数据产品经理_修炼手册摘抄

一、用户思维、产品思维、工程思维

1.用户思维：
是指站在用户的角度考虑问题，从用户的问题出发。这里的用户，可以是使用产品的用户、公司的客户，
也可以是合作部门提需求的同事，还可以是自己的老板。马化腾说过，产品经理最重要的能力是把自己变傻瓜。周鸿祎也提出，
一个好的产品经理必须是白痴和傻瓜状态。
产品经理要能够随时切换自己的思维方式，能够随时从"专业模式"切换到"傻瓜模式"，这就是用户思维的体现。产品经理要能够
忘掉自己的行业背景和知识积累，以及产品逻辑和实现原理，变成对这个产品一无所知的"小白"。

如何掌握并熟练应用用户思维呢？首先，要在心里时刻想着用户，牢记用户的需求，以"小白"心态理解用户的需求，并在整个产品设计、推广过程中，
复盘自己是否体现了用户思维，有没有以用户为导向。然后，融入用户真正的使用场景中，只有这样，你才会作为一个真正的用户体验产品和服务，
当遇到一些痛点时，才会意识到产 品需要改进的地方，才能真正体会用户思维。最后，要多和用户打交道，定期进行用户需求调研访谈，
这样才能准确地把握用户思维，真正做到以用户思维为导向。

2.产品思维：
在需求上进行把控，在表现层尽量向用户思维靠拢，又要尽可能地考虑工程实现，把需求具体化成严谨的逻辑表达出来。这样，
就弥补了用户思维和工程思维之间的鸿沟，在用户思维和工程思维之间构建了一个桥梁，保证了产品的顺利实现。

3.工程思维：
工程思维主要关注的是项目实现的过程，包括项目的方案、项目排期、项目进度跟进、项目执行等，是一种更加关注细节逻辑、更加严谨的思维方式。
比如，要开发一个大数据分析平台，如果单纯用用户思维看，那么很可能只关注表面的功能，其实这只是项目中很小的 一部分，
还要关注系统架构选型、后端功能实现、系统的适配性、服务的稳定性、查询速度等一系列问题，它还原了产品具体实现的本质。

二、常用的分析方法

（1）预测产品在未来一年内的日活用户数会按什么趋势发展，预估DAU。
 通过回归分析，可以理解成几个自变量通过加减乘除或者比较复杂的运算得出因变量。
 例如预估DAU，因变量是DAU，与它有关的自变量有新增用户、老用户、老用户留存、回流用户等，然后根据历史数据，
 通过回归分析拟合成一个函数，这样就可以根据未来可能的自变量，进一步得出因变量。现在常用的回归分析主要有线性和非线性回归、时间序列等。
（2）上线了某个营销活动，预估活动效果、用户参与度情况。
可以根据以往活动的数据，分析活动的各个影响因素在满足什么情况时才会产生我们想要的效果，并可以把有上线活动时和没有上线活动时的各项数据
输入系统中，分类函数就会判断活动效果与哪些因素有关，目前常用的分类分析方法有决策树、朴素贝叶斯算法、KNN算法、神经网络算法等。
（3）对现有用户进行细分，预估到底哪一类用户才是目标用户群。
聚类分析，细分市场、细分用户群都属于聚类问题，这样更方便了解用户的具体特征，从而有针对性地做一些营销等;
最常用的聚类分析就是对用户进行分类。首先，要选取聚类变量，要尽量使用对产品使用行为有影响的变量，但是也要注意这些变
量要在不同研究对象上有明显差异，并且这些变量之间不存在高度相关。例如，年龄、性别、学历等。
其次，把变量对应的数据输入模型中，选择一个合适的分类数目，一般会选拐点附近的几个类别作为分类数目。再次，
要观察各类别用户在各个变量上的表现，找出不同类别用户区别于其他用户的重要特征，选取最明显的几个特征，最后进行聚类处理。
（4）在一些用户购买了很多商品后，预估哪些商品同时被购买的概率大。
关联分析
做关联分析一般要理解频繁项集和关联规则两个概念。频繁项集是经常出现在一起的物品的集合，关联规则暗示两种物品之间可能存
在很强的关系。

三、埋点

1.代码埋点：
代码埋点主要由App研发工程师手工在程序中写代码实现，通过触发某个动作后程序自动发送数据。
优点：具有很强的灵活性，可以控制发送的时机和发送方式等。
缺点：人力成本较高，需要研发工程师手工开发程序，有时候还要依赖App发版来生效。
2.可视化埋点：
可视化埋点以前端可视化的方式记录前端设置页面元素与对其操作的关系，然后以后端截屏的方式统计数据。
优点：简单、方便，能够快速地埋点。
缺点：比较受限，上报的行为信息有限。
3.无埋点
无埋点绑定页面的各个控件，当事件触发时就会调用相关的接口上报数据。
优点：不需要埋点，方便、快捷、省事。
4.服务器后端埋点
服务器后端埋点，它能够收集不在App内发生的行为，只要有网络请求就可以记录下来。
优点：服务器后端数据实时性强、很准确，用户需要请求服务器的关键业务量最好均使用服务器后端埋点。
缺点：能够实时收集，不存在延时上报的问题，但是没有网络就很难收集到数据，这也是服务器后端埋点的一个弊端。


埋点事件
记录埋点信息时，主要的埋点事件分为点击事件、曝光事件、和页面停留时长三类。
1.点击事件
点击页面上的按钮/元素即产生一次点击事件。
2.曝光事件
当用户成功进入一个页面时记录一次数据，刷新一次页面时也会记录一次。
3.页面停留时长
记录用户在一个页面的停留时间。

