业务分析模型

业务分析模型基础

数据分析核心价值：创造业务价值

什么是业务分析模型

在分析解决业务问题过程中采用的方法和手段，经整理提炼后形成的方法论

有哪些业务分析方法

基础分析法: 对比分析、多维度拆解、公式拆解

用户分析法: 用户行为路径、用户留存、用户画像、同期群分析

营销模型: AARRR模型、RFM模型、4P营销理论

专项工具: 漏斗分析、矩阵分析、行为序列分析

业务分析模型框架

自下而上学习

↑ 战略层次	宏观层面
	行业生命周期理论｜ PEST分析模型｜波特五力模型｜ 4P营销理论｜竞品分析｜费米问题
	产品生命周期引入期成长期成熟期衰退期
	AARRR模型 RFM模型人货场模型 5W2H分析法用户画像用户留存分析用户行为理论同期群分析
	数据指标
	对比分析法｜矩阵分析法｜公式拆解法｜多维度拆解法｜周期性分析｜漏斗分析法
	用户数据行为数据程序数据产品数据
⌞	生命周期 →

宏观层面

1. 通过熟悉行业基础信息，了解行业整体概况

行业生命周期四阶段：

初创期：产品未被广泛接受，商业战略实施不清晰，高风险阶段
成长期：产品被接受，业务快速拓展，竞争者大量涌入
成熟期：市场趋于饱和，竞争格局稳定
衰退期：新技术或消费偏好改变导致需求下降

了解要点：行业定义、产品服务、市场规模/增速、行业历史发展

2. 通过PEST分析，了解外部经营环境

政治因素 (Political)：

包括社会制度、政府政策等
案例：国家支持职业教育和人工智能行业发展

经济因素 (Economic)：

宏观经济：人口数量、国民收入等
微观经济：消费者水平、消费偏好等

社会因素 (Social)：

教育程度、宗教信仰、审美观点等
影响产品设计和市场接受度

技术因素 (Technological)：

新技术、新工艺、新材料的发展
案例：先进技术企业更具竞争力

3. 通过"五力竞争模型"，了解内部市场环境

五大核心因素：

现有竞争者竞争能力
供应商议价能力
购买者议价能力
潜在竞争者进入能力
替代品替代能力

应用价值：了解行业供应链、竞争情况（资源集中度、准入门槛）

4. 通过标杆企业，了解销售渠道、供应链等问题

5. 通过企业竞品，了解目标用户、应用场景等问题

分析维度：

市场环境：蓝海/红海/平稳
用户画像：社会属性、行为习惯等
产品痛点：不可替代性
使用场景：触发条件

价值：对比自身产品优劣势，提出改进建议

产品生命周期

引入期：

重点：优化产品体验
数据分析侧重：用户行为数据监控

成长期：

重点：扩大用户规模
数据分析侧重：新增、活跃、留存、渠道数据

成熟期：

重点：提升盈利
数据分析侧重：会员、成单数据

衰退期：

重点：寻找第二增长曲线
数据分析侧重：内容、品牌数据

数据指标

好数据指标特征：

比较性：能比较不同时间、群体、竞品差异
简单易懂：便于记忆和采取行动
比率形式：兼顾各种影响因素关系
可行动性：看到变化能及时响应

数据类型：

用户数据：性别、年龄等基础属性
行为数据：点击次数、停留时间等
态度数据：满意度、NPS（净推荐值，即口碑）等
产品数据：名称、价格、销量等

指标分析

对比分析法

1. 什么是对比分析法

定义：将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小、水平高低、速度快慢等相对数值

核心作用：通过相同维度下的指标对比，发现业务在不同阶段的问题

数据特性：绝对数据意义不大，要看相对数据（如 30%用户满意度，无法判断好坏）

2. 如何使用对比分析法

比什么

绝对值：本身具备价值的数字
比例值：需在具体环境中看比例才有价值
注意事项：
- 绝对值不易判断严重程度（如减少500用户对1000用户和10000用户影响不同）
- 比例值容易忽略数据量级（90%活跃率的1000用户产品 vs 10%活跃率的10万用户产品）

和谁比

和自己比：
- 趋势分析：不同时期数据对比（如本月vs上月）
- 同类对比：同公司不同业务线（如教育公司的各学科板块）
- 目标对比：与既定目标差距（如实际销售额vs目标销售额）
和行业比：
- 行业平均水平或标杆企业对比
- 判断自身因素还是行业趋势（都涨时要比同行涨得快，都跌时要比同行跌得慢）

怎么比

数据整体大小：平均值、中位数
数据波动：变异系数（变异系数=标准差/平均值）
趋势变化：
- 时间折线图：时间为横轴，观测数据为纵轴
- 环比：相邻周期对比（今日vs昨日，本月vs上月），适合短期连续性分析
- 同比：同期对比（今年7月vs去年7月），消除季节因素影响

3. 对比分析法注意事项

维度规模一致：对比总体数值时需确保对比维度规模相同

案例：地区销售额对比需考虑店铺数量差异（15家店地区A vs 5家店地区B）
解决方法：计算单店日均销售额后，原"业绩差"的B地区实际表现最佳

比例值陷阱：活跃率90%的1000用户产品实际价值可能低于活跃率10%的10万用户产品

4. 应用场景

常见应用：柱状图/条形图背后的原理就是对比分析，通过多个柱子/条之间的对比呈现数据差异

技术应用：A/B测试的核心思想也是对比分析，通过对比不同版本的表现来优化决策

案例分析：

{
  "title": { "text": "各渠道9月份获客分析", "textStyle": { "fontSize": 14 } ,
    "left": "center"},
  "tooltip": { "trigger": "axis", "axisPointer": { "type": "shadow" } },
  "legend": { "top": 30, "data": ["渠道A","渠道B","渠道C"] },
  "grid": { "left": "6%", "right": "4%", "bottom": "8%", "top": 70, "containLabel": true },
  "toolbox": {
    "show": true,
    "feature": {
      "dataView": { "show": true, "readOnly": false },
      "magicType": { "show": true, "type": ["line","bar"] },
      "restore": { "show": true },
      "saveAsImage": { "show": true }
    }
  },
  "xAxis": {
    "type": "category",
    "data": ["访问量","下载量","注册量"],
    "axisTick": { "alignWithLabel": true }
  },
  "yAxis": {
    "type": "value",
    "min": 0,
    "max": 50,
    "interval": 10
  },
  "series": [
    {
      "name": "渠道A",
      "type": "bar",
      "data": [45,25,35],
      "itemStyle": { "color": "#4B84E6" }
    },
    {
      "name": "渠道B",
      "type": "bar",
      "data": [25,45,20],
      "itemStyle": { "color": "#F28E2B" }
    },
    {
      "name": "渠道C",
      "type": "bar",
      "data": [20,20,30],
      "itemStyle": { "color": "#9E9E9E" }
    }
  ]
}

对比要点一：统一标准维度

时间维度：案例中所有数据都基于9月份这个统一时间标准
空间维度：也可以采用渠道维度，如渠道A在1-12月的数据对比
基本原则：无论采用何种维度，对比必须建立在统一的大标准下

对比要点二：影响因素拆分

维度选择：将获客效果拆分为访问量、下载量、注册量三个关键指标
分析示例：
- 渠道A：访问量最高但下载流失严重
- 渠道B：下载量最高但注册转化差
- 渠道C：访问下载量低但注册留存好

对比要点三：量纲统一

反面案例：图表中出现下载量高于访问量的异常现象
原因分析：各指标单位不一致（访问量：万/单位，下载量：千/单位，注册量：百/单位）
正确做法：对比时需确保各数据使用相同的计量单位和量纲
方法论延伸：对比分析法可与其他分析方法结合使用，如：
- 用户行为序列分析
- 多维度拆解法
- 漏斗分析法
- 同期群分析
- AARRR模型等

