rubyw的博客

A - A - A - R - R - R 增长模型，即3A3R策略模型，由海盗模型演变而来，是目前使用最多、适用范围最广的增长策略模型。原始的海盗模型由 Acquisition （获客）、 Activation （活跃）、 Retention （留存）、 Revenue （收入）和 Refer （传播）5个部分组成，即2A3R。

S - C - I 战略模型是产品营销和用户增长的战略方向模型，事实上 S - C - I 战略模型也是企业经营和中国互联网的底层逻辑所在，100％的互联网产品都遵循 S - C - I 战略模型S - C - I 战略模型有3个组成部分，分别是，它们3个各居一角，既想向另外2个角发展，又相互牵制。S - C - I 战略模型可以解释互联网中发生的很多有趣的故事。百度居于信息角，为了寻求发展，必须沿着 S - C - I 战略模型的社交和商业角发展，于是孵化出百度 Hi。

典型的推荐系统包括3个部分，即召回层（ Recall )、排序层（ Rank )和重排层（ ReRank )。1．召回层（ Recall )召回层主要是从全量库中首先获取用户可能感兴趣的候选集，是推荐系统的基础。从业务角度而言，召回层是在准备后续可能满足用户需求的候选集。很多内容分发产品的召回层，一次会召回10000~50000条用户可能感兴趣的内容，后续再从这些内容中挑选出用户可能点击和购买的内容。召回层有两个最著名的推荐算法﹣- CF 和 CB ，即。

■标签是扁平的，分类是层级的。■标签是精确的，分类是粗糙的。■标签是多维的，分类是一维的。

漏斗分析是重要的数据运营工具，常见有以下。(1）基础用法其核心逻辑在于整个漏斗的路径是固定的，即预设好的，在后续运营中该漏斗分析的步骤不会变化。(2）进阶应用在产品中，对于同一个业务流程，用户通常会有不同的使用路径，甚至有些路径是我们在设计阶段难以预料的，而这些预料之外的用户路径极有可能成为事实上的业务流程，而非我们设计和规划的流程。所以漏斗分析的进阶应用即是。所谓智能路径，是根据用户实际产生的浏览数据来分析出实际用户的使用流程，并为之建立漏斗模型，甚至不同客群的路径也不一致。

用户画像是重要的数据产品和运营抓手，指能够描述和刻画用户信息和的数据指标。通过用户画像，业务经营团队可以充分、深入、准确地了解用户在不同生命周期的特征，来制定高效的用户经营策略。用户画像，不论 Persona 还是 Profile ，都是特征工程的典型应用，即通过数据分析和挖掘从用户的各类数据中提取共性特点的过程。和。静态属性画像关注用户的属性特征，比如年龄、性别、地域、渠道、状态等，因为这些属性在一定时间内不会变化或相对稳定，故称为静态属性画像。

用户生命周期是指用户在产品使用过程中的状态变化，一般分为5个阶段，分别为。用户生命周期能够反映不同阶段用户的状态，可根据用户的不同状态进行针对性运营。运营中常说的就是基于用户在这5个阶段中的状态而做的最重要的3个运营策略。拉新，即在引入期上尽可能获得更多的用户促活，即在成长期和成熟期尽可能地提升用户活跃；留存，即在沉默期和流失期尽可能让用户留在产品上；所以用户生命周期的5个阶段一般也可以分为3个区间，即。■梳理业务逻辑；■找到影响用户行为的核心功能；■定义各阶段用户的行为。

1．概念启动屏，特指 APP 产品启动时即显示的界面，这个界面一般会停留几秒钟时间，在这个时间内 APP 会在后台加载服务框架、启动各种服务 SDK 、获取用户地理位置、判断有无新版本、判断用户账户状态以及其他系统级别的权限检测 在启动屏展示过程中用户无法立即跳过，最快也需要3-5秒后才能离开启动屏进入主页面。

*没错，产品每次版本选代都是一次重生的机会，每次版本迭代都不亚于一次产品上线首发。**

场景营销模型是顶层模型，是站在用户经营和用户场景角度来制定经营策略的模型。本质上，场景营销模型是在用户使用产品的每个细分场景中通过分析用户需求整合功能、实体和体验等为用户提供服务的模型。

即 Business - Operation 模型，。这是一个非常成熟的概念，其变体 BOSS 系统，即 BSS 业务支撑系统和 OSS 运营支撑系统已经在通信运营上使用20多年之久。B - O 价值模型试图建立起一种通用的业务经营框架，将等一系列业务经营模块有机组合在一起， 来解决实际业务经营的各种问题。对于数据分析而言， B - O 价值模型是一个非常有效的工具，可以非常高效地将冷冰冰的数据分析结果转换为可落地可执行的业务经营策略。和。

活跃类指标反映了用户的真实使用情况。本节我们深入探讨活跃类指标的核心逻辑。

从指标的关联维度来寻找变化的原因，是指当指标发生变化时，依据标的关联维度来寻找变化分析的方向，这种分析方法特别适合于原子指标，它们已不可细分，无法从指标的口径中寻找，就只能从其关联的维度中号北原因。基于指标维度来分析指标，是整个数据分析中最有魅力的过程，这个时候就会感觉到一套完整严谨的指标体系是多么重要，因为里面清晰定义了指标关联的维度，以及维度的属性。从指标的业务口径来寻找变化的原因，是指当指标发生变化时，依据指标的业务口径来寻找变化分析的方向，这种分析方法特别适合于。的业务经营中是非常高效的。

