这是我参与「第四届青训营」笔记创作活动的的第14天
前言：前面学了很多有关大数据技术方面的原理，这些技术最终还是为了帮助企业做数据分析，更好的为企业提供有效的决策依据，帮助企业实现目标，本节课程讲的是用户数据分析及实践。
一.为什么做行为数据分析
在企业竞争越来越激烈，获客成本越来越高的背景下，如何高效地理解用户需求和精细化运营是当前 企业竞争的关键，而用户数据分析正是我们保持此竞争力的重要手段，我们通过数据来驱动用户增长、降 低成本和提高收益。
二.数据分析的各个环节
2.1数据分析全景图
2.2指标体系和指标分级
- 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。
- 我们构建的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。
2.3手游业务指标体系示意
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数据分析的各个环节
2.5.1埋点简介
- 埋点(数据)是什么?
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”
- 埋点包含哪些要素?
- who when where how what how_ much
- "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。
- 在哪里埋点呢?
在你要做数据分析的环节来埋点。
2.5.2常见的分析工具
数据表与SQL
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。
- 思考题:
- 上面的例子中维度是什么?指标是什么?(筛选最近30天和AB省份，统计各个log_ date、 os的设备活跃数)
- 除了上面的去重数，你还能想到哪些常用的指标算子?
- 用户的付费金额、登录次数这类的数值，可以作为维度吗?
行为分析-事件分析
2.5.3数据可视化
三.数据分析的流程和案例
3.1分析流程
3.2分析思路
案列-Acquisition获取
案列-Activation激活
案列-Retention留存
案列-Revenue收入
四、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
