数据方法

名词解释

1. 指标：用来记录关键流程，衡量目标的单位或方法
2. 维度：观察指标的角度。如，时间、来源、地域等
3. 趋势：以时间递增角度对比指标变化情况
4. 权重：专家赋权法 + 变异系数
5. 逻辑树：基于演绎思想的树状层级拆分
6. MECE：相互独立，完全穷举。各事件概率和为1。

常用的数据方法

多维分析：从多个维度综合分析对单一指标的影响
对比分析：仅保留单一维度进行变化，分析该维度对指标的影响，常见的有趋势对比和同期对比
漏斗转化分析：根据业务流程节点，分阶段分步骤分析数据在每一步的流向，从而得出该阶段是否合理，如何改进
拆解分析：公式拆解，由一个抽象的目标，分解为具体的可分析维度，如DAU=新用户+老用户，DAU出现波动就可以从这两个角度去分析，是否有拉新活动，老用户是否大量流失等等
综合评估：评价体系，权重分配，常用与将定性的分析转换为定量的指标的场景。如信用的好坏，质量的优劣，人气好不好等
结构分析：逻辑树，EMCE

如何打通数据与业务

经营数据拆解

1. 流量指标

• 日活用户
• 新增用户

2. 收入指标

• 付费人数
• 付费金额

3. 用户体验

• 用户NPS（净推荐值）
• 用户投诉数

4. 衍生指标

• 用户付费比
• 用户投诉率

基于业务确立核心指标

首先核心指标不是一尘不变的，同一企业的不同时期，核心指标可以完全不同。例如，业务初期核心指标可以是用户流量，争取更多市场份额，后期上市后核心指标就更偏重于利润和收入数据。
如何筛选核心指标：

1. 如果企业有制定OKR（目标与关键成果法）的指标，那么对OKR贡献越大的指标，就越应该被确立为核心指标
2. 没有OKR的，可以以目前工作重点作为OKR，筛选核心指标进行分析
   核心指标选取与报表开发步骤：
3. 梳理业务：基于数据复现业务
4. 确定目标：确定核心指标
5. 事件设计：记录与目标相关的数据，事件形式
6. 数据采集：采集过程一般伴随产品发版，最好做好版本区分
7. 指标体系：确定指标口径，建立指标体系
8. 数据分析：利用数据进行相关分析

数据清洗/数据ETL

清晰合理真实的数据来源才能分析出具有指导意义的方向，错误虚假的数据只会得出错误的决策

数据与业务相互赋能

数据与业务从来都不是单一没有关系的存在，深挖数据背后的业务意义会更有效的得到数据变换的深层原因，更准确的指导未来方向。