多维度拆解法

1. 什么是多维度拆解法

定义：通过不同角度（维度）观察同一组数据，从而洞察数据波动背后的原因

维度：看待问题的角度，例如用户可分为新用户、老用户等不同视角

拆解：做加法的过程，将整体拆分为多个维度之和

2. 从哪些维度进行拆解

指标构成拆解：分析单一指标的组成结构

案例1：用户指标可拆解为新用户+老用户
案例2：按性别拆分为男用户+女用户
案例3：按城市拆分为北京+上海+深圳等用户

业务流程拆解：按业务流程环节进行拆分

案例1：不同渠道的用户付费率对比
案例2：不同城市的用户付费率分析

3. 应用场景

a. 某app启动事件的分析

业务背景：某穿搭APP在微博进行大V推广后，需评估推广效果

分析维度：对APP启动事件进行4个维度拆解

设备类型（iPhone/安卓/美图）

数据显示iPhone系列远远高于其他两列，符合公司穿搭产品的定位

{
  "title": { "text": "APP启动事件（按 设备类型 查看）", "left": "center", "textStyle": { "fontSize": 14 } },
  "tooltip": { "trigger": "item", "formatter": "{a}<br/>{b}: {c}" },
  "legend": { "bottom": 0, "data": ["iPhone 系列","Android 系列","Meitu"] },
  "toolbox": {
    "show": true,
    "feature": {
      "dataView": { "show": true, "readOnly": false },
      "magicType": { "show": true, "type": ["bar","line"] },
      "restore": { "show": true },
      "saveAsImage": { "show": true }
    }
  },
  "grid": { "top": 60, "left": "10%", "right": "10%", "bottom": 60 },
  "xAxis": { "type": "category", "data": ["总量"] },
  "yAxis": { "type": "value", "min": 0, "max": 100 },
  "series": [
    { "name": "iPhone 系列", "type": "scatter", "data": [68], "symbol": "triangle", "symbolSize": 18, "itemStyle": { "color": "#E3B341" } },
    { "name": "Android 系列", "type": "scatter", "data": [32], "symbol": "rect", "symbolSize": 16, "itemStyle": { "color": "#2F7D32" } },
    { "name": "Meitu", "type": "scatter", "data": [25], "symbol": "circle", "symbolSize": 14, "itemStyle": { "color": "#2768C6" } }
  ]
}

启动来源（桌面/PUSH推送）

数据显示PUSH推送入口占比显著高于桌面入口，用户主要是因PUSH下发的穿搭推送产生兴趣而进入APP

{
  "title": { "text": "APP启动事件（按 启动来源 查看）", "left": "center", "textStyle": { "fontSize": 14 } },
  "tooltip": { "trigger": "item", "formatter": "{a}<br/>{b}: {c}" },
  "legend": { "bottom": 0, "data": ["从桌面","从 PUSH"] },
  "toolbox": {
    "show": true,
    "feature": {
      "dataView": { "show": true, "readOnly": false },
      "magicType": { "show": true, "type": ["bar","line"] },
      "restore": { "show": true },
      "saveAsImage": { "show": true }
    }
  },
  "grid": { "top": 60, "left": "10%", "right": "10%", "bottom": 60 },
  "xAxis": { "type": "category", "data": ["总量"] },
  "yAxis": { "type": "value", "min": 0, "max": 100 },
  "series": [
    { "name": "从桌面", "type": "scatter", "data": [25], "symbol": "triangle", "symbolSize": 18, "itemStyle": { "color": "#E3B341" } },
    { "name": "从 PUSH", "type": "scatter", "data": [88], "symbol": "rect", "symbolSize": 18, "itemStyle": { "color": "#2F7D32" } }
  ]
}

城市等级（超一线/一线/二线/三线及以下）

数据显示超一线远高于其他城市

{
  "title": { "text": "APP启动事件（按 城市等级 查看）", "left": "center", "textStyle": { "fontSize": 14 } },
  "tooltip": { "trigger": "item", "formatter": "{a}<br/>{b}: {c}" },
  "legend": { "bottom": 0, "data": ["超一线","一线","二线","三线及以下"] },
  "toolbox": {
    "show": true,
    "feature": {
      "dataView": { "show": true, "readOnly": false },
      "magicType": { "show": true, "type": ["bar","line"] },
      "restore": { "show": true },
      "saveAsImage": { "show": true }
    }
  },
  "grid": { "top": 60, "left": "8%", "right": "8%", "bottom": 60 },
  "xAxis": { "type": "category", "data": ["总量"], "axisTick": { "show": false } },
  "yAxis": { "type": "value", "min": 0, "max": 100 },
  "series": [
    { "name": "超一线", "type": "scatter", "data": [90], "symbol": "triangle", "symbolSize": 18, "itemStyle": { "color": "#E3B341" } },
    { "name": "一线", "type": "scatter", "data": [12], "symbol": "rect", "symbolSize": 14, "itemStyle": { "color": "#2F7D32" } },
    { "name": "二线", "type": "scatter", "data": [9], "symbol": "circle", "symbolSize": 12, "itemStyle": { "color": "#2768C6" } },
    { "name": "三线及以下", "type": "scatter", "data": [6], "symbol": "diamond", "symbolSize": 12, "itemStyle": { "color": "#C35A5A" } }
  ]
}

用户类型（新用户/老用户）

数据显示整体日活变化不大（略有上升），新用户占比上升掩盖了老用户流失问题，周环比显示老用户活跃度持续下降

{
  "title": { "text": "APP启动事件（按 新老用户 查看）", "left": "center", "textStyle": { "fontSize": 14 } },
  "tooltip": { "trigger": "axis" },
  "legend": { "top": 25, "data": ["总体","老用户","新用户"] },
  "toolbox": {
    "show": true,
    "feature": {
      "dataView": { "show": true, "readOnly": false },
      "magicType": { "show": true, "type": ["line","bar"] },
      "restore": { "show": true },
      "saveAsImage": { "show": true }
    }
  },
  "grid": { "left": "6%", "right": "5%", "top": 60, "bottom": 40, "containLabel": true },
  "xAxis": { "type": "category", "data": ["week 21","week 22","week 23"] },
  "yAxis": { "type": "value", "min": 0, "max": 100 },
  "series": [
    {
      "name": "总体",
      "type": "line",
      "data": [72,88,92],
      "symbol": "triangle",
      "symbolSize": 10,
      "lineStyle": { "width": 2 },
      "itemStyle": { "color": "#E3B341" },
      "smooth": true
    },
    {
      "name": "老用户",
      "type": "line",
      "data": [60,53,50],
      "symbol": "rect",
      "symbolSize": 9,
      "lineStyle": { "width": 2 },
      "itemStyle": { "color": "#2F7D32" },
      "smooth": true
    },
    {
      "name": "新用户",
      "type": "line",
      "data": [12,35,42],
      "symbol": "circle",
      "symbolSize": 8,
      "lineStyle": { "width": 2 },
      "itemStyle": { "color": "#2768C6" },
      "smooth": true
    }
  ]
}

