目 錄

第1 篇 數(shù)據(jù)思維

第1 章 數(shù)據(jù)思維是什么 1

1.1 從數(shù)據(jù)治理流程淺談數(shù)據(jù)思維 1

1.1.1 什么是數(shù)據(jù)治理 2

1.1.2 數(shù)據(jù)治理流程介紹 2

1.1.3 從數(shù)據(jù)治理流程談數(shù)據(jù)部門崗位職責 . 3

1.1.4 數(shù)據(jù)分析師在數(shù)據(jù)治理流程中所需要的數(shù)據(jù)思維 . 4

1.2 數(shù)據(jù)思維到底是什么 5

1.2.1 應用數(shù)據(jù)思維的工作 5

1.2.2 數(shù)據(jù)思維是可以培養(yǎng)的 .. 6

1.3 數(shù)據(jù)思維*直觀的解釋 6

1.3.1 構建有效的監(jiān)控體系和客觀的評價標準 . 7

1.3.2 用合理的分析方法探究原因以及評價效果 . 7

1.3.3 綜合運用統(tǒng)計學知識對活動效果進行預估 . 8

第2 章 為什么數(shù)據(jù)思維如此重要 . 9

2.1 數(shù)據(jù)思維是數(shù)據(jù)分析師**的技能 9

2.1.1 數(shù)據(jù)分析師**的硬技能 9

2.1.2 數(shù)據(jù)分析師**的軟技能 10

2.1.3 為什么軟技能比硬技能重要 10

2.2 數(shù)據(jù)思維是數(shù)據(jù)分析師成長晉升的**技能 11

2.3 數(shù)據(jù)思維能幫助數(shù)據(jù)分析師建立影響力 11

第3 章 數(shù)據(jù)思維如何培養(yǎng) 14

3.1 熟悉常用的數(shù)據(jù)分析方法 14

3.1.1 三大分析思維 14

3.1.2 不同生命周期的分析方法 15

3.2 樹立目標意識，尋找潛在分析點 16

3.2.1 為什么需要樹立目標意識 17

3.2.2 通過多問“為什么”，樹立目標意識 . 18

3.3 不預設立場，通過客觀的標準代替主觀的判斷 19

3.3.1 不預設立場才能做到客觀 19

3.3.2 預設立場與假設檢驗的區(qū)別 20

3.4 基于數(shù)據(jù)分析結果為業(yè)務方提出切實可行的解決方案 21

3.4.1 數(shù)據(jù)分析師提出合理建議需要經(jīng)歷的三個階段 21

3.4.2 數(shù)據(jù)分析師需要避免的幾種提建議的方式 23

第2 篇 數(shù)據(jù)指標體系

第4 章 數(shù)據(jù)埋點 . 27

4.1 數(shù)據(jù)埋點簡介 27

4.1.1 從數(shù)據(jù)產(chǎn)生流程淺談數(shù)據(jù)埋點 28

4.1.2 為什么需要進行數(shù)據(jù)埋點 29

4.1.3 數(shù)據(jù)埋點能夠采集哪些用戶數(shù)據(jù) 29

4.1.4 數(shù)據(jù)埋點與隱私保護 30

4.2 數(shù)據(jù)埋點分類及主流的數(shù)據(jù)上報技術 30

4.2.1 數(shù)據(jù)埋點的分類及方式 30

4.2.2 主流的數(shù)據(jù)上報技術 31

4.3 數(shù)據(jù)埋點方案設計 32

4.3.1 數(shù)據(jù)埋點流程 33

4.3.2 通過六個步驟實現(xiàn)數(shù)據(jù)埋點設計 34

4.3.3 以電商成交為例實現(xiàn)數(shù)據(jù)埋點設計 35

第5 章 數(shù)據(jù)標簽體系 . 38

5.1 數(shù)據(jù)標簽體系與用戶畫像 38

5.1.1 什么是數(shù)據(jù)標簽體系 38

5.1.2 數(shù)據(jù)標簽體系的作用 39

5.1.3 數(shù)據(jù)標簽的分類 39

5.1.4 用戶數(shù)據(jù)標簽的層級分類 40

5.1.5 數(shù)據(jù)標簽體系與用戶畫像的關系 41

5.2 如何構建數(shù)據(jù)標簽體系 42

5.2.1 數(shù)據(jù)標簽體系構建的流程 42

