数据分析方法论与前人经验总结【笔记干货】

关注

原创最新推荐文章于 2026-06-16 12:19:11 发布 800 阅读 AI 写同款· GEO 优化 ›

Android malloc_debug实现原理及使用 2）设置 __libc_globals 对象中的 libc_globals.default_dispatch_table 和 current_dispatch_table 指向 malloc_dispatch_table，以后在 malloc 库函数里都会通过 GetDispatchTable()，这个函数就是返回的 current_dispatch_table 指针；MAX_FRAMES 表示被抓取的 frames 的数量，如果设为0，表示在分配空间被释放时，不会抓取任何调用栈。阅读详情

文章目录

一、数据的力量

1、数据的重要性
在产品最早期，不需要太多数据，凭借创始人的直觉，产品经理的直觉，做决策占很大的比例。但是到后来的话，数据化运营就越来越重要了。

一个人在赌场里面不可能永远的赢，一个团队不断变大的话，不可能所有的员工都有直觉决策力，到未来以后数据来驱动决策能保证效率。

数据会告诉我们很多信号，这些信号让我们有一个可以促进增长的空间的标准。

2、数据驱动与企业文化
数据驱动首要的是,CEO要认识到它的价值；
第二点，我们需要基本的框架和方法论，框架就是三个：有个idea迅速落地，进行验证，进入下一-次闭环；
第三点，数据驱动必须要变成一种数据文化。

3、变现
让有一个很好的概念迅速地落地，然后我们用数据去证明它是不是有
效率。现在流量越来越贵，所以我们需要通过迅速循环的方法，用数据来证明我们做的事是有效果的，这种效果可以很快地叠加和堆积，形成未来的增长，这就是精益创业的核心。

4、没有用好数据驱动
我们可以看到，很多的企业没有做到最简单的三件事，错过了用数据驱动增长的机会：

没有认识到数据分析带来的巨大价值。
没有掌握数据分析的非常简单的方法论和框架企业内部没有足够的人才来应用这套框架。
没有使用正确的，适合现代潮流的分析工具来做到事半功倍。

二、获取数据

1、埋点
对于很多互联网公司而言，数据获取通常的做法是在web网站，或者app内不同的页面里，根据不同产品以及需求在不同位置嵌入的相对应代码来收集数据，俗称埋点。对很多互联网公司的市场营销、 PM 、分析师、工程师来说，通过埋点来收集数据都是一个绕不过的坎。

2、埋点的问题（市场营销）
1）各种追踪像素，信号指示或者JavaScript片段嵌入在网页内部
2）用于效果检测和追踪
3）用于网页分析，重定向投放(再营销)，个性化广告，关联市场营销，邮件，按点击付费渠道，或者SEO等
4）标签代码对于很多数字营销来说极其重要，在缺乏功能性标签代码的情况下, 一个数据分析方案可能完全没有可用的数据。

三、指标的建立

1、数据产品的形态
常见的数据产品形态有：
着重于数据呈现的有邮件报表类，可视化报表类，预警预测类，决策分析类等；
着重于算法类的用户标签，匹配规则等等。

2、指标的设计
逐层拆分，不重不漏。即MECE原则(Mutuallyexclusive,collectively exhaustive)。如将订单金额拆成订单数单均价，订单数也可以往下细分出用户数人均订单数，不同的用户还会拥有不同的人均订单数，一层层往下分拆，确保指标能明确表达含义,为上层的分析思路提供依据，明确指标定义，统计口径和维度。

3、指标设计通用规则

同时着重展示指标不超过7个，5个比较合适
在设计指标的展现时，要明确指标之间的主次关系
几种图表形式的使用建议：趋势用曲线图，占比趋势用堆积图，完成率用柱状图，完成率对比用条形图，多个指标交叉作用散点图。为合适的指标选择合适的形式很重要。

4、在AB测试中如何避免辛普森悖论（整体的结果与局部发结果是相反的）
要想避免辛普森悖论，最主要的是对A/B测试进行科学的流量分割，保证实验组和对照组里的用户特征是-致的，并且都具有代表性,可以代表总体用户特征。

在A/B测试的设计上，如果我们觉得某两个变量对测试结果都有影响，那我们就应该把这两个变量放在同一层进行互斥实验，不要让一个变量的实验动态影响另一个变量的检验。如果我们觉得一个实验可能会对新老用户产生完全不同的影响，那么我们就应该对新客户和老客户分别展开定向实验，观察结论。

在A/B测试结果的分析上，我们需要对结果进行多维度细分的对比。除了总体对比，也看一看对细分受众群体的试验结果，不要以偏概全，也不要以全盖偏。一个版本提升了总体的活跃度，但是可能降低了年轻用户的活跃度，那么这个试验版本是不是更好呢?
比如：一个试验版本提升总营收0.1%，似乎不起眼，但是可能上海地区的年轻女性iPhone用户的购买率提升了20%。

5、复合指标（基础指标/用户数量&基础指标/访问数量）
将基础指标平均在每个用户身上，或者每个访问( Session )上，就可以获得产品的平均访问深度、平均访问时长、平均每周购买数量等复合指标。

相比于简单的基础指标，分摊在每个用户身上的指标通常能够更好地帮助产品经理了解用户的真实使用情况。拿PV相关的数据举例,即使PV升高，但平均访问深度(每个Session的PV数量)下降了,就不是一个很好的征兆，这代表用户的使用情况可能出现了问题，每个访问进行的操作和打开的页面数正在变少，甚至有可能直接导致流失。
3.5.1

6、将产品逻辑化和结构化
包括用户的预期操作可以分为几个部分，业务逻辑分为几个部分等。在理清产品逻辑之后，才可以按照每一一个部分去进行分析和优化，比如在电商应用中，就可以将用户的购买行为抽象为如下的逻辑结构
A.打开商品详情页 B.进入购物车页面 C.确认订单页面 D.进入支付页面 E.付款成功;