分析结论：

成功点：推广策略正确，成功吸引新用户
问题点：
- 运营力量不足，仅覆盖北上广深推送
- 其他城市流量未被有效转化
- 新用户增长被老用户流失抵消
最终效果：整体日活表现一般

b. 房价影响因素的分析

先整体拆分影响因素大类，再深入探索每个子维度，比如：

# 房价影响因素

## 城市
- 超一线
- 一线
- 二线
- 区域中心
- 净流出地

## 区域
- CBD区
- 新区
- 老区
- 近郊
- 远郊

## 产品
- 产权
- 楼龄
- 朝向
- 户型
- 景观

## 资源
- 交通
- 医疗
- 教育
- 商业
- 配套

漏斗分析法

1. 什么是漏斗分析法

定义：是一套流程分析方法，适用于流程长、环节多且流量逐层流失的场景（如互联网产品/推广/运营分析）

漏斗：一连串向后影响的用户行为

2. 漏斗分析法的不足之处

根本局限: 属于"知其然不知其所以然"的方法，能定位问题但无法解释原因
典型表现:
- 特别当问题出现在漏斗末端时（如支付环节），难以判断具体流失原因
- 无法解释用户行为矛盾（如不喜欢商品却延迟退出的现象）
解决建议: 需要结合用户行为路径分析、同期群分析等其他方法进行深度诊断

3. 应用场景

步骤	参考数据			商品 A			商品 B
步骤	完成人数	转化率	最终转化率	完成人数	转化率	最终转化率	完成人数	转化率	最终转化率
首页	10,000			10,000			10,000
广告页	5,000	50%		2,000	20%		5,000	50%
详情页	4,000	80%		1,600	80%		4,000	80%
购物车	2,500	63%		1,000	63%		2,500	63%
支付页	2,000	80%		800	80%		750	30%
完成支付	1,500	75%	15%	600	75%	6%	563	75%	6%

{
  "title": {
    "text": "参考 VS 商品A VS 商品B",
    "left": "center",
    "top": 2,
    "textStyle": { "fontSize": 16, "fontWeight": "bold" }
  },
  "color": ["#1f77b4","#ff7f0e","#2ca02c","#d62728","#9467bd","#8c564b"],
  "legend": {
    "top": 24,
    "data": ["首页","广告页","详情页","购物车","支付页","完成支付"],
    "itemWidth": 14,
    "itemHeight": 14
  },
  "graphic": [
    { "type": "text", "left": "18%", "top": 52, "style": { "text": "参考数据", "fontSize": 12, "fontWeight": "bold" } },
    { "type": "text", "left": "50%", "top": 52, "style": { "text": "商品 A", "fontSize": 12, "fontWeight": "bold" } },
    { "type": "text", "left": "82%", "top": 52, "style": { "text": "商品 B", "fontSize": 12, "fontWeight": "bold" } }
  ],
  "tooltip": {
    "trigger": "item",
    "formatter": "{a}<br/>{b} 人数: {c}"
  },
  "toolbox": {
    "show": true,
    "right": 5,
    "top": 20,
    "feature": {
      "dataView": { "show": true, "readOnly": false },
      "restore": { "show": true },
      "saveAsImage": { "show": true }
    }
  },
  "series": [
    {
      "name": "参考数据",
      "type": "funnel",
      "left": "6%",
      "top": 76,
      "width": "26%",
      "minSize": "5%",
      "maxSize": "100%",
      "sort": "descending",
      "gap": 2,
      "label": { "show": true, "formatter": "{b}\n{c}" },
      "data": [
        { "value": 10000, "name": "首页",      "itemStyle": { "color": "#1f77b4" } },
        { "value": 5000,  "name": "广告页",    "itemStyle": { "color": "#ff7f0e" } },
        { "value": 4000,  "name": "详情页",    "itemStyle": { "color": "#2ca02c" } },
        { "value": 2500,  "name": "购物车",    "itemStyle": { "color": "#d62728" } },
        { "value": 2000,  "name": "支付页",    "itemStyle": { "color": "#9467bd" } },
        { "value": 1500,  "name": "完成支付",  "itemStyle": { "color": "#8c564b" } }
      ]
    },
    {
      "name": "商品 A",
      "type": "funnel",
      "left": "38%",
      "top": 76,
      "width": "26%",
      "minSize": "5%",
      "maxSize": "100%",
      "sort": "descending",
      "gap": 2,
      "label": { "show": true, "formatter": "{b}\n{c}" },
      "data": [
        { "value": 10000, "name": "首页",      "itemStyle": { "color": "#1f77b4" } },
        { "value": 2000,  "name": "广告页",    "itemStyle": { "color": "#ff7f0e" } },
        { "value": 1600,  "name": "详情页",    "itemStyle": { "color": "#2ca02c" } },
        { "value": 1000,  "name": "购物车",    "itemStyle": { "color": "#d62728" } },
        { "value": 800,   "name": "支付页",    "itemStyle": { "color": "#9467bd" } },
        { "value": 600,   "name": "完成支付",  "itemStyle": { "color": "#8c564b" } }
      ]
    },
    {
      "name": "商品 B",
      "type": "funnel",
      "left": "70%",
      "top": 76,
      "width": "26%",
      "minSize": "5%",
      "maxSize": "100%",
      "sort": "descending",
      "gap": 2,
      "label": { "show": true, "formatter": "{b}\n{c}" },
      "data": [
        { "value": 10000, "name": "首页",      "itemStyle": { "color": "#1f77b4" } },
        { "value": 5000,  "name": "广告页",    "itemStyle": { "color": "#ff7f0e" } },
        { "value": 4000,  "name": "详情页",    "itemStyle": { "color": "#2ca02c" } },
        { "value": 2500,  "name": "购物车",    "itemStyle": { "color": "#d62728" } },
        { "value": 750,   "name": "支付页",    "itemStyle": { "color": "#9467bd" } },
        { "value": 563,   "name": "完成支付",  "itemStyle": { "color": "#8c564b" } }
      ]
    }
  ]
}

案例对比:

商品A：广告页转化率仅20%，明显低于参考值50%，改进广告即可提升
商品B：各环节转化率正常（广告页50%、详情页80%、购物车63%），但支付完成率骤降至6%

问题诊断:

可能原因包括等待优惠、跨平台比价、商品细节不满意等
传统漏斗图无法解释为何用户不提前跳出

方法局限: 证实漏斗分析仅能发现问题位置，需结合用户调研等补充分析方法

公式拆解法

1. 什么是公式拆解法

定义：针对某项指标，用公式表现该指标的影响因素

参考理解：日销售额公式拆解

日销售额 = A商品销售额 + B商品销售额 + ...
            └─销售数量 × 客单价
                └─新客购买数量 + 老客购买其他产品数量 + 复购用户购买数量
                    ├─渠道A转化新客购买数量 + 渠道B转化新客购买数量 + ... 
                推广效果 = 渠道A新客销售额 - 渠道A推广成本

第一层：找到日销售额的影响因素
第二层：找到各商品销售额的影响因素
第三层：找到销售数量的构成因素
第四层：找到新客来源
第五层：计算渠道推广

注意事项：

拆解公式可以是加法、乘法或除法形式
需确保每层拆解都有数据支撑
同一指标可能存在多种拆解路径（如也可按销售额=流量×转化率×客单价拆解）

2. 应用场景

典型场景：适用于金额类指标分析（销售额、客单价、利润率等）

优势体现：当指标出现异常波动时，可系统化定位问题根源

局限条件：要求指标必须能用数学公式表达，且各要素可量化

案例分析：客单价下降原因分析

第一步：从客单价的计算公式着手

$$ \text{客单价} = \frac{\text{总交易额}}{\text{下单人数}} $$

第二步：选择合适的业务维度对指标进行拆分

$$ \begin{aligned} \text{客单价} &= \frac{\text{总交易额}}{\text{下单人数}} \\ &= \frac{\text{新客数}\times \text{新客客单价} + \text{老客数}\times \text{老客客单价}}{\text{下单人数}} \\ &= \frac{\text{新客数}}{\text{下单人数}}\times \text{客单价}_{\text{新客}} + \frac{\text{老客数}}{\text{下单人数}}\times \text{客单价}_{\text{老客}} \\ &= \text{新客数占比}\times \text{客单价}_{\text{新客}} + \text{老客数占比}\times \text{客单价}_{\text{老客}} \end{aligned} $$

