数据分析知识体系模型
20220321
https://zhuanlan.zhihu.com/p/163259179
作業成本法
https://www.zhihu.com/question/27693242/answer/269729289
貼現率
20220318
究竟是用的久的用戶（二八理論），還是分布人數最多的用戶（長尾理論），產生的商業價值大？
20220104
客戶價值模型:RFM分析
客戶流失的預測間題研究至今, 已經取得了豐富的成果等于年提出了預測客戶交易
行為的概率模型組, 并在年進行了完善, 簡稱模型
https://www.cnblogs.com/laoketeng/p/11310757.html
Pareto/NBD模型
https://mp.weixin.qq.com/s/EEsxMIZWfweD5S7HQN6DYQ
數據分析 – 電商用戶生命周期分析 完整
而依據客戶交易行為的模型有（RFM,SMC,BG/NBD）。
https://blog.csdn.net/weixin_43171270/article/details/105981699
用戶存續期價值評估CLV(二) BG/NBD Model python模擬
lifetimes方法：
github: https://github.com/CamDavidsonPilon/lifetimes
docs: http://lifetimes.readthedocs.io/en/latest/
BG_NBD模型
用戶下載注冊一個產品是帶著需求來的，是想解決自己的問題的。但是這個需求可能有所不同，有可能只是用戶的一個普通需求，也有可能是個剛性需求，還有可能是個痛點需求。舉例來說，最近太累，想去馬爾代夫放松一下，這是個普通需求，到了馬爾代夫玩了半天有點餓了，想吃東西了，這個是剛性需求，于是上網看了一下推薦，剛好附近有家餐廳，但是評價不好而且很貴，有家味道很好的但是離得又很遠，找一個離得近、味道不錯而且又實惠的餐廳就是個痛點需求。
20211020
https://mp.weixin.qq.com/s/S0WwLIH-MIAD2vTHckUAAw
RFM模型詳解
波士頓矩陣,PSM,用戶狀態模型,生命周期模型分層,客戶RFM標簽
在合縱數據指標維度定義V1.13.16表中
波士頓矩陣畫圖
分成五個區域 上下左右四分位數各一條線中間形成一個正方形為普通產品
另外正方形的西北 東北 西南 東南方向有四個區域
https://baike.baidu.com/item/%E6%B3%A2%E5%A3%AB%E9%A1%BF%E7%9F%A9%E9%98%B5/5406040?fr=aladdin
波士頓矩陣
占比改成毛利額就能防止把偏門的藥劃分到問題產品里面去
常用藥的毛利額也高 就不管數量了 因為分都一樣,只看分子就可以了
與外界對比的時候一定要用占比,因為我們的數字可能比別人的小(看絕對值看不出差異)
但是在自己內部的話,總的銷售額做分母肯定是大的 不用擔心這個問題
20211015
https://mp.weixin.qq.com/s/iRNiKNI0vs4_4huilbE_vA
用KANO和PSM模型分析需求與定價
20210816
https://wenku.baidu.com/view/143c1cc131d4b14e852458fb770bf78a65293a99.html
營銷策略 需求分析篇
https://wenku.baidu.com/view/b19f38a1bb4cf7ec4bfed017.html
供應鏈需求分析
https://wenku.baidu.com/view/227dfecf670e52ea551810a6f524ccbff021ca5f.html
倉庫管理需求分析
https://wenku.baidu.com/view/56a2d7d13b68011ca300a6c30c2259010302f326.html
