㈠ 怎样理解互联网行业“数据分析”的意义

本文通过以下七部分拆解数据分析：
一、什么场景和行业需要数据分析
二、数据分析会骗人吗？
三、怎样排除虚假流量？
四、PC端数据分析指标&方法论
五、电商、金融行业数据分析
六、数据分析的趋势
七、怎么培养数据分析的能力？
第二部分拆解六、七部分
六、数据分析的趋势
第一个趋势，大数据的对面不是小数据，而是深数据。大数据以用户量级取胜，同样的营销和经营打法只适用于固定的一类属性的人，转化率不变，分母变大，扩展更多的人群基数，是大数据打法的制胜关键。深数据是说限定一个人群，然后把精力放在收集这群人的购物各个阶段的数据上，用各种各样的营销和经营策略在用户各个购物阶段上进行关怀，提升的是某一个用户的转化率，但分母不变，制胜关键与大数据打法不同，对一个人购物阶段的数据越完整、判断越精准越好。用户基数再大总会有天花板，所以后续的竞争会有相当一部分企业尤其是大企业转向深数据的应用方向。
第二个趋势，大数据采集的壁垒可能会进一步降低。现在各家采集的数据都是自己使用，不愿意公开，或者是采集标准不同，不相信别人采集数据的准确性。这样会造成同一个数据源就会被重复采集，既浪费了硬件资源，也浪费了人力资源。其实对于同一个数据来说，只要采集的方法相同，只需要采集一次，共享就可以了。后面随着数据分析领域的标准化和统一化，数据资源会产生更多交换和交易，在数据采集这个环节会占用更少的精力，从而做更多的数据分析的事情，让数据能产生更高的价值。
第三个趋势，我认为数据分析的岗位可能慢慢就会消失了。数据分析岗位的消失在近几年不会出现，但未来十年内不好说。我认为数据分析的技能对所有互联网从业者来说，就像对于办公软件以及语言的掌握一样，会成为人人必备的技能。
第四个趋势，机器学习的发展将最大限度实现程序化数据应用。
目前数据应用的很多环节都在应用机器学习，比如程序化购买、自动化广告素材优化、智能商品推荐等等，但相互之间是割裂的，还需要人去做各个环节的串联。机器学习会慢慢替代人来串联一个一个的程序化模块，程序化的整体数据应用方案将会覆盖互联网领域。
这四个趋势我认为是我们很快就能够看得到的。
七、怎么培养数据分析的能力？
第一个建议，方向比努力还要重要。
数据分析并不是一个特别细分的领域，它里面包含了很多的方向。作为一个数据分析的入门者，当你了解了数据分析行业概况之后，你要做的一件事情就是了解这个行业有哪些方向，选择一个方向深挖。数据分析有三个常见的发展方向。一是数据挖掘；二是数据建模和数据应用；三是商业数据分析。每个方向都不容易到达巅峰，所以尽快确定主攻方向，尽快扎进去有助于迅速成长为一个领域的专家，和其它专家共同协作攻克数据分析领域更前沿的课题。
第二个建议，懂生意比懂数据重要。
一开始我们就谈到数据的价值是要最终服务于某个具体业务的，所以要想让数据发挥更高价值，对于业务知识的掌握是需要重视的，否则数据分析结果和业务存在距离或不能落地，不能实现商业增值，数据就会因此贬值了。
第三个建议，在场景里做分析比理论分析更重要。
第一方面，优化流量。流量并不是跟媒体或用户斗智斗勇，其本质是面向竞争对手的战争，要争取用同样的价钱买到更多的流量或者同样的流量花的钱更少。有时太关注用户属性或媒体价格，反而忽略了和竞争对手的博弈关系，这种博弈需要人的参与，单纯依靠机器博弈会忽视场景做出错误决策。
第二方面，用户体验输出。你面向的是用户，所以更重要的是你的内容如何跟用户产生共鸣。并不是说你设计的多漂亮、运行的多流畅，而是涉及到用户情感和用户感受层面，这也是量化指标难以驾驭的，需要加入人脑对于场景的理解才能做好。
第四个建议，注重人机协作。
对刚入门的数据分析师，我非常建议把人机协作这件事情提上日程，作为重点学习的方面，善于利用机器的力量代替人的力量，把人解放出来做人更擅长做的事情，人机配合最大化。机器擅长数据清洗、数据建模、数据预警、数据可视化等，所以提升数据分析能力一定是面向未来的，善于让机器去做它更擅长的事情，人去弥补机器的不足，更高效地完成分析工作，节省下来的时间就用来提升人独有的能力。

