建数据分析框架的3个步骤如何搭建数据分析框架？ _数据分析框架

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。

文章插图
一、用户行为分析1. 事件分析事件：通过埋点，高效追踪用户行为或业务的过程。注册、启动、登录、点击等，都是常见的事件。例如下图，通过“神策分析”展示出某日的注册事件。
注册事件分日走势
通过事件分析我们可以准确了解App内发生的事件量，根据产品特性合理配置追踪，可以轻松回答关于变化趋势、分维度对比等问题，例如：

某个时间段推广页面点击量有多少，对比昨日有多少提升？
某个渠道的累计注册数是多少，第一季度排名前十的注册渠道有哪些？
某个活动页的uv分时走势，安卓和iOS占比情况如何？

2. 漏斗分析漏斗模型：分析一个多步骤过程中，每一步的转化与流失情况。以互联网金融-理财端为例，新用户在首次投资会经过如下步骤过程：

浏览页面
实名认证
充值成功
投资成功

我们可以通过漏斗分析整体的转化情况，以及每一步转化量、流失量、转化/流失率。
在漏斗模型中清晰3个基本概念，可以借助强大的筛选和分组功能进行深度分析。

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

然后根据客户注册的时间按周进行分组，得到同期群，制作留存曲线图，观察该群体用户发生购买的 30日留存。通过比较不同的同期群，可以获知新用户购买率指标是否在提升。
留存曲线图
留存行为一般都与我们的目标有强相关性。我们在进行留存分析时，一定要根据自身业务的实际需要，确定高价值的留存行为才能能对产品的优化提供指导性建议。
二、AARRR 模型AARRR模型是一套适用于移动App的分析框架，又称海盗指标，是“增长黑客”中驱动用户增长的核心模型。 AARRR模型把用户行为指标分为了5大类，分别为：获取用户，激发活跃，提高留存，增加收入和病毒传播。