財務管理需求分析
https://wenku.baidu.com/view/c4c058b5fe00bed5b9f3f90f76c66137ee064f9b.html
https://wenku.baidu.com/view/4a8337dbd838376baf1ffc4ffe4733687e21fcaa.html
銷售需求分析
一 數據分析定義
數據分析是指有針對性的收集、加工、整理數據，并采用統計、挖掘技術分析和解釋數據。數據分析是為了提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。
1 數據定義
數據是客觀事實,對于客觀事物發生，發展的數字化記錄。隨著科學技術的發展，數據的概念內涵越來越廣泛包括數值，文本，聲音，圖像，視頻。
數據可以分為定性數據和定量數據。
定性數據是用來描述事物的屬性，名稱等，它一種標志，沒有序次關系。例如，“性別”，“男”編碼為1，“女”編碼為2。
定量數據描述量化屬性，或用于編碼。如交易金額、額度、商品數量、積分數、客戶評分等都屬于量化屬性。
定量數據可以繼續劃分：定序數據、定距數據與定比數據。
定序數據（Ordinal）:數據的中間級，用數字表示個體在某個有序狀態中所處的位置，不能做四則運算。例如，“受教育程度”，文盲半文盲=1，小學=2，初中=3，高中=4，大學=5，碩士研究生=6，博士及其以上=7。
定距數據（Interval）:具有間距特征的變量，有單位，沒有絕對零點，可以做加減運算，不能做乘除運算。例如，溫度。
定比變量（Ratio）:數據的最高級，既有測量單位，也有絕對零點，例如職工人數，身高。
2 數據分析大事記
計算機時代崛起
計算機的發展和計算技術的發展極大地增強了數據分析的過程。1880年，在使用計算機之前，美國人口普查局花了7年的時間來處理收集到的信息并完成最終報告。使用此設備，在18個月內完成了1890年的人口普查。
關系數據庫誕生
關系數據庫由埃德加·科德（Edgar F. Codd）在1970年代發明，并在1980年代非常流行。關系數據庫（RDBM）允許用戶編寫Sequel（SQL）并從其數據庫中檢索數據。關系數據庫和SQL提供了能夠按需分析數據的優勢，并且仍在廣泛使用。它們易于使用，對于維護準確的記錄非常有用。
數據倉庫誕生
在1980年代后期，收集數據的數量繼續顯著增長，部分原因是硬盤驅動器的成本較低。在此期間，開發了數據倉庫的體系結構，以幫助將來自操作系統的數據轉換為決策支持系統。數據倉庫通常是云的一部分，或者是組織的大型機服務器的一部分。與關系數據庫不同，數據倉庫通常經過優化，可快速響應查詢。
商業智能(BI)崛起
20世紀80年代-90年代，數十家BI廠商進入市場。數據倉庫技術的發展大大推動了商業智能的發展，傳統存儲在各個地方的業務數據開始集中在一起。應運而生的技術還包括ETL（數據抽取、轉換、加載）和OLAP（聯機分析處理）。
數據挖掘崛起
數據挖掘始于1990年代，是在當時多個學科發展的基礎上發展起來的。隨著數據庫技術的發展應用，數據的積累不斷膨脹，導致簡單的查詢和統計已經無法滿足企業的商業需求，急需一些革命性的技術去挖掘數據背后的信息。
大數據來臨
2000年到2010年是大數據興起和備受關注的時期，谷歌的“三駕馬車”：谷歌文件系統、MapReduce和 BigTable。亞馬遜也發表了一篇關于 Dynamo系統的論文。這幾篇論文奠定了大數據時代的基礎。隨著大數據的到來，海量的數據以及新的技術發展，幫助公司將數據轉化為洞察力。
數據科學家
2012年9月， Tom Davenport和DJ Patil 在《哈佛商業評論》上發表了“數據科學家：21世紀最性感的工作” 。
增強分析
2017年，Rita Sallman，Cindi Howson和Carlie Idonies在Gartner的研究論文中引入了增強分析的概念，并將其描述為一種新的數據分析方法，可使用機器學習和自然語言生成（NLG）自動化見解。增強型數據分析大大提升了數據分析效率，降低數據分析的門檻，人人都可以像數據科學家一樣，對數據進行多維度的自動鉆取，自動加載各種模型進行深度分析。
