第02期：常见的数据分析方法和数据分析模型

1 认知：为什么做数据分析

1.1 数据分析的重要性

数据分析的重要性不言而喻：没有数据，就是感性。你说你做完这个功能可以获得什么价值回报，没有数据支撑，太过苍白无力，没人信服你。但是只要你说，你做完这个项目，可以提升订单转化率多少个点，并且信誓旦旦讲，那没有人不会不理你。毕竟，这是赤裸裸的钱，谁不爱钱呢。数据不会被观点打败，数据只能被数据打败。人家拿数据得出的结论，跟你的直觉再对不上，你心里再不服气、想反驳，也必须拿数据说话。我们现在妥妥地已经进入了数据时代：

• 互联网公司，无一例外地强调自己的数据驱动决策；
• 传统企业，现在最重要的战略就是数字化转型。

相信今天你能感觉得到，数据在我们的工作和生活中，已经成了空气和水一样的存在。数据思维或者数据分析能力已经成为这个时代的必须，不是可选。那么数据分析为何如此重要呢，主要在于以下四点，这些场景也是日常发生在我实际工作中的——我们用数据每天来做各种分析、洞察或者决策：

1. 量化产品价值。产品的价值主张必须能被量化，否则无法评估好坏、无法争取资源。
2. 避免经验局限。没有关键指标就只能凭感觉和经验判断，受个人经验局限不够客观，很难持续做出正确的产品决策。
3. 统一团队认知。核心指标能用来表述产品现状，让所有人都能清晰明确地理解。
4. 支撑决策与复盘。数据贯穿分析、洞察、决策的日常场景，是产品动作的导航。

在提出任何产品主张前，先问自己：这个效果能否被量化，用什么指标量化？无法量化的主张，说服力等于零。

2 指标体系

2.1 指标与数据的关系

指标体系是由最底层的原子指标逐级向上汇聚而成，而原子指标来自数据库表中的某个具体数据，所以指标体系本身是由「数据」组成。理解指标与数据的关系，先要分清指标的三个层级，再分清指标和维度这两个最容易混淆的概念。

2.1.1 指标的三层结构

最顶层的叫顶层指标，拆解后的指标叫汇总指标（也叫过程指标），最后一层叫原子指标。这三个有什么区别呢：

2.1.2 指标和维度的区别

应该很多人很难区分指标和维度的区别。

2.1.2.1 什么是指标

指标是指具备业务含义、能够反映业务特征的，它一定是个数据。它要具备清晰的业务含义，非常明确，非常具体。比如 DAU、注册用户量、每日活跃用户量、次日留存率、次日留存用户量、用户购买转化率等等，这些都是具有明确业务含义的。另外非常重要的一点：指标有且只能是数字，不能是文本。如果你看到一个指标是什么文本，那它一定不是指标。因为指标都是汇总和加工计算出来的，它的计算方式就是常见的四则运算或者一些复杂的数学运算。由于是数学运算，所以只能通过数字来表示，文本是没办法计算的。

2.1.2.2 什么是维度

维度是用来描述指标的不同角度。维度本身不能独立存在，必须依附于某个指标。维度可以是数字，也可以是文本。如果把指标比作一个人，那维度就是这个人各个属性、各个特征。或者把人换成用户画像——因为画像里面的维度越多，这个画像就更加全面和准确。

2.1.2.3 怎么判断：一个例子

「3 月份北京各区女性用户的续费率是 10%」这里面哪些是指标，哪些是维度？

首先看维度：

• 3 月份叫时间维度
• 北京各区叫地理维度
• 女性用户叫客群维度

再看指标：这里的指标是续费率，以及指标的值是10%。

所以从语文上来讲呢，维度都是定语，指标都是主语。

2.1.2.4 透视表里的指标与维度

在 Excel 表里的透视表，透视表里面也有指标维度。一般行是指标，列是维度。可以往行跟列拖很多东西，但是那个值那个地方有且只能有一个值。在值的里面可以改那个值的计算方式，什么求和、什么重复计数、求方差等等。

小结（指标与数据的关系）

• 指标是主语，维度是定语；指标只能是数字，维度可以是数字也可以是文本。
• 判断自己在背的指标属于哪一层：原子指标不可再拆，汇总指标是自己日常背的，顶层指标通常是北极星。

2.2 什么是指标体系

指标体系是按照一套框架组织起来，能够衡量产品关键表现的一组数据指标。

2.2.1 特点一：全面性

是指指标体系中的数据，能够全面地描述业务的关键维度，不是只能衡量其中的一部分。这些指标都是和产品核心价值、商业目标强相关的。

比如一个工具产品不能只用留存、使用时长来作为核心指标，也要包含营收指标来衡量产品的商业化价值。如果正在做投放，还要包含获客成本、新增量以及投放的 ROI等增长指标体系，需要全面衡量产品的表现。

2.2.2 特点二：抽象性

不是说要把产品所有的指标都放入指标体系。如果所有数据都进入了指标体系，那就因为没有优先级，导致指标体系不具备指导性，无法真正地指导产品动作。所以指标体系需要具有抽象性，它包含的是基于产品最关键的目标拆解下来的数据指标，其他非相关的指标不能放入指标体系，但可以作为日常关注的数据。

比如上面提到的工具产品中，指标体系里包含了留存、活跃指标、营收指标和增长指标。而其他更多维度的指标，如某个功能的渗透率、分享率等等，这些都不会放在指标体系内。

2.2.3 两个特点的对照

小结（什么是指标体系）

全面性保证不漏，抽象性保证有优先级。二者共同决定了指标体系既能全面衡量产品表现，又能真正指导产品动作。

2.3 指标体系的构成

接下来说下指标体系中到底应该放入哪些指标，即指标体系的组成结构都有什么。

（1）产品的通用指标

通用指标用来描述一个产品的核心价值，体现为用户价值和商业价值两个部分。大部分产品在实现用户价值的同时，也需要满足业务目标，指标体系需要涵盖这两个不同的维度。

2.3.0.1 用户价值的指标

用来衡量产品对用户需求的满足程度，也是指标体系的基础。一个产品具有用户价值，用户愿意用你的产品，才会有后续的商业价值。

比如工具产品更多的是用户的留存、使用频次、时长；电商产品可能是用户的交易频次、满意度、复购率等。

2.3.0.2 商业价值的指标

用来衡量商业目标的达成情况。按照产品类型不同、商业模式不同，会有不同指标。

比如以淘宝为例的电商平台，核心是交易的 GMV、商家总数以及总营收——发生的交易越多、商家总数越多、营收越多，就代表着这个平台的经营状况越好。而内容类的会员产品就看会员 GMV 和会员数；短视频产品就看广告收入、内容生态指标等。

（2）业务当前阶段的重要目标

核心作用是体现指标的牵引性。基于业务阶段或产品生命周期不同，也会动态调整。

举个栗子：某个内容社区产品在现阶段用户内容供给问题投诉率极高，影响了整体的口碑和用户体验。那很可能这个产品在已有的留存、交易量、GMV 等指标外，会把投诉率作为一个核心指标加入指标体系，从而监控后续的动作是否能够有效降低投诉。

2.3.1 为什么要进行指标拆解

指标体系中有这些指标还不够，基于这些关键指标（通常也叫一级指标），可以拆解出相应的二级和三级指标。为什么要进行指标拆解？

2.3.1.1 原因一：一级指标多是结果指标，产品动作作用不到

指标衡量的是一系列动作最终的结果，产品动作没有办法做出结果，只能做出一个过程。如果指标只能衡量结果、无法衡量过程，就缺失了对业务的实际意义。这时需要将一级指标进行拆解，得到可以直接作用的二级、三级指标。

比如 DAU 就是一个结果指标，没有办法直接作用。但 DAU 经过拆解就可以分为用户新增和留存两个指标。可以对这两个指标进行动作，通过提升新增或者优化老用户的留存，进而提升 DAU。当然一般情况下，因为新增和留存非常重要，经常也会把它们放到一级指标。

