数据分析(二)——业务
前言
首先，跟大家说声抱歉，最近一直在参加秋招的笔试和面试，一直没有时间写博客，众所周知，写博客是很耗时的，为了保证文章的质量，因此，花时间好好准备，今天终于有点时间写了。请大家放心，无论多忙，一个月至少会发四篇文章，也就是至少保证平均一周一篇文章。并且不会敷衍了事，会保证文章的绝对质量。尽可能的满足大家在读文章的时候会有一定的收获。
接着上次分享的内容，我们接着介绍数据分析中业务这一块知识，众所周知，作为一名核心的数据分析员来说，其实数据分析的思维、业务这一块是特别的重要。它的重要程度要比会用mysql、Excel、python等工具要重要的多，我们作为数据分析中的一员，应该首先要有数据分析的意识以及要不断培养我们的业务能力，只有有了这些基本的素养，我们再有一些python、mysql、Excel等技术会更加的锦上添花。因此，接下来给大家介绍业务的相关内容。
一、特定场景下常用指标
做过数据分析的都知道，只有我们了解业务需求，才能够有效的建立相应的业务数据模型。在建立数据模型的时候，指标是一个很重要的衡量方式。我们对业务进行分析的时候，尽可能的先进行指标的建立，有了指标之后，再根据指标进行模型的建立。我们通过一张图来展示电商常见的一些数据分析的流程：
介绍了这么多，那么指标是什么呢？指标是指可以按总数或比率衡量的单个维度元素。在数据分析思维中，我们介绍过数据分析的方法，包括结构化、公式化以及业务化，其实，这些分析的内容，最终落实还是需要指标。正如我们在日常对某一场活动进行分析时候，经常会通过我们看到的表象去通过一些可量化的指标来预测之后的发展。具体分析过程如下：
其实在进行数据分析的时候，我们应该要通过核心指标去分析，一个好的指标应该是比率，通过这个指标我们能够很直观地说明相应的问题，也就是说好的指标应该能够带来显著的效果。另外，需要我们注意的是：一个好的指标不应该是复杂的，更不应该是虚荣的。
接下来给大家介绍一些常见的指标场景：主要包括市场营销指标、产品运营指标、用户行为指标、电子商务指标、流量指标，另外，也会介绍我们应该怎么样去生成一些指标。首先给大家介绍市场营销指标。
1、市场营销指标
一般我们在分析市场营销的时候，我们首先需要关注的就应该是客户/用户的生命周期：这是企业／产品和消费者在整个业务关系阶段的周期，当然，不同业务划分的阶段不同。在传统营销中，分为潜在用户，兴趣用户，新客户，老/熟客户，流失客户。其次，我们应该关注用户价值：其实在海量的业务领域中，我们应该最有效的定义用户呢？我们这里介绍指数法，将我们认为最重要的指标进行相应的分析。常见的计算如下：
用户贡献 = 产出量／投入量*100%
用户价值 = （贡献1+贡献2+……）
正如我们经常涉猎的金融行业中会以存款+贷款+信用卡+年费……-风险-流失这样的公式去预测用户的价值。另外，给大家介绍RFM模型，在用户生命周期中，我们通过衡量客户价值的立方体模型。利用R最近一次消费时间，M总消费金额，F消费频次，将用户划分成多个群体。接着给大家介绍用户分群以及营销阵营，用户分群是市场营销中的一种常见策略，它提取用户的几个核心维度，我们将常用用象限法将其归纳和分类。
具体表示如下：
2、产品运营指标
前面给大家介绍了市场营销中的一些常用指标，其中包括客户/用户的生命周期、用户价值、RFM模型、用户分群以及营销等指标，接下来给大家介绍AARRR，其中包括Acquisition用户获取、Activation用户活跃、Retention用户留存、Revenue营收、Refer传播。这几个指标自下而上如下：
- 用户获取
渠道到达量：俗称曝光量。即有多少人看到了产品推广相关的线索
渠道转化率：有多少用户因为曝光而心动Cost Per，包含CPM、CPC、CPS、CPD、CPT等。
