一、数据和数据采集
1.数据的构成
一条数据是由事件、属性、参数三个要素构成的。数据=事件【属性=参数】【属性=参数】...
eg:购买数据=购买商品[商品数量=3][商品金额=100]
注册数据=注册[注册方式=网站][注册时间=20200326][...]
数据由事件触发，属性和参数构成了对事件的完整描述。
2.数据采集的途径
第一种途径是埋点，埋点是数据采集最常用的方式。
数据埋点就是在事件被触发的地方，设置一个数据收集点，当触发这个数据收集点的事件出现时，对数据进行收集。例如需要收集注册用户的数据，可以在注册用户的代码上埋个数据收集点。每当用户注册时进行一次数据收集。
第二种方法是无埋点，无埋点是指无需代码埋点的技术。
数据收集人员可以通过数据采集工具对需要采集的数据点进行设置。例如，需要收集用户点击了购买按钮的次数，可以通过无埋点工具讲购买按钮设置成一个数据采集点，每当用户点击了购买数据就可以进行一次数据收集。
埋点和无埋点的对比：代码埋点可以收集详细的数据信息。比如用户购买事件的具体行为数据购买商品的数量和金额等数据。无埋点方法只能收集简单的用户行为事件。比如用户点击了多少次购买按钮但是不能采集购买的详细信息。代码埋点每次需要收集数据都需要修改代码重新发布版本，对于临时数据收集需求不是很方便。无埋点不需要修改代码将收集点设置好就可以进行数据收集了。
第三种方法就是从数据库和日志中获取。
二、数据指标
1.数据的分类
结果型数据：用于描述产品怎么样？比如销售率、转化率、点击率
过程型数据：用于了解产品现状的原因。解决为什么这样？如：浏览量、跳出率等。
相对数据：百分比，如留存率、转化率等
绝对数据：反应规模的大小，如销售量、用户量等。
2.指标的维度
任何不加维度的数据都是耍流氓。比如我们经常听到一款产品的用户量多达几亿时我们需要问如下问题：现在正在使用的用户数是多少？每天新增用户有多少？用户流失率是多少？等
时间维度：通过纵向对比不同时间，我们可以得到数据随时间变化的趋势。
用户属性：可以按照注册时间将用户分为新用户、老用户；按照地区分为一线用户、二线用户等；按照目的分为用户或卖家；按照活跃度分为活跃用户和非活跃用户。
终端类型：PC端、用户端；Web、APP、Wap；用户小程序、百度轻应用。
等
3.常用指标
可以参考之前的文章
爽爽：互联网行业的那些事--互联网数据指标0 赞同 · 0 评论文章
三、数据监控后台指标怎么选
给大家提供了这么多指标，那我们到底选择哪些呢？
通过核心业务驱动是快速搭建数据监控指标体系的不二法则。
1.为什么要有数据监控后台
将数据生产与市场反馈相关联，按照市场需求方向进行迭代改进。通过数据后台，不用耗时耗力去做大量用户访谈调查，就可以直接真实地看到用户的行为：到底用到了产品那些部分等。
2.两步设计平台
第一步：核心数据指标的选择
可以利用核心业务驱动来辅助定义数据指标范围：通用指标->准确识别核心业务->确定核心业务数据指标->组合得到完整的数据点列表。
闭环设计的核心就在于把握市场的反馈，所以要精确地选择反映问题的数据指标称之为元数据。
要格外注意采集数据颗粒度。采集数据颗粒度过细会导致应用缓慢，由于数据平台的使用方向定位不明，导致事无巨细的埋点，夸张点说一个图文资讯类的产品用户打开后，流量消耗和看视频一样，这样肯定用户流失率很大。数据统计点过少（颗粒度过大）会导致发现问题但无法定位具体原因。如何精准把握颗粒度：首先问一个问题我们关心的核心业务是什么？对于不同的产品迭代初期都应该有一个核心业务，就是最想让用户用这个产品做什么。然后我们需要思考什么样的指标可以衡量这个核心业务的好坏。
第二步：辅助指标圈定
这里给大家一些行业通用的指标：
日、周、月活：产品生命周期
留存率：产品是否真正解决了用户的痛点
渠道评价：渠道拉新能力、拉新说用成本从而判断渠道优劣。
新增用户：产品外部曝光力度大小调整。
用户基本画像：用户是包含什么属性的社会群体，是高净值客户还是一般客户
用户行为习惯：用户使用产品的规律怎样，什么时间段用户使用频率最高，周期如何
四、数据分析方法
1.分析思维
对比思维：
分类思维、平均思维等。
2.基础方法
杜邦分析法：杜邦分析法是将核心数据一层一层向下拆分，将一个数据拆分成多个组成的部分，通过这个方法可以找到影响数据的相关因素。
矩阵分析法：通过核心指标、将数据分成多个矩阵区间，然后分析各个区间的数据，避免大而全的面面俱到分析。RMF模型就是矩阵分析的一个重要应用。通过最近一次洗哦阿飞、消费频率和消费金额三个维度，将客户分为重要发展客户、重要价值客户等8个区间。然后对每个区间的用户根据其特点定制不同的运营策略。
漏斗分析法：漏斗分析针对用户的关键路径从开始到结束，每个环节的转化率进行分析的方法。能直观看出用户在每个环节的流失或转化情况，然后有针对性的进行优化。