第三步：基于拆出来的指标分析原因
比如客单价下降了，有可能原因：
- 情况1：新老客客单价相对稳定，但是新老客用户数比例变化，新客数占比上升，或者老客数占比下降
- 情况2：新老客用户数比例稳定，新老客的客单价往下掉，可能是两类客群都掉，也可能是其中一个
- 情况3：新老客的用户结构以及各自的客单价都有问题，也就是上面情况1和情况2都出现了

矩阵分析法

1. 什么是矩阵分析法

定义：通过两个指标的交叉，构造四个象限的分析矩阵，从而产生四种可能的结果（亦称 “象限分析法”）

2. 矩阵分析优势/劣势

直观（优势）：

通过可视化象限快速识别业务状态，如波士顿矩阵中明星产品位于右上象限
对角线对比可暴露核心矛盾，如高成本低收益vs低成本高收益
直接指示改进方向，如销售矩阵中待改进型需提升客户数量或成交额

局限（劣势）：仅适用于双指标分析，多指标需结合其他分析方法

3. 应用场景

a. 波士顿矩阵

指标选择：市场增长率与市场占有率
分类标准：
- 明星产品：市场占有率高且市场增长率高。需加大投资保持增长，如市场份额30%且年增长20%的新兴科技产品。
- 现金牛产品：市场占有率高但增长率低（如5%）。处于成熟阶段，需保持现状获取稳定现金流，例如可口可乐等成熟品牌。
- 问题产品：市场占有率低（如8%）但增长率高（如25%）。通常是风险与机遇并存的新产品，需谨慎决策是否转型投资。
- 瘦狗产品：双低产品（占有率<5%，增长率<3%）。建议尽快剥离，如过时的功能手机业务。

{
  "title": { "text": "波士顿矩阵", "left": "center", "top": 8, "textStyle": { "fontSize": 16 } },
  "tooltip": { "trigger": "item", "formatter": "{b}" },
  "legend": { "top": 56, "data": ["明星产品","现金牛产品","问题产品","瘦狗产品"] },
  "toolbox": {
    "show": true,
    "right": 10,
    "feature": { "dataView": { "show": true, "readOnly": false }, "restore": { "show": true }, "saveAsImage": { "show": true } }
  },
  "grid": { "left": 70, "right": 40, "top": 100, "bottom": 60 },
  "xAxis": { "name": "市场占有率(%)", "min": 0, "max": 40, "splitLine": { "show": true }, "axisLine": { "symbol": ["none","arrow"] } },
  "yAxis": { "name": "市场增长率(%)", "min": 0, "max": 30, "splitLine": { "show": true }, "axisLine": { "symbol": ["none","arrow"] } },
  "series": [
    {
      "name": "明星产品",
      "type": "scatter",
      "symbolSize": 36,
      "itemStyle": { "color": "#ffa940" },
      "label": { "show": false },
      "emphasis": { "label": { "show": true, "formatter": "{b}", "position": "top" } },
      "data": [
        { "value": [30,20], "name": "新兴科技产品\n占有率30% 增长20%" }
      ]
    },
    {
      "name": "现金牛产品",
      "type": "scatter",
      "symbolSize": 36,
      "itemStyle": { "color": "#00b3b3" },
      "label": { "show": false },
      "emphasis": { "label": { "show": true, "formatter": "{b}", "position": "top" } },
      "data": [
        { "value": [35,6], "name": "成熟品牌B\n占有率35% 增长6%" },
        { "value": [25,7], "name": "成熟品牌F\n占有率25% 增长7%" }
      ]
    },
    {
      "name": "问题产品",
      "type": "scatter",
      "symbolSize": 36,
      "itemStyle": { "color": "#b3b38f" },
      "label": { "show": false },
      "emphasis": { "label": { "show": true, "formatter": "{b}", "position": "top" } },
      "data": [
        { "value": [8,25], "name": "新品C\n占有率8% 增长25%" },
        { "value": [18,18], "name": "成长型E\n占有率18% 增长18%" }
      ]
    },
    {
      "name": "瘦狗产品",
      "type": "scatter",
      "symbolSize": 36,
      "itemStyle": { "color": "#888888" },
      "label": { "show": false },
      "emphasis": { "label": { "show": true, "formatter": "{b}", "position": "top" } },
      "data": [
        { "value": [3,2], "name": "功能机D\n占有率3% 增长2%" }
      ]
    },
    {
      "name": "quadrant-helper",
      "type": "scatter",
      "data": [],
      "silent": true,
      "z": -1,
      "markLine": {
        "symbol": ["none","none"],
        "lineStyle": { "type": "dashed", "color": "#666" },
        "data": [{ "xAxis": 20 }, { "yAxis": 15 }]
      },
      "markArea": {
        "silent": true,
        "data": [
          [ { "xAxis": 0, "yAxis": 30, "itemStyle": { "color": "rgba(179,179,143,0.15)" }, "label": { "show": true, "formatter": "问题产品" } },
            { "xAxis": 20, "yAxis": 15 } ],
          [ { "xAxis": 20, "yAxis": 30, "itemStyle": { "color": "rgba(255,169,64,0.15)" }, "label": { "show": true, "formatter": "明星产品" } },
            { "xAxis": 40, "yAxis": 15 } ],
          [ { "xAxis": 0, "yAxis": 15, "itemStyle": { "color": "rgba(136,136,136,0.15)" }, "label": { "show": true, "formatter": "瘦狗产品" } },
            { "xAxis": 20, "yAxis": 0 } ],
          [ { "xAxis": 20, "yAxis": 15, "itemStyle": { "color": "rgba(0,179,179,0.15)" }, "label": { "show": true, "formatter": "现金牛产品" } },
            { "xAxis": 40, "yAxis": 0 } ]
        ]
      }
    }
  ]
}

b. 时间管理四象限

指标选择：重要性与紧急性
分类标准：
- 象限一（重要且紧急）：优先处理，如系统故障修复
- 象限二（重要不紧急）：制定计划执行，如人际关系建设
- 象限三（紧急不重要）：利用碎片时间处理，如接听骚扰电话
- 象限四（不重要不紧急）：尽量避免，如办公室闲聊