3 數據分析 VS 數據科學 VS 商業智能
商業智能（Business intelligence ）
泛指用于業務分析的技術和工具，通過獲取、處理原始數據，將其轉化為有價值的信息指導商業行動。維基百科定義為一個組織將所有資源轉化為認知的能力。
數據科學（data science）
是一個多學科領域，專注于從大量原始和結構化數據中找到切實可行的見解。該領域主要注重發掘我們沒有意識到我們還不清楚的事情的答案。它結合了諸多領域中的理論和技術，包括應用數學、統計、模式識別、機器學習、數據可視化、數據倉庫以及高性能計算。數據科學通過運用各種相關的數據來幫助非專業人士理解問題。
三者關系
數據分析是一個相當廣的領域，其中包含了數據科學。數據科學是最近比較火的一個名詞，與傳統的數據分析相比都是從數據中找到知識和見解，只是在使用的技能和方式下有一定差異。
并不是所有的數據分析都是商業的，所以他們兩有一個定的交集。
有的數據科學過程并不直接是商業分析，但卻是數據分析。比如在石油行業中“鉆井作業優化”需要數據科學工具和技術，屬于數據科學家的日常工作。但是，我們不能將其和商業分析關聯起來。
4 數據分析師 vs 數據科學家
雖然數據分析師和數據科學家都與數據打交道，但主要的區別在于他們如何處理數據。數據分析師檢查大型數據集，以確定趨勢、開發圖表和創建可視化表示，以幫助企業做出更多的戰略決策。另一方面，數據科學家使用原型、算法、預測模型和自定義分析設計和構建新的數據建模和生產流程。
數據科學家、數據工程師和軟件工程師技能圖譜：
二 為什么要分析
分析的本質是讓業務更加清晰，讓決策更加高效。在市場經濟的條件下，企業面對激烈的競爭，差異化的市場，多變的環境，常常會面臨各種難題。數據分析是用來解決企業的難題，識別機會，規避風險，問題診斷。
總結下來，數據分析可以幫助我們：
發生了什么：追溯過去，了解真相。
為什么發生：洞察事務發生的本質，尋找根源。
未來可能發生什么：掌握事務發展的規律，預測未來。
我們該怎么做：基于你已經知道的“發生了什么”、“為什么會發生”以及“未來可能發生什么”的分析，幫助你確定可以采取的措施，也就是：驅動行動。
三 如何分析？
分析的6個步驟：
1 明確分析目的
業務理解
從事數據分析工作的前提就是懂業務，即熟悉行業知識、公司業務及流程，有自己的業務見解。如果脫離行業認知和公司業務背景，分析的結果沒有太大的使用價值。
如何做到懂業務？首先我們要明白我們業務的商業模式是怎么樣的？即我們通過什么樣的方式發生關系并最終產生什么樣的商業價值。其次我們要了解我們商業模式的核心組成要素，例如我們的客戶細分、收入來源、關鍵業務、核心的資源、成本的結構等等。除此之外我們要對核心的環境因素有所了解，例如宏觀經濟、市場影響、行業趨勢等等。
明確目的
數據分析第一步，不是分析數據而是把業務的問題或者目標定義清晰。通過這次數據分析想要解決一個什么樣的問題，達成一個業務目標是什么？
業務理解業務結果
業務目標/問題結果性目標
2 確定分析思路和框架
在明確分析的目的之后，我們需要梳理分析思路，并確定分析框架，即從哪些角度進行分析，采用哪些分析指標。在梳理分析思路的時候，將常見的思維模型應用與分析，能夠幫我們更加清晰的理解背后的邏輯線索，做到”不重不漏“（MECE）。常見的思維模型有：結構化思維模型、時間模型、邏輯演繹模型、重要性思維模型。
當然在今天，除了思維模型，其實我們已經沉淀了很多經典的分析模型，這些分析模型歷經隨便的沉淀和檢驗。如果你熟悉這些分析框架你的思考會更加快速，有效。你不需要在另起爐灶，就能達到事半功倍。例如：SWOT分析模型、STP分析模型、RATER指數模型。
掌握分析思維模型