维度是指标的角度，用来反映指标在不同角度的分布。复合指标按照汇总计算公式组成进行拆分，事实指标一般不进行拆分，还有一类指标为比例型或百分比指标，例如点击率、购买率等，这类指标按照分子和分母进行拆分。此时指标体系已有雏形，接下来按照指标的业务分类、指标的类型等来评估指标覆盖率是否为100%、指标覆盖是否合理，继续优化调整指标体系。将所有指标分门别类归属到产品的各项功能中，同时确定指标的类型，包括行为指标、业务指标和交易指标。从北极星指标开始，按照北极星指标的定义逐步拆解为复合指标，事实指标和原子指标。

行为指标，即用户使用产品过程中与产品产生任意交互行为，并且能够体现这些交互行为特点和价值的指标。因为互联网产品的经营团队本身距离用户较远，无法像传统行业那样直接与用户交流，可以观察到用户的各种特征，故而需要设定行为类指标来观察评估用户在产品上的各种行为。埋点是重要的数据产品，要求埋点必须覆盖产品的所有功能和交互位置，不得遗漏任何用户行为。从这几个方面讲，就有了描述用户特征的行为指标，评估产品功能服务场景的业务指标，考察产品营收能力的交易指标。，能够提供用户付费的营销点，能够为产品带来收入。

每个产品都有很多指标，每个指标都反映了对应业务的经营情况。但是在实际业务经营中，却要求我们在不同的产品阶段寻找到合适的指标，让这个指标可以代表当前产品阶段的方向和目标，让这个指标不仅对业务经营团队，而且对产品的用户、对产品的价值都能有很好的指向性，就像天上的北极星，永远处在北方，永远指向正确的方向。我们叫它北极星指标。

指标体系是指根据，整理出可以正确和准确反映业务运营特点的多个指标，并根据指标间的联系形成有机组合。，所有指标体系都是为特定的业务经营目的而设计的。指标体系的设计应服从于这种目的，并为这种目的服务，没有设计目的的指标体系是没有存在必要的。指标体系中通常包括了所有的关键绩效指标（即 KPI )，以及影响关键绩效指标的辅助指标，并且指标体系中的每个指标都有极其明确的业务含义。提示：指标体系严格遵循 MECE 原则。MECE ，即完全穷尽，相互独立，无重复，无遗漏。，指标体系是重要的数据产品，所有的。

同比务必考虑数据周期性波动。因为同比忽略了两个对比数据之间的据变化，即忽略了数据周期性的影响，故同比适用于对周期性不敏感的业务或对比时间段内包含至少一个完整的周期性波动。如果对比周期内未能添至少一个周期，则不适用同比分析，因为会出现周期性波动中的错峰对比。例如旺季的收入对比淡季的收入。

分位数是指把一组数据按大小排序后划分为若干份，使每份的数据个数相等或差不多相等。常用的分位数有四分位数、中位数等。四分位数是一种常用的分位数，它把一组数据分为四份，分别是最小值到第一四分位数、第一四分位数到中位数、中位数到第三四分位数、第三四分位数到最大值。第一四分位数、中位数和第三四分位数分别记作Q1、Q2、Q3。四分位距（IQR）是Q3和Q1的差值。异常值是指数据集中与其他观测值明显不同的值，也称偏离值或离群值。异常值可能是由测量或记录误差、数据输入错误、系统故障等因素引起的。

方差和标准差是统计学中常用于描述数据分布的两个重要指标。方差（variance）是用来衡量数据集中各个数值与其平均值的偏差程度的统计量。VarX∑i1nXi−μ2n−1VarXn−1∑i1n​Xi​−μ2​其中，XiX_iXi​表示第iii个观测值，μ\muμ表示平均值，nnn表示样本容量。方差的值越大，表示数据集中各个数值与平均值的偏差程度越大，反之亦然。

中位数和平均数是用于对一组数据进行描述的统计量。中位数是指将一组数据按照大小顺序排列后，中间位置上的数值，即一半数据大于它，一半数据小于它。如果数据的个数是偶数，则中位数是中间两个数的平均数。平均数是指将一组数据的所有数值相加，然后除以数据的个数得到的值。平均数也被称为算术平均数或均值。中位数和平均数都是描述数据集中趋势的指标。对于正态分布的数据，中位数和平均数是相等的，但对于非正态分布的数据，它们的值可能会存在差异。选择使用哪个统计量取决于具体情况，例如数据的分布情况，样本容量等。

其中，A1为包含文本型日期的单元格。该公式将会返回2022年2月14日这个日期型日期。

数据归一化和数据标准化都是数据预处理方法，用于使数据在不同尺度下具有可比性和可解释性。两者的主要区别在于归一化将数据缩放到0和1之间，而标准化则将数据缩放到均值为0，标准差为1的范围内。归一化和标准化的选择取决于问题的具体情况，但是这两种方法都有助于提高机器学习模型的性能和准确性。其中，xi表示数据集中的每个数据，平均数表示所有数据的平均值，n表示数据集中的数据个数。标准化后的数据呈现标准正态分布，均值为0，标准差为1。分别是数据的最小值和最大值。归一化后的数据范围在0到1之间。计算所有数据的平均值。

这套分析方法包括5个分析工具：