{
  "title": { "text": "时间管理四象限", "left": "center", "top": 8, "textStyle": { "fontSize": 16 } },
  "tooltip": { "trigger": "item", "formatter": "{b}" },
  "legend": { "top": 56, "data": ["重要且紧急","重要不紧急","紧急不重要","不重要不紧急"] },
  "toolbox": {
    "show": true,
    "right": 10,
    "feature": { "dataView": { "show": true, "readOnly": false }, "restore": { "show": true }, "saveAsImage": { "show": true } }
  },
  "grid": { "left": 70, "right": 40, "top": 100, "bottom": 60 },
  "xAxis": { "name": "紧急程度", "min": 0, "max": 10, "splitLine": { "show": true }, "axisLine": { "symbol": ["none","arrow"] } },
  "yAxis": { "name": "重要程度", "min": 0, "max": 10, "splitLine": { "show": true }, "axisLine": { "symbol": ["none","arrow"] } },
  "series": [
    {
      "name": "重要且紧急",
      "type": "scatter",
      "symbolSize": 34,
      "itemStyle": { "color": "#d94e5d" },
      "label": { "show": false },
      "emphasis": { "label": { "show": true, "formatter": "{b}", "position": "top" } },
      "data": [
        { "value": [9,9], "name": "系统故障修复\n紧急9 重要9" }
      ]
    },
    {
      "name": "重要不紧急",
      "type": "scatter",
      "symbolSize": 34,
      "itemStyle": { "color": "#4ea397" },
      "label": { "show": false },
      "emphasis": { "label": { "show": true, "formatter": "{b}", "position": "top" } },
      "data": [
        { "value": [3,8], "name": "年度能力提升计划\n紧急3 重要8" },
        { "value": [5,8], "name": "关系维护\n紧急5 重要8" }
      ]
    },
    {
      "name": "紧急不重要",
      "type": "scatter",
      "symbolSize": 34,
      "itemStyle": { "color": "#ffc857" },
      "label": { "show": false },
      "emphasis": { "label": { "show": true, "formatter": "{b}", "position": "top" } },
      "data": [
        { "value": [8,3], "name": "低价值会议\n紧急8 重要3" },
        { "value": [7,4], "name": "临时统计表\n紧急7 重要4" }
      ]
    },
    {
      "name": "不重要不紧急",
      "type": "scatter",
      "symbolSize": 34,
      "itemStyle": { "color": "#9ca3af" },
      "label": { "show": false },
      "emphasis": { "label": { "show": true, "formatter": "{b}", "position": "top" } },
      "data": [
        { "value": [2,2], "name": "办公室闲聊\n紧急2 重要2" }
      ]
    },
    {
      "name": "quadrant-helper",
      "type": "scatter",
      "data": [],
      "silent": true,
      "z": -1,
      "markLine": {
        "symbol": ["none","none"],
        "lineStyle": { "type": "dashed", "color": "#666" },
        "data": [{ "xAxis": 5 }, { "yAxis": 5 }]
      },
      "markArea": {
        "silent": true,
        "data": [
          [ { "xAxis": 5, "yAxis": 10, "itemStyle": { "color": "rgba(4,163,151,0.15)" }, "label": { "show": true, "formatter": "重要不紧急" } },
            { "xAxis": 0, "yAxis": 5 } ],
          [ { "xAxis": 5, "yAxis": 10, "itemStyle": { "color": "rgba(217,78,93,0.15)" }, "label": { "show": true, "formatter": "重要且紧急" } },
            { "xAxis": 10, "yAxis": 5 } ],
          [ { "xAxis": 5, "yAxis": 5, "itemStyle": { "color": "rgba(156,163,175,0.18)" }, "label": { "show": true, "formatter": "不重要不紧急" } },
            { "xAxis": 0, "yAxis": 0 } ],
          [ { "xAxis": 5, "yAxis": 5, "itemStyle": { "color": "rgba(255,200,87,0.18)" }, "label": { "show": true, "formatter": "紧急不重要" } },
            { "xAxis": 10, "yAxis": 0 } ]
        ]
      }
    }
  ]
}

c. 销售能力矩阵

指标选择：客户数量与销售业绩
分类标准：
- 均衡型（双高）：保持现有策略
- 吃大户型（高业绩/少客户）：专注大客户开发
- 摆小摊型（多客户/低业绩）：提升单客户贡献值
- 待改进型（双低）：需全面优化

{
  "title": { "text": "销售能力矩阵", "left": "center", "top": 8, "textStyle": { "fontSize": 16 } },
  "tooltip": { "trigger": "item", "formatter": "{b}" },
  "legend": { "top": 56, "data": ["均衡型","吃大户型","摆小摊型","待改进型"] },
  "toolbox": {
    "show": true,
    "right": 10,
    "feature": { "dataView": { "show": true, "readOnly": false }, "restore": { "show": true }, "saveAsImage": { "show": true } }
  },
  "grid": { "left": 80, "right": 40, "top": 100, "bottom": 60 },
  "xAxis": { "name": "客户数量", "min": 0, "max": 120, "splitLine": { "show": true }, "axisLine": { "symbol": ["none","arrow"] } },
  "yAxis": { "name": "业绩(万元)", "min": 0, "max": 1200, "splitLine": { "show": true }, "axisLine": { "symbol": ["none","arrow"] } },
  "series": [
    {
      "name": "均衡型",
      "type": "scatter",
      "symbolSize": 34,
      "itemStyle": { "color": "#34a853" },
      "label": { "show": false },
      "emphasis": { "label": { "show": true, "formatter": "{b}", "position": "top" } },
      "data": [
        { "value": [90,980], "name": "张三\n客户90 业绩980" },
        { "value": [85,1050], "name": "周七\n客户85 业绩1050" }
      ]
    },
    {
      "name": "吃大户型",
      "type": "scatter",
      "symbolSize": 34,
      "itemStyle": { "color": "#ff7f0e" },
      "label": { "show": false },
      "emphasis": { "label": { "show": true, "formatter": "{b}", "position": "top" } },
      "data": [
        { "value": [30,860], "name": "李四\n客户30 业绩860" },
        { "value": [40,750], "name": "吴八\n客户40 业绩750" }
      ]
    },
    {
      "name": "摆小摊型",
      "type": "scatter",
      "symbolSize": 34,
      "itemStyle": { "color": "#1f77b4" },
      "label": { "show": false },
      "emphasis": { "label": { "show": true, "formatter": "{b}", "position": "top" } },
      "data": [
        { "value": [100,400], "name": "王五\n客户100 业绩400" },
        { "value": [110,420], "name": "郑九\n客户110 业绩420" }
      ]
    },
    {
      "name": "待改进型",
      "type": "scatter",
      "symbolSize": 34,
      "itemStyle": { "color": "#d62728" },
      "label": { "show": false },
      "emphasis": { "label": { "show": true, "formatter": "{b}", "position": "top" } },
      "data": [
        { "value": [25,180], "name": "赵六\n客户25 业绩180" },
        { "value": [20,160], "name": "钱十\n客户20 业绩160" }
      ]
    },
    {
      "name": "quadrant-helper",
      "type": "scatter",
      "data": [],
      "silent": true,
      "z": -1,
      "markLine": {
        "symbol": ["none","none"],
        "lineStyle": { "type": "dashed", "color": "#666" },
        "data": [{ "xAxis": 60 }, { "yAxis": 600 }]
      },
      "markArea": {
        "silent": true,
        "data": [
          [ { "xAxis": 0, "yAxis": 1200, "itemStyle": { "color": "rgba(255,127,14,0.12)" }, "label": { "show": true, "formatter": "吃大户型" } },
            { "xAxis": 60, "yAxis": 600 } ],
          [ { "xAxis": 60, "yAxis": 1200, "itemStyle": { "color": "rgba(52,168,83,0.12)" }, "label": { "show": true, "formatter": "均衡型" } },
            { "xAxis": 120, "yAxis": 600 } ],
          [ { "xAxis": 60, "yAxis": 600, "itemStyle": { "color": "rgba(31,119,180,0.12)" }, "label": { "show": true, "formatter": "摆小摊型" } },
            { "xAxis": 120, "yAxis": 0 } ],
          [ { "xAxis": 0, "yAxis": 600, "itemStyle": { "color": "rgba(214,39,40,0.12)" }, "label": { "show": true, "formatter": "待改进型" } },
            { "xAxis": 60, "yAxis": 0 } ]
        ]
      }
    }
  ]
}