2.3.1.2 原因二：结果指标具有滞后性

比如 MAU 要满月后才知道它的值，所以拆解一级指标还能提前发现问题，避免在看到结果指标降低后才去找原因、去补救。

举个栗子：大多数情况下，电商产品的月 GMV，当一个月收入结果已经出来后，这个月就已经结束了，只能分析原因，然后在下个月去做相应的改进动作。这时就需要将 GMV 拆分为购买 UV和单价，其中购买 UV 可进一步拆分为活跃 UV、商品点击率、下单率和支付成功率这些三级指标。这样就可以对这些二级、三级指标进行按天实时的监控。当某个指标出现波动时，可以立即发现其中的问题，及时做出对应解决方案。

2.3.1.3 例外：不是所有一级指标都需要拆解

有些一级指标可以直接通过产品动作来作用，比如用户使用时长、用户转化率等，就无需拆解。

小结（指标体系的构成）

2.4 如何搭建指标体系

搭建指标体系一共可以分为三步：首先要明确所负责产品的用户价值和商业价值；其次找到价值量化的一级指标；最后拆解二级或者三级指标。

2.4.1 第一步：明确产品的用户价值和商业价值

搭建指标体系的意义，就是为了量化产品价值。只有清晰地知道产品的价值，才能进行价值的量化。

2.4.1.1 用户价值：产品对用户需求的满足程度

首先要明确你有哪些用户，先进行用户分类后，再明确产品是怎样满足各类用户需求的。不同产品面向的用户差异非常大，有些是一类用户，有些是多类用户。比如平台类产品通常有供给方和需求方两类用户。如果存在多个用户类型、满足的需求不一样，需要关注的核心指标自然也就不一样。

2.4.1.2 商业价值：产品对业务经营的贡献

大部分产品业务经营主要围绕两个点进行赚钱和省钱，所以狭义的商业价值指的就是赚钱或者省钱。但因为不是所有团队都直接为这两个点负责，所以广义上的商业价值还包括为了赚钱或者省钱相关的支撑目标，而这些支撑的目标会落实在不同的部门身上。一个产品负责人，要看所负责产品的商业价值，就需要看产品的商业模式。

2.4.1.3 怎么分析商业模式

产品给客户提供什么样的价值，客户怎么付费，如何让客户持续地付费。这里面关键点有三个：第一，要弄明白你的客户是谁。客户和用户要做区分，客户是付你钱的人，要想清楚给客户的价值。第二，要想清楚，为了持续付费，业务还需要做什么。第三，看业务模式属于哪一类，不同模式需要持续关注的东西不同：

2.4.2 第二步：找到价值量化的一级指标

根据第一步的输出，找到价值量化的一级指标。这里除了衡量产品价值的通用指标，也要包含当前阶段的关键目标，同时明确一级指标的定义和计算方式。补充对一级指标的详细计算方式，是为了确保和团队理解一致，不会因为大家对计算方式理解不同，而在实际工作中造成偏差和误解。由此，可以引出指标体系的几个关键要素：

2.4.3 第三步：拆解二 / 三级指标

根据一级指标，拆解二级或者三级指标，指标体系内的所有指标都是可被产品动作作用的。最终就得到了一张完整的数据指标体系表。

2.4.3.1 三种拆解方法

公式法与漏斗法的区别：漏斗法中，一级指标等于 A、B、C、D 四个步骤的连乘；公式法中，一级指标等于 A 和 B 的和，A 又由 A1 和 A2 组成，B 由 B1 和 B2 组成。

2.4.3.2 GMV 拆解举例

（需结合实际业务来，这里只是举个例子）GMV 由流量、客单价、复购率三个核心指标构成。

• 流量方面，通过外部渠道曝光和内部渠道曝光，进一步拆解为浏览用户量和付费转化率；
• 客单价则按品类细分，如品类 A、B、X 等；
• 复购率按品类和客群细分，涵盖数码、美妆、日用等品类及 A、B、C 等客群。

2.4.4 三步速查

1. 梳理产品价值——用户价值 + 商业价值 → 商业模式
2. 确定一级指标——通用指标 + 当前阶段目标 +明确定义与计算方式
3. 拆解二三级指标——公式 / 漏斗 / 维度，确保每条都可被产品动作作用

3 常见数据模型

3.1 漏斗分析法

什么是漏斗分析法呢？举我亲身经历的例子：例如一个应用近期注册成功的用户突然减少，如果软件在近期有所更改的话，那么我们就可以很直接判断出是这次的更改导致的问题。但如果是有较大的更改或者注册率一直较低呢，那么我们就没办法判断问题究竟是出在了哪一步上。因此，我们可以通过采用漏斗分析法，把注册环节上所有的问题罗列出来，从入口到出口，将所有流程整理成一个分析漏斗，通过对每个环节进行数据采集，筛选出最关键的因素，得知出问题的环节是在哪一步骤上，从而对其进行优化。

3.1.1 优化流程

（1）拆解注册流程

漏斗分析法的优化流程共五步：

1. 梳理注册流程的环节步骤；
2. 采集每个步骤的转化率，形成漏斗模型；
3. 对产品优化进行换位假设，思考用户在注册时的行为及心理；
4. 设计产品的优化方案；
5. 根据不同产品的特性分析是否采用 A/B 测试，决定是否上线，并对优化后的方案进行数据采集验证设计。

（2）采用线性的漏斗模型拆解环节

以注册流程为例，流程拆解为四个环节：打开软件 → 登录/注册 → 填写信息 → 注册成功。

通过这种线性分析，我们可以更好地掌控整个流程环节，而且能够更加清晰地看到用户是在哪一个环节给筛选掉的。在填写信息进行注册的环节中流失的用户最多，那么我们就可以从中再进行深入分析。通过对这些环节流失的原因分析，我们就可以从抽象到具体，模拟出用户在注册时的真实行为，从而对其进行优化。

3.1.2 适用条件与注意事项

以上这个方法适用于线性的使用流程分析，结合数据可以更好地梳理逻辑、理清思路、快速定位出问题的环节。但另外也要注意到：

• 对现状环节分析要比较客观准确；
• 通过数字可以明显看出漏斗的存在，是怎么把我们的用户给筛掉了；
• 如果环节流失的数字过大的话，还会产生很猛烈的震撼力。

3.2 同期群模型

3.2.1 同期群的原理

同期群分析原理很简单：种豆子。怎么区分哪一种豆子很好？最简单的方法，就是分好群体（所谓的「群」）一起种下去（所谓的「同期」），然后观察哪一个长得更快。为了达到这个目的，我们需要：

• 选择比较对象，按条件分好类
• 选择合适的比较指标
• 从一个时间节点开始观察
• 对比指标差异，找出优质/劣质群体

还拿种豆子举例，同期群的做法如下：上方流程图从分豆子 → 设时间 → 看指标 → 得结论；下方用 A、B、C 三种不同高度的豆子代表不同等级种子，中间「观察一个月」表示观察期，A 高度豆子长得更高，入选优秀种子。这个思路非常简单，因此在工作中应用得非常普遍，还衍生出很多其他名字。

3.2.2 商品同期群：商品 LTV 模型

商品分析中的同期群模型，也被称为商品 LTV 模型。做法如下：

• 设定商品等级（A、B、C 级）
• 从商品上市时，开始观察
• 观察商品上市后销量/利润走势
• 对比每个等级商品，是否达成该商品平均水平
• 如表现优于平均，则重点关注缺货问题，保障供给
• 如表现劣于平均，则重点关注积压问题，减少库存

商品生命周期（LTV）曲线：横轴为上市时间，纵轴为商品销量，一般分为孵化期、成长期、成熟期和衰退阶段：

• 孵化期销量平稳；
• 成长期销量迅速增长；
• 成熟期销量达到顶峰后缓慢下降；
• 衰退阶段销量持续下降。

一般科技型、时尚型商品走势明显，产品更新换代快；标品生命周期走势不明显。

这个模型非常好用！因为很多商品，从上市开始，天生是有生命周期走势的。通过同期群分析，不但可以模拟这个走势，而且可以为每个级别的商品定出合理的 LTV 范围，从而及早发现商品销售是否达成预期，从而进一步地控制库存情况，实现利润最大化。

