精读——数据分析思维：分析方法和业务知识（1）

今天和大家一起精读一本最近很火热的数据分析新书——《数据分析思维：分析方法和业务知识》，作者猴子·数据分析学院。

image

全书分为两大块，第一块内容是方法论，也就是前三章，介绍了数据分析的方法、数据指标体系和一些基础的内容。

第二块是实战部分，讲了电商、金融、在线教育、运营商、零售等不同行业的业务知识和案例分析。

这篇文章就是在阅读了这本书第一章的一个读书笔记加上我自己的理解，让我们一起来精读。

image

1.业务指标

1.1 如何理解数据

可从以下两个方面理解数据：

• 每一列的含义
• 数据分类
  从数据分类里，进一步地可以分为：
  • 用户数据：比如用户的姓名、年龄、职业等；
  • 行为数据：如浏览了哪些产品，停留时长等；
  • 产品数据：如产品名称、类别等。

分类	列名
用户数据	昵称、性别、年龄、地域 、访问设备、何时关注
行为数据	阅读数、分享数、收藏数、在看数、点击菜单数
产品数据	文章标题、日期、阅读量

image

1.2 常用的指标有哪些

用户数据指标

对用户分类，可以分为新增用户、活跃用户和留存用户3大类，从这三大类可以得到相应的指标：

• 日新增用户数：各渠道来源

这是我公众号的日新增用户数，甚至可以从不同的渠道来看，如搜一搜、他人转载、名片分享等渠道。

image

• 活跃率

这里牵扯到如何定义“活跃”这个概念，不同的产品有不同的定义方法，但广泛地来讲，活跃率=活跃用户数/总用户数

image

• 留存率

留存用户就是留下来的用户，和它相对应的是流失用户，根据时间不同，留存率可以分为次日留存率、第3日留存率，第7日留存率，第30日留存率等。

比如次日留存率=第1天新增用户中，在第2天使用过该产品的用户数/第1天新增用户数

image

40-20-10法则：新用户次日留存率为40%，7日留存率为20%，30日留存率为10%是比较好的。

image

行为数据指标

• PV：Page View ，访问次数
• UV：Unique Visitor，访问人数
  比如一个网页，1天被1个人打开了10次，那么它的PV是10，UV是1.

比如我公众号的菜单栏【干货学习】-【可视化】这个子菜单PV是9，UV是7.

image

• 转发率
• 转化率

如广告转化率=点击广告的人数/看到广告的人数

• k因子

k因子=平均每个用户向多少人发出邀请 x 接收到邀请的人转化为新用户的转化率

k因子用来衡量推荐的效果，K>1，则新增用户数会像滚雪球一样增大。

image

产品数据指标

总量

• GMV成交总额
• 成交数量
• 访问时长

人均

• 人均付费APRU/客单价
• 付费用户人均付费ARPPU
• 人均访问时长
  
  image
  
  付费
• 付费率：付费人数/总用户数
• 复购率：重复购买率

产品
比如热销产品top N

image

推广付费指标

• 展示位广告：按展示次数计费，CPM，多少人看了
• 搜索广告：按点击次数计费，多少人点了

• 信息流广告：按实际投放效果付费，如CPD按下载付费，CPI按安装付费，CPS按完成购买的用户数或销售额付费

  
  
  

  image

1.3 如何选择指标

如何选择指标，在《精益数据分析》这本书里其实讲的已经很透彻了。
什么是好的数据指标：精益数据分析

• 比例
• 北极星指标：衡量业务的核心指标

1.4 指标体系和报表

image

什么是指标体系

使用多个指标从不同的维度评估业务，指标+体系

指标体系有什么用

• 监控业务
• 寻找问题
• 优化工作

如何建立指标体系

• 明确部门KPI，找到一级指标：一级指标并非只能一个指标
• 了解业务运营情况，找到二级指标：拆解
• 梳理业务流程，找到三级指标
• 通过报表监控指标，不断更新指标体系：日报，周报，月报

关于指标体系，其实从收集需求、规划方案、采集数据、数据验证到效果评估每个流程都需要多部门协调，这个过程中会用到很多分方法，如AARRR模型，之前也写过：数据分析应关注AARRR模型的哪些指标

现代管理学之父彼得·德鲁克说过一句很经典的话：

如果你不能衡量它，那么你就不能有效增长它。

从这句话中我们也能体会到数据之于业务的意义。

好了，今天的精读就到这了，开启精读一本书这个系列的原因很简单，有一天我在找区块链相关的资料，小明同学推荐了我一本书《区块链基础知识25讲》，这本书还挺厚的，当时也是比较着急，自己看那么厚的纸质书还是电子版都不实际，突然我从CSDN上看到了别人的读书笔记，精读的那种，2个小时就把这本书讲了啥大概了解了。我发现像我一样有这种需求的人还是很多，因此就出现了这个精读系列。

我是可乐，欢迎关注我的公众号：可乐的数据分析之路