数据涨跌异动如何处理

数据过高或过低的异常波动是最容易被发现的业务现象，通常需要向管理层汇报变化原因

实际业务场景中常需结合多种分析方法（如维度拆解+对比分析）共同解决问题

案例：收入下跌10%原因分析

问题确认
问题严重么？（严重）
- 〔假设〕如果是个例，往期应该没这么大跌幅
- 〔证明〕周同比、月同比，确实都没有如此跌幅
- 〔结论〕确实是个问题
维度拆解
是不是服务挂了？（正常）
- 〔假设〕如果是技术问题，应该存在「断崖式下跌」，且修复后会好回来
- 〔证明〕按小时查看，符合平时流量规律
- 〔结论〕服务没问题
是不是渠道问题？（百度下跌）
- 〔假设〕如果是渠道问题，应该存在某个渠道远低于平时的流量
- 〔证明〕按渠道维度拆解，百度渠道明显下降将近20%
- 〔结论〕有问题，需进一步查询
是不是哪里缺货？（陕、浙两地）
- 〔假设〕如果是发货问题，应该存在某个地区远低于平时的销量
- 〔证明〕按地域维度拆解流量，陕西、浙江低了不少
- 〔结论〕怀疑与当地动作有关
根因定位
询问业务找到原因：百度关键词投放计划在28日消耗完后，直至29日上班才重新充值，造成陕西、浙江地区28-29日的流量断层
分析总结
本例综合运用多维度拆解法（渠道/地域）和对比分析法（时间维度对比）
- 下跌分析：定位具体原因后可制定补救措施（如设置投放余额预警）
- 上涨分析：识别增长因素后可进行策略放大（如优势渠道加投）

产品/用户分析

用户行为分析

1. 什么是用户行为

定义：互联网行话一般用“事件模型”描述用户行为的互联网术语，事件模型包含事件(Event)和用户(User)两个核心要素

事件(Event)：

Who：参与事件的用户身份
When：事件发生的具体时间
Where：事件发生位置（如产品页面）
How：用户进行事件的方式（设备、浏览器、APP版本、操作系统、渠道来源等）
What：用户做的事件具体内容（以字段记录）

实体(User)：每个实体对应一个用户

基础属性：年龄、性别等
业务属性：会员等级、积分、社交关系等

2. 用户行为序列分析

定义：将单一用户的所有行为以时间线的形式进行排列

用户行为序列分析模型：通过查看固定时间段内单个用户按时间顺序触发的事件，找出异常点，归纳群体行为特征的分析模型

应用场景：

查找漏斗转化率低的原因
- 通过漏斗分析定位转化率低的关键位置，找出这个位置的流失用户，查看他们的用户行为序列，研究流失之后他们做了什么
- 通过分析模型找出一批异常用户，需要分析他们的异常原因时，也可以通过查看用户行为序列找到线索
巧用行为序列，发现渠道新价值
- 直营现象：电商小程序用户3月集中活跃后流失，5月突然回归注册
- 分析结论：通过行为序列发现用户因价格因素未下单，在其他渠道购买后返回小程序绑定产品获取优惠
- 业务启发：小程序是销售平台+用户心智影响和种草的售前渠道（双价值）
- 优化方向：加强商品展示效果，设置更有竞争力的价格策略

3. 用户行为路径分析

定义：追踪用户在APP/网页使用过程中的起始事件到结束事件所经历的所有操作路径，完整记录用户在产品中的行为流向

用户行为路径在产品优化和用户增长中的价值：

寻找价值功能点，优化产品布局，实现用户增长
- 【背景】某冥想APP提供五类课程（减压/情绪管理/个人成长/睡眠/专注），主要通过会员付费变现
- 【分析】产品规划预测减压和情绪管理课程最具付费价值，但实际路径分析显示"睡眠"类课程引流效果最佳
- 【优化】提升睡眠课程展示层级，减少用户选择犹豫时间
- 【结果】新用户次日留存提升15%，日活用户提升17%，付费转化率提升20%
针对用户行为特征，设计运营活动，提升用户留存
- 【背景】某社交类 App 运营人员发现近期整体的用户留存率明显降低，希望通过寻找高粘性用户相似的行为特征，设计运营活动，引导新用户及流失边缘用户也可培养转化，提升产品使用粘性。
- 【分析】通过路径分析模型，主要分析活跃用户的行为路径，发现 70% 以上的活跃用户每天打开 App 三次、浏览内容并关注博主的比率高。
- 【优化】两条优化措施，改善留存情况：一、优化 Push 发送机制，通过 A/B 测试提升 Push 的文案质量，通过人群细分做精细化触达；二、优化产品功能，当用户浏览其他用户的主页详情超过 3 秒，页面弹出“关注一下”的提示。
- 【结果】两个措施上线一个月后，留存率明显提升。
对比各路径转化效率，探寻更优路径
- 【背景】APP内banner/icon/内容等多种VIP会员引流方式的效果对比
- 【分析】通过路径分析模型可以简单解决，先确定分析范围————从APP启动到支付完成的完整路径，然后根据路径快速对比各个路径的付费转化效率
指定起始事件，挖掘多元路径
- 【背景】电商APP用户在"创建订单-支付完成"环节的高流失现象
- 【分析】将"创建订单"设为起始事件，追踪用户后续行为流向
洞察流失异常路径，探寻流失根因
- 【背景】通过路径分析发现某些环节的流失率超出预期
- 【分析】借助漏斗分析模型与对比分析进一步定位流失原因

3. 用户行为分析常用工具

百度统计：专注于网站流量分析的免费工具，追踪访客来源、浏览行为等数据，通过改善访客体验提升网站投资回报率
友盟：主要服务于游戏、SaaS、零售电商等行业，支持移动统计、网站统计、小程序统计等多种产品形态，提供行业基准数据对比分析
诸葛IO：基于用户跟踪技术和易用集成开发方法，适用于iOS、Android应用及网站，专注于用户全生命周期行为与属性挖掘
神测数据：主要面向互联网企业和传统企业，包含神策分析、智能运营、智能推荐、用户画像等多款产品，提供大数据分析产品和解决方案，以及专业咨询服务
growing IO：服务于产品、运营、市场等多部门团队，重点覆盖零售、电商、金融、教育等行业，提供客户数据平台、获客分析、产品分析等完整解决方案

用户留存分析

1. 什么是用户留存

定义：用户经过试用或体验后，选择继续使用产品的用户群体

根据产品类型不同，留存有不同表现形式：

电商产品：用户持续重复购买
社区产品：用户持续贡献内容
互联网金融：用户资金持续在账
内容产品：用户持续重复阅读

2. 为什么要分析用户留存

生命周期理论：对于任何一件产品所有用户都会经历引入期 → 成长期+成熟期 → 休眠期+流失期的完整生命周期曲线

互联网产品经营：裂变拉斯、用户留存、唤醒用户、流量转化，四个环节贯穿整个产品生命周期，任一环节疏漏都会影响到产品的后续经营

商业价值（哈佛商业研究数据）：

70%公司认为留存老用户比获取新用户成本更低
新用户获客成本是留存老用户的5倍以上
留存率每提升5%，利润增长25%-95%

复利效应：用户留存时间越长，产品获得收益越大

3. 常用的留存指标

日留存：用户当下/接下来的表现，反映渠道质量
周/月留存：用户对平台的粘性反应，衡量产品健康度
留存率：
- 留存率=留存用户数/新增用户数×100%
- 具体类型：次日留存率、7日留存率、30日留存率

4. 如何提升用户留存率

增加高频功能
- 解决低频需求导致的用户流失
- 典型案例：支付宝蚂蚁森林、签到送积分、小游戏领金币
增加使用场景
- 防止用户遗忘产品
- 典型案例：微信支付通过拜年红包、拼手气红包扩展支付场景
恰当的提醒
- 推送渠道：APP推送、短信、邮件、公众号等
- 注意事项：提醒文案需结合场景，针对不同用户需精细化运营，不断通过数据反馈持续优化
让用户付出
- 付费：花了钱更容易高频使用
- 用情：投入感情不会轻易离开
- 用时：时间投入形成的沉没成本
用户激励体系
- 通过奖励刺激用户活跃
- 典型案例：QQ农场种菜、蚂蚁森林收能量、积分签到等
找到魔法数字
- 活跃用户与非活跃用户的关键行为差异值
- 典型案例：Twitter发现留存用户首月会关注30个用户