渠道ROI：推广营销的熟悉KPI，投资回报率，利润／投资*100%。
日应用下载量：app的下载量，这里指点击下载，不代表下载完成。
日新增用户数：以用户注册提交资料为基准。
获客成本：为获取一位用户需要支付的成本
一次会话用户数占比：指新用户下载完App，仅打开过产品一次，且该次使用时长在2分钟以内。- 用户活跃
日／周／月活跃用户应用下载量：活跃标准是用户用过产品，广义上，网页浏览内容算「用」，在公众号下单算「用」，不限于打开APP。
活跃用户占比：活跃用户数在总用户数的比例，衡量的是产品健康程度
用户会话session次数：用户打开产品操作和使用，直到退出产品的整个周期。5分钟内没有操作，默讣会话操作结束。
用户访问时长：一次会话的持续时间。
用户平均访问次数：一段时间内的用户平均产生会话次数。- 用户留存
用户在某段时间内使用产品，过了一段时间后仍旧继续使用的用户。我们通过一个小的案例加以说明：假设产品某天新增用户1000个，第二天仍旧活跃的用户有350个，那么称次日留存率有35%，如果第七天仍旧活跃的用户有100个，那么称七日留存率为10%。- 营收
付费用户数：花了钱的
付费用户数占比：每日付费用户占活跃用户数比，也可以计算总付费用户占总用户数比。
ARPU：某时间段内每位用户平均收入
ARPPU：某时间段内每位付费用户平均收入，排除了未付费的
客单价：每一位用户平均贩买商品的金额。销售总额／顾客总数
LTV：用户生命周期价值，和市场营销的客户价值接近，经常用在游戏运营电商运营中。另外：LTV = ARPU * 1/流失率
传播
K因子：每一个用户能够带来几个新用户;即：K因子=用户数X平均邀请人数X邀请转化率；
用户分享率：某功能／页面中，分享用户数占浏览页面人数占比。
活动／邀请曝光量：线上传播活动中，该页面被人浏览的次数。一般代指微笑朋友圈。
3、用户行为指标
前面给大家了市场营销以及产品运营的指标。接下来给大家介绍用户行为相关的指标，其实，用户行为的数据分析是一个很广泛的课题，不同业务领域背景的用户行为分析不一样。
- 功能使用
功能使用率／渗透率：使用某功能的用户占总活跃数之比。比如点赞、评论、收藏、关注、搜索、添加好友，均可以算做功能使用。这些指标在特定业务中均有作用。- 用户会话
会话session：也叫做session，是用户在一次访问过程中，从开始到结束的整个过程。 在网页端，30分钟内没有操作，默认会话操作结束。整个会话的过程如下：
- 用户路径
路径图：用户在一次会话的过程中，其访问产品内部的浏览轨迹。通过此，可以加工出关键路径转化率。具体的路径图如图所示：
4、电子商务指标
接下来给大家介绍电子商务指标，这里主要包括购物篮分析、复购率和回购率。
- 购物篮分析
笔单价：用户每次贩买支付的金额，即每笔订单的支出。和客单价对应。
件单价：商品的平均价格。
成交率：支付成功的用户在总的客流量中的占比。
贩物篮系数： 平均每笔订单中，卖出了多少商品。贩物篮系数是多多益善，它也和商品关联规则有关系。- 复购率和回购率
复贩率是一段时间内多次消费的用户占总消费用户数占比。例如4月有1000位用户消费，其中500位消费了两次以上，则复贩率是50%。
回贩率是一段时间内消费过的用户，在下一段时间内仍旧消费的占比。还是以刚才提到的例子为主，4月的消费用户数1000，其中600位在5月继续消费，则回贩率为60%。
5、流量指标
现在的很多企业都很看重流量，很多人们利用空余时间去看一些有意义的视频，这就会产生流量，接下来给大家介绍流量分析中常用的一些指标：
- 浏览量和访客量
PV：浏览次数。互联网早起的统计指标，用户在网页的一次访问请求可以看作一个PV，用户看了十个网页，则PV为10。