思維模型就是我們對客觀世界的一種主觀抽象描述，通過思維模型來分析問題，從而更為準確地找到解決問題的方法。查理·芒格說過：“思維模型是你大腦中做決策的工具箱。你的工具箱越多，你就越能做出最正確的決策。”
1）結構化模型
以事物的結構為思考對象，來引導思維、表達和解決問題的一種思考方法。例如麥肯錫的金字塔原理，5W2H七要素分析法。
a）5W2H分析法
又叫七問分析法，是二戰中美國陸軍兵器修理部首創。簡單、方便，易于理解、使用，富有啟發意義，廣泛用于企業管理和技術活動，對于決策和執行性的活動措施也非常有幫助，也有助于彌補考慮問題的疏漏。
b）結構化思維
是指一個人在面對工作任務或者難題時能從多個側面進行思考，深刻分析導致 問題出現的原因，系統制定行動方案，并采取恰當的手段使工作得以高效率開展，取得高績效。
c）MECE原則
MECE，是Mutually Exclusive Collectively Exhaustive，中文意思是“相互獨立，完全窮盡”。也就是對于一個重大的議題，能夠做到不重疊、不遺漏的分類，而且能夠借此有效把握問題的核心，并解決問題的方法。
2）時間模型
按照事物發展的時間線索，來進行分析。例如用戶行為5階段模型：需求的產生->信息收集->方案比較->購買決策->購買行為。
3）邏輯演繹模型
演繹模型分為：
三段標準式演繹形式：大前提，小前提，結論。
常見4W模式：描述現象、分析原因、判斷趨勢、提出對策。
a）麥肯錫七步分析法
麥肯錫七步分析法又稱“七步分析法”是麥肯錫公司根據他們做過的大量案例，總結出的一套對商業機遇的分析方法。它是一種在實際運用中，對新創公司及成熟公司都很重要的思維、工作方法。
b）邏輯樹分析法
邏輯樹是將問題的所有子問題分層羅列，從最高層開始，并逐步向下擴展。
4）重要性思維
企業資源是有限的，需要把資源用在刀刃上。消費者的關注點有優先級，做好消費者關注的才能打動消費者。例如，四象限分析法提倡人們應有重點地把主要的精力和時間集中地放在處理那些重要但不緊急的工作上，這樣可以做到未雨綢繆，防患于未然。
5）經典思維模型
德爾菲法：一種高效重要的判斷預測工具
六頂思考帽：有效實用的決策與溝通工具
KT決策法：最負盛名的決策模型
頭腦風暴法：激發團隊創新的有效決策工具
垃圾桶模型：一種企業內部的決策制定模式
5W2H分析法：一種調查研究和思考問題的有效辦法
決策樹分析法：現代管理決策者常用的有效工具
綜攝法：開發潛在創造力的一種創新方法
戈登法：適用自由聯想的技術創新技法
奧斯本檢核表法：創造技法之母，最著名、最典型的檢核提問型創新法
黃金思維圈法則
STAR原則
掌握經典分析模型
分析模型是對客觀事物或現象的一種描述。為了分析其相互作用機制，揭示內部規律，可根據理論推導，或對觀測數據的分析，或依據實踐經驗，設計一種模型來代表所研究的對象。經典的分析模型一般都是以營銷、管理等為理論基礎的。
1）戰略與組織
SWOT分析：戰略規劃的經典分析工具
PEST分析：組織外部宏觀環境分析工具
BCG矩陣法：制定公司層戰略最流行的工具
GE矩陣：企業決定發展戰略的分析工具
定向政策矩陣：戰略業務組合計劃分析工具
IE矩陣：標識企業分布地位的分析工具
競爭態勢矩陣：企業戰略制定提供競爭優勢的分析工具
麥肯錫三層面分析：企業設計戰略規劃、開拓增長的有效工具
波特五力分析：行業競爭戰略最流行的分析工具
戰略集團分析法：行業內企業競爭格局分析工具
戰略鐘模型：企業競爭戰略選擇分析工具
核心競爭力分析：分析企業有效競爭和成長的重要工具
波特價值鏈分析模型：尋求確定企業競爭優勢的分析工具
利益相關者分析：戰略制定和戰略評價分析工具
PIMS分析法：有效的戰略評價分析工具
SPACE矩陣：企業外部環境及戰略組合分析工具
QSPM矩陣：戰略決策階段重要分析工具
三四規則矩陣：成熟市場中企業競爭地位分析工具
7S模型：組織績效與戰略適應的分析工具20.3C戰略三角模型：經典的營銷戰略管理工具
2）營銷服務
STP分析：現代營銷戰略的核心分析工具
4Ps營銷組合模型：制定市場戰略最經典的營銷理論工具