同期群分析

1. 什么是同期群分析

同期群：将相同时间段内具有共同行为特征的用户划分为同一群体，如"同一天注册的用户"或"同一天首次付费的用户"

同期群分析：本质是一种用户分群的细分类型，是一种纵横结合的分析方法

横向：分析同期群随时间推移的变化（如N日留存率变化）
纵向：比较不同群组在相同生命周期的差异

同期群分析核心三要素：

客户首次行为时间：划分群体的基准点
时间周期维度：如N日留存率、N日转化率
变化指标：注册转化率、付款转化率、留存率等

参考案例 【背景】某付费APP在3.8妇女节开放免费注册，分析3月6-12日新用户

【分析】以每日注册用户为独立群体

横轴：1-7天的留存周期
纵轴：不同日期的注册群体

【发现】3月8日免费用户量增加30%，但留存率比其他日期低10%

【结论】免费用户粘性低于付费用户

2. 为什么要进行同期群分析

产品周期：产品从初期到后期的成熟稳定，产品形态和商业模式都是在不断迭代的，前后用户体验的差异是巨大的；

用户质量：产品发布初期的种子用户和后续买量带来的用户，在用户质量上的差异也是很大的。

将用户按照同期性构成一个群组，比较不同的同期群在生命周期内的变化，帮助我们实时监控真实的用户行为、衡量用户价值，并为营销方案的优化和改进提供支撑，避免“被平均”的虚荣数据（防止高质量用户数据掩盖低质量用户问题）

3. 应用场景

a. 商品同期群分析

{
  "title": { "text": "产品生命周期（LTV）", "left": "center", "top": 8, "textStyle": { "fontSize": 14 } },
  "tooltip": { "trigger": "axis" },
  "grid": { "left": 60, "right": 40, "top": 70, "bottom": 50 },
  "xAxis": {
    "type": "category",
    "name": "上市时间",
    "boundaryGap": false,
    "axisLine": { "symbol": ["none","arrow"] },
    "data": ["M1","M2","M3","M4","M5","M6","M7","M8","M9","M10","M11","M12","M13","M14","M15","M16","M17","M18"]
  },
  "yAxis": {
    "type": "value",
    "name": "商品销量",
    "axisLine": { "symbol": ["none","arrow"] },
    "splitLine": { "show": true }
  },
  "legend": { "top": 40, "data": ["销量"] },
  "toolbox": {
    "show": true,
    "right": 10,
    "feature": {
      "dataView": { "show": true, "readOnly": false },
      "magicType": { "show": true, "type": ["line","bar"] },
      "restore": { "show": true },
      "saveAsImage": { "show": true }
    }
  },
  "series": [
    {
      "name": "销量",
      "type": "line",
      "smooth": true,
      "symbol": "circle",
      "symbolSize": 6,
      "lineStyle": { "width": 3, "color": "#3469d4" },
      "areaStyle": { "color": "rgba(52,105,212,0.08)" },
      "data": [8,10,14,26,40,58,72,90,88,85,80,70,66,60,55,48,42,38],
      "markArea": {
        "silent": true,
        "data": [
          [
            { "name": "引入期", "xAxis": "M1", "itemStyle": { "color": "rgba(111,207,151,0.18)" } },
            { "xAxis": "M3" }
          ],
          [
            { "name": "成长期", "xAxis": "M3", "itemStyle": { "color": "rgba(90,160,255,0.18)" } },
            { "xAxis": "M8" }
          ],
            [
              { "name": "成熟期", "xAxis": "M8", "itemStyle": { "color": "rgba(255,170,102,0.20)" } },
              { "xAxis": "M12" }
            ],
          [
            { "name": "衰退期", "xAxis": "M12", "itemStyle": { "color": "rgba(160,160,160,0.20)" } },
            { "xAxis": "M18" }
          ]
        ],
        "label": {
          "show": true,
            "color": "#333",
            "fontWeight": "bold",
            "fontSize": 12,
            "position": "insideTop"
        }
      }
    }
  ]
}

商品同期群分析又称商品LTV模型，按商品等级(A/B/C)分组，追踪上市后销量/利润走势，对比商品等级是否达到该商品平均水平

决策：

表现优于平均：重点解决缺货问题
表现低于平均：控制库存防积压

b.用户同期群分析

用户同期群分析主要用于用户留存，按注册时间/渠道分组，从注册时间开始观察X天后留存率变化

c. 渠道同期群分析

在用户同期群分析时考虑不同渠道的用户，则可进一步做渠道同期群分析，按渠道+投放时间分组，追踪后续N天转化/付费率，计算用户产生的消费，对比渠道投放成本

决策：

转化好的渠道：追加投放预算
转化差的渠道：削减预算并整改

用户画像分析

1. 什么是用户画像

日常提到的"用户画像"通常特指User Profile（数据画像）

用户画像（User persona）：由交互设计之父Alan Cooper提出，指"目标用户的具体表示"（Personas are a concrete representation of target users），是基于产品对真实世界的观察抽象出的虚拟用户模型

用户画像（User persona）主要特征：

角色描述和用户目标
可代表相似的用户群体或类型，也可代表个体
针对具体情景、具体产品的行为和目标

用户/数据画像（User profile）：用户信息标签化，通过收集人口统计属性、社会属性、行为偏好、消费习惯等多维度数据，经统计分析抽象出的用户信息全貌

用户/数据画像（User profile）主要特征：

真实性：包含静态信息（如人口属性）和动态行为数据
时效性：可实时追踪用户行为变化
覆盖度广：能监测用户兴趣/非兴趣内容，分析维度多且颗粒度灵活

2. 用户画像与数据画像的对比

项目	用户画像	数据画像
定义	虚拟的用户模型	真实的用户数据集
内容	用户特征、目标、能力、态度的抽象概括	用户实时、真实、动态的行为数据统计
用途	初期描述目标用户，指导产品设计	后期跟进用户行为，观察与预测用户行为
方法	定性研究方法	定量研究方法与数据分析

3. 为什么要分析用户画像

用户画像可以应用在很多方面：产品设计、广告投放、精准营销、个性化推荐、风控检测、数据分析等

产品设计: 互联网产品价值三要素（用户、需求、场景），通过画像了解目标用户特征和需求痛点

广告投放: 实现"四合适"原则（合适渠道、时间、内容、人群），提高投放ROI

精准营销: 案例：电商平台根据用户付费活跃度分层（1-10次发10元券，10次以上发100元券）

个性化推荐: 音乐APP每日推荐（如网易云基于用户属性推荐歌曲）电商"猜你喜欢"功能

风控检测:

金融行业贷款审批模型
关键特征：收入水平、教育程度、职业、家庭状况、房产、信用记录

数据分析: 用于用户群体刻画（如抖音美食博主的观看行为和关注关系分析）

3. 应用场景

a. 互联网TOC————微信场景

渠道活码/触发欢迎语/SOP推送
基于群、基于个人的个性化 SOP 推送包括先给人或者给社群打标签，创建任务给不同标签的人或者社群推送不同的个性化内容

b. 电商场景

短信推送/邮件营销/Push消息

c. 安防场景

物联网数据：人脸识别记录、车辆抓拍数据
信息网数据：住宿登记、出行记录、通讯记录

4. 用户画像体系搭建流程

用户画像体系搭建不是单人或单个部门能完成的项目，需要多方参与协同处理

第一步：整体业务体系搭建

用户层	C端用户
用户层	精准营销人员	产品经理/运营策划人员	用户运营人员	客服
价值层	精准触达，提升转化率，降低获客成本	提升产品好评率，优化产品体验	促活，提升转化率	提升好评率，降低投诉率
场景层	精准营销、广告投放、人群策略	产品设计	新人活动，回馈/激励价值用户	客服话术分级
产品/服务层	数据采集	用户ID标识	标签管理	画像系统
运营管理层	产研/运营团队	职能/业务绩效	画像/Push/短信系统	研发/系统对接流程
资源层	人员	财务	数据

第二步：产品架构

应用层	广告投放系统	营销系统	推荐系统	用户分析平台
服务层	业务服务	画像看板个体/群体画像相似性拓展标签市场人群洞察标签管理	系统服务	API接口
服务层	业务服务	画像看板个体/群体画像相似性拓展标签市场人群洞察标签管理	系统服务	API接口
数据分析与挖掘层	用户ID统一	用户档案	标签建模	标签宽表存储
ETL
数据采集层	业务数据	埋点行为数据	日志数据	第三方数据...

