m0_65392155的博客

用户中台简介企业发展壮大，企业的产品矩阵会越来越丰富，拥有更多的APP、小程序等。可能会面临2个问题：1.效率低。比如，各个APP团队分别开发所在业务的用户体系，重复造轮子重复开发，导致量费太多没必要的研发成本及导致研发效率低下。2.体验一般。比如，用户使用同一企业不同的APP，需要分别注册登陆，用户体验一般。建设用户中台，统一管理公司内不同产品的用户账号体系，从而提高企业效率及用户体验。同时，建设用户中台及其他业务中台，企业可以抢占市场先机实现战略价值。用户中台架构用户中台主要包括

用户分层用户分层最大用处就是去平均化。通过平均数，观察到的趋势是对的；但推导出的执行计划，往往是错的。落到执行层面，需要进行用户细分，才能更容易找到真正问题，制定可行的计划。（总收入=付费用户数*付费用户人均付费）看平均数，就会要把人均付费提高，再多搞25这种结论。可实际上，平均值降低25元，是不是等于业务就得想办法拉高25元呢？两种很经典的业务形态，依赖土豪用户的大R型业务和依赖大量普通用户的大DAU型业务。从毛利中拨一个固定比例作为回馈，然后参照竞争对手的比例，选..

老板提用户流失，可能是对于行业流量见顶的焦虑，深感阻止用户流失刻不容缓；运营提用户流失，可能是觉得花老大劲儿拉来的用户，总得做点什么，不能让他们白白流失，不过更多时候，是kpi没完成，想把锅甩给用户流失的大趋势；数据分析师提用户流失，可能是对用户做了分层／分类之后，发现其中有那么一两类用户即将流失，需要针对性做点什么动作来挽回。所以说虽然大家聊的都是“用户流失”四个大字，但往往不在一个频道。用户流失的两个关键：一是“动作”，二是“时间范围”。动作的判断标准可能是登陆、在线时长、购买行为；时间范围

柱状图plt.bar(x,y) 比较、趋势、占比适用：对比分类数据。局限：分类过多则无法展示数据特点。相似图表：1）堆积柱状图。比较同类别各变量和不同类别变量总和差异。2）百分比堆积柱状图。适合展示同类别的每个变量的比例。条形图类似柱状图，只不过两根轴对调了一下。适用：类别名称过长，将有大量空白位置标示每个类别的名称。局限：分类过多则无法展示数据特点 。相似图表：1）堆积条形图。比较同类别各变量和不同类别变量总和差异。2）百分比堆积条形图。适合展示同类别.

何为“人货场”人货场，是指影响销售的三个重要因素（不是三个指标哦）。1）人来自销售人员、顾客的因素。销售人员：人员是否足够，素质是否满意，执行是否到位？ 顾客：是否有足够顾客到来，是否有成交，成交消费力如何？2）货商品因素。商品质量：种类是否丰富、款式是否够吸引、有没有爆款。 商品数量：商品备货是否充足，畅销品是否短缺，滞销品有多少。3）场卖场/门店/销售渠道因素。卖场数量：线下门店数量/位置、线上引流渠道数量/类型。 卖场质量：线下门店装修、面积、陈列，线上引流渠

同期群的原理商品同期群：商品的LTV模型做法如下：设定商品等级（A、B、C级） 从商品上市时，开始观察 观察商品上市后销量/利润走势 对比每个等级商品，是否达成该商品平均水平 如表现优于平均，则重点关注缺货问题，保障供给 如表现劣于平均，则重点关注积压问题，减少库存用户同期群：用户留存率模型做法如下：设定用户分群（一般按注册时间or注册渠道）。 从注册时间开始，观察每X天后，该批次用户的留存率。 拟合整体走势，预判X天后，该批次用户留存数量。 找到留..