產品生命周期模型：描述產品和市場運作方法的有力工具
安索夫矩陣：應用最廣泛的營銷分析工具之一
服務質量差距模型：服務質量簡單有效的分析工具
推銷方格理論：直觀有效的銷售分析工具
哈夫模型：最有效的計算商圈的分析工具之一
服務金三角：服務組織管理的基石
CS戰略：企業提高市場占有率的有力工具
SPIN銷售法：系統化挖掘客戶需求的銷售工具
營銷戰略新三角模型：戰略業務架構分析工具
服務利潤鏈：服務管理最經典、最有效的分析工具
滿意鏡：提高顧客滿意與員工滿意的工具
顧客金字塔模型：有效的顧客細分管理工具
植田T理論：典型的競爭性理論策略工具
3）人力資源
平衡計分卡：最具影響力的戰略績效管理工具
360度績效考核：推進員工行為改變最有效的工具之一
KPI：國際通行的企業經營績效成果測量和戰略目標管理的工具
3P模型：實施企業人力資源戰略化管理的有效工具
職位分析問卷法：最普遍和流行的人員導向職務分析系統
關鍵事件技術：識別工作績效的關鍵性因素的工作分析方法
貝爾賓團隊角色理論：目前最權威、應用最廣的團隊理論
蓋洛普Q12測評法：最經典的員工敬業度測評工具
績效棱柱模型：新穎的績效測量和管理分析工具
Lifo管理系統：美國應用最廣、發展最早的行為風格行為系統之一
寬帶薪酬設計：一種新的薪酬管理系統及操作流程
霍蘭德職業興趣理論：通用的職業興趣測驗工具
勝任素質模型：人力資源戰略和組織整體戰略緊密結合的重要工具
職業錨：職業測評運用最廣泛、最有效的工具之一
海氏工作評價系統：目前國際上最為流行、使用最為廣泛的崗位評估工具
4）質量及生產管理
TPM：生產改善過程中的重要工具之一
TQM：一項持續變革的有效管理體系
定置管理：強化現場管理和謀求系統改善的科學管理方法
5S現場管理法：現場科學管理的基礎工具
六西格瑪：世界最先進的質量管理法
JIT生產方式：使生產有效進行的新型生產方式
QFD法：一種顧客驅動的先進質量管理應用技術
田口方法：質量管理利器、企業技術創新不可或缺的工具
甘特圖：最常用的項目控制管理的有效工具
OPT：改善生產管理技術的新方式
PDCA：循環有效控制管理過程和工作質量的工具
AUDIT法：保證產品質量的先進質量管理控制方法
大規模定制：21世紀最重要的、最具競爭優勢的生產模式
朱蘭三步曲：質量戰略思想和管理的有力武器
零缺陷管理法：企業質量管理方法的又一次革命
QC七大手法：一組對質量管理活動的數據進行客觀分析的有力工具
豐田生產方式：一套系統完整的生產管理方式
5）財務管理工具
阿特曼Z-score模型：最著名的預測企業破產的方法
ABC成本法：企業控制成本的有力工具
杜邦分析法：企業業績評價體系中最為有效的工具之一
比率分析法：財務分析最基本的工具
經濟附加值：當今最熱門的財務創意
財務分析雷達圖：企業經濟效益綜合分析工具
零基預算法：對企業的預算決策進行控制的有效工具
凈現值法：企業投資決策中最基本、最常用的一種方法
沃爾評分法：對企業財務信用能力綜合評價的方法
本量利分析：實施目標成本管理的一個重要工具
6）項目與物流
SCOR模型：第一個標準的供應鏈流程參考模型，供應鏈一體化的得力工具
ECR系統：一種新型的供應鏈管理策略
快速反應策略：企業實現供應鏈競爭優勢的有效管理工具
綠色供應鏈管理：可持續發展的供應鏈管理模式
責任矩陣：項目計劃十分重要的工具
關鍵路徑法：項目管理中應用最為廣泛的方法之一
邏輯框架法：項目質量評價的綜合評價方法
PERT網絡分析法：有效的項目進度管理工具
VMI模型：國際前沿的供應鏈庫存管理模式
工作分解結構：項目管理眾多工具中最有價值的工具之一
常見的分析模型
a）SWOT分析模型
用來確定企業自身的競爭優勢、競爭劣勢、機會和威脅，從而將公司的戰略與公司內部資源、外部環境 有機地結合起來的一種科學的分析方法。
b）STP分析
客戶細分（Segmentation）、目標客戶選擇(Targeting)、目標客戶定位(Positioning)。
