这是我参与「第四届青训营 」笔记创作活动的第12天
数据分析的各个环节
包含4个部分。数据源、分析工具、可视化以及贯穿全程的指标体系。
数据源。数据源包括很多种，最常见的是埋点和业务DB中的数据以及二次加工的如统计和挖掘出的数据。
分析工具。企业提供了除了非常基础的sql(也算是一种编程)和代码编程外，还有很多好用的工具，比如可视化查询、分群圈选和当下热门的行为分析工具。
可视化。很多分析工具里集成了可视化的能力，但是为了方便同学们理解，我们单独拎出来这一块来讲解。
指标体系。是数据分析的脉络，我们做个各种分析其实都会围绕着指标体系来做。指标体系会在真正开始建设之前就进行规划，并在业务发展过程中不断完善。
指标体系
一句话介绍指标体系：结合业务战略目标和业务场景，系统化梳理构建的指标集合。指标集合通常是分级的，以满足不同级别的人的数据使用需求。
以手游业务为例子，不全，仅作为示意用。
除了常见的业务指标还有安全风控、服务质量相关的，比如外挂封禁账号数、应用crash率、fps等。整个指标体系所涵盖的指标数量在复杂的业务场景中，可能几百个。
搭建指标体系的用途：
- 衡量经营状况
- 统一口径和统一认知
- 团队牵引
- 支撑后续制定目标和衡量目标
- 发现问题
- 定位问题
近两年，企业们为了能更前置地促进业务发展，又引申出一个叫“北极星指标”（也叫第一关键指标）的概念。通过这个(也有可能不止1个)指标的牵引，来指引各部门抓住重心。
数据源
业务DB数据，常见的是一些关系型数据
埋点数据。是指上报的记录着触发原因和状态信息的日志数据。按照上报方来看，可以划分为“服务端埋点”和“客户端埋点”。按照上报形式，可以划分为“代码埋点”、“可视化全埋点”。企业最常用的是代码埋点。
埋点包含who when where how what how_much。举个例子：“张三”于“北京时间2022年1月2号12点整”在“游戏商城”用“xx支付”的形式“充值”了“500元”钻石。
企业中埋点数据上报的格式如下所示：
{
"event_name":"game_purchase",
"event_time":1641776400,
"user_info":{
"user_id":"1111",
"role_id":"2222",
"device_id":"3333"
},
"params":{
"server_id":1001,
"item_id":123,
"amount":50000,
"platform":"game_mall",
"pay_type":"xx pay"
},
"location_info":{
"zone_area":"Asia/Shanghai"
},
"headers":{
"device_os":"android",
"app_version":"12.3.4",
"channel":"xxx",
"ip":"x.x.x.x",
"sys_language":"zh-CN",
"app_language":"zh-CN"
}
}
复制代码
除了上面那些参数外，还会上报很多其他属性，这些属性是极其常用的，所以企业内的sdk默认会采集上报。
上报的时机跟具体的业务场景有关，你要分析什么数据就在对应的时机采集埋点数据。
分析工具
各工具的对比情况
数据表与SQL
表的基本构成：表名、表字段、表字段类型等。
SQL：结构化查询语言，用来操作表的语言。细分为DDL(数据定义语言)和DML(数据操纵语言)等。
在工作中，这些表的建模和查询sql是需要做精心优化的，以提升查询性能并减少资源浪费。
理解指标和维度
指标是数据的量化统计，维度是数据分组的方式。
行为分析-事件分析
行为分析工具包括很多模型，我们把用户日常最高频使用的功能进行了固化，用户只需在界面配置自己要分析的埋点、属性筛选和分组项，即可在几秒内查询出数据结果。由于篇幅有限，这里我们仅介绍下企业最常用的事件分析。
数据可视化
先看一下常见的图表样式：
选择什么样的样式是看怎么方便你去做数据洞察，不要仅为了花里胡哨而去使用这些图表。
数据分析的流程和案例
案例
Acquisition(获取) -广告素材分析
数据如下：
一些指标概念：
激活CPA：平均获取1个新增设备花费的成本
新增CPA：平均获取1个新增账号花费的成本
次留：当天新增的用户有少比例在次日又活跃了
3留：当天新增的用户有少比例在第3日又活跃了
2日LTV：平均每个用户前两天带来的收入
2日ROI：2日LTV/新增CPA
其他指标同理
Activation(激活)-新用户激活转化分析
这是一份漏斗转化数据。
Retention(留存)-新用户激活转化分析
数据分析常见的问题
- 上游数据质量不高
- 不验证就全量上线
- 优化策略短期有利而长期有损
- 过分挖掘用户信息，不注重用户隐私保护
