最近在看《首席增长官》，其中一些内容还是很有指导价值的，于是新建一个文集，把一些阅读笔记就放在这里。像AARRR模型这种比较普遍的就不列入了，主要会记录一些让我感觉耳目一新的方法论或者思维框架。一、数据分析的3个思路
根据书中给出的范例来看，这3种方法可能更适合偏宏观的决策，比如多渠道投放时的决策，在应对落脚点比较精确的分析来说，方法可能需要调整，比如确定按钮是放右上角还是底部。
1、基本的数据分析方法以业务为核心的数据分析应该以业务场景为起点，业务决策为落点，这也是比较通用的一种方法，很多场景下都可以使用以下五个步骤进行推论。
书中提到了五个基本步骤——挖掘业务含义-制定分析计划-拆分查询数据-提炼业务洞察-产出商业决策。
关于这个方法，没有想到比较好的实例，书中有一个关于多渠道投放决策的例子，还不错，推荐去看看。
2、内外因素分解法这个方法的场景是用于找到影响北极星指标的因素，也就是从两个维度进行区分（内部因素+外部因素、可控因素+不可控因素），将影响因子分为四个类别。
这本质上就是一种穷举，这种方法的最大弊端是容易漏，不论分析者是一个人还是一个团队，基本不可避免的会有遗漏。当然好处是，从四个区间对影响因子进行区分，能够比较直观的进行分析，从而以自己可控的方式进行对症下药。
3、DOSS思路具体问题（Detailed Question）
整体影响（Overall Influence）
单一回答（Single Answer）
规模化方案（Scaled Solution）
二、数据分析的8个方法假设你面前有产品的所有数据，包括过去一年的dau、新增、留存、渠道等等常规数据，也包括app从开屏到核心功能所有页面的uv/pv、所有CTA的uv/pv，也就是说关于app的所有数据基本都能够拿到，现在要搭建一套数据体系，有哪些方式？
1、数字和趋势最基本的数据展现形式，用exel就可以完成。
关键数值。趋势图表，直方图、折线图、堆积图、饼状图。
2、维度分解单一的数值或者趋势比较宏观时，需要对其进行拆解。
比如每日新增，可以从渠道的维度进行拆解，分为应用宝、appstore、360手机助手等等，基于此我们可以查看不同维度的新增情况，进而做一些渠道推广的决策；
每日新增也可以从时间的维度进行拆解，比如发现新增的高峰时间段是中午一点，那么运营活动可以考虑集中在这个时间。
3、用户分群把符合某种特定行为或标签的用户进行分群，进行归类，比如“1月份来自北京的应用宝新增用户”。
我们可以针对这个分群的用户进行深度的分析，比如他们的爱好、消费水平、高频行为，进而针对性的进行用户运营或营销推广，比如对“放进购物车但是没有支付的用户”发放优惠券。
4、转化漏斗这个应该是最熟知的一种方法了，基本所有的用户行为都可以用漏斗来表现，不论是注册转化漏斗还是下单支付漏斗。
关注三个问题：
-从开始到结束，整体的转化率是多少
-每一步的转化率是多少
-哪一步的流失最多，原因，流失的用户符合哪些特征（这里就可以使用用户分群来精细分析）
5、行为轨迹从若干个页面的uv/pv值，仅可以看到整体的转化率，实际上可能会存在偏差，从用户的行为轨迹可以从更实际的角度了解产品。
6、留存分析关注两类留存：
-新用户留存：次日留存、7日留存、30日留存，以及留存率的变化趋势。
-功能留存：即使用xx功能的用户在次日又有操作
7、A/B测试意义就不用解释了，但是真正实施过A/B测试的实际上应该是有限。
进行A/B测试的两个必备因素：
-有足够的时间进行测试。
-数据量和数据密度较高。产品流量不大的情况下，测试的统计结果实际上有很大的随机性。
8、数学建模当一个商业目标与用户行为用户画像等信息有关联性时，可以使用数学建模、数据挖掘等方式进行建模，进而预测分析。
这就属于比较高阶的操作了，需要公司有一定规模且有足够的预算投入。
来源：Rockelbel