应用示例：新上市商品 A1 与 A 级平均水平的销量走势对比（横轴 T+0 月到 T+13 月）。T+3 月后，A1 商品销量明显低于 A 级平均水平——说明若新上市商品表现劣于 A 级平均水平，需在成长期控制库存，避免后期积压。

不止商品分析，用户分析也能用得上。

3.2.3 用户同期群：用户留存率模型

用户同期群分析，也被称为用户留存率模型。做法如下：

• 设定用户分群（一般按注册时间 or 注册渠道）
• 从注册时间开始，观察每 X 天后，该批次用户的留存率
• 拟合整体走势，预判 X 天后，该批次用户留存数量
• 找到留存下降最明显节点，判断是否进一步深入分析 因为大部分 APP 都只能满足用户部分需求，因此用户的留存，总是慢慢减少。如果发现某些节点用户留存明显下降，则说明这些节点出现问题，需要进一步分析。

异常识别示例：12 月 14–18 日的留存人数与每日留存率数据显示，12 月 18 日新注册用户质量更差，当天注册人数明显比其他日期多，可能是运营为了冲量找劣质渠道所致。

同时，基于同期群数据，可以拟合出预计留存用户数量，就能为运营筹划服务用户资源，提供数据支持。

拟合示例：对 12 月 14 日各天留存用户数量做趋势拟合，公式为 y = 22.619x² − 317.86x + 1303.6，R² = 0.9914（趋势线阶数设为 2）。

3.2.4 用户同期群：用户 LTV 模型

如果在预测用户留存率的时候，同步计算用户预计产生的价值，则可以计算出用户 LTV。具体做法如下：

1. 用前文方法，先算出用户留存数值
2. 计算每阶段用户付费率、付费金额
3. 用户总价值 = 留存用户 × 付费率 × 付费金额

注意，这样计算出的 LTV，实际上指的是：特定时间内，用户产生的价值，并非严格意义上的全生命周期价值。不过，考虑到企业做经营计划，也是以年/季度为时间单位做的，所以只考核用户在 3 个月/6 个月/12 个月内产生的价值，也差不多了。注意！不同业务场景下，用户付费形态会不同，因此对 LTV 计算会有影响。常见的情况如：

对应的数据按时间（T+0 月至 T+6 月）分列，呈现人数、留存率、付费率、付费人数、当月付费等字段。比如月租型业务 T+0 月付费人数 100 人，当月付费 10000 元。计算用户 LTV 的时候，得关注付费形态。如果只是简单地用「平均每月消费」指标，很有可能会用平均值掩盖了真实付费情况，从而误导业务判断。

3.2.5 渠道同期群：渠道质量分析模型

如果在用户同期群分析的时候，把分类维度，改成：从 XX 渠道进来的用户。则可以进一步做出：渠道质量同期群分析。常见的形式如下：

• 按渠道 + 投放广告时间，分类用户
• 关注该渠道 + 投放时间进入用户，后续 X 天转化率/付费
• 计算用户产生的消费，对比渠道投放成本
• 针对转化好的渠道，考虑追加投放
• 针对转化差的渠道，消减预算/整改投放措施

数据形态为一张表格：展示 A、B 两个渠道在不同投放时间（T+0 天、T+1 天等）下，投放后每日转化用户人数占比情况。

3.2.6 同期群的不足之处

同期群看起来很好使，是因为它能很充分地暴露问题。但是同期群没有解释问题的能力——为啥某个渠道的质量突然崩了？单靠同期群解释不了，需要其他分析模型来解释。

小结（同期群模型）

记住同期群的边界：它能暴露问题，但不能解释问题。

3.3 路径分析

3.3.1 什么是用户行为路径？

用户路径分析，顾名思义，就是用户在 APP 或网站中的访问行为路径。为了衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，时常要对访问路径的转换数据进行分析。以电商为例，买家从登录网站／APP 到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是一个交缠反复的过程，例如提交订单后，用户可能会返回首页继续搜索商品，也可能去取消订单，每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后，能为找到快速用户动机，从而引领用户走向最优路径或者期望中的路径。

3.3.2 用户路径分析模型的价值

用户路径的分析结果通常以桑基图形式展现，以目标事件为起点／终点，详细查看后续／前置路径，可以详细查看某个节点事件的流向。总的来说，科学的用户路径分析能够带来以下价值：第一，可视化用户流，全面了解用户整体行为路径。通过用户路径分析，可以将一个事件的上下游进行可视化展示。用户即可查看当前节点事件的相关信息，包括事件名、分组属性值、后续事件统计、流失、后续事件列表等。运营人员可通过用户整体行为路径找到不同行为间的关系，挖掘规律并找到瓶颈。第二，定位影响转化的主次因素，产品设计的优化与改进有的放矢。路径分析对产品设计的优化与改进有着很大的帮助，了解用户从登录到购买整体行为的主路径和次路径，根据用户路径中各个环节的转化率，发现用户的行为规律和偏好，也可以用于监测和定位用户路径走向中存在的问题，判断影响转化的主要因素和次要因素，也可以发现某些冷僻的功能点。

3.3.3 用户路径应用场景

用户行为路径分析的一个重要终极目的便是优化与提升关键模块的转化率，使得用户可以便捷地依照产品设计的期望主流路径直达核心模块。具体在分析过程中还存在着以下的应用场景：

（1）用户典型路径识别与用户特征分析

用户特征分析中常常使用的都是一些如性别、地域等人口统计数据或订单价、订单数等运营数据，用户访问路径数据为我们了解用户特征打开了另一扇大门。

例如对于一款图片制作上传分享的应用，我们可以通过用户的 App 使用操作数据，来划分出乐于制作上传的创作型用户、乐于点赞评论的互动型用户、默默浏览看图的潜水型用户，以及从不上传只会下载图片的消费型用户。

（2）产品设计的优化与改进

路径分析对产品设计的优化与改进有着很大的帮助，可以用于监测与优化期望用户路径中各模块的转化率，也可以发现某些冷僻的功能点。

一款视频创作分享型 App 应用中，从开始拍摄制作视频到视频的最终发布过程中，用户往往会进行一系列的剪辑操作；通过路径分析，我们可以清晰地看到哪些是用户熟知并喜爱的编辑工具，哪些操作过于冗长繁琐，这样可以帮助我们针对性地改进剪辑操作模块，优化用户体验。如果在路径分析过程中用户的创作数量与用户被点赞、评论以及分享的行为密切相关，就可以考虑增强这款 App 的社交性，增强用户黏性与创作欲望。

（3）产品运营过程的监控

产品关键模块的转化率本身即是一项很重要的产品运营指标，通过路径分析来监测与验证相应的运营活动结果，可以方便相关人员认识了解运营活动效果。

3.3.3.1 真实应用案例

谈到用户路径的真实应用场景，许多企业通过第三方数据分析平台来实现。下面结合笔者实际工作中所接触的企业案例的数据分析场景为例来介绍。（注：因涉嫌商业机密，以下场景模拟真实应用场景而设，数据均为虚拟。）案例一：中商惠民——启动 APP 后，为何只有 30% 商超客户交易成功？中商惠民是中国最大的社区 O2O 服务平台。在一次评估客户总体转化率过程中，通过漏斗分析发现，从登录惠配通 APP 后，提交订单的商超客户仅有 30%，接下来可以通过用户路径客户流失的原因所在。通过用户路径分析模型，清晰展示了商超客户的动作走向，为判断客户流失原因重要方式之一。运营人员选取若干事件对客户购买路径进行深度分析，数据显示：

• 用户登录 APP 后，约有40%的客户会点击 Banner；
• 30%的客户会直接进行商品搜索；
• 约10%的用户会浏览商品列表；
• 约5%的客户直接退出 APP。

运营人员进一步看 4 类用户的提交订单情况：直接进行「搜索商品」的用户进行提交订单比例最高，超过 90%；与其形成鲜明对比的是，尽管「点击 Banner」是更多客户登录 APP 后的首选动作（约占总客户的 40%），但是这部分用户群体在浏览商品列表后，仅仅 30% 的用户提交订单——说明Banner 内容布局有着比较糟糕的用户体验，则将此作为首选优化与改进的方向。案例二：某电商——「未支付订单」超过 30 分钟自动取消，刺激用户支付某电商网站客户通过用户路径分析，看出有两条主要的路径：