㈡ 如何进行互联网金融运营数据的分析，都有哪些方法

来源于：知乎
大部分的互联网金融公司最为纠结的一点是，流量这么大，获客成本这么高，为什么最后的的转化率和成单量却这么低？怎样才能提高用户运营效率？用户行为数据分析怎样把处在不同购买决策阶段的用户挑选出来，帮助互联网金融公司做到精益化运营？
我们的客户中很大一部分来自互联网金融，比如人人贷等行业前 10 的互联网金融公司。在服务客户的过程中，我们也积累了大量的数据驱动业务的实践案例，来帮助客户创造价值。
一 、互联网金融用户四大行为特征
互联网金融平台用户有四大行为特征：
第一流量转化率低，下图是某互联网金融公司网站上，新客户过去 30 天整体购买转化漏斗，其转化率只有 0.38%：
而这并非个例，实际上，绝大多数互联网金融公司，在 web 端购买的转化率基本都在 1% 以下，APP购买率在 5% 左右，远远低于电商或者其他在线交易的购买率。
第二，虽然转化率低，但是客单价却很高。一般来说，电商行业客单价在几十到几百，而互联网金融客户，客单价从几千到几万，某些特殊领域甚至高达几十万。而客单价高，就意味着用户购买决策会更复杂，购买周期也会更长。
第三，用户购买行为有很强周期性。电商的客户下次购买时间是不确定的，但是互联网金融平台上，真正购买的用户，是有理财需求的用户，在资金到期赎回产品后，一定还会进行下一次购买，只不过未必发生在你的平台上。
可以看到，每隔一段时间，这个用户就会有一段集中的、大量的交互行为。当用户购买完成后，用户的交互行为又变得很少，可能偶尔来看看产品的收益率，但整体的交互指标不会太高，直到他下一次购买。这个用户理财需求的周期是一个月左右。