c）經典的客戶滿意度模型
RATER指數模型、KANO模型。例如：RATER指數是全美最權威的客戶服務研究機構美國論壇公司投入數百名調查研究人員用近十年的時間對全美零售業、信用卡、銀行、制造、保險、服務維修等十四個行業的近萬名客戶服務人員和這些行業的客戶進行了細致深入的調查研究，發現一個可以有效衡量客戶服務質量的RATER指數。
d）PEST分析模型
是指宏觀環境的分析模型，宏觀環境又稱一般環境，是指一切影響行業和企業的宏觀因素。對宏觀環境因素作分析，不同行業和企業根據自身特點和經營需要，分析的具體內容會有差異，但一般都應對政治(Political)、經濟(Economic)、社會(Social)和技術(Technological)這四大類影響企業的主要外部環境因素進行分析。簡單而言，稱之為PEST分析法。
e）波特五力分析模型
是邁克爾·波特(Michael Porter)于80年代初提出，對企業戰略制定產生全球性的深遠影響。用于競爭戰略的分析，可以有效的分析客戶的競爭環境。五力分別是：供應商的議價能力、購買者的議價能力、潛在競爭者進入的能力、替代品的替代能力、行業內競爭者現在的競爭能力。五種力量的不同組合變化 最終影響行業利潤潛力變化。
f）經典營銷管理模型4P、4C、4S、4R、4V、4I
以滿足市場需求為目標的4P理論，以追求顧客滿意為目標的4C理論，以建立顧客忠誠為目標的4R理論等。
g）用戶行為理論
h）AARRR模型
AARRR是Acquisition、Activation、Retention、Revenue、Refer這五個單詞的縮寫，分別對應用戶生命周期中的5個重要環節：獲取用戶、提高用戶活躍度、提高用戶留存率、獲取收入、自傳播。AARRR模型因其掠奪式的增長方式也被稱為海盜模型，同時它也是一個典型的漏斗模型可以用來評估連續的業務流程節點轉化率。通過該模型可以有針對性的對出現問題的重要節點進行優化，達到提升ROI的目的。
指標體系設計
指標體系的設計是一個業務數據化的過程。好的指標設計能夠抽象目標具體化，具有直接實踐意義。
1）什么是指標
通常我們講述的指標是指將業務單元精分后量化的度量值，譬如：DAU、訂單數、金額等。當然，原子指標還會基于維度、修飾詞、統計口徑而構建出派生指標。指標的核心意義是它使得業務目標可描述、可度量、可拆解。
2）什么是好指標
好的數據指標是比較性的，可以是一個比率。因為比率的可操作性強、天生比較性指標、適用于比較各種因素間的相生和相克。例如：“本周轉化率比上周高0.5個百分點”顯然比“轉化率為2%”更有意義。會計和金融分析師僅需迅速查看幾個比率就能對一個公司的基本狀況做出判斷。例如：市盈率、毛利率、利潤率，等等。
好的數據指標是簡單易懂的。如果人們不能容易記住或討論某個指標，那么通過改變它來改變公司的作為將會十分困難。
好的數據指標可以衡量當前業務的真實情況。
好的數據指標會改變行為。這是最重要的評判標準。
3）什么是指標體系
將數據指標系統性的組織起來，可以按照業務模型。指標體系會對按照指標不同的屬性分類及分層。
指標不成體系會怎樣？
從業務視角看：經常碰到的一種現象是業務上線了之后發現數據不夠用，缺指標或缺維度。
從技術視角看：基于需求的變更，業務團隊技術同學將需要重新去更改設計和開發埋點，數據團隊技術則需要重新采集、清洗、存儲數據。
4）常見指標體系構建過程
業務理解業務數據化
業務目標/問題結果性目標
業務運營模式-業務可以關聯起來的關鍵因素關鍵過程指標
關鍵業務因素和環境因素關鍵指標下的延展指標
業務關鍵策略/項目業務運作的核心指標
指標設計規范
隨著數據量的增大，數據指標也會越來越多，即使是同樣的命名，但定義口徑卻不一致。這對于各部門理解難度大，同時也造成了重復計算存儲的資源浪費。阿里OneData指標規范，以維度建模作為理論基礎，構建總線矩陣，定義業務域、數據域、業務過程、度量/原子指標、維度、維度屬性、修飾詞、修飾類型、時間周期、派生指標等，幫助我們形成統一數據標準。
