基本分析方法
数据分析更多是基于业务的角度来总结数据，发现数据背后的结论
-- 对比分析
横向对比--跟自己比
纵向对比--跟其他人比
如何判断新版发布效果？
单纯对比新老版本app各项关键数据会有偏颇，对于Android用户第一时间升级新版本的都是活跃用户。一般会选择两个版本发布初期的新用户，保证对比指标之外的其他因素保持一致
-- 趋势分析
数据多的时候便捷的方法，数据可视化，大量数据情况下更加直观
-- 象限分析
依照数据的不同将各个比较主体划分到四个象限中，区分制定每个象限中的策略
-- 交叉分析
对数据在不同维度进行交叉展现，进行多角度的结合分析，叠加不同维度能发现很多信息，比如版本维度、渠道维度、时间维度等。
从多个维度细分数据，从中发现最为相关的维度来探索数据变化的原因
数据分析框架--AARRR
分析框架和分析方法有什么区别？
分析方法：面对具体数据的时候所需要掌握的方法，用来挖掘数据背后隐藏的有用信息
分析框架：分析思路，面对问题的时候如何去开展分析工作
数据分析框架具体有哪些作用？
把抽象问题具体化，基于业务特征和数据指标来构建相关的分析体系，保证分析结果的准确性、可靠性和针对性。
常用的分析框架
PEST分析，政治、经济、社会、技术四个方面分析宏观环境
4P理论，营销常用
5W2H理论，比较万能
SMART框架，目标管理
SWOT分析，战略分析
互联网常用的数据模型--AARRR
用来分析新公司和新产品的可行性，提出赢得客户需要经历的五个阶段
获取用户--激活用户--留存用户--收入--引荐
如何使用AARRR模型？
能够打通整个数据，从上下流结合来分析各个部分的数据
数据分析框架--逻辑分层拆解
什么场景使用这个框架？
存在最为关注的核心指标，当核心指标发生变化时候，探究变化的原因就需要依赖逻辑分层拆解来分析
怎么样解决这些问题？
逻辑拆解，寻找跟核心指标有逻辑关系的相关的指标，存在强烈的逻辑关联，要清楚如何影响核心指标
分层拆解，第一层直接解释核心指标变动大方向；第二层针对大方向的细分，定位问题更加准确和可操作性。同一层里面各个相关指标都代表一个寻找方向，不能有相关性
不能保证能找到所有拆解出来的数据怎么办？
这个方法的局限性会遗漏指标，找多个进行脑暴，补全指标
数据分析框架--漏斗分析
解决什么样的问题？
分析从潜在用户到最终用户这个过程中，用户的变化趋势，从而寻找最佳的优化空间。
注意的点？
1、转化率需要对比，进行横向对比和纵向对比
2、不同用户类别在漏斗中的转化率有很大的差异，要有细分的漏斗模型
实际流程和模型不匹配怎么办？
利用google analytics，用户的真实路径的行为流，可以分析用户为什么要这么走，而不是沿着设计好的流程
数据会说谎
数据是客观的，但是看数据人会有一些主观的意识
如何避免被趋势数据图欺骗？
采用拟合的方法，获得趋势线的公式，直接看斜率
数据都是有背景信息的，如何理解？
数据样本要有代表性，样本量大小（总体大小、总体内部差异程度）
平均数的坑？如何避免？
注意某些被平均的场景。数据是正态分布的情况下，平均数才代表整体情况；大多数互联网产品数据分布都是长尾分布的。所以在看平均数之前，最好先check一下数据分布情况。长尾分布要看数据最为集中的点作为平均的代表。
辛普森悖论
数据集中的变量被分组之后，数据的相关性被降低。产品形态是一个混淆变量，用产品形态将数据进行细分，形成各个子群体，子群体的数据水平跟主群体的数据不再相关