UV：是一定时间内访问网页的人数，正式名称独立访客数。在同一天内，不管用户访问了多少网页，他都只算一个独立访客。这里需要注意的是：在技术上，UV会通过cookie或IP衡量。- 访客行为
新老访客占比：衡量网站的生命力
访客时间：衡量内容质量不是看内容的UV，而是看内容的访问时间
访客平均访问页数：衡量网站对访客的吸引力，是访问的深度。
来源：访客从哪里来，技术上，通过来源网站的参数提取，可以区分SEM，SEO或者外链等
用户行为转化率：用户在网站上进行了相应操作的用户在总访客数上的占比。
首页访客占比：只看了首页的用户，在总访客数上的占比。- 退出率和跳出率
退出率：从该页退出的页面访问数／进入该页的访问数。
跳出率：浏览单页即推出的次数／访问次数。这里需要注意的是：跳出率一般衡量各个落地页，营销页等页面。退出率则更偏产品，任何页面都有退出率。
二、生成指标的方式
我们在前面给大家介绍了各种场景下常用的指标，接下来给大家介绍如何生成自己的指标的方法以及构建一个数据指标体系。其实，我们在搭建一个数据指标体系的时候，需要先了解下数据指标。一个合格的指标要求定义清楚完整，要说清楚计算规则也能讲地明白具体地业务含义，也即是要满足下面三个规则：
a.指标意义:怎么用大白话说出来这个指标，它的目的是什么
b.统计时间:指标具有时间性，需要明确是什么时间段的数据
c.计算规则：是比例还是总数，是谁比谁还是谁加谁
接下来我们以P2P产品为例来为大家介绍数据指标的构建。
1、归集数据指标
首先P2P产品的终极目标在于投资和借款的规模最大化。所以体现在数据指标上，最直接的两个指标就是投资金额和借款金额。其次就是.任何产品的用户都会有生命周期，即用户从接触产品到抛弃产品的一个过程。而这个过程是可以分成多个阶段的。只要我们思考清楚如何使每个阶段的用户去达到产品的终极目标，我们就可以归集出整个产品的所需要的大部分数据。我们将P2P产品的用户基础生命周期按自然顺序可以分为五大阶段：
当然，投资用户阶段是实现产品终极目标的阶段，所以我们要做的工作就是使其他阶段的用户都进入投资用户阶段。所以在产品眼中，其实希望所有用户生命周期是这样演变的。
其中，访客阶段、注册-投资、流失召回阶段是三个比较独立阶段，具体细化后可以得到相应的数据指标。
按照一个完整的用户生命周期或业务流程，基本可以将产品所有相关的指标梳理完整。在搜集数据指标时，对每一个业务环节，可以按照规模、质量、转化率和使用率/占比这几个主要数据评估目的来考虑。例如首次投资环节：
规模指标：人数规模，投资金额规模、投资订单规模、投资次数规模等；
质量指标：注册/实名-投资周期、人均投资金额等；
转化率指标：注册/实名/充值-投资转化率；
使用率/占比指标：首次投资占总投资用户比例等
2、数据指标拆解
归集完产品所涉及的指标后，会发现指标很多。但是在具体的业务中，可能不同业务阶段重点关注的指标不一样。例如渠道推广关注获客成本和转化效果，投资则关注投资金额和投资人数等等。所以对于不同的业务阶段，我们需要挑选出该阶段的核心指标，然后进行拆解，再根据拆解的指标去重点关注。例如前面提到的拉新阶段，我们最关注的是新投资用户的增长情况，所以可以将新用户增长数据指标拆分为：
新投资用户增长=浏览UV/APP激活×注册转化率×实名转化率×投资转化率
而投资阶段，我们最关注的是投资金额的增长情况，所以可以将投资金额数据指标拆分为：投资金额增长=新投资用户数×投资次数×人均每次投资金额+老投资用户×回投率×投资次数×人均每次投资金额。如此一来，我们即知道在不同阶段，需要重点关注和分析哪些核心数据。只有哪些使核心指标效果最大化的细分指标才是最值得我们关注的。
除此以外，不同的部门重点关注的数据也不一样。例如市场推广重点关注渠道推广数据，运营部门重点关注业务增长数据，技术部门重点关注产品稳定性，性能数据。产品部门重点关注功能使用数据、用户画像数据。财务部门重点关注交易数据。
