这是我参与「第四届青训营 」笔记创作活动的第3天 用户数据分析理论与最佳实践｜ 青训营笔记 字节跳动青训营大数据专场：
一：用户数据分析理论与最佳实践
二：课程目录
- 为什么做行为数据分析：做数据分析的收益
02.数据分析的各个环节（数据源、分析工具和可视化）
03.数据分析的流程和案例 04.总结与思考
三： 1：为什么做行为数据分析：如何高效的理解用户需求与精细化运营是当前企业竞争的关键，通过数据来驱动用户增长降低成本提高收益。
2.3手游业务指标体系示意：
管理层-结果型数据：新增-日活账号数-付费账号数-付费率-付费金额-新增活跃留存率
过渡层：一级指标拆解出的指标用于快速定位一级指标问题的原因-激活注册率-新增角色数-人均启动次数，人均游戏时长、新增付费账号。。。
一线产品、分析师、运营-二级指标拆解出的指标-过渡型数据-新手引导分布转化率-抽卡结果分布-活动参与度、关卡首通率、关卡驻留分布。。。。。。
2.4搭建指标体系的价值
·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
2.5.1埋点介绍
埋点数据：记录着出发原因和状态信息的日志数据—服务端埋点-客户端埋点-代码埋点-可视化全埋点
埋点要素：who-when-where-how-what-how much
做数据分析的环节设节点
2.5.2：工具
数据表与SQL：结构化查询语言：DDL（数据定义语言）DML（数据操纵语言）
指标与维度：指标是数据的量化统计，维度是数据分组的方式
2.5.3：数据可视化-各种图表
三：数据分析案例与流程
3.1 分析流程-分析思路 3.2案例-新用户激活转化-留存-收入
数据分析常见问题：上游数据质量不高 不验证就全量上线 优化测率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
第二part：
机器学习：课程目录：01机器学习概览 02 特征工程 03 聚类算法 04 聚类画像分析
什么是机器学习：把无序的数据转换为有用的数据 从数据中自动分析获得模型 并利用模型对未知数据进行预测