最后一个特点是「很强的特征性」，主要包括两个特征：
A：用户的购买偏好比较容易识别，理财产品数量和品类都很少，所以用户购买的需求或者偏好，很容易从其行为数据上识别出来。
B：用户购买过程中的三个阶段特别容易识别：
用户在购买决策阶段，有大量的交互事件产生，他会看产品，比对不同产品的收益率和风险，比对不同产品的投资期限等等；
但是一旦他完成了产品的购买，就不会有大量的交互行为产生，他可能仅是回来看一看产品的收益率。
当用户的产品资金赎回之后，又有大量的交互事件产生，实际上他处在下一款产品购买的决策期。
二、互联网金融用户运营的三大步骤
针对互联网金融用户行为的四个特征，在用户运营上有三个比较重要的阶段性工作：
1.首先，获取可能购买的目标用户，合理配置在渠道上的投放预算，以提高高质量用户获取的比例：
渠道工作的核心，主要是做好两方面的工作：宏观层面，优化整个渠道的配置；微观层面，单一渠道角度来说，根据渠道配置的策略，有针对性地实施和调整。
具体渠道的实施，大家都比较熟悉，但是对于整个渠道组合配置的优化，很多人接触的其实并不多。
这张图是整体转化漏斗，从不同维度可以做对比，比如我们先选出流量前 10 的渠道：
以渠道一为例，总体的转化率是 0.02%；在过去 30 天站内总体的流量是 18.9K，漏斗第一级到第二级的转化率是 3.36%，这样一共是五级，我们看到最终渠道一带来总体的成交用户一共是 4 人。
类似的，前 10 的渠道数据都很清晰。不同渠道带来的流量，不同渠道总体的转化率，以及不同渠道在整个转化路径上每步的转化率都可以看到。
这里面有几个渠道很有特点：
渠道一的特点，渠道一带来的流量是所有 10 个渠道里最大的，但是它的总体转化率却是低的；
渠道二和渠道七，渠道二的量很大，但是转化率是零。渠道七量比较一般，转化率也是零；
渠道九和渠道十，这两个渠道是所有渠道里转化率最高的。但是这两个渠道特点，是带来流量不是特别大……
第一象限（右上角）渠道质量又高，带来流量又大的，这里面渠道三四五是符合这个特征的，渠道策略应该是继续保持和提高渠道的投入。
第二象限（左上角）渠道的质量比较高，但带来的流量比较小，这里面包含的主要渠道就是八九十。对应的主要策略是，加大渠道的投放，并且在加大投放的过程中，要持续关注渠道质量的变化。
我们先看第四象限（右下角），渠道质量比较差，但是带来流量比较大，这里面主要有渠道一和渠道二。相对应的渠道策略，应该在渠道做更加精准的投放，来提高整个渠道的质量。
第三象限（左下角）这个象限里渠道质量又差，带来流量又小，比如渠道六跟渠道七。我们是否要直接砍掉？这里建议是，策略上要比较谨慎一些。所以在具体渠道的策略上，业绩保持监测，然后小步调整。
根据上面数据分析得出的结果，做过渠道优化后，就会为我们带来更多高质量的用户。
2.接下来就要把高价值的用户——真正有购买需求，愿意付费、购买的用户找出来。
将资源与精力投入到真正可能购买的用户上的前提是，我们要能够识别出，哪些是真正有价值的用户？哪些是价值偏低的用户？
其实对于互联网金融平台来说，甚至所有包含在线交易的平台，用户的购买意愿，是可以从用户的行为数据上识别出来的。由于互联网金融平台的特殊性，相比于电商平台来说，商品品类更少，平台功能也更为简单，所以用户的行为数据，也更能反应出互联网金融平台上用户的购买意愿。
把用户在平台上的所有行为总结一下，核心的行为其实并不多，具体包括：
用户查看产品列表页，说明有一些购买意愿，点击某个产品，说明用户希望有进一步的了解。用户最终确认了支付，完成了购买，购买流程就走完了，他的理财需求已经得到了满足。每一种行为都表示出用户不同程度的购买意愿，所以获得用户在产品里的行为数据就十分重要。
既然用户行为数据这么重要，那么怎样获取呢？GrowingIO 以无埋点的方式，全量采集用户所有的行为数据，根据我们对业务的需求，配比成不同的权重系数，并按照每个用户购买意愿的强弱，进一步分群。
这是我们一个客户制作的用户购买意愿指标的范例，刚才的前 5 个行为，都是用户在购买前典型的行为：
每种典型事件的权重系数不一样，用户购买意愿是越来越强的：用户点了投资按纽，甚至点了提交的按钮，显然要比他单单看产品列表页，或者单单看产品页、详情页的意愿强。越能反应用户购买意愿的事件，你给它分类的权重应该是最大的，这是大的原则，0.05 还是 0.06 影响并不大，所以不必纠结。