5.2.2 數(shù)據(jù)分析師在標簽體系構建過程中承擔的角色 43

5.2.3 以某App 付費用戶的數(shù)據(jù)標簽體系的構建為例，淺析數(shù)據(jù)標簽體系構

建過程 44

5.3 數(shù)據(jù)標簽體系的應用場景 47

5.3.1 數(shù)據(jù)標簽體系輔助運營人員進行決策分析 . 48

5.3.2 數(shù)據(jù)標簽體系可提升數(shù)據(jù)分析師的分析效率 . 48

第6 章 數(shù)據(jù)指標體系 49

6.1 從中國人口數(shù)據(jù)初識指標體系構建 49

6.1.1 什么是指標體系 49

6.1.2 為什么需要指標體系 50

6.1.3 指標體系的評價標準及注意事項. 53

6.2 用四個模型梳理數(shù)據(jù)指標體系構建的方法論 53

6.2.1 構建數(shù)據(jù)指標體系的方法 54

6.2.2 用三個步驟、四個模型梳理數(shù)據(jù)指標體系的方法 . 54

6.2.3 以GMV 為例搭建數(shù)據(jù)指標體系 . 57

6.3 如何搭建一套通用的指標體系并快速落地應用 60

6.3.1 多部門配合搭建數(shù)據(jù)指標體系的流程 . 60

6.3.2 搭建通用的指標體系 61

6.4 定位異動因素 65

6.4.1 數(shù)據(jù)波動多少才能稱為數(shù)據(jù)異動. 65

6.4.2 數(shù)據(jù)波動分析的方法論 65

6.4.3 從數(shù)據(jù)埋點到指標體系再到指標異動的閉環(huán) . 70

第3 篇 數(shù)據(jù)分析方法論

第7 章 對比思維 . 71

7.1 利用對比分析得出結論 71

7.1.1 對比分析的作用 71

7.1.2 確定對比的對象 72

7.1.3 如何對比 72

7.1.4 對比分析的可比性原則 77

7.2 A/B 試驗設計及容易忽略的誤區(qū) . 78

7.2.1 什么是A/B 試驗 . 78

7.2.2 A/B 試驗能解決什么問題 . 78

7.2.3 A/B 試驗的流程 . 79

7.2.4 A/B 試驗常見的誤區(qū) 82

7.3 A/B 試驗背后涉及的統(tǒng)計學原理 . 87

7.3.1 什么是抽樣 87

7.3.2 樣本為什么可以代表總體 88

7.3.3 通過假設檢驗判斷A、B 兩組樣本是否存在差異 . 90

7.3.4 如何通過樣本估計總體 91

7.3.5 如何確定足夠的樣本量，以達到所希望的邊際誤差 92

7.3.6 如何衡量試驗效果 94

7.3.7 多重比較中P 值修正的三方法 96

7.4 Python 實戰(zhàn)：A/B 試驗在廣告方案選擇中的應用 96

7.4.1 試驗背景 96

7.4.2 數(shù)據(jù)基本情況探索 97

7.4.3 A/B 試驗結果分析 98

第8 章 分群思維 . 102

8.1 從用戶生命周期淺談分群思維 102

8.1.1 什么是分群思維 102

8.1.2 為什么需要用戶分群 104

8.1.3 用戶分群方法論 106

8.2 用數(shù)據(jù)分箱進行結構化分析 107

8.2.1 結構化分析是什么 107

8.2.2 如何更加高效地做結構化分析 109

8.3 同期群分析解讀用戶生命周期，剖析真實用戶行為和價值 110

8.3.1 同期群分析是什么 111

8.3.2 做同期群分析的意義 112

8.3.3 數(shù)據(jù)分析師如何快速地做同期群分析 113

8.4 Python 實戰(zhàn)：基于RFM 模型及K-Means 算法實現(xiàn)用戶分群 . 115

8.4.1 RFM 模型與K-Means 算法介紹 116

8.4.2 RFM 模型實現(xiàn)用戶分群 . 118

8.4.3 K-Means 算法實現(xiàn)用戶分群 123

第9 章 相關與因果 . 133

9.1 相關性分析簡介 133

9.1.1 相關性分析與相關系數(shù) 133