3、确定数据维度
在确定需要重点关注的数据指标后，就需要对数据指标进行维度的细分，例如：
按时间维度：秒、分、时、天、周、月、季、年
按渠道维度：推广注册、自然注册、活动注册
按用户类型：新老用户、高低净值用户、活跃/流失用户
按终端类型：微信公众号、PC官网、安卓APP、iOS APP
按地区：省、市等
至此一个初略的数据指标体系完整构建起来了。但是还需要在运用中根据实际情况来不断调整优化，毕竟即便是同一产品，不同阶段重点关注的数据都是不一样的。
4、总结
构建完一次数据指标体系后，对于现代管理学之父彼得德鲁克的名言“如果不能衡量它，就不能有效增长它。”有更加切身的理解。数据分析是一种思维能力，不仅是增长业务的利器，也是解决问题的有效途径。
三、使用数据分析指标体系的方法
之前我们介绍了数据指标体系结构的建立之后，我们接下来要通过数据来分析指标体系。
先看主指标+判断标准，比如主指标是：销售金额，先看本月是否达标了，没达标差多少达标。再看年累计达标没有，有多少亏空/盈余。这样很容易看清楚：知道问题是什么，有多大。
再看分类维度，哪些区域没有做好，哪些区域做的好，是勉强完成还是持续上涨。谁有能力，谁是拖后腿的一目了然。
最后看子指标/过程指标，哪个环节没做好，是推广太少了，还是成本太高了，是用户太少了还是付费率太低了。
四、数据指标体系搭建中存在的问题
我们构建完数据指标体系之后，会存在一些问题，具体问题主要包括：指标选取没有实际指导意义以及没有判断标准。
1、指标选取没有实际指导意义
新媒体都追求微信公众号阅读数，如果靠阅读数做广告，那么阅读数有意义，如果是靠图文卖商品，那么更应该关注转化率和商品销量，毕竟一个夸张的标题就能带来很高的阅读量，此时的阅读量是虚荣指标。
特别需要注意的是： 这里提到的虚荣指标主要指的是：没有意义的指标，往往它会很好看，能够粉饰运营和产品的工作绩效，但我们要避免使用。
2、没有判断标准
指标体系不是堆积指标，是需要通过指标来分析产品的好坏。一个指标不是只要涨了就是好，跌了就是坏，是需要有判定的标准的。
五、业务分析框架的构建
前面给大家介绍了数据分析指标体系的建立、分析以及可能存在的问题，接下来给大家介绍业务分析框架的构建思路，其实，整个构建的思路主要包括我们之前提到的核心思维与指标的建立、其中思维技巧与指标之间的关系以及我们今天提到的业务与指标。因此我们在构建业务指标的时候主要从以下三个角度出发，即：
- 从指标的角度出发
- 从业务的角度出发
- 从流程的角度出发
接下来我们以前面介绍的市场营销指标、产品运营指标、用户行为指标、电子商务指标以及流量指标为场景给大家分别做出参考模型。
1、市场营销模型
根据之前提到的市场营销给出的常用分析指标，我们构建其模型如下：
2、AARRR模型
3、用户行为模型
4、电子商务模型
5、流量模型
总结
前面两篇文章分别介绍了数据分析中的概要和在数据分析中我们经常用到的数据分析的一些思维方式。本文主要是为大家介绍了数据分析中的业务，主要包括在数据分析在特定场景下的常用指标，这些场景主要包括市场营销指标、产品运营指标、用户行为指标、电子商务指标以及流量指标。另外就是生成指标的方式、使用数据分析指标体系的方式以及在这些方式中存在问题，最后为大家介绍了业务分析框架的构建。业务方向的内容已经介绍完了，接下来的文章会给大家介绍工具的使用，包括Excel、python、power bi以及mysql相关的核心知识点。生命不息，奋斗不止，我们每天努力，好好学习，不断提高自己的能力，相信自己一定会学有所获。加油！！！
明天就是1024，希望大家都有一个快乐的节日。同时也希望看了我的文章的读者学有所获。
参考文献
[1]如何搭建数据分析指标体系
[2] 数据分析方法： 4步构建数据指标体系