• 一是启动 App - 搜索商品 - 提交订单 - 支付订单；
• 二是启动 App - 未支付订单 - 搜索相似商品 - 取消订单。

通过第一条用户路径相关数值显示，客户提交订单后，大约75%的用户会支付，而高达25%的用户没有支付订单。第二条用户路径显然是一条有明确目的——为未最终敲定的商品而来的用户，因为在打开 app 后直奔「未支付订单」，但是路径中显示此用户再次「搜索相似商品」，这一行为可以判断客户可能存在比价行为，表明价格一定程度上影响了这部分用户的支付欲望，这是一批「价格导向」的客户。对此，该电商运营人员采取针对性措施：

1. 「未支付订单」超过 30 分钟则自动取消；
2. 将支付页面附近放置优惠券领取。

当该电商新版本上线后，再次通过用户路径分析模型，发现客户在提交订单后，由于 30 分钟的时间限制，有更多的客户愿意立即支付订单；同时未支付订单大大降低，说明在支付页面附近放置优惠券的方式刺激到对价格敏感的客户。因此这也是一次很成功的改版。总之，用户真实的选购过程是一个交缠反复的过程，每一个路径背后都有不同的动机。通过用户行为路径能够清晰看到用户行为特点与背后原因。若与其他分析模型配合，会产生更佳效果，通过数据分析能够快速找到用户动机，从而引领用户走向最优路径或者期望中的路径。

3.3.4 路径分析数据获取

互联网行业对数据的获取有着得天独厚的优势，路径分析所依赖的数据主要就是服务器中的日志数据。用户在使用 App 过程中的每一步都可以被记录下来，这时候需要关注的便是优秀的布点策略，它应当与我们所关心的业务息息相关。事实上，在每个 App 里，不是所有事件都有着同样的价值，基于对核心事件的深度分析需求，推荐大家使用层级化的自定义事件布点方式，每一个事件由三个层次组成的：

3.3.5 漏斗模型与路径分析的关系

以上提到的路径分析与我们较为熟知的漏斗模型有相似之处。广义上说，漏斗模型可以看作是路径分析中的一种特殊情况，是针对少数、人为特定模块与事件节点的路径分析。漏斗模型通常是对用户在网站或 App 中一系列关键节点的转化率的描述，这些关键节点往往是我们人为指定的。

例如某购物 App 平台的购买行为漏斗：买家从浏览到支付成功经历了 4 个关键节点——商品浏览、加入购物车、结算、付款成功。从步骤 1 到步骤 4，经历了其关键节点的人群越来越少，节点的转化率呈现出一个漏斗状的情形。我们可以针对各个环节的转化效率、运营效果及过程进行监控和管理，对于转化率较低的环节进行针对性的深入分析与改进。

示例转化率：步骤 1 商品浏览 100% → 步骤 2 加入购物车 8% → 步骤 3 结算 56% → 步骤 4 付款成功 43%。

路径分析与漏斗模型存在不同之处，它通常是对每一个用户的每一个行为路径进行跟踪与记录，在此基础上分析挖掘用户路径行为特点，涉及到每一步的来源与去向、每一步的转化率。

3.3.6 路径分析常见思路与方法

3.3.6.1 方法一：朴素的遍历统计与可视化分析探索

通过解析布点获得的用户行为路径数据，我们可以用最简单与直接的方式将每个用户的事件路径点击流数据进行统计，并用数据可视化方法将其直观地呈现出来。D3.js是当前最流行的数据可视化库之一，我们可以利用其中的Sunburst Partition来刻画用户群体的事件路径点击状况。从该图的圆心出发，层层向外推进，代表了用户从开始使用产品到离开的整个行为统计；Sunburst 事件路径图可以快速定位用户的主流使用路径。通过提取特定人群或特定模块之间的路径数据，并使用 Sunburst 事件路径图进行分析，可以定位到更深层次的问题。灵活使用 Sunburst 路径统计图，是我们在路径分析中的一大法宝。

3.3.6.2 方法二：基于关联分析的序列路径挖掘方法

提到关联规则分析，必然免不了数据挖掘中的经典案例「啤酒与尿布」。暂且不论「啤酒与尿布」是不是 Teradata 的一位经理胡编乱造吹嘘出来的「神话故事」，这个案例在一定程度上让人们理解与懂得了购物篮分析（关联分析）的流程以及背后所带来的业务价值。将超市的每个客户一次购买的所有商品看成一个购物篮，运用关联规则算法分析这些存储在数据库中的购买行为数据，即购物篮分析，发现 10% 的顾客同时购买了尿布与啤酒，且在所有购买了尿布的顾客中，70% 的人同时购买了啤酒。于是超市决定将啤酒与尿布摆放在一起，结果明显提升了销售额。我们在此不妨将每个用户每次使用 App 时操作所有事件点看成「购物篮」中的「一系列商品」。与上面提到的购物篮不同的是，这里的所有事件点击行为都是存在严格的前后事件顺序的。我们可以通过改进关联规则中的Apriori 或 FP-Growth 算法，使其可以挖掘存在严格先后顺序的频繁用户行为路径，不失为一种重要的用户路径分析思路。我们可以仔细考量发掘出来的规则序列路径所体现的产品业务逻辑，也可以比较分析不同用户群体之间的规则序列路径。

3.3.6.3 方法三：社会网络分析（或链接分析）

早期的搜索引擎主要基于检索网页内容与用户查询的相似性，或者通过查找搜索引擎中被索引过的页面为用户查找相关的网页。随着 90 年代中后期互联网网页数量的爆炸式增长，早期的策略不再有效，无法对大量的相似网页给出合理的排序搜索结果。现今的搜索引擎巨头如 Google、百度都采用了基于链接分析的搜索引擎算法来作为这个问题解决方法之一。网页与网页之间通过超链接结合在一起，如同微博上的社交网络通过关注行为连接起来，社交网络中有影响力很大的知名权威大 V 们，互联网上也存在着重要性或权威性很高的网页。将权威性较高的网页提供到搜索引擎结果的前面，使得搜索的效果更佳。我们将社交网络中的人看作一个个节点，将互联网中的网页看作一个个节点，甚至可以将我们的 App 产品中的每一个模块事件看作一个个节点，节点与节点之间通过各自的方式连接组成了一个特定的网络图，以下将基于这些网络结构的分析方法统称为社会网络分析。社会网络分析中存在一些较为常见的分析方法可以运用到我们的路径分析中来：

小结（路径分析）

• 路径分析看的是每个用户的每一个行为路径，探索性挖掘主流路径；
• 漏斗模型是路径分析的特例，是事先人为指定关键节点的路径分析；
• 三种常见思路：朴素遍历统计与可视化（Sunburst）、基于关联分析的序列路径挖掘（Apriori/FP-Growth）、社会网络分析（中心性、影响力建模、社区发现）。

4 常见分析方法

4.1 对比法

4.1.1 为什么需要对比

判断标准可以很简单，比如领导的指令、KPI 要求、过往同期数据，都能作为标准。这些统称为：简单标准。但很多时候，指标走势是否正常，并无明确的 KPI 约束，甚至 KPI 达标，但是走势奇特，领导们还是会觉得有问题。这时候就需要找其他参照物。因此衍生出一系列分析方法。

4.1.2 三类比较对象

这样对比，即使只有 1 个数据指标，也能得出好坏判断。如果业务发展违背过往规律，明显比其他个体更差，则可以判定为：不好。这些方法本质是通过对比常规规律 / 常规个体，作为是否有问题的依据。

示例：左侧图中，蓝色折线代表过往数据，橙色折线代表本期数据，两者数值波动较大，呈现不规律变化；右侧图中，蓝色折线为实际数据，橙色折线为目标数据，实际数据波动明显高于目标数据。

