数据分析框架总结 第1篇

A/B测试是一种流行的网页优化方法，可以用于增加转化率注册率等网页指标。简单来说，就是为同一个目标制定两个方案（比如两个页面）， 将产品的用户流量分割成 A/B 两组，一组试验组，一组对照组，两组用户特点类似，并且同时运行。试验运行一段时间后分别统计两组用户的表现， 再将数据结果进行对比，就可以科学的帮助决策。比如在这个例子里，50%用户看到 A 版本页面，50%用户看到 B 版本页面，结果 A 版本用户转化率 23%， 高于 B 版本的 11%，在试验流量足够大的情况下，我们就可以判定 A 版本胜出，然后将 A 版本页面推送给所有的用户。

数据分析框架总结 第2篇

        其实结构化和公式化还残存着一些逻辑的漏洞，可以说结构化和公式化能解决80%的问题，剩下的20%则是要借助业务化来解决。

        下面举个例子：如何预估上海地区的共享单车投放量？

        借助结构化和公式化可以从四个角度去拓展分论点：

        （1）从城市流动人口计算：上海市人口为2000多万，流动人口为600多万，然后通过某些指标设置需要单车的转化率；

        （2）从人口密度计算：上海有十几个区，有几个市中心区，市中心区人数多需求也大，而且区也可以细分成居住区等等；

        （3）从城市交通数据计算：根据上海各个地铁站或者公交车站的人流量来进行预估；

        （4）从保有自行车计算：比如上海市保有了100万辆自行车，那么根据各项指标获得转化率，换算成共享单车应该需要70万辆。

        但是实际上单车是有损耗的，计算公式中应该考虑单车的消耗因素。因此原来由结构化和公式化得出的100万的投放量其实还不够，可能要投120万辆，甚至还要持续不断地投入。

         从上面的例子可以看出结构化+公式化的缺点：为分析而分析，却没有深入理解业务。

         下面再举一个例子：一家销售公司业绩没有起色，对它进行分析得出结论：

        （1）销售人员的效率低落，因为士气低落;

        （2）产品质量不佳，和同期竞争对手比没有优势；

        （3）价格平平顾客并不喜欢。

        上述三点其实还只是现象，即比较空泛的陈述，还没有分析到真正的原因。比如（1），士气为什么低落？有可能是降薪或者天气热跑得累了等等。比如（2），产品质量为什么不佳？可能是用户变挑剔了或者公司偷工减料了等等。

         因此需要用结构化思考+业务化拆解，获得最终的分析论点。

        是否业务化可以从三个角度来看：（评判标准）

        （1）有没有从业务方的角度思考；

        （2）真的分析出原因了吗；

        （3）能不能将分析结果落地。（跟进和监控）

       如何业务化呢：（方法论）

        （1）多与业务方沟通；

        （2）多从业务方的角度思考；

        （3）本身最好能参与到业务中去。

数据分析框架总结 第3篇

假设检验是一种科学的统计推断方法。当我们需要对总体数据进行评估时，一般会先提出一个假设（例如针对所有手机app用户，假设app的A版本比B版本更受欢迎），然后从总体中抽出一部分样本，计算出样本统计量，进而运用这些数据测定假设的总体参数在多大程度上是可靠的，并做出承认还是拒绝该假设的判断。

二、常用分析框架（模型）：

AARRR模型是一整套数据分析的框架，模型从以下五个方面来分析产品的运营

提高活跃度：获取到用户之后，新的挑战是如何将新增用户转化为活跃用户。用户活跃度可以从两方面来考察，一是分析活跃用户的构成，包括日活DAU(Daily Active User)、周活WAU、月活MAU等；二是通过日均使用时长、日均打开次数、产品活动参与度等指标来分析用户粘性。

提高留存率：运营的一个重要目标是让用户留下来。这是因为老用户的运营成本更小、带来的收入更多。对于新用户，我们通常需要使用各种激励措施引导他们使用、消费，培养他们的使用习惯。常见的激励方式包括搭建成长值会员体系、签到体系、积分任务体系等等

获取收入 : 每一个产品被开发出来最基本的目的就是为了盈利，app的收入通常有三种形式，应用收费、应用内购买以及广告收入。在设计盈利模式的时候，需要考虑回购率、人均付费额等指标来思考设计是否合理。

自传播：自传播是一种非常有效的产品推广途径，用户愿意分享给身边的人说明产品的用户体验得到了认可。

RFM模型是一种通过用户最近购买行为、购买频率、消费金额这三个维度来研究用户细分、衡量用户价值的模型，常常用于电商领域

RFM定义：

如果用0和1来分别表示低和高，那么在RFM三个维度下我们可以构建如下矩阵：

将这个矩阵绘制成三维立体图就如下图所示：

根据不同的分值高低组合可以得到八种不同的客户类型，其中前面四种重要客户值得关注：

数据分析框架总结 第4篇

    （1）核心论点：寻找金字塔的塔顶，它可以是假设，是问题，是预测是原因；

    （2）结构拆解：自上而下，将核心论点层层拆解成分论点，上下之间呈因果或依赖关系；

    （3）MECE    ：相互独立，完全穷尽，论点之间避免交叉和重复，分论点们要尽量完善；

    （4）验证       ：不论是核心论点还是分论点，都应该是可量化的，用数据说话。它们必然是可验证的。

        图2为结构化的一个例子，分析前先罗列这个大纲，然后逐一进行原因排查（这样做有一个好处就是该大纲可重复利用），如果不是该原因则标红，如果是则标黄。由图中也可以看出，标黄部分可以提出新问题，然后再画一个大纲。

        这里用到的是思维导图形式，适用于单人分析，以下是多人分析步骤：

         （1）查看资料及背景，将结论列成一个表/卡片；

         （2）把表上的结论，依据主题分类；

         （3）将同一类型的结论，按顺序区分；

         （4）讨论同一级别的共通结论，将其结论放在上一段位置。

数据分析框架总结 第5篇

相关分析是一种简单易行的测量定量数据之间的关系情况的分析方法。可以分析包括变量间的关系情况以及关系强弱程度等等。两个变量之间的相关程度通过相关系数r来表示。相关系数r的值在-1和1之间，但可以是此范围内的任何值。正相关时，r值在0和1之间，散点图是斜向上的，这时一个变量增加，另一个变量也增加；负相关时，r值在-1和0之间，散点图是斜向下的，此时一个变量增加，另一个变量将减少。

r的绝对值越接近1，两变量的关联程度越强，r的绝对值越接近0，两变量的关联程度越弱。在python中有一个seaborn的第三方库提供绘制相关系数热图的函数，绘制结果如下图所示（这是我在《共享单车数据可视化分析》中绘制的变量相关性系数矩阵热图）