第一關鍵指標原則
第一關鍵指標（OMTM：One Metric That Matters）原則就是在當前階段高于一切，你需要集中全部注意力的數字。
使用第一關鍵指標的理由：
它回答了現階段最重要的問題。
它促使你建立清晰的目標。
它關注的是整個公司層面的健康。
它可以提高行動力。
選擇第一關鍵指標的同時它還會解釋下一個關注點。
常見指標名詞
你所在商業領域決定了你應關注的指標。常見商業模式分類有電商類、內容類、社區類、軟件工具類、游戲類。
1）電商類
電商類的指標常見分類：
常見的指標定義如下：
PV（page view）：即頁面瀏覽量，用戶每1次對網站中的每個網頁訪問均被記錄1次。用戶對同一頁面的多次訪問，訪問量累計。在一定統計周期內用戶每次刷新網頁一次也被計算一次。
UV（unique visitor）：即獨立訪客，訪問網站的一臺電腦客戶端為一個訪客。
DAU（Daily Active Users）日活躍用戶：每日登陸過的用戶數。
WAU（Weekly Active Users）周活躍用戶：七天內登陸過的用戶數。
MAU（Monthly Active Users）月活躍用戶：30天內登陸過的用戶數。
收藏人數：統計日期內，通過該渠道訪問該商品并收藏該商品的去重買家人數。
收藏次數：統計時間內，寶貝被來訪者收藏的次數，一件寶貝被同一個人收藏多次記為多次。
加購人數：統計時間內，訪客將商品加入購物車的訪客去重數。
加購次數：選定周期下，該行業下商品物品被加入購物車的次數。
支付金額：買家拍下后支付給的金額，未剔除售中售后退款金額，預售階段付款在付清尾款當天才計入內，貨到付款訂單確認收貨時計入內。
支付子訂單數：也被稱為支付筆數，比如某個買家在某個店鋪購買了多個寶貝一起下單支付，訂單后臺會展現每個產品每個SKU粒度下會有一條記錄，這個就是一個子訂單。
支付轉化率：統計時間內，支付買家數/訪客數，即來訪客戶轉化為支付買家的比例。
店內搜索次數：在所選的終端（PC或無線）上，在店鋪內搜索關鍵詞的次數，一個關鍵詞被同一個人搜索多次，記為多次。關鍵詞的一次搜索后多次翻頁查看搜索結果，搜索次數記為一次。
2）游戲類
游戲類產品考慮的指標很多，根據最想要知道的指標大致可以分為四大類：用戶、付費、推廣和游戲。
用戶類：平均同時在線人數（ACU）、最高同時在線人數（PCU）活躍用戶數（包括日/周/月活躍）、留存率（次日/三日/七日/月）、活躍用戶、每日新增用戶數、每日流失人數。
付費類：活躍付費賬戶（APA）、付費率（PUP）、每位用戶平均收入 ARPU（Average Revenue Per User）
游戲類：游戲道具消費排行、比例，平均在線時間（人均、最高、最低），游戲用戶等級分布，游戲用戶持有虛擬貨幣量（人均、最高、最低）
推廣類：下載量（日、周、月），注冊用戶量、激活率（日、周）。
參考資料
https://data-flair.training/blogs/data-scientist-vs-data-analyst/
https://www.datapine.com/blog/data-science-vs-data-analytics/
https://www.leiphone.com/news/201703/u6UW2CFBbGa4bRrN.html
http://www.woshipm.com/pmd/1418055.html
https://radacad.com/do-you-need-a-date-dimension
https://www.zhihu.com/question/20117449
https://zhuanlan.zhihu.com/p/43529971
https://www.cnblogs.com/fanyu2019/p/11502913.html
本文轉自： 阿里技術
總結
以上是生活随笔為你收集整理的数据分析知识体系模型的全部內容，希望文章能夠幫你解決所遇到的問題。