4.1.3 用 2 个指标：矩阵分析法

也可以使用 2 个指标，比如经典的矩阵分析法，通过两指标交叉 + 两指标平均值，分出四类业务，从而得出好坏判断。

销售能力矩阵示例（以销售业绩和客户数量为坐标轴）：

类型	特征
均衡型	销售业绩和客户数量均值都较高
吃大户型	销售业绩高但客户数量少
摆小摊型	销售业绩和客户数量均少
待改进型	销售业绩和客户数量均值都较低

4.1.4 用更多指标：聚类

如果用更多指标也行，比如常用的K-means 聚类：可以先利用多个指标对业务个体聚类，之后再看各类型之间表现优劣。

小结（对比法）

以上这些方法，都能将业务的好/坏区分出来，从而在一定程度上辅助判断。核心思路都是——找一个参照物，让孤立的数字有了可比性。

4.2 拆解下探

4.2.1 什么是拆解下探法

拆解下探分析，特指用打标签的方式，把难以量化的因素转化为标签，进而分析该因素与其他事情的关系。简单地说，所谓的用户标签，就是对用户某个维度特征的描述。对一群用户来说，我们为了让业务做得更好，会想知道他们的很多特征。比如，我们这一季度有 10 万元的活动预算，应该集中花在哪里？这个问题，其实是希望能对给定用户群体的商业价值做很好的描述，知道哪些人是应该重点服务的对象。用户标签可以有很多种存在形式，可以是用户的自然属性，可以是对用户交易、资产数据的统计指标，也可以是基于某些规则，总结出的一些分层。无论是哪种形式，都是对用户的某个维度特征做描述与刻画，让使用者能快速获取信息。

4.2.1.1 标签的几种形态

4.2.2 拆解下探的四步

拆解下探一般分四步：

1. 明确要分析的影响因素
2. 把影响因素制作成标签
3. 明确要分析的指标
4. 对比不同标签下，指标差异，得出分析结论

（注：原文中亦表述为五步，即将第 4 步拆为「对比差异」与「得出结论」两步。）

4.2.3 如何进行拆解下探

举个简单的例子：南方某省，8 月份经常下暴雨。大家都觉得：下雨会影响门店业绩。那么怎么分析呢？按照上述步骤，可以针对该省份门店做分析：左侧列出五步分析流程，右侧图表为同一门店 8 月下雨/非下雨日均业绩对比——非下雨日均业绩 452，下雨日均业绩 430，下降 4.9%。那么可以得出结论：下雨对业绩影响不大，这就做完了。

4.2.4 但这和直观感受非常不一样

明明感觉是下雨了业绩就少，为啥数据不一样呢？这是因为：标签做得太粗糙。细想一下：

• 8 月份不下雨，也会有其他恶劣天气，比如高温
• 下雨也分大雨小雨，毛毛细雨和暴雨的影响不一样
• 有些暴雨太严重，政府会发停工停学的通知

所以做标签，至少得把这几类情况都标识出来，这样对比才有意义。更新后会发现：

• 不下雨时，高温天气也会影响业绩
• 下雨时，普通雨天并没有很大影响
• 下雨时，暴雨天气会大大影响业绩
• 下雨时，政府发了停工通知，反而会引发市民囤积物资

因此，还得再更新标签，看新结论——把日期分为非下雨和下雨两类后细分：

这样的区分就很有意义了。遇到业绩下滑，门店店长/大区主管经常本能地把问题归结于「下雨了」，到底是不是因为下雨呢？有了这个分析支持，可以看出：除非天气预报标注为「暴雨」/「高温」极端天气，才会真有影响，其他情况并非天气影响。这样就能开展下一步的分析了。

这个案例说明了拆解下探的一个核心风险：用平均值会掩盖真实情况。

4.2.5 拆解下探的不足之处

拆解下探有个很明显的不足之处，就是一个事情是有多个标签的，如果选择不当，拿了错误的标签比较，经常得出错误的结论。

比如，我们比较社区店/CBD 店的销售业绩，选了 2 家店，发现昨天的业绩是：CBD 店业绩 20，社区店业绩 80。这时候得出的结论是：社区店业绩大于 CBD 店，应该多开社区店。

但注意！这里有另一个标签，就是日期——选择的日期是周六，周末 CBD 都没人上班呀，那肯定业绩很差了。那么考虑了日期标签以后，对比结果为：CBD 店工作日业绩较高、周末较低；社区店工作日业绩波动、周末相对稳定。这时候得出的结论就是：CBD 店大于社区店，应该多开 CBD 店。但是，这样还没有穷尽可能性：

• CBD 店店租成本很高，可能一间店顶 2 间社区店（开店成本）
• CBD 店都是直营店，人员素质可能更高（人员素质）
• CBD 店面积大，所以上的商品更全（商品数量） 当我们试图深入分析一个事情，就会发现，太多标签叠加在一起，相互作用。因此单靠一两个标签的简单对比，是无法分析清楚的，这时候需要先建立分析逻辑，再做分析。

4.3 OSM 模型

「你做数据分析的方法论是什么？」这个问题让很多新手同学两股战战——啥是数据分析方法论？每天 select from 有啥方法论？难道很多同学其实所谓方法论就是处理具体问题的套路，只要大家把数据分析运用到实际业务中，肯定都多多少少有一些，只是缺乏整理汇总而已。今天我们就讲一个最最最简单的方法论：OSM 模型，帮大家找点信心。

4.3.1 OSM 模型是什么

OSM 模型是三个词缩写：

• 目标 Objective
• 策略 Strategy
• 度量 Measurement 它是一套业务分析框架，非算法模型；适用于：目标已经清晰，行动方向已经明确的情况。当清晰目标以后，需要制定执行计划——OSM 模型，就是把宏大的目标拆解，对应到部门内各个小组具体的、可落地、可度量的行为上，从而保证执行计划没有偏离大方向。

4.3.1.1 三步实例：某生鲜电商 APP

给运营部门的目标：提升沉睡用户付费激活率，至少提高一倍。第一步：把语文变成数学，定义 O。

左侧「语文作业」包含：沉睡用户、激活率、一倍。

右侧「数学作业」： -沉睡用户定义为「非上月新加入且上月末未消费用户」； -激活率公式为「该群体在当前月有消费人数 / 总人数」； -现状7 月最新数据为 20%，提升一倍后8 月数据应为 40%。

强调：数据统计口径需与业务方确认，确保后续执行无误。第二步：梳理流程，找到可改善的 S。上方目标为全流程转化率；左侧是用户操作步骤，包括未登录、登录、产品页、付款等环节；右侧为业务策略，涵盖短信提醒、信息 push、老带新等。每个环节对应不同策略，如登录环节有短信提醒、信息 push、老带新等。第三步：为每个 S 梳理子指标，便于后期执行。在业务策略下方对应「衡量指标」，如用户登录人数、领券人数、页面跳出率等。衡量指标是基于大目标拆解出来的过程指标，能观察过程进度，复盘时可做调整。三步，就搞定了一个数字化执行计划。下边可以推动创意设计，或者直接交付执行监控了。这个方法非常简单，其实和平时拆解监控指标的做法差不多，就是多加了一步：对应业务策略而已。所以很容易上手。

4.3.2 OSM 模型的用法

OSM 模型有正向和反向使用两种用法：1）正向使用：在项目开始前，分解大目标，明确行动和每个行动考核指标——这是上边的例子所演示的工作流程。如果企业数据驱动氛围很好，理应这么工作。2）反向使用：项目前期没有做啥筹备，事后复盘发现一堆问题；这时候想要检讨为啥做烂了，也能按这个思路，把项目中做的事一一梳理出来，看这些事能影响什么子指标，实际影响到了没有，这些子指标和大目标之间有啥联系。在数据驱动氛围不好的企业里，反向使用的用处更大！因为很多企业就是干事拍脑袋，出事拍大腿。在策划阶段压根没有动脑子：