这样通过这种方式，我们就可以按照每个用户的所有行为，给用户做购买意愿打分的指标，最终形成用户购买意愿的指标。
这是我们从高到低截取部分用户购买意愿打分的情况，第一列是每个用户的 ID，第二列是按照购买意愿给每个用户打分的情况。得分高的，就是购买意愿最强烈的用户。
拿到所有用户购买意愿之后，我们就可以按照用户购买意愿的强烈与否，把所有的用户分成不同的群体，来做针对性的运营。
这是在把用户在过去 14 天内，由其产生的所有行为数据，按照购买意愿打分的权重，把打分大于 5 的用户找出来，在总体用户里，这部分用户购买意愿排名前 20% ，我们给它起个名字，叫购买意愿强烈的用户。
类似我们还做了购买意愿中等的用户分群，这是购买意愿排名在 20-60% 之间的用户；购买意愿排名在最后 40% 的用户，是购买意愿最弱的用户分群。
分群之后，点击任意一个分群，都会以用户 ID 的形式列出来。因为你要有用户的 ID ，才能对这些用户施加运营策略。每个用户最近 30 天的访问次数，最近的访问地点，最后一次访问时间都可以看到。
接下来针对这些购买意愿强烈的用户，怎样推动用户的转化呢？
3.采取针对性的运营策略，提高高价值用户的转化率。
首先我们来看一下购买偏好，互联网金融平台商品品类是比较少的，用户购买的目的性也比较清晰，一般商品的品类有这么几种：
第一种：债券型理财产品
第二种：股票型理财产品
第三种：货币型理财产品
第四种：指数型理财产品
第五种：混合型理财产品…
我们把用户在不同品类商品上的访问时长占比算出来，就能比较好地了解用户的购买偏好。比如下图，我们用用户访问债券型产品详情页的访问时长，除以用户在站内总体的访问时长，就能够得到用户在债券产品上访问时长占比的指标。
我们还是使用用户分群的工具，把在债券型产品上的访问时长占比大于40%的用户分出来，这是有非常强烈表征的客户，他购买的偏好就是债券型的产品。
同时我们再设定另外一个指标，比如用户购买意愿指标，之前我们做过大于5，也就是购买意愿排名在前 20% 的。
通过这两个条件，我们就可以把购买偏好是债券型产品，同时有强烈购买意愿的用户找出来，这两个指标的关系是并（and）的关系。同样我们可以按照用户的购买偏好，把关注其他品类的用户，都做成不同的用户分群，然后形成不同购买偏好的用户群体。
针对这些用户，其实在运营策略上，我们可以从三个层面来展开来进行做：
从购买阶段的角度，首先我们把所有用户可以分成新客和老客。对于这两个群体来说，运营策略和运营重点是非常不一样的。
新客群体，是从来没有在平台上发生过购买的用户，我们要根据用户的购买意愿，做进一步的运营。
老客群体，也就是在平台上已经发生过产品购买的用户，除了关注用户的购买意愿之外，用户的资金状态（资金是否赎回）也是非常重要的参数。
用户是否购买过产品？购买产品的用户是否已经赎回资金？这两个内容，其实是一个用户当前的属性。在我们分群的工作里，这有个维度的菜单，通过这个维度菜单，我们就可以把具有某种属性的用户找出来：
这里我做了一个分群，我们可以看一下。在维度的菜单里，我们把是否购买过产品的维度值设置成了 1 。把资金是否已经赎回这个维度的值，也设置成了 1 。实际上是把那些资金已经赎回的老用户找出来；同样在指标这个菜单里，我们同时也把有强烈购买意愿的用户找出来，时间是过去 14 天，指标大于 5 。
这样我们就制作了一个用户分群，而这个用户分群里所有用户，要满足下面的三个特征：
特征一：购买过产品的老客。
特征二：他们的资金，目前已经赎回了。
特征三：过去 14 天内的行为数据，表明这个用户有着强烈的购买意愿。
同理我们把所有用户，整理为下面几个不同类别，对应不同的运营策略：
比如新客里，当前有购买意愿的，其实他属于购买决策期的新用户。应该根据用户的购买偏好，推荐这种比较优质的理财产品。并给予一定的购买激励，来促进这些新客在平台上的第一次购买，这个对于新客来说是非常重要的，以此类推。
相比于电商或者其他行业，互联网金融平台结合行业和用户的特点，从用户行为数据分析的角度，驱动产品业务以及提高用户的转化率，有更加重要的意义。