快速预测的方法，只用excel就能搞掂哦。大部分日常工作的预测，都是基于连续几个数据，比如：有今年1-5月销量，问6月销量咋样？ 有最近10周的新增用户，问第11周有多少？ 有过去30天的业绩，问今天业绩如何？这种预测有个专业名词：时间序列预测。常见的数据走势有三种：趋势型：连续发展的态势。（增长趋势／降低趋势） 躺平型：变动较少，一条直线。 周期型：有规律的周期性波动。1.趋势型这里简单解释一下公式公式里Y就是要预测的用户量数据（因变量），X是自变量...

搭建数据监控体系包含两大关键工作：1.建立数据指标体系，对业务情况进行监督。2.将数据应用到管理流程，实现控制。如何建立数据指标体系？1.认准服务对象企业有部门分工，因此第一步要认准：我在为哪个部门服务。这非常关键！因为即使同一个问题，不同的部门的关注点会不同。同样是销售问题，如果是销售部看，关注的是每一支销售队伍完成率、进度、质量。如果是供应链看，那关注的就是总量、各产品数量、需求高峰期。如果是风控看，那关注的就是回款、坏账、套利。认清部门，有利于了解真正需求点。即使有些看起来

标准模版应用举例1.财务小姐姐问：“最近销售情况怎么样？ ” 财务想看销售情况，关心的是销售的回款、账目、资金 销售想看销售情况，关心的是目标，各小组任务，奖金 运营想看销售情况，关心的是整体表现，要不要上活动 2.部门领导问：“今天给运营的日报数据是多少？”3.产品经理问：“昨天登录数据有问题不？”4.销售部的同事问：“为啥这个月业绩没有达标呀？”5.运营部的同事们问：“预测一下，下个月指标走势？”分..

互联网行业 - 用户行为类指标传统行业，用户行为发生在门店里，极难用数字化手段记录，因此只有在发生交易时，才能记录数据。而互联网行业依托小程序/H5/APP，能记录用户在每个页面的点击，相当于在网上店铺的每一步动作都有记录，因此能分析很多东西。具体到指标上，可以套用AARRR模型，分模块展开：1.拉新：主要用于分析拉新的转化效率与质量。2.用户活跃类指标：用户活跃类指标是日常关注的重点。3.用户留存类指标：留存指标一般和拉新/活跃指标结合起来看。由于留存统计相对滞后（要等

场景如打开电商app想买东西，经过首页→广告页→详情页→购物车→支付，五个步骤。这五个步骤缺一不可，因此存在前后关系。即必须完成前一步，才能继续完成后一步。非互联网企业专属，只是互联网企业方便做埋点。传统门店的：进店→选货→试穿→谈价→成交；传统会议的：签到→听讲→互动→谈价→成交 都是漏斗模型。漏斗分析要注意，从完成第一个环节开始统计。这一点涉及统计准确性。还以电商APP举例，实际上用户行为不会首页→广告页→详情页→购物车→支付一竿子捅到底，而是相当随性的。比如先点击广告页以后退出去看

指标拆解法应用场景是当遇到好几个指标的时候，这样就要先分清这些指标间的关系。常见的指标间的关系第一种：并列关系几个指标相互独立，且是上一级指标的组成部分。比如我们常说的：业绩=客户数*消费率*客单价此时，客户数、消费率、客单价就是并列的三个指标，并且都是业绩的子指标。第二种：串行关系几个指标相互关联，有前后顺序关系。比如我们常说的：新注册用户数=广告浏览人数*落地页转化率*注册页转化率。用户要先看到广告，再点击广告进入落地页，再完成注册。此时，广告页、落地页、注册页的指标

分层分析，是为了应对平均值失效的场景。如何设定分层层级？简单有效的判断方法，比如著名的“二八原则”。以销售业绩分层为例，可以先从高到低排序，然后把累积业绩占80%的人选出来，作为“第1层级（优等）”，其他的归为“第2层级（次等）”。但是从上图也能看出，这样分并不很合理，有一些业绩很低的业务员被归入了一级。这是因为，在这一个销售团队内，业绩差异实在太大了，因此简单的二八开并不能有效区分。此时还可以用“二四六八十”法则，即计算个体与平均值的差异，然后： 比平均值高的，根据平均值的2倍、