1. 过去这么干，所以现在这么干
2. 别人这么干，所以我们这么干
3. 领导说咋干，所以咱就这么干
4. 朋友圈干了，所以俺们跟着干

至于这么干：

• 有没有影响？
• 能有啥影响？
• 影响到了谁？
• 与大目标有没关系？
• 与大目标有多大关系？

这时候重新复盘是很有必要的，通过 OSM 梳理，能发现一些明显然并卵的行为，从而积累分析经验，避免下一次犯错。

4.3.2.1 用 OSM 诊断策略：三类典型问题

还是上边的例子，用 OSM 拆解后能识别出三类「看起来有用、其实未必」的策略：

小结（OSM 模型）

即使公司数据驱动程度很低，也不影响数据分析师利用 OSM 方法积累经验；只要我们自己能梳理清楚流程，熟悉流程上常见的业务玩法，是能基于 OSM 诊断业务问题的。

5 应用举例

5.1 我在B端做数据分析

在第一篇文章里面有提到过几个管理层关注的核心指标。在B端做数据分析时，不同维度下可关注的指标包括：

在指标建设过程中的合理性、复杂度、落地性都饱受争议，以至于很多分析面试的第一关便是如何建设基于某某场景的核心指标，如何去做指标的定义与监测，如何对核心指标进行跟踪……为什么我们一直在说指标建设，但是却又一直做不好？指标建设，绝对不是说做一套产品就可以了，产品只是指标应用的一个承载体而已。前几天去省厅开会，有一句话特别有感触：以前领导看数据是半年一次、一年一次，现在有大屏后，领导看数据的频次在增加，会变成 1 个月一次、1 周一次。对做数据统计的岗位来说，如果没有系统化的指标来支撑，就会很痛苦，可能每天都会在找数据和凑数据的过程上，就显得比较低效。所以才会去推数字化转型建设，从源头就把信息内容变成数字化，减少人为干预的环节，实现全链路的数据可视化。

（1）战略目标和管理必要性

做企业，最大的目标是为了盈利，非营利性的组织与团体，不在分析的范畴内。无论是平台型 B 类、SaaS 服务型 B 类、实业型 B 类，从全生命周期的角度来说，都离不开「营收」「品牌影响」「行业知名度」。

5.1.0.1 自上到下的考核机制，离不开指标建设

指标，是伴随考核而产生的。中央考核部委、部委考核省厅、省厅考核市局、市局考核县区、区县考核到单位，这就是一个完整的考核链路。对公司而言，也是一样，董事会考核公司管理层、管理层考核事业部、事业部考核到子级业务线。促进数据指标建设的必然性，一定离不开企业在做数据化转型、数据管理、数据驱动中的主要痛点，尤其是在经济下行的市场环境下，营收目标的增长实现，就需要一套指标拆解的方式进行动态跟进。

业务思考示例：以公司整体营收金额为例，根据杜邦分析法进行结构拆解，拆分到事业部、区域、产品，再从用户基数、付费转化、投放进行拆分。

参考《抖音集团数据指标体系分析与增长实践》一文中的案例：任何一门生意都能用简单的数学模型来描述，实现运营公式的拆解。

以总活跃用户为例：总活跃用户 = 新增活跃用户 + 已有活跃用户 -新增活跃用户= 访客流量 × 新用户激活率；访客流量关联因素有推广曝光量、线索转化率等； -已有活跃用户= 已有用户数 × 老用户留存率；已有用户数关联因素有已激活用户、用户推荐等，老用户留存率关联因素有产品体验、功能更新等。

5.1.0.2 指标解决的几个实质性问题

指标的建设，不是空穴来风、做做样子，而是解决实打实的业务痛点。在企业运转过程中，几个最典型的问题在于：

• 同名不同径、同径不同名
• 口径不清晰、口径有错误
• 命名难理解、计算不易懂
• 来源不清晰、同部不同径

5.1.0.3 构建指标的几种业务思考

整体路径：了解战略目标 → 熟悉业务特性 → 提炼场景指标 → 核心指标开发 → 跟踪监控预警。结合不同业务目标进行指标拆解的 7 种方向：

1. 结合公司业务核心战略目标，做基于财务营收利润的指标拆解；
2. 结合市场营销拓展方向目标，做基于业务运营增值的指标拆解；
3. 结合产品规划的架构体系目标，做基于用户体验优化的指标拆解；
4. 结合流程建设的数据治理目标，做基于管理降本增效的指标拆解；
5. 结合售后服务的满意提升目标，做基于客服诉求评价的指标拆解；
6. 结合客户交付的工程实施目标，做基于需求交付过程的指标拆解；
7. 结合政策动态的行业监控目标，做基于媒体资讯管理的指标拆解。

（2）B端指标建设的特性

在第一篇文章中从用户、业务、产品、行为、数据五个方面对 B/C 端进行了多维对比，在定义和设计指标的时候，需要充分认知到企业所在行业、市场上的差异性。提到 B 端就离不开数字化采购。根据艾瑞发布的采购行业研究报告，可以把 B 端的数字化拆分为两个时代：

5.1.0.4 简单的 B 端业务

为什么说 B 端很简单？大多数的理解起来，B 端的用户体量比较少，所以数据就会少。

-C 端：在中国，C 端的用户体量大约在 7～9 亿左右。根据工信部公布数据，2022 年 9 月份中国移动、中国电信 C 端用户数分别为 9.74 亿和 3.90 亿；截至 2022 年 11 月，中国 C 端用户总数为 16.46 亿。 -B 端：根据工商统计大约有 4、5000 万家注册企业数。2022 年 12 月 9 日根据工商局统计数据显示，全国共有 4701 万家企业，划分到细分垂直领域，每个行业下的体量更少了。

具体可以体现在以下 3 点：

5.1.0.5 复杂的 B 端场景

但实际上，B 端也不少，主要看业务体量，是属于订单性质，还是看大合同类的服务履约性质。从供需的关系上来拆解，可以把采买过程拆分为四个环节：需求确认 → 供应商筛选 → 执行与追踪 → 交付验收。

决策链路复杂：在有限市场下，客户开发难度大，B 端衔接的是企业和企业之间的关系，看似不赚钱，却往往是 B 端打造客户案例、拿下行业规模化应用的机会。涉及的业务链路复杂：大数定律在 B 端有用，但是没那么有用。关系复杂：不起眼的一个人有时会成为整个事情的卡点；好搞定的人一般都是看起来好搞定，背后盘算的人不出来，很容易前功尽弃。

（3）指标建设方式及内容设计

5.1.0.6 指标建设方式

从上至下的指标体系建设需要跟随企业战略目标的变更而进行变更，从而需要进行大量的指标变更。从下至上的指标体系应关注在每个业务域内的经营活动而形成指标。要注意的是，各个业务域内可能存在交叉环节，相对应的指标在内部以及部门合作之间需明确指标口径。1）自上而下基于 BI 本身的职责和公司/团队对 BI 的要求，设计 BI 建设体系并分别推进落地，跨团队的项目模式进行。

战略指标和北极星指标：战略指标一般不超过三个，主要以盈利为目标，除非超大型企业确有需求。北极星指标是影响权重最大的关键性指标，战略指标与北极星指标会共存，随发展而调整。

2）自下而上整体而言，公司的目标会贯彻到各个子业务线的中短期规划里面，从组织架构设计上来看，指标建设的过程也应该是从上到下的管理过程。实现方式：从业务需求出发，提炼需求过程中涉及到的数据内容项，形成业务核心指标。

基于 BI 团队现有的职责和任务，专注于用户侧需求的满足，涉及标准化建设的需求，建立推进机制，BI 团队作为需求和问题的发起者和结果的验收者存在。

5.1.0.7 主题域划分

实现方：从元数据开始管理，基于业务特性的数仓设计架构，即ODS → DIM 层 → DW 层 → AD 层。同时基于不同业务域、业务过程、核心环节进行指标构建。基于十大主题进行归类，可以构建原子粒度的DWD（数据明细层）和DWS（数据汇总层），也可以用于方便集市内部表单管理。十大主题：用户、协议、产品、资产、事件、活动、地域、内部机构、渠道、财务。

