01 什么是用户行为
目的：分析用户购买行为
用户行为由最简单的五个元素构成：时间、地点、人物、交互、交互的内容。
量化指标：将分析框架中的问题形成可量化的指标进行衡量和评价
如月均购买次数、人均购买量、再次购买平均间隔时长
用户行为分析就是通过对这些数据进行统计、分析，从中发现用户使用产品的规律，并将这些规律与网站的营销策略、产品功能、运营策略相结合，发现营销、产品和运营中可能存在的问题，解决这些问题就能优化用户体验、实现更精细和精准的运营与营销，让产品获得更好的增长。
02 为什么需要用户行为分析
可以掌握用户从哪里来，进行了哪些操作，为什么流失，从哪里流失等等。从而提升提升用户体验，平台的转化率，用精细化运营使企业获得业务增长。
03 如何采集用户行为数据
用户行为分析重要，为何做好的很少?
答案：数据采集不全面，分析模型不完善
传统方式：在按钮加入监测代码“埋点”，埋点耗费大量人力精力（前端筛选定位）
新兴方式：无埋点采集，如mixpanel （服务器端对对象筛选定位）
数据分析入门：初识数据埋点（一）
私有化部署：部署在公司服务器上，定制化程度高，安全，难度也高
第三方统计插件：如Google Analytics
什么时间埋点
04 如何做好用户行为分析
明确业务目标，梳理业务流程，找出需要检测的关键数据节点
做好基础的数据搜集和整理
掌握以下用户行为分析模型（转化漏斗）
AARRR
05 常用分析指标
基本指标
PU 访问量
VU 独立访客
推荐算法
这里是一些典型的基于存储系统的数据应用：
搜索优化，经典的点击调权算法，利用用户点击数据来改进结果的排序。
文本挖掘，例如刚刚的板球的例子，在这一层可以很好的得到解决。
精准广告，例如经典的CTR预估模型，也是可以在这一层得到很好的支持。
百度app：阅读、评论、转发，由于没有购买行为，因此阅读时长、频次、跳出率是分析时应该注重的指标
京东金融：更为关注的是否首投、复投这些消费行为数据。
上面这个链接中提到的分析指标十分全面，包括：
数据统计的名词术语：
PV(Page View) : 页面浏览量
UV(Unique View)：独立访客数量，同一客户端，在00:00-24:00内访问算一次
新增用户量：激活用户数或者安装用户数
活跃用户数：日活跃用户数DAU，周活跃用户数WAU，月活跃用户数MAY
启动次数：用户使用一次应用，日平均启动次数
转化率：用户产生相应动作访问量/总访问量（子内容网页访问量/app访问量），衡量网站内容对访问者的吸引程度，以及网站宣传效果
最高用户在线数：衡量系统运行压力的重要指标，以及衡量运营期间受欢迎程度，游戏产品使用较多
渠道：市场营销属于，商品流通路线
包括小米应用商店，360应用商店，机锋商店，百度手机助手等
获客成本：营销成本/新用户数，新访客，新注册用户，第一次下单
平均付费ARUP：总收入/平均付费用户数，从某方面衡量产品盈利能力，以及发展活力
数据维度与指标
用户留存：使用应用后过一段时间还继续使用的用户数量
次日留存率=（新增注册用户，第二次使用该应用）/(新增注册用户)*100%
产品生命周期
1）相遇：1-7天内使用情况及意愿
2）相知：成长期（2-4周）
3）相爱：忠诚期（5-10周）
4）相离: 流失期（11-12周以后）
用户留存率评定用户粘度，产品质量：留存率越高，用户质量越好，用户忠诚度越高。
指标维度
次日留存：用户首次体验满意度
7日留存：完整体验后留下来的忠诚用户
30日留存：主要看版本更新后，用户流失情况
健康表现
1-7-30日留存率不低于40%-25%-10% （行业规律）
内容型平台关注数据指标
- 基本指标：页面浏览量，访问量，独立访客数，跳出率，页面停留时长，网站停留时长，退出率，转化率，页面退出率
- 指标维度：
（1）内容热度：分享次数，推荐次数，点赞次数，评论数
（2）用户情况：新用户，活跃用户，沉寂用户占比的变化，增长的趋势等
