时间，差一个都可能扑街
-
活动运营：目标群体、活动门槛、奖励内容、参与规则，差一个都可能扑街
-
用户运营：新人进猛做留存就差，留存猛做新人进费用就少，两头都做两头投入都不够
-
商品运营：选款时候看100个维度，可一天不上线一天不知道真实表现，你上了，他扑了
-
……
可能做数据的同学本能反应是：能做ABtest呀。实际上大部分业务是没有时间、空间做ABtest 的，而且有些东西（比如选品、文案）影响维度太多，得做无数组ABtest才能测清楚。而且对已经发生的事，也没法再做ABtest了。