第1 章 數據分析基礎 1
1.1 什么是數據分析 1
1.2 為什么要做數據分析 5
1.3 數據分析的步驟 12
1.4 數據分析師的日常工作 16
1.5 數據分析師的前景和發(fā)展 21
第2 章 數據指標體系 24
2.1 數據指標和數據指標體系 24
2.1.1 數據指標 24
2.1.2 數據指標體系 26
2.2 為什么要搭建數據指標體系 27
2.2.1 監(jiān)控現狀 27
2.2.2 反映問題 28
2.2.3 預測趨勢 28
2.2.4 評估分析 30
2.2.5 決策支持 30
2.3 常見的數據指標體系 31
2.3.1 互聯網產品典型的數據指標體系 32
2.3.2 電商平臺的數據指標體系 35
第3 章 如何搭建數據指標體系 39
3.1 什么是數據埋點 39
3.2 為什么要埋點 40
3.3 如何設計埋點方案 42
3.4 埋點的開發(fā)流程 46
3.5 指標體系搭建方法論 50
3.5.1 OSM 模型 52
3.5.2 UJM 模型 54
3.5.3 AARRR 模型 55
3.6 數據指標體系搭建實戰(zhàn) 56
第4 章 數據分析方法論 62
4.1 什么是數據分析方法 62
4.2 營銷管理方法論 63
4.2.1 SWOT 分析 63
4.2.2 PEST 分析 64
4.2.3 4P 理論 65
4.3 常用數據分析方法論及其應用 67
4.3.1 對比細分 67
4.3.2 生命周期分析法 69
4.3.3 RFM 用戶分群法 73
4.3.4 相關性分析 78
4.3.5 用戶畫像分析 84
4.3.6 Aha 時刻 92
4.3.7 5W2H 分析法 93
4.3.8 麥肯錫邏輯樹分析法 99
4.3.9 漏斗分析法 105
第5 章 用戶留存分析 112
5.1 什么是用戶留存 112
5.2 為什么要進行用戶留存分析 113
5.3 影響用戶留存的可能因素 115
5.4 用戶留存的3 個階段 117
5.5 用戶留存分析的常見方法——挖掘Aha 時刻 119
5.5.1 用戶留存分析的業(yè)務背景和分析思路 120
5.5.2 分析過程 123
第6 章 用戶特征分析 131
6.1 用戶特征分析適用的業(yè)務場景 131
6.1.1 尋找目標用戶 132
6.1.2 尋找運營抓手 134
6.1.3 精細化運營（用戶分層） 135
6.2 用戶特征分析的方法 136
6.2.1 用戶畫像分析 136
6.2.2 聚類分析 137
6.2.3 監(jiān)督模型 140
6.2.4 RFM 用戶分群 141
6.3 用戶特征分析和用戶預測模型的區(qū)別與聯系 142
6.4 評估用戶特征 143
第7 章 用戶流失分析 146
7.1 什么是用戶流失 146
7.2 用戶流失分析常見錯誤 147
7.3 生命周期和流失 148
7.3.1 產品的生命周期 148
7.3.2 用戶的生命周期 151
7.4 流失用戶的確定方法 153
7.5 用戶流失分析和預測 153
7.6 如何召回流失用戶 155
7.7 總結 157
第8 章 從零開始完成數據分析項目 159
8.1 項目背景 159
8.2 制訂需求分析框架和分析計劃 161
8.3 數據的提取和摸底 166
8.4 特征工程 171
8.4.1 什么是特征工程 171
8.4.2 特征工程的重要性 172
8.4.3 特征分布變換 173
8.4.4 生成衍生變量 174
8.4.5 分箱轉換 175
8.4.6 特征篩選 176
8.5 初步搭建挖掘模型 177
8.6 完成分析報告和落地應用建議 178
8.7 制定具體的落地方案和評估方案 180
8.8 業(yè)務落地實驗方案和效果評估 181
8.9 項目總結 181
第9 章 關于數據分析師常見的困惑和問題 183
9.1 為什么數據分析師找工作這么難 183
9.1.1 競爭大 184
9.1.2 不懂業(yè)務 184
9.1.3 簡歷和面試 185
9.2 數據分析師的專業(yè)選擇 185
9.3 數據分析師面試流程 187
9.4 數據分析師最重要的能力 192
9.4.1 講故事 193
9.4.2 判斷項目ROI 194
9.4.3 業(yè)務深度 194
9.4.4 信念 195
9.4.5 熱情 196
9.4.6 換位思考 197
9.5 常見的數據分析師的困境 197
9.5.1 陷入取數困境 198
9.5.2 陷入報表困境 199
9.5.3 陷入落地難困境 201
9.5.4 陷入成長困境 203
鄂公網安備 42010302001612號 