有不懂行的小白把它捧到“核心思维”，“底层逻辑”的高度。哈哈，才没有那么神呢。数据分析领域，有一个简单，但非常致命的核心问题：“到底指标是多少，才算好？”为了这个问题，公司里经常吵成一团。矩阵分析法就是试图解决这个问题。它的逻辑非常简单：比平均值高，就算好！如何构造矩阵既然用平均值就可以了，为什么还要做矩阵呢？因为单纯靠一个指标，不能充分评价好坏。比如考核销售，如果只考核销售业绩。那销售们很可能倾向于卖利润很低的引流型产品。那种利润高，价格高，不容易卖的利润型产品，就没人卖了。最后销售卖越多，公

结构分析法／拆解法／拆分法 多种叫法。何为结构？一般把构成整体的各个部分叫：结构。比如一家综合企业：小熊公司，有3条业务线（天猫店、实体店、小程序商城）同时在开展。则总业绩就是有天猫店业绩、实体店业绩、小程序业绩三部分构成的。这就是总业绩的结构。注意：总业绩的结构可能不止一种分类方式。比如，小熊公司有普通、黄金、钻石三档次会员，则总业绩=普通会员业绩+黄金会员业绩+钻石会员业绩；小熊公司有300款商品，总业绩就是这300款商品业绩之和。总之，只要是整体的组成部分，就是一个结构。知道结构的用处

常见的周期包括两种：自然周期/生命周期。自然周期所谓自然周期，是指业务指标随着时间自然发生波动，比如有人吐槽“2月份业绩自然少”，这是因为2月份过年，大家都放假了，业绩肯定少呀。类似地：吃喝玩乐类的消费，一般周六、周日比较多，这时候才有空出来玩。 企业间交易，一般工作日高，周末很低。大家都放假了谁还办公呀。 雪糕冰棍冰淇淋类商品，一般夏季是旺季，冬季是淡季 帽子手套暖手宝类商品，一般冬季是旺季，夏季是淡季很多时候，自然周期表现并不直观，隐藏在日常起起伏伏的数据里。这时候就需要我们

MECE是（Mutually Exclusive Collectively Exhaustive）的缩写，指的是“相互独立，完全穷尽”的分类原则。通过MECE方法对问题进行分类，能做到清晰准确，从而容易找到答案。问题场景：项目组的张雨萱小妹纸又迟到了！上个月居然迟到了19天！原本同事们迟到个两三天，HR是不会管的，可这一个月19天迟到也太夸张了，于是告到领导那里。妹纸哭得梨花带雨地来投诉：那项目组好多人都迟到呀，你们也不管； 那遇到下大雨全程堵车呀，你们又不管； 那临近项目上线，就是搞到很晚

标签分析法注意，标签和数据指标之间，是可以做相互转换的。比如高富帅的“高”，也可以表达为：身高181cm以上。比如天气是：“刮风下雨”，也可以表达为：当日降雨10mm。因此在使用标签的时候，一定要确保标准统一并且让所有人理解一致，避免理解错误。举个简单的例子，南方某省，8月份经常下暴雨。大家都觉得：下雨会影响门店业绩。那么怎么分析呢？按照五步法，可以针对该省份门店，做分析如下图：那么可以得出结论：下雨对业绩影响不大，这就做完了。但这和大家的直观感受非常不一样！明明感觉是下雨了业绩就少，为啥数

相关分析就是判断两个事件是否有关系，如：广告投入／营销投入与销售业绩／业绩产出、下雨与门店销售量／门店人流量、用户点击与消费行为、销售上涨与新品上市。直接相关关系指标之间可能存在直接相关关系。常见的有三种形态：在结构分析法中，整体指标与部分指标之间的关系在指标拆解法中，主指标与子指标之间的关系在漏斗分析法中，前后步骤指标之间的关系直接相关直接相关不需要数据计算，通过指标梳理就能看清楚关系。直接相关的情况下，两个指标出现同时上涨/下跌的趋势。比如：整个公司业绩都不好，所以A