目录

• • • 1、如何理解数据分析，流程
    • 2、数据分析的价值
    • 3.0、指标的异常波动异常如何分析？（例如日活下跌）
    • 3.1、销售额下降了如何分析
    • 4、注册类指标和活跃类指标，看哪个？
    • 5、Python计算圆周率
    • 6.0、估算星巴克的销售额
    • 7、对指标的理解，有哪些组成部分？
    • 8、指标与维度的区别和联系
    • 9、北极星指标？虚荣指标？
    • 10、什么是指标体系？如何建立？业务应用场景？
    • 11、什么是a/btest？核心原理与应用场景
    • 12、A/Btest如何合理分流？
    • 13、如何验证A/Btest结果
    • 14、什么是漏斗分析？
    • 15、什么是EDA(exporatory data analysis)?
    • 16、使用ABtest评估算法效果
    • 17、如何评估一场活动的效果
    • 18，同比？环比？

1、如何理解数据分析，流程

数据分析：基于业务，发现业务中的问题或潜在增长点，形成分析思路，并利用数据分析工具进行分析，给出结论和解决方案，并协调推进方案落地
流程：

1. 观察现状
2. 留意变化
3. 多维、交叉分析
4. 预测趋势
5. 生成策略
6. 推动落地
7. 复盘效果

2、数据分析的价值

数据分析不仅是要给出一个明确数字，还要给出背后的原因，数字大小正负说明业务是好是坏，好的方面是否可以复用拓展，坏的地方原因是什么？应对方案是什么？要把方案落地到业务中去，并进行跟进与复盘。

通过洞察数据背后的业务价值，进而提出有指导性的建议，帮助业务发展

3.0、指标的异常波动异常如何分析？（例如日活下跌）

1. 确定数据来源是否可靠
2. 确定数据的计算口径是否一致
3. 确定是否是市场的整体趋势
4. 描述性分析：下降了多少
5. 观察变化：同比下降了多少，环比下降了多少
6. 评估变化/方差分析：跌幅是否在合理范围内？
7. 交叉分析/相关性分析：对指标进行拆解，有哪些指标可能与日活下跌有关，有关程度是多少
8. 业务分析：这些指标的运营部门，是否有某些运营策略或者活动造成了指标变化，间接导致了日活下跌
9. 回归分析/预测：还会跌几天，跌幅最坏到什么程度
10. 风险/损失评估：日活下跌对产品的核心KPI有什么影响
11. 制定策略：如何挽回损失、下次如何避免

3.1、销售额下降了如何分析

1，需求：发现，某店铺20年11月的销售额同比去年11月下降了60%，如何分析？
2，解题思路：

1. 先确认数据来源是否可靠，确认问题是否真的存在
2. 如果数据来源可靠，指标口径一致，再看外部市场环境，是否是整体市场大盘在下降，受到大盘的影响
3. 如果不是外部因素，就要检查内部问题，对指标进行拆解
   销售额 = 访客数 ×下单率 ×客单价 - 退货金额
   访客数 = 新客户+老客户，新客户 = 渠道的流量 ×转化率
   下单率 = 页面访问量 ×转化率
   订单取消率 = 订单取消数/订单总数
4. 针对指标的变化给出建议，定位到具体原因后，针对性的给出改进策略方案，如开展促销活动、商品

4、注册类指标和活跃类指标，看哪个？

不同时期关注的指标不同，应该区别对待
产品初期：关注产品的快速成长，重点关注注册类指标
产品成熟期：关注用户的使用粘性、深度等，重点关注留存和活跃类指标

5、Python计算圆周率

蒙特卡洛法：边长为1的正方形与其内切圆的面积之比为4/pi，随机生成在0-1内的x,y，落在圆内的个数M除以总个数N等于面积之比。即M/N = pi/4，反解可得圆周率