若想了解一个行业或一个产品的数据，如何收集到靠谱的数据呢？
- 切入思路：从流量、市场占有率、用户交付使用深度，舆情等角度
- 常用工具：Alexa、AppAnnie,ASO 100,艾瑞的互联网行业研究报告、易观，Gartner的研究报告，IDC,TalkingData的游戏行业研究
关于移动互联网产品的指标分析初探
分析这24个App的重要指标，是对精细化运营的践行
黑客式增长：如何运用分析指标框架，驱动互联网产品和运营
产品数据分析的三个层次
产品数据分析的三个层次
06 AB测试
以今日头条为例，详述数据思维驱动产品设计的方法论
什么是A/B测试
把实验对象随机分组，将一个或多个测试组的表现与对照组进行对比
A/B测试目的
通过科学实验设计，保证实验采样样本无偏，有代表性的前提下，分割流量，与最小流量测试方式，获得具有代表性的实验结论，并确信该结论在推广到全部流量可信。
实验组和对照组之间，一次测试只设置1个变量。实验前需要设置核心观测指标，通过数值判断测试结果好坏
SQL函数
如何七周成为数据分析师10：SQL，从入门到熟练
秦璐
hql：有age、score两列，求18 - 24每个年龄段的平均分数。如何一句话就可以搞定？
select avg(score) from 表 where age in (18,24)
(where age between 18 and 24)
完整的HQL语句形势如下：
Select/update/delete…… from …… where …… group by …… having …… order by …… asc/desc
排序order by
SELECT * FROM Python_jobs order by Python_jobs.level （升序）
SELECT * FROM Python_jobs order by Python_jobs.level desc （降序）
SQL优化
因此在开发统计查询系统时，尽量使用通过select语句写出需要查询的属性的方式来返回关系数据，而避免使用第一种查询方式返回持久化对象（这种方式是在有
修改需求时使用比较适合），这样可以提高运行效率并且减少内存消耗。
ETL
抽取->转换->加载
百度APP分析
用户在闲暇时刻最爱用这些App，百度上榜一点不让人意外
信息流业务看上去与搜索没关系，实际上它还是一种被动式搜索，背后的自然语言处理、用户画像等等技术都是百度所擅长的，同时，百度没有采取独立做App的方式，而是以百度App为主阵地将搜索用户转化到信息流，也是很对的战术，省下了独立App的成长时间，而且搜索与信息流场景本身就可以互相转化。
百度App日活1.37亿，新媒体属性得到用户认可
百度App日活破1.5亿 谁是百度的增长黑客？
抖音分析
抖音深度分析报告
PEST分析短视频行业现状
用户特点，覆盖范围
全屏幕沉浸式体验，算法推荐，只管上滑
抖音的增长黑客 - AARRR模型
关于抖音，这应该是全网最深度的分析
数据告诉你，抖音凭什么逆袭？
今天的抖音营销峰会说了啥？一文详解抖音ACI营销全景！
《抖音企业蓝V白皮书》（附全文链接）
这一切都体现了沉浸式体验的设计思路。APP需要让用户投入其中，且避免一切会打断用户的事件。抖音的设计强化了这种交互闭环，视频自动播放-喜欢点赞-关注主播-上划切换下一个视频，循环这个过程。
所以换句话说，抖音的设计核心就是三个字：注意力。
但抖音这种交互的容错率也很低，必须搭配强大的推荐系统。试想如果你连看了好几个视频，结果都不感兴趣，是不是就会选择卸载APP?当然，高风险也伴随着高回报率，如果推荐效果好的话，很多人就会很难离开抖音。
常用统计方法
互联网运营人员都在用的几种数据分析方法
描述性统计：均值，方差，最小值、1/4分位数、均值、3/4分位数、最大值
判别分析(贝叶斯判别、费谢尔判别、非参数判别等)，聚类分析(系统聚类、动态聚类等)，探索性分析(主成分分析等)等
网友评论