埋点实例
1、现在App端的数据埋点一般采取Key-Value的形式，Key一般表示某个事件，Value代表相对应的值，
一个Key可以对应一个Value或者多个Value。
在埋点过程中，同种属性的多个事件要命名成一个埋点事件ID，并以Key-Value的形式区分。不同属性的多个事件应该命名成多个埋点
事件ID，此时也尽量不用Key-Value的形式埋点

例如：美团上线了活动A和活动B两个活动，都在酒店和旅游的入 口页面进行了Banner展现，想要知道这两个活动的用户访问情况，应
该如何埋点呢？
key(value):Page(ActivityA\ActivityB)\Source(HotelButton\TravelButton)

四、大数据分析平台应用
1.可拓展的报表分析平台
2.自助式分析平台
3.智能化分析平台
4.业务场景分析平台

活跃用户构成：上周期活跃用户、本周期流失的上周期新客户、本周期流失的上周期老用户、本周期留存的上周期活跃用户、
上周期未活跃本周期回流用户、本周期新用户。

五、用户行为分析平台
用户行为分析平台是企业精细化运营和数据驱动的必备工具，它通过全面的用户行为埋点、统一的上报方式和统一的数据格式，
搭建出了用户行为数据体系，并充分利用用户行为数据，挖掘用户留存、用户画像、用户行为路径等数据价值，帮助企业用数据驱动业务增长。

应用场景：
1.电子商务：提升电子商务业务的支付转化率。
消费者面对应用中琳琅满目的商品推广不知道如何下手，更找不到自己想买的商品在哪里，往往在网站或者App上浪费了很长时间，
也没有找到想要买的商品，而电商类平台产品则希望引导用户快速找到心仪的商品，并让用户看到清晰的详情介绍，最终通过便捷、
易懂的支付步骤完成购买，快速下单完成付费转化。
用户行为分析平台的用户路径分析功能便起到了很大的作用，使用该功能可以查看用户在站内操作浏览的完整路径，以及在各个功能模块的流转情况，
找到最优路径和可能有潜在问题的路径，从而不断优化产品业务流程和功能布局，并针对用户从注册到订单成功支付的整个流程建立漏斗分析模型。
漏斗模型：
首页-》商品详情页-》加入购物车-》提交订单-》支付订单
2.互联网金融
风险控制：
年龄、收入、职业、学历、资产、负债等信用数据与信用相关度高，可以反映用户的还款能力和还款意愿。但是除了这些强相关的数据之外，
一些用户行为数据对信用风险评估也具有较大的影响，而用户行为分析平台可以对用户的行为偏好采集和分析，补充了用户画像所需的行为指标，
更全面地反映了用户的还款能力和还款意愿，增强了识别欺诈用户的能力。
羊毛党识别：
分析留存率，发现留存率超低的渠道，以研究用户在App中的行为记录(例如某些用户刚完成注册就直接打开活动页面，除此之外再没有其他任何页面的行为)。

用户行为分析平台功能：
1、事件分析
指基于事件的指标统计、属性分组、条件筛选等功能的查询分析。
事件分析会更真实且全面地还原用户与产品的交互过程，通过研究与事件发生关联的所有因素挖掘用户行为事件背后的原因，
快速定位影响转化的关键点，提高运营效率。

什么是事件?
事件是追踪或记录的用户行为或业务过程。事件是通过埋点记录，通过SDK上传的用户行为或者业务过程记录。
例如，一个视频内容类产品可能包含以下事件：1、播放视频。2、播放暂停。3、继续播放。4、分享。5、评论。

什么是事件属性?
记录详细描述事件的各种维度信息。
例如:"播放视频"事件可能包含以下事件属性： 1、视频的展现来源。2、是否自动播放。3、视频播放的形态，主要区分详情页、列表页和全屏。

什么是公共属性?
将所有事件都具有的一些维度抽象出来称为"公共属性"。例如，用户年龄、用户性别、操作系统、App版本等。
包括用户属性、设备属性。

事件分析的常见统计指标：
事件总次数：统计发生事件的总次数，即PV。
总用户数：统计发生目标事件的人数，即UV。
渗透率：发生目标事件的人数/产品活跃人数
人均次数：发生目标事件的总次数/总用户函数
事件频次分布：对事件发生批次求分布。
按指标属性求和/平均值/人均值。
组合指标：利用预置的函数自定义组合指标。

2、留存分析
留存分析是一种用来分析用户参与情况、活跃程度的分析模型.
通过对用户在产品中的留存现象进行分析，判断用户参与情况与活跃程度的关系，并观察在发生起始事件的用户中，
有多少发生了回访事件。通过留存分析，我们能够得知为什么用户在使用后能回到我们的产品中，或者为什么流失了，
从而判断产品对用户的黏性，衡量产品功能对用户的价值。
起始事件：起始事件是计算留存行为的依据事件，用来圈定留存分析中研究的目标客户群。例如2018年10月31号，发生app_launch的用户。
回访事件：在起始事件的用户中，在其后第N天做了回访事件的用户算作产品的N日留存用户。

留存率的计算公式：某一日的N日留存率 = 该天的N日留存用户数/该天的目标用户数

3、转换分析
以电商网站购物为例，一次成功的购买行为要依次涉及搜 索、浏览、加入购物车、修改订单、结算、支付等多个环节，
任何一 个环节出现问题都可能导致用户最终购买行为的失败。
窗口期：用户完成转化的时间，用户在设定的窗口期内完成完整的转换流程才算成功。
如果窗口期设为10分钟，那么只有发生"点击视频"后，在10分钟内按顺序完成了"视频加载""视频播放""视频播放完成"的用户才会被算作完成转化的用户。
若用户仅完成了"视频加载"事件，那么该用户被算作在"视频加载"->"视频播放"过程中流失的用户。
统计范围：指在本次转化分析中研究的用户所在的时间范围。