前言
最近在做数据分析岗面试技巧时有提及到分析思维，之前都没有总结过，现在专门来总结一次。数据分析思维有漏斗思维，分类思维，平衡思维，A/B test等，主要是应聘运营岗时会涉及到。下面就介绍一下漏斗模型
一、漏斗模型
百科给出的解释：营销漏斗模型指的是营销过程中，将非潜在客户逐步变为客户的转化量化模型。营销漏斗模型的价值在于量化了营销过程各个环节的效率，帮助找到薄弱环节，也就是说营销的环节指的是从获取用户到最终转化成购买这整个流程中的一个个子环节，相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤，然后用转化率来衡量每一个步骤的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化该步骤，最终达到提升整体购买转化率的目的，整体漏斗模型的核心思想其实可以归为分解和量化。漏斗模型不仅仅只是一个模型，更是一种方法论，一种思维方式的原因。可以通过这种分解和量化的形式，将问题进行不断的拆解，最后通过量化的形式来辅助达成目标，或者针对异常的步骤进行调优，最终达到总目标。它可以广泛应用于流量监控、产品目标转化等日常数据运营工作中，称之为转化漏斗；也可以用于产品、服务销售，称之为销售漏斗
漏斗模型案例
1. 电商购物流程
分析电商的转化，我们要做的就是监控每个层级上的用户转化，寻找每个层级的可优化点。对于没有按照流程操作的用户，专门绘制他们的转化模型，缩短路径提升用户体验。
2. AARRR模型
AARRR模型是指Acquisition、Activation、Retention、Revenue、Referral，即用户获取、用户激活、用户留存、用户收益以及用户传播。这是产品运营中比较常见的一个模型，结合产品本身的特点以及产品的生命周期位置，来关注不同的数据指标，最终制定不同的运营策略。
- 获取（Acquisition）：用户如何发现（并来到）你的产品？
- 激活（Activation）：用户的第一次使用体验如何？
- 留存（Retention）：用户是否还会回到产品（重复使用）？
- 收入（Retention）：产品怎样（通过用户）赚钱？
- 传播（Retention）：用户是否愿意告诉其他用户？
这个模型将数据分析分成了五个大的模块，我们依据这个模型，把每一个模块划分出更细分的维度，罗列出影响每一个维度的变变量，整理出一些表格，这些表格就成了我们做数据分析的基础
1. 获取部分：
获取部分一般需要评估的维度有：渠道的获客数量、获客质量等
从上边的表格中看出，360应用市场的获客数量要明显好于其他的安卓应用市场渠道。而且线上活动的获客数量比线下活动的获客数量多，说明这款产品可能更适合在线上做一些推广。当然也有可能是活动本身的质量影响了获客量。
除了渠道获客数量之外，一定要分析渠道获客质量。结合数量和质量两个维度，才能更好的筛选出适合企业自己的优质渠道，更客观的评估公司做的推广活动的效果。
通过渠道数量和质量这两个指标的分析，我们发现线上活动带来的用户数量、质量都比较高，所以这可能是更适合这个APP的获客渠道。我们筛选出优质的渠道后，就可以在这个渠道上投放更多的资源，从而为公司带来源源不断的新用户。
渠道数量和质量的指标还有很多，要依据产品及公司业务模块区分制定，一般有：每日新增、累积新增、启动次数、首次交易户、首绑交易户、一次性用户数、平均使用时长等。
2. 激活部分：
激活一般指注册激活、主动活跃、推送活跃、交易活跃等。
很多用户下载一个APP后，只是浏览了几个页面，就把应用卸载了。那这个用户数量可以记录在APP新增下载量里面，注册激活就不会记录。
上边的数据显示这个APP的交易活跃明显大于主动活跃，那么可以推断这个APP是交易驱动，可能是一个电商或者理财类的APP。对于一些新闻、娱乐、社交类的APP，它们的主动活跃一般会高于交易活跃。