6.0、估算星巴克的销售额

需求：某CBD下一个星巴克门店，面积40平方米，估算每周的营业额。

经典的费米估算问题。费米思想的步骤：

1. 把问题拆解，直到拆解到不能拆解需要估算的基本问题
2. 对基本问题的估算，不要估算其本身，而是先估算其上下界，然后在上下界的范围内估算出数值。
   营业额 = 消费人数×平均消费金额（区分工作日与周末）
   消费人数 = 营业时间×单位时间消费人数（区分高峰时段+低峰时段）

二八原则拆分：星巴克以饮品为主，饮品主要以咖啡为主
1、从需求端估算：
饮品销量：每天多少人喝咖啡，CBD一共多少人，喝咖啡的比例，每人每天喝几杯
非饮品
2、从供给端估算：
工作日供给：忙时供给（忙时每小时多少杯，一天多少时间忙）、闲时供给（闲时每小时多少杯，一天多少时间闲）
周末供给：

估算：
每天按照12h营业时间计算，高客流量4h，低客流量8h
工作日流量大的时候，每三分钟接待一人次，人均消费30元
一个店40平米，50%比例算，20平米可以站下10个人，工作日高峰时段每小时消费人数 = 1h/3min×10=200个，非高峰估算60个
工作日一天的营业额 = 4h×200个×30元+8h×60个×30元 = 38400
休息日 = 工作日营业额/4
所以，一周的营业额 = 38400×5 +38400/4×2

7、对指标的理解，有哪些组成部分？

指标：有业务含义的，体现业务变化的，复杂的，有特定业务场景的
指标口径：指标的定义
指标通常与维度一起联合分析，从不同的维度看同一个指标可能会有差异和业务上的发现
同一个指标可能会被应用于不同的业务，需要保证指标口径的一致，避免造成指标的歧义

8、指标与维度的区别和联系

指标：用于定量评估业务好坏程度而建立的
维度：描述指标的角度，可以理解为，看问题的方面
维度不能独立存在，一般都是搭配着指标一起分析，可以分析不同维度下的同一指标，也可以分析同一维度下的不同指标

9、北极星指标？虚荣指标？

北极星指标：被称为第一关键性指标，是指业务当前阶段最为关注的一个指标，引导当前业务的发展，通常是一个汇总指标，可以通过拆解为各个子指标，便于整体指标的实现与分析

虚荣指标：例如累计用户数、累计销量、累计销售额等。都是只涨不跌的虚荣指标

10、什么是指标体系？如何建立？业务应用场景？

指标体系：不是指一个指标，也不是指多个不相关的指标。一个指标体系是多个相关的指标有机结合起来，具有严格的逻辑和分层体系

建议方法：根据业务特定和生命周期选择第一关键指标或者北极星指标
贴合业务需求将第一关键指标进行逐层拆解，按流程拆、按时间区域拆、按公式加减乘除拆
从上至下：从顶层战略或从KPI拆解
从下至上：叶子指标向上汇总成整体指标

应用场景：
监控关键指标变化趋势，判断业务走势
逐层拆解，定位业务异常原因
通过数据驱动业务

11、什么是a/btest？核心原理与应用场景

定义：基于小样本的后验方法，通过设置对照组和实验组，对变量进行试验，通过假设检验对不同组进行检验，以检验变量是否对结果造成显著影响，从而选取最合理的办法。

核心原理：通过随机合理分流，设置对照组和实验组，通过控制变量法，在保证两组用户除待验证变量不同外，其他变量一致。分别对两组施加不同的变量，观察两组用户在一段时间内的表现，通过假设检验分析结果是否有显著差异，从而判断改动是否有效可执行

应用场景：产品功能、算法策略迭代

12、A/Btest如何合理分流？

用户分流一定要随机均匀，保证各组的用户分布一致，有分桶和分层两种方式。
分桶：直接将用户切割成几桶，用户只能在一个桶里，但缺陷是，如果要同时上线多个实验，流量不够切怎么办？
分层：将业务逻辑互斥的环节分为多层，每一层都共享同一批用户，在每一层将用户随机后，使之处于不同的桶。到下一层后，对同一批用户再次随机分为几个桶。也就是说，一个用户会处于多层的多个实验中，只要多层之间互不影响，保证了每个实验都能全流量切割的同时，也保证了实验数据是置信的