9.1.2 常用的三種相關系數(shù) 134

9.1.3 相關系數(shù)實戰(zhàn) 136

9.2 因果推斷方法論 138

9.2.1 相關性不等于因果性的示例 139

9.2.2 從辛普森悖論談因果推斷 139

9.2.3 因果推斷的三個層級 141

9.2.4 因果推斷的方法 141

9.2.5 因果推斷常用的框架 144

9.3 Python 實戰(zhàn)：利用DoWhy 框架實現(xiàn)因果推斷 . 144

9.3.1 DoWhy 因果推斷框架簡介 . 145

9.3.2 數(shù)據(jù)來源及預處理 145

9.3.3 數(shù)據(jù)相關性探索 148

9.3.4 因果推斷實現(xiàn) 149

第4 篇 數(shù)據(jù)分析案例實戰(zhàn)

第10 章 用戶流失分析 159

10.1 用戶流失分析方法論 159

10.1.1 用戶流失分析總體方法論 160

10.1.2 定義流失用戶的方法 161

10.1.3 分析用戶流失的原因 164

10.1.4 生成流失用戶標簽 164

10.1.5 預測潛在流失用戶 165

10.1.6 分層運營及用戶召回 165

10.2 案例分析：用5W2H 方法分析游戲用戶流失原因 165

10.2.1 情景介紹 165

10.2.2 5W2H 方法介紹 . 166

10.2.3 以游戲用戶流失為例，詳解5W2H 方法 167

10.3 用5 個理論模型構建外部因素分析框架 170

10.3.1 通過SWOT 模型全面認識產(chǎn)品 . 171

10.3.2 PEST 模型分析外部宏觀環(huán)境的四個視角 171

10.3.3 用波特五力模型分析競品的五個維度 . 172

10.3.4 用4P 理論指導競品分析 173

10.3.5 用戶體驗五要素模型優(yōu)化產(chǎn)品功能，減少用戶流失 . 174

10.3.6 幾個模型之間的關聯(lián) 175

10.4 如何設計問卷驗證用戶流失的原因 176

10.4.1 問卷可以做什么 176

10.4.2 如何設計問卷 176

10.4.3 問卷的投放 180

10.4.4 數(shù)據(jù)分析及報告撰寫 181

10.4.5 通過問卷獲取信息可能存在的問題 181

10.5 Python 實戰(zhàn)：通過生存分析預測用戶流失周期 182

10.5.1 生存分析 182

10.5.2 數(shù)據(jù)基本情況探索 184

10.5.3 探索變量之間的相關性 188

10.5.4 用KM 模型分析用戶留存率 189

10.5.5 Cox 風險比例模型 190

第11 章 用戶轉化與付費分析 197

11.1 用戶轉化與付費分析概述 197

11.1.1 從用戶轉化談數(shù)據(jù)分析師的職責 197

11.1.2 用戶轉化與付費常用的分析方法介紹 198

11.2 貝葉斯公式在用戶轉化中的應用 198

11.2.1 貝葉斯公式簡介 199

11.2.2 用貝葉斯公式預估特定群體的轉化率 199

11.3 案例分析：用漏斗模型分析某電商平臺換貨業(yè)務，提升用戶轉化率 201

11.3.1 什么是漏斗分析 201

11.3.2 漏斗分析的核心步驟 202

11.3.3 以某電商平臺逆向上門取件換貨業(yè)務為例，詳解漏斗分析法. 203

11.4 用營銷增益模型實現(xiàn)用戶分群，輔助運營人員識別營銷敏感人群 208

11.4.1 什么是營銷增益模型 208

11.4.2 為什么需要營銷增益模型 209

11.4.3 營銷增益模型的建模方法 210

11.4.4 營銷增益模型的評價指標 211

11.5 Python 實戰(zhàn)：利用營銷增益模型識別營銷敏感人群 212

11.5.1 數(shù)據(jù)初步探索 212

11.5.2 數(shù)據(jù)預處理及數(shù)據(jù)可視化 214

11.5.3 構建營銷增益模型 216

附錄A 縮略詞及中英文對照 . 219

參考文獻 . 221