这里要特别说明的是注册激活部分。注册激活部分需要进行详细的页面埋点，列出影响注册激活的因素，对这些元素不断优化，最后提高产品的注册激活数量
3. 留存部分：
用户只有留存下来，才有可能与APP发生更多接触，才有可能最终促成付费。
一般来说，次日留存>3日留存>7日留存>次月留存。用户的留存量刚开始会下降的比较严重，到了后期会逐渐稳定在一个数量级上。稳定下来的这些用户，基本上就是产品的目标用户了。
留存还有很多指标，如：次日留存、3日留存、每日流失、每日回流、用户声明周期、平均生命周期贡献、7日回访用户、使用间隔、页面访问量、回访率等等。具体选定哪个维度进行统计要依据自己的产品和业务重新定制。
4. 收入部分：
收入部分主要是公司的业务层面的数据，用户使用APP后，浏览了什么样的商品和服务，选了了什么商品和服务，最后支付了多少。关于固体交易金额的数据，第三方工具一般统计不了，公司也不可能把这部分数据接口开放给第三方，所以这块是需要我们在产品后台单独做埋点的。
整个支付环节的埋点一般有两个主要因素要考虑，一是看用户的支付支付体验是否顺畅，是否有一些页面卡主了用户，让用户无法进行交易。二是看在哪一个页面流失最高，用控制变量的方法调整流失率高的页面的栏位、交互等。
5. 传播部分：
传播部分一般可以分成两个维度，舆情监控维度（包括用户的主动传播分享）和产品的引导分享维度。
大一点的公司一般都有专业的部门来负责舆情监控，会收集和处理一些负面的评论，积极传播产品的正面价值。
产品内部的引导分享可以参照上面的表格制定一些监控因素，最后统计数据，指导下一步工作。
有了数据分析的框架后，该用什么工具进行数据分析呢？
二、专业术语
2.1什么是用户留存率
在互联网行业中，用户在某段时间内开始使用应用，经过一段时间后，仍然继续使用该应用的用户，被认作是留存用户。
这部分用户占当时新增用户的比例即是留存率，会按照每隔1单位时间（例日、周、月）来进行统计。顾名思义，留存指的就是“有多少用户留下来了”。留存用户和留存率体现了应用的质量和保留用户的能力。
如何计算留存率
留存率=新增用户中登录用户数/新增用户数*100%（一般统计周期为天）
新增用户数：在某个时间段（一般为第一整天）新登录应用的用户数；
登录用户数：登录应用后至当前时间，至少登录过一次的用户数；
第N日留存：指的是新增用户日之后的第N日依然登录的用户占新增用户的比例
第1日留存率（即“次留”）：（当天新增的用户中，新增日之后的第1天还登录的用户数）/第一天新增总用户数；
第3日留存率：（当天新增的用户中，新增日之后的第3天还登录的用户数）/第一天新增总用户数；
第7日留存率：（当天新增的用户中，新增日之后的第7天还登录的用户数）/第一天新增总用户数；
第30日留存率：（当天新增的用户中，新增日之后的第30天还登录的用户数）/第一天新增总用户数；
2.2数据埋点
数据埋点事件表一般是记录每个页面的交互事件，一般是后台记录次数。比如点击登录按钮的次数、点击获取验证码的次数，进入某个页面的次数、退出某个页面的次数等
数据埋点（事件）表：
在这里统计的时候有两个维度需要区分。一个是PV，一个是UV。
- PV： 访问量， 即Page View， 即页面浏览量或点击量，用户每次刷新即被计算一次。
- UV：独立访客，即Unique Visitor，访问您网站的一台电脑客户端为一个访客。00:00-24:00内相同的客户端只被计算一次。
数据埋点（统计）表：
2.3转化率
转化率就是从当一个页面进入下一页面的人数比率
们可以根据用户的访问路径计算每个页面到下个页面的转化率，同样这类工作大部分也是没有意义的，我们需要抓住重点——关键路径的转化率
