系统化数据分析：三步搭建基础分析框架

无论是产品、还是运营，都需要具备良好的数据分析能力，对用户行为数据和业务数据，进行分析、评估甚至预测，从而更高效的完成工作。

数据分析作为运营人员必备的核心技能，对职业发展起着尤为重要的作用。本文将基于业务场景，分享几种基础的数据分析框架和方法，系统化的进行数据分析。

无论是产品、还是运营，都需要具备良好的数据分析能力，对用户行为数据和业务数据，进行分析、评估甚至预测。本文通过分享三种常见的数据分析框架，帮助我们更系统的进行数据分析，发现并解决产品暴露出的问题，从而更高效的完成工作。

步骤：指的用户行为，由事件加筛选条件组成

时间范围：漏斗第一步骤发生的时间范围

窗口期：用户完成漏斗的时间限制，漏斗只统计这个时间范围内，用户从第一步到最后一步的转化。

理财购买转化漏斗

如上图表示:“2018年3月份，浏览标的页面的28100名用户，在7天内投资成功的转化与流失情况”。这里漏斗分析与事件分析不同的地方：漏斗分析基于用户，或是说基于人来统计某一批用户所发生的行为，不会受到历史浏览页面用户的事件影响，更加准确的暴露某一时间段产品存在的问题。

通过漏斗模型及时发现问题

我们通过建立了注册转化漏斗，度量每一步的转化率和整体的注册转化率，通过时间维度来监控每一步和整体转化率的趋势。

例如：4月12日发现输入图形验证码这一步转化率在有明显异常，于是紧急通知技术同事排查，发现图形验证码功能失效，导致大量用户无法显示。紧急修复后，转化率回到之前的水平。所以，通过对每一步漏斗转化率的监控分析，可以及时发现问题，及时止损。

3.留存分析

留存用户：即用户发生初始行为一段时间后，发生了目标行为，即认定该用户为留存用户。

留存行为：某个目标用户完成了起始行为之后，在后续日期完成了特定留存行为，则留存人数 +1

留存率：是指发生“留存行为用户”占发生“初始行为用户”的比例。常见指标有次日留存率、七日留存率、次月留存率等。

留存表：留存表中给出了目标用户的留存详情，主要包括以下几个信息：

目标用户：每天完成起始行为的目标用户量，是留存用户的基数

留存用户：发生留存行为的留存用户量和留存率；

用户留存表

留存曲线图：

留存曲线图可以观测随着时间推移，用户留存率的衰减情况。

以电商为例，我们观察运营策略优化/产品改版，是否会影响用户的购买行为。此时我们可以将用户行为分为：

初始行为：注册

留存行为：支付订单