㈢ 移动互联网数据分析的类别有哪些

数据分析是一种靠谱的产品研究方法, 这玩意有很多误区, 也不能迷信, 最终到头来还是要人来做决策

忽略沉默的用户
二战时英国空军为了降低飞机的损失，决定给飞机的机身进行装甲加固。由于当时条件所限，只能用装甲加固飞机上的少数部位。他们对执行完轰炸任务返航的飞机进行仔细的观察、分析、统计。发现大多数的弹孔，都集中在飞机的机翼上；只有少数弹孔位于驾驶舱。从数据上说, 加固机翼的性价比最高. 但实际情况缺恰恰相反, 驾驶舱才是最应加固的地方, 因为驾驶舱被击中的飞机几乎都没飞回来.
"发声"的数据是最好获取的, 但如果没把这些沉默的数据考虑进来, 那么这种数据分析是不靠谱的. 所以除了数据的结果, 还得尝试解读这些数据. 而解读数据就完全依赖人了.

把沉默用户当做支持和反对的中间态
2家网站A和B，都经营类似的业务，都有稳定的用户群。它们都进行了类似的网站界面改版。改版之后，网站A没有得到用户的赞扬，反而遭到很多用户的臭骂；而网站B既没有用户夸它，也没有用户骂它。如果从数据来看, 应该是网站B的改版相对更成功, 因为没有用户表达不满。但事实并非如此。网站A虽然遭到很多用户痛骂，但说明还有很多用户在乎它；对于网站B，用户对它已经不关心它了.
网站A指的是Facebook，网站B是微软旗下的Live Space。
把数据作为决策的唯一标准
通常认为数据分析指导工作是一种高性价比的做法, 不容易犯错, 对于代表资方的管理层来说, 比起依赖于人的决策, 依赖于数据的决策似乎更稳健.
这种决策在从0.5向0.8的产品改进上, 可能是有效的. 因为一个已有的产品, 数据就摆在那. 100个用户50个访问超时, 解决了这个问题, 就提升了50%的效果.
但对于从0到0.1的新产品上, 由于数据很难获取, 需要花大力气在获取模拟数据上. 往往是用一周时间去想明白一个做两个小时的产品该不该做的问题. 而且模拟的结果还和最终实际相差很远.
A/B test或是原型系统, 先做出来, 再去验证, 在一些场合下比先拿数据要有效的多.

认为数据是绝对客观的
为了减少内耗, 往往依赖于数据来做决断. 我一直认为数据本身是带有主观性的, 完全客观的数据是没有的. 数据的获取方法, 数据的解读方法, 数据的统计方法, 都是人的决策. 一份数据拿出两个相反的结论来也不是没有可能. 即使主观上没有偏向性, 也受限于方法和视野.
决策上最终起作用的还是人不是数据. 虽然人有那么多的不确定性, 还可能出现争论, 扯皮, 不敢承担责任.

部分内容节选自: 编程随想--思维的误区 http://blog.csdn.net/program_think/archive/2010/07/20/5748406.aspx

㈣ 互联网创业公司如何用数据分析做用户增长

Sean Ellis 是在 DropBox 负责增长的，他在 DropBox 工作时间很短，不到 2 年，但是这期间每年 DropBox 的增长率在 500% 到 700% 之间（一年 5 倍到 7 倍），这是非常疯狂的一个增长速度，他根据自己的经验总结出来了一套 AARRR 的框架：

数据分析的核心有三点：

标准化，要知道发生什么事儿了。

需要明白为什么，我们需要不断地持续思考为什么，因为只有你知道了为什么，才能解决它找到原因，在产品运营或者销售各种策略里面进行实际操作。

基本上我们能够预测用户未来的行为。

因此如果我预测到这些用户会买单，我们就把销售的资源调到这里面来增加销售额。当时 Linkedin 一周的销售额增长了 270% ，以前的话销售打一个电话来，500 个人的名单，随机给人打电话非常没有效率，后来用了这个体系以后，他就给最重要的几个打电话，这样提高了效率，得到了更好的效果。