5.1.0.8 不同行业下的数据指标内容

B 端企业有着非常强的行业特性，在不同的行业背景下，呈现出来的内容有着非常强的差异程度。根据日常关注的公众号、数据服务机构、白皮书，收集整理了以下一些行业的数据指标，不一定对，可供参考。1）B端 – 电商B2B/B2G，衔接厂商与经销商、政府与服务商、渠道代理与分销商之间的平台公司，从流量 – 曝光 – 获客 – 访问 – 选购 – 下单 – 支付 – 仓储物流 – 最后 1 公里配送的交易流程，对埋点强依赖，行业特性比较强。核心指标：GMV、转化率、ROI、复购率。2）B端 – SaaSSaaS 软件即服务，需求和服务的行业差异性特别大。包括信息软件服务、人力资源服务、财务会计服务、企业管理咨询服务、IT 技术支持服务、法律咨询服务等。核心指标：复购率。3）B端 – PaaSPaaS 平台即服务，通常是指针对企业或组织等而设计和开发的互联网软件工具，旨在帮助企业提高工作效率、降低成本和提升业务管理水平等。指标类型包括：付费转化率和营收、用户活跃度、用户拉新、留存率、用户行为分析、用户反馈和投诉分析等。对应指标内容如付费转化率、Banner 点击率、安装成功率等。4）B端 – 零售零售行业，通过快速建立品牌形象，以销售目标为导向，满足顾客的需求的同时确保获得最大的利润。核心指标：GMV、连带率、客单价。5）B端 – 汽车利用互联网和移动互联网技术，为汽车行业提供线上和线下一体化的服务，包括汽车销售、维修、保养、租赁、二手车交易等领域，通过平台查询汽车信息、预约试驾、在线下单、申请金融服务等，为消费者提供更精准、更定制化的服务和产品。主要包括：汽车生产厂商、经销商、维修保养机构、租车公司、物流运输企业等。可按照细分场景做更细粒度的拆解。指标类型包括：交易指标、出行类指标、销售指标、用户行为指标、服务质量指标、售后服务指标等。如交易指标涵盖汽车服务、GMV、客单价、订单来源、订单类型等；用户行为指标有用户点击车型详情效率分析等；服务质量指标关注单均接驾时长等。6）B端 – 房地产注重商业性和专业性，针对的是大型企业和机构的需求和目标，涉及的产品和服务范围更广，其特点是项目规模大、服务内容全面、专业性强、服务要求高。7）B端 – 金融金融行业，快速响应企业、家庭、个人的灵活用钱需求，解决资金短缺问题，同时也为机构带来稳定的收益来源，通过保险合同的签订，将某些风险的损失分散到众多保险客户之间。主要包括：保险、保函、贷款、信用卡、消费分期、互联网金融、小额贷款等。指标类型包括：收入指标、用户留存指标、借款发放指标、营销效果指标、贷款回收指标、风控指标、运营效率指标、保险类指标、客诉类指标等。如收入指标有订单总金额、订单数量；用户留存指标有新用户数、活跃用户数、用户增长率等。8）B端 – 医疗通过互联网技术和平台，为医疗机构、医生、药企等 B 端用户提供一系列在线医疗服务的商业模式。包括：在线问诊、远程医疗、病例管理、医疗影像处理、健康档案管理等。指标类型包括：用户活跃度、诊疗量、费用收益、渠道分析。如用户活跃度有 Banner 点击率、活动裂变 K 值等；诊疗量有活跃患者比例、开方率等；费用收益有订单转化率、退费率等；渠道分析有落地页跳出率、渠道 ROI 等。9）B端 – 文娱类平台为企业、机构和个人，提供短视频、课程、文案等内容创作、制作、发行的服务。核心指标：LTV。指标类型包括：收入指标（LTV、广告总收益、会员转化率等）、用户行为指标（用户访问时长、停留时间等）、流量指标（社交 ARPPU、活跃用户数等）、社交指标（匹配类型分布情况等）、内容指标（直播有效看播率等）。

5.1.0.9 数仓下的指标建设过程

1）数据指标的生成

PS：原子指标与派生指标的定义相对模糊，需要在特定业务场景下能清晰定义为原子或是派生。

指标口径的 SQL 表达：select 后是度量方法 count&sum（事实），from 后是范围（table），where 部分包含条件（字段="xxx"）及维度（year=2021 and district="浙江"）。维度和事实：维度是可枚举性的值，且是有限值，可归集。事实是不可更改和调整的。复合指标：通过几个派生指标经过运算形成。例如：将浙江省内 2021 年度交易次数 > 5 次的供应商计数的运算。2）数据指标的维护谁在什么时候应该做规则更新？

• 生成：将条件、范围、维度、度量、事实明确而形成，例如 SQL 查询。
• 定义：通用规则，通过逻辑去诊断指标定义。包含指标名称与指标口径。外部用户叫法及内部系统名称，对于不同用户受众，需要不同叫法。
• 命名规范：需要注意针对对象进行命名，例如针对管理层叫 GMV，对业务方叫销售额。中文和英文设置根据数据库表内的字段名生成。
• 应用：针对不同受众，所理解的指标别名不同。例如：GMV 在有任务场景下被定义为月销售额输出。
• 迭代维护：当业务、系统等情况发生变化时，需要对指标定义进行重新定义、修改。 3）数据指标的销毁生命周期的末端。销毁：销毁指标同样是一种选择，但通常不常用。销毁复合指标的场景是：当复合指标不符合当期经营所需情况且不产生价值时。

（4）指标应用——监控与预警

指标应用的几个方面：产品、业务、报表。以下为网图，真实环境下的数据不便于透出。1）可视化大屏呈现用户活跃度、用户分布、用户行为等数据。左侧显示总单量人数、新增人数、活跃人数、留存人数等信息，有折线图和柱状图展示数据变化。中间部分有用户分布、用户行为等板块；右侧是用户行为分析，有用户来源、用户类型、用户行为等数据展示。2）BI 数据产品「一站式」数据处理分析平台的流程：从数据源（如 MySQL、Hive 等）开始，经数据整合，形成数据集，再进行数据分析，最后发布应用。3）用户标签与画像展示某平台 2020 年 11 月 20–26 日的业务数据，包含全站流量、全站日活、注册用户数、GMV、订单量、下单人数、下单转化率、客单价等指标，以及 GMV 近 30 天变化趋势与过去 7 日数据。4）预警系统展示全国防汛抗旱综合态势监控界面：上方显示暴雨风险、洪水风险、水库水电站告警数量及水文站告警数量等信息；中部有地图，标注暴雨风险分布，以及洪水风险态势曲线图；右侧是监测采集数据量折线图。

5.2 渠道落地页数据分析

（1）背景和目的

通过对跟渠道落地页数据的分析，优化用户路径，提高各环节的转化率。

（2）明确问题

根据已经跑了两周的数据，对其投放效果进行分析，寻找现状的问题并产出对该课程投放的优化解决方案。三个核心转化率定义：

（3）梳理接触点，形成用户体验路径

用户点击广告后，会直接跳到该着陆页；点击「立即报名」按钮，跳转注册/登录页（如已登录会直接创建订单）；点击支付订单按钮，跳转支付页，进行付款。着陆页用户路径设计：

搜索触达 → 课程详情页浏览（含咨询，有客服接口及转化文案）
→ 点击报名 → 注册页面（有登录和注册选项）
→ 订单确认页面（有优惠码）→ 点击支付订单 → 支付成功页面（含支付信息与支付接口）

（4）确认每一步的衡量指标，并建立漏斗模型

着陆页监测指标（按环节对应）：

从上图可以看出我们主要需要观察的核心指标是着陆页的 UV、注册页的 UV、订单确认页的 UV、以及支付成功页的 UV。根据已有数据、四个渠道两周的数据进行整理得出：

四页总数据漏斗模型：

各渠道具体数据（注册页 / 订单页 / 支付成功页 UV）：

各渠道漏斗数据（转化率）：

针对着陆页、注册页、订单页和支付成功页分别观察四个渠道两周内具体时间的走势图，观察维度包括着陆页 UV、注册 UV、订单页 UV、支付成功 UV，时间范围为 2018/5/7 到 2018/5/20。

（5）提出假设并分析其原因

通过对以上的数据情况分析可以看出各渠道存在以下几点问题，对其中问题提出假设并分析其原因。

1）整体渠道问题

问题一：着陆页到注册页流失异常严重

整体渠道来看，根据整体漏斗图可以看出着陆页到注册页的流失异常严重，呈断崖式流失，其点击报名率只有 1.25%。【分析原因】

1. 通过几个渠道的数据验证，发现几个渠道的着陆页到注册页的流量流失都十分严重，证明这不是个别情况，而是通病，可能是页面内容的吸引度不高。
2. 通过对着陆页的观察，发现页面信息量较大较长，会有很多屏才可以看完，但是只有最后才有立即报名的按钮，跳转注册页。这样的话用户的浏览路径较长，在某一时刻产生报名冲动时没有入口。