13、如何验证A/Btest结果

假设检验：一般情况下，绝对值指标用T检验，相对值指标用z检验

14、什么是漏斗分析？

通过拆分业务流程，形成关键漏斗，分析漏斗各环节的转化率/跳出率，定位问题发生的环节。
漏斗分析的最核心的步骤：分解流程，评估转化率，定位问题
常见漏斗：

• 电商漏斗：首页-详情页-购物车-支付
• 用户的生命周期AARRR
• 用户的行为周期AIDMA

漏斗的环节不易过多，一般不超过5个
以上一环节为基准，计算相邻两个环节的转化率
1-转化率即流失率，但并不代表转化率最低的环节就是问题环节

15、什么是EDA(exporatory data analysis)?

数据探索性分析，需要对数据集中的变量进行统计和分布描述、了解变量间的相互关系，从整体上了解数据集的数据特征。
探索性分析要对调查总体的所有变量的有关数据进行统计性描述，主要包括数据的频数分析、集中趋势分析、离散程度分析、分布以及一些基本的统计图形。

• 数据的频数分析。在数据的预处理阶段，利用频数分析和交叉频数分析可以检测异常值
• 数据的集中趋势分析。用于反映数据的一般水平，平均值、中位数、众数等
• 数据的分布。通常假设样本所属总体的分布属于正态分布，需要用偏度和峰度来检查是否符合正态分布
• 数据的相关性分析。探索不同变量之间的相关性，可以使用相关性图

16、使用ABtest评估算法效果

1，需求
某个购物app最近优化了“猜你喜欢”模块的推进算法，希望进一步提升推进的精准度，进而提升销售额。现通过ABtest（50%用户保留原先推荐算法为控制组，50%用户使用新的推荐算法为实验组）。如何评估控制组和实验组的表现。指标
2，解题思路
指标：推荐商品的销售额、点击率、转化率
3，分析过程

1. 假设原假设为使用新的推荐算法后上述指标降低或不变，备择假设为使用新的推荐算法后上述指标增加
2. 选择显著性水平临界值为5%，并根据指标的预期确定样本量和试验周期
3. 样本合理分流，AB测试上线，采集数据
4. 使用T检验，计算P值，进行效果验证
5. 分析结论，如果P值小于5%，那么原假设不成立，选择备则假设，即使用新算法后指标提升。否则无法推翻原假设。

17、如何评估一场活动的效果

1，需求：某APP近期上线了一个拉新活动，并在各个渠道进行了推广投放，活动结束后，如何进行评估这场活动的效果
2，解题思路：评估活动效果，即回答以下问题

1. 活动效果如何，要不要继续做
2. 如果继续做，好的方面是哪些，问题和瓶颈在哪
3. 针对问题环节的改进方案是什么

具体展开：

1. 活动关键指标达成分析
   比如：拉新多少用户？达成多少GMV？ROI如何？

2. 活动关键流程漏斗分析
   活动的关键流程是什么？各个流程的漏斗分析，定位问题发生的环节

3. 活动的渠道，用户分析
   活动在哪些渠道推送？活动推送给哪些用户？用户画像是怎么样的？各渠道的用户质量ROI如何？

4. 活动策略、节奏分析
   活动玩法的裂变效果如何？利益点是否有吸引力？整个过程节奏把握如何，前期预热中期爆发和尾期是否过短/长，运营应该在何时进行干预？

18，同比？环比？

环比：与相连续的上一个统计周期进行对比，环比增长速度 = （本期数-上期数）÷上期数×100%，反映本期比上期增长了多少，例如：21年12月比21年11月。环比的好处是可以更直观的表面阶段性的变换，但是会受到季节性因素影响

同比：是对去年同期的一个统计阶段进行对比，同比增长率 = （本期数-同期数）÷同期数×100%，例如：21年12月比20年12月。好处是可以排除一部分季节性因素

本文链接：https://my.lmcjl.com/post/2657.html