数据分析阶段性小结（一）

数据的抓手，是指标。

指标，顾名思义就是要能指引方向的、标准化有约定俗称定义。

进而，我们通过跟踪指标的数据变化，通过和自己比、和同业比、跨行业比（benchmark 的思想，最后一个可能实际中少一些，多停留在跟同业比的层面），发现问题或优势。

然后将指标进行拆分，从而更精确的去定位影响指标的各种因素。拆分的思路，就体现了分析的维度。

而维度，是根据行业而异的。拆维度就体现了大家对业务的理解深度。比如，流量型产品的分析维度，重点要拆开看流量的来源是哪里来的，这些来源是否稳定。比如电商型产品的分析维度，主要有 MAU、Take Rate 等指标来反映企业的进展情况。

在拆分的基础上，就可以对发生突变的数据进行溯源。比如运营在 618 发布了大促手段、产品发布了新功能、中央新出了利好农产品电商政策······通过拆分，可以有根据的去归纳总结，数据突然变化背后的原因是什么。

课上到这里，最大的感受就是，于无章之处见真章。 数据分析只有通用框架，而没有固定的套路可循，但就是在这种没有通用的框架背后，反而才体现了这家公司不同于其他公司的地方。

现在再看生活中把玩的各类 APP，会更明显的关注到，软件默默记录了许多用户使用过的数据。

即便是拒绝了一些手机设备、地理位置的权限，用户只要在使用软件，就会产生数据。

曾经对数据的理解，更偏向底层的代码，偏后端。而现在要往前去揪线索，去找数据的上游。顺着“来源--着陆位置--行为轨迹--关键行为--出口--引荐|留存”这条路径去寻找，每一个环节可能留下的数据，以及背后反映出的用户特征是怎样的。

在上家公司（To B）时，还记得宁哥说过，给银行提供数字化营销解决方案，也是在做“数据”的供应链。从后台的系统来看，根据业务需求确定数据范围，接着取数，做模型分析，产生的模型结果再卸数，最后再经过后台数据平台的过滤和前端的渲染，展示到终端的显示界面中。

雁过留声，人过留“数”。

把玩抖音的日子，发现 To C 产品的数据类型、层次更丰富。除了基本的属性、主要是行为层面差异比较大。一些泛娱乐的 APP 能记录很多数据，如停留时长。银行如果想要在行为上获取，多是通过加工衍生特征来实现的，更难一些要通过录像、录音来对用户的行为进行具体的分析。营销这一块，还是更关注分类、留存与激活，重点捕捉对企业价值大的用户（模型不求精准命中）。