数据分析¶
经营分析¶
用户画像系统的标签数据通过API进入分析系统后，可以丰富分析数据的维度，支持进行多种业务对象的经营分析。
数据类型:¶
用户数据分析
活动数据分析
流量数据分析
销售数据分析
内容数据分析
商品数据分析
订单数据分析
渠道数据分析
用户数据分析¶
用户数量：
新用户数
老用户数
新/老用户数量比；
用户质量:
新增用户：第一次启动应用的用户；
每日新增用户 DNU（Daily New Users）：每日应用中的新登入用户数量
新增独立用户：全体应用的新增用户的总和（去重）
活跃用户 AU（Active Users）：当天启动一次的用户即为活跃用户，含新用户和老用户；
活跃独立用户：当天应用的活跃用户总和（去重）
DAU:DAU（Daily Active User）日活跃用户数量。常用于反映网站、互联网应用或网络游戏的运营情况。
MAU：MAU（monthly active users）月活跃用户人数。
用户参与度
沉睡
付费：
客单价
PU （ Paying User）：付费用户
APA（Active Payment Account）：活跃付费用户数
ARPU（Average Revenue Per User） ：平均每用户收入
ARPPU （Average Revenue Per Paying User）： 平均每付费用户收入
渠道数据分析¶
用户活跃：
活跃用户：UV、PV
新增用户：注册量、注册同环比
用户质量：
留存：次日/7日/30日留存率
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。
用户留存率中的40-20-10法则：如果你想让游戏、应用的DAU超过100万，那么日留存率应该大于40%，周留存率和月留存率分别大于20%和10%。
次日留存率：（当天新增的用户中，在往后的第1天还活跃的用户数）/第一天新增总用户数；
第2日留存率：（第一天新增用户中，在往后的第2天还有活跃的用户数）/第一天新增总用户数；
第7日留存率：（第一天新增的用户中，在往后的第7天还有活跃的用户数）/第一天新增总用户数；
第30日留存率：（第一天新增的用户中，在往后的第30天还有活跃的用户数）/第一天新增总用户数。
渠道收入：
订单：订单量、日均订单量、订单同环比
营收：付费金额、日均付费金额、金额同环比
用户：人均订单量、人均订单金额
流量分析¶
流量来源；
流量数量：UV、PV；
流量质量：浏览深度（UV、PV）、停留时长、来源转化、ROI（投资回报率，return on investment）；
PV > UV：¶
PV（访问量）：即Page View, 具体是指网站的是页面浏览量或者点击量，页面被刷新一次就计算一次。如果网站被刷新了1000次，那么流量统计工具显示的PV就是1000 。
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。
另外就是APP的埋点数据，这个功能的点击率是多少？这个功能有多少人打开，又有多少人使用了？有多少人在频繁使用这个功能？等等，这些埋点数据要时常关注。结合数据变化来反思功能设计的问题，从而优化产品。
数据埋点¶
定义注入代码频段，一边网站分析工具能够准确捕捉用户行为
B端埋点工具：Google Analytics（GA）、百度统计
数据分析：
基本分析：网站的全体用户、分群用户、个体用户的浏览行为进行全面准确地监控和分析，从而优化站点 内容，提高留存率、转化率等；可统计：访客来源、设备信息、访客属性、页面访问量、停留时长、流转去向等
桑基图（能量分流图）
概要的迅速观察用户的整体访问路径和习惯，以及在哪些页面、什么情况下用户会终端访问
Cohort分析图（队列分析）：留存分析法
访客分析
客观分析全面的用户行为数据
热力图
页面不同区域的热度图表
B端和C端数据埋点的区别
诉求
B端（尤其业务系统）：观察研究用户对各项产品功能的接受程度、使用情况、用户操作习惯等，进一步评估功能是否合理，能否帮助用户提升效率
C端：提升用户体验，细致的、全面的数据埋点
方案
B端：web埋点（URL访问、跳转、按钮点击、文本框录入）
C端：app（交互行为进行细致的埋点，全面掌握用户的动作）
产品数据分析¶
搜索功能：搜索人数/次数、搜索功能渗透率、搜索关键词；
关键路径漏斗等产品功能设计分析；
警惕指标作弊¶
DAU（日活跃用户数）：买垃圾流量，做各种不靠谱的活动。
下载量：虚假宣传，夸大产品价值。
注册用户数：不考虑留存的注册返现。
活跃度：在“分子 / 分母”的公式上做文章，在分子、分母的定义上玩花样。
人均 PV：一篇文章分 N 页，人均停留时间也类似。
点击率：软件下载站上，各种花花绿绿的“下载”按钮，点好几次也不一定能点到真的下载链接。
使用时长：后台运行，或者故意“迷惑”用户，让用户无法快速完成任务。
付费用户数：首单 1 分钱。
复购率：首单 9 块 9，第二单 1 毛。
不只是制订指标的人，哪怕经常完成指标的你，也一定对上面这些投机取巧的做法深恶痛绝。但人性使然，我们不能去正面挑战它。
真正的成功指标可以反映出用户的“非受迫、无诱导的成功行为”。衡量指标要在执行开始前制订，而不是过程中根据“做的情况”调整。如果没有重大变化，不可以不断调整目标
非受迫：用户没有被逼着做没价值的事情，比如有些 App 里的签到才能获得某个价值；
无诱导：用户的行为不是“奖励就有，没奖励就没有”，比如有红包才会转发；
成功行为：指的是指标考察的行为，本身就为用户创造了价值，而不只对公司有价值。
商品数据分析¶
商品动销：GMV、客单价、下单人数、取消购买人数、退货人数、各端复购率、购买频次分布、运营位购买转化；
商品品类：支付订单情况（次数、人数、趋势、复购）、访购情况、申请退货情况、取消订单情况、关注情况/；
订单数据分析¶
订单指标：总订单量、退款订单量、订单应付金额、订单实付金额、下单人数；
转化率指标：新增订单/访问UV、有效订单/访问UV；
AI 数据¶
从“数据”这个角度来说，从收集（TTS，3个月）、分析（看大量聊天对话数据，才能自己提炼规则feature）、应用（产品早期，数据的价值甚至大过技术模型算法）到测试（产品需求、TE测试、用户使用，数据集都是不一样的，越来越不可控）等等，每个环节都有很大不同。
从结果看，即使是大公司中级产品经理（总监级），也至少3-6个月来适用AI产品工作，甚至都很难有自己真正独到而深入的理解认知