【解决方案】

3. 着陆页的页面信息、结构进行优化，增加吸引力。
4. 进行 A/B 测试，在首屏增加立即报名的按钮，并且在用户浏览页面内容时保证报名入口常态悬浮屏幕底部，确保在任何时候用户可以进行点击转化。

问题二：整体注册转化率不高

整体的注册转化率都不高，均值只有 33.14%。【分析原因】

5. 从用户从注册页面 → 手机账号/验证码 → 点击注册 → 订单确认的过程中可以看出流失过多，流失率达到将近 6 成。可能出现的原因在于注册流程过于复杂。
6. 验证码接收时间过久或者接收成功率较低。

【解决方案】

7. 简化注册步骤，确保只需要手机号和验证码就可以完成。
8. 完善验证码接收成功率和接收时间，确保多数人可以在短时间收到验证码。

【佐证数据】

9. 进行用户访谈，观察其注册流程中产生的问题并进行记录；
10. 对验证码的收发进行监测，计算其成功发送率。

问题三：所有渠道订单转化率都低

所有渠道的订单转化率都低，平均值不足 50%，在最后一步流失同样严重。【分析原因】

11. 通过观察，在着陆页中没有明确价格标明，几百上千的价格对于用户来说心里决定成本较高；
12. 支付流程过于复杂，操作难度较大；
13. 支付方式单一。

【解决方案】

14. 在着陆页首屏和报名按钮旁标明价格，让用户提前有心理预期；
15. 优化支付流程，增加主流支付方式，比如微信支付、支付宝等方式。

问题四：页面跳出率都高

所有渠道的页面跳出率都高，平均值达到 57.54%，相当于每两个人中就有一个人流失。【分析原因】

16. 着陆页内容吸引度不够，导致用户流失跳出；
17. 页面内容过大，导致页面加载速度过慢，内容没有全部加载出来前用户就失去耐心关闭页面了；
18. 用户匹配度不高，用户画像不精准。

【解决方案】

19. 优化着陆页内容，突出卖点，增加吸引力；
20. 前端页面进行质量压缩，保证正常网速下可以较快加载页面，全部页面加载时间进行优化；
21. 优化搜索关键词，提高用户匹配度。

问题五：百度渠道表现明显优于其他渠道

所有渠道中百度（PC、移动）的用户停留时间和咨询占比均高于平均值，远远高于其他两个渠道。【分析原因】

22. 着陆页在搜狗和 360 搜索的布局出现问题，导致浏览体验差；
23. 百度渠道的用户质量高于搜狗和 360，匹配到的用户较为精准。

【解决方案】

24. 对搜狗和 360 渠道用户进行调研，观察其页面操作路径，并进行对应优化；
25. 对这两个渠道的用户进行抽样访谈，看其对运营课程的感兴趣程度。

2）百度 PC 渠道分析

通过对几张 UV 走势图观察分析看出百度 PC 的着陆页、注册页、订单页、支付成功页的流量整体走势相同，波动较大。【分析原因】在工作日用户上网习惯以 PC 为主，周末以手机为主导致。【解决方案】运营可以对用户的使用习惯进行检测，精确到小时，观察用户是否是在工作时间流量较大，确认后可以有针对性地进行分时间段的广告投放，来优化投放效果。

3）百度移动渠道分析

百度移动的点击报名率极低，低于均值，约是百度 PC 的 50%；注册转化率也是四个渠道最低的，远远低于均值。【分析原因】

26. 根据着陆页页面观察，内容较多较复杂，立即报名按钮在移动端也较小，不易点击，导致用户放弃流失；
27. 注册流程出现问题或者过于复杂，用户长时间无法接收验证码；
28. 百度移动端的点击报名率和注册转化率都是最低的，但是其订单转化率相对而言较高。

【解决方案】

29. 做移动端的着陆页和注册页的适配；
30. 同样保证着陆页立即报名按钮常态悬浮屏幕底部；
31. 优化注册流程，使注册流程简便；
32. 测试验证码接收情况，保证其接收正常。

4）搜狗渠道分析

搜狗渠道的点击报名率、订单转化率低于均值，用户平均停留时间最短，咨询占比也很低。【分析原因】

33. 点击报名率低于均值除了有之前提到的原因外，猜测应该与搜狗本身渠道的流量较小有关，是百度 PC 的 50%、百度移动的 40%；
34. 订单转化率较低猜测是由于搜狗浏览器支持的支付方式有关，并且其支付流程是否过于复杂；
35. 从平均时长和较低的咨询占比可以看出搜狗的用户对其着陆页内容十分不感兴趣，用户群体不符合；
36. 浏览器本身广告较多，右下角弹出后遮挡咨询浮窗。

【解决方案】

37. 对搜狗的用户进行用户调研，分析其用户画像，看是否与之相匹配，如果匹配程度不高可以考虑减少或者停止广告投入；
38. 对用户进行访谈观察，并且亲自体验其支付流程，简化支付流程或者丰富支付方式；
39. 有针对性地调整咨询浮窗位置。

【佐证数据】搜狗用户画像；全流程录屏记录。

5）360 搜索渠道分析

360 搜索的注册转化率较低，低于平均值；订单转化率远远低于其他渠道；用户平均停留时间较短；跳出率是最高的；咨询占比最低。【分析原因】同以上相同问题原因。从各项指标都低可以看出 360 搜索的用户群极不匹配，不是其受众。【解决方案】

40. 优化支付流程、注册流程；
41. 对 360 搜索用户进行用户调研，看其用户画像的匹配程度，如重合度极低的话可以考虑放弃投放。

5.2.1 后续行动建议

接下来的工作中，建议营销端重点关注哪个渠道？做什么动作？为什么？1）对于百度 PC 渠道，可以增加广告位的投放和有时间段的针对性投放。

理由：百度 PC 流量大，且各项指标的转化率均高于均值，如果再优化投放效果的话，可以使 ROI 最大化。

2）首先着重优化百度系渠道的着陆页结构和内容，提升点击报名率，这点是重中之重；其次简化注册流程，提升注册转化率。

理由： （1）因为从流量上来看，这两个渠道的流量最大，尤其是百度移动； （2）从页面停留时长和咨询占比看，这两个渠道的用户对页面内容更为感兴趣，利于转化。

3）对于搜狗和 360 搜索这两个渠道，可以考虑减少投放量或者不进行投放。

理由：经过上述分析，可以看出这两个渠道本身的流量较少，并且用户精准度不高，不是主要用户群，ROI 比较低。

6 附录

6.1 参考文献

本篇为原手册「五、应用举例」之后的参考文献与资料来源。

6.1.1 引用清单

1. 我在B端做数据分析——指标篇 https://www.woshipm.com/data-analysis/5820972.html
2. 使用数据分析来改善客户体验 https://www.woshipm.com/data-analysis/4491685.html
3. 数据分析——异常数据识别 https://www.woshipm.com/data-analysis/4342849.html
4. 如何应用漏斗模型辅助数据诊断与决策？ https://www.woshipm.com/operate/4006453.html
5. 如何用决策树模型做数据分析？ https://www.woshipm.com/data-analysis/4293002.html
6. 渠道落地页数据分析 https://www.woshipm.com/data-analysis/1833309.html
7. OSM 模型，最接地气的业务分析框架 https://www.woshipm.com/data-analysis/4158771.html
8. 数据分析八大模型：同期群模型 https://www.woshipm.com/data-analysis/5310621.html
9. 「数据分析有套路」——标签分析法 https://mp.weixin.qq.com/s/q1L40-2MzTaRAyEY4uZCZg
10. 新技能 get | 如何做用户行为路径分析 https://www.woshipm.com/pmd/220739.html
11. 常见用户行为分析模型解析（4）——用户行为路径分析模型 https://www.woshipm.com/data-analysis/704261.html