第三步：落地计划

版本计划
项目计划
人员配合流程 TODO…

RFM 模型

1. 什么是RFM模型

定义：用户细分领域常用模型，是衡量客户价值和创利能力的工具，RFM模型指的是三个指标：Recency（最近消费时间）、Frequency（消费频率）、Monetary（消费金额）

R值：客户上一次消费与当前消费的时间间隔（反映用户活跃程度）

R值越大表示用户消费间隔越长，流失风险越高
R值越小表示复购周期越短，用户价值越高

{
  "title": { "text": "某店铺 R 值分布图", "left": "center", "top": 8, "textStyle": { "fontSize": 16 } },
  "tooltip": { "trigger": "axis", "axisPointer": { "type": "shadow" } },
  "grid": { "top": 70, "left": 70, "right": 40, "bottom": 60 },
  "toolbox": {
    "show": true,
    "right": 10,
    "feature": {
      "dataView": { "show": true, "readOnly": false },
      "magicType": { "show": true, "type": ["line","bar"] },
      "restore": { "show": true },
      "saveAsImage": { "show": true }
    }
  },
  "xAxis": {
    "type": "category",
    "name": "最近一次购买距上次购买的时间（天数）",
    "nameGap": 28,
    "axisLine": { "symbol": ["none","arrow"] },
    "axisTick": { "alignWithLabel": true },
    "data": [0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31]
  },
  "yAxis": {
    "type": "value",
    "name": "人数",
    "axisLine": { "symbol": ["none","arrow"] },
    "splitLine": { "show": true }
  },
  "legend": { "top": 40, "data": ["R值分布"] },
  "series": [
    {
      "name": "R值分布",
      "type": "bar",
      "barWidth": "60%",
      "data": [
        2,105,118,130,146,148,155,160,150,140,135,128,138,110,152,132,108,115,95,94,92,88,90,89,120,100,97,132,145,150,98,3
      ],
      "itemStyle": {
        "color": {
          "type": "linear",
          "x": 0, "y": 0, "x2": 0, "y2": 1,
          "colorStops": [
            { "offset": 0, "color": "#4B84E6" },
            { "offset": 1, "color": "#90B4F4" }
          ]
        }
      }
    }
  ]
}

F值：消费频率，指顾客在固定时间内的购买次数（反映顾客忠诚度）

F值越大交易越频繁
F值越小用户越不活跃

注意：

行业差异：快消品按月统计合理，耐用品按月统计无意义
- 一般店铺在使用RFM模型时，会把F值的时间范围去掉，替换成累计购买次数
对比原则：需有参照对象才能评估F值优劣

{
  "title": { "text": "某店铺 F 值分布图", "left": "center", "top": 8, "textStyle": { "fontSize": 16 } },
  "tooltip": { "trigger": "axis", "axisPointer": { "type": "shadow" }, "formatter": "{b}<br/>占比: {c}%" },
  "grid": { "top": 80, "left": 70, "right": 40, "bottom": 60 },
  "legend": { "top": 40, "data": ["F值分布"] },
  "toolbox": {
    "show": true,
    "right": 10,
    "feature": {
      "dataView": { "show": true, "readOnly": false },
      "magicType": { "show": true, "type": ["line","bar"] },
      "restore": { "show": true },
      "saveAsImage": { "show": true }
    }
  },
  "xAxis": {
    "type": "category",
    "name": "固定周期内购买次数",
    "nameGap": 28,
    "axisLine": { "symbol": ["none","arrow"] },
    "axisTick": { "alignWithLabel": true },
    "data": ["1次","2次","3次","4次","5次","5次以上"]
  },
  "yAxis": {
    "type": "value",
    "name": "占比(%)",
    "min": 0,
    "max": 70,
    "axisLine": { "symbol": ["none","arrow"] },
    "splitLine": { "show": true }
  },
  "series": [
    {
      "name": "F值分布",
      "type": "bar",
      "barWidth": "55%",
      "data": [65.50,17.33,7.34,3.73,2.19,3.91],
      "label": { "show": true, "position": "top", "formatter": "{c}%" },
      "itemStyle": {
        "color": {
          "type": "linear", "x": 0, "y": 0, "x2": 0, "y2": 1,
          "colorStops": [
            { "offset": 0, "color": "#2F7DFF" },
            { "offset": 1, "color": "#7FAEFF" }
          ]
        }
      }
    }
  ]
}

M值：用户在一段时间内消费金额的指标（反映用户对营收的贡献程度）

M值越大代表用户价值越高
M值越小代表用户价值越低

注意：

M值相对于R/F值最难使用，但最具有价值
实际工作中常用累计购买金额或平均客单价代替传统M值

2. 不同行业的RFM模型指标

a. 电子邮件营销领域应用RFM

R = 上次打开邮件时间
F = 一段时间内，邮件打开次数
M = 一段时间内，根据每个客户的获取成本及利润等因素估计的价值

b. 互联网社交业务应用RFM模型

R = 最近登录时间
F = 一段时间内，登录频率
M = 一段时间内，在线时长

c. 打车软件应用RFM模型

R = 上次打车距今天数
F = 月打车次数(高频场景需短期数据)
M = 月打车总金额

3. 如何应用RFM模型

第一步：根据现有数据，提取出R、F、M指标

第二步：依据这三个指标对客户群体进行划分

依据行业划分（以电商为例）：
- R指标可依据间隔天数分段：大于90天未购买属于低价值，反之为高价值
- F指标可依据购买次数分段：购买小于2次属于低价值，大于等于2次属于高价值
- M指标可依据客单价分段：平均客单价以下属于低价值，以上属于高价值
依据百分位划分：
- 将数据转换为1-5分制，按20%/40%/60%/80%分位数划分（R与F/M相反，时间越短得分越高）：
  标准 R 分值 F 分值 M 分值
  < 20% 分位数 5 1 1
  20%~40% 分位数 4 2 2
  40%~60% 分位数 3 3 3
  60%~80% 分位数 2 4 4
  > 80% 分位数 1 5 5
- 想要进行用户划分还需把分值进行转换，将1-5分按各个平均值转换为0（低价值）和1（高价值）：
  标准 R 价值类别 F 价值类别 M 价值类别
  < 平均值 0（低价值） 0（低价值） 0（低价值）
  >= 平均值 1（高价值） 1（高价值） 1（高价值）

标准	R 分值	F 分值	M 分值
< 20% 分位数	5	1	1
20%~40% 分位数	4	2	2
40%~60% 分位数	3	3	3
60%~80% 分位数	2	4	4
> 80% 分位数	1	5	5

标准	R 价值类别	F 价值类别	M 价值类别
< 平均值	0（低价值）	0（低价值）	0（低价值）
>= 平均值	1（高价值）	1（高价值）	1（高价值）

第三步，得到8种客户类型

三个指标的0/1组合可形成2^3=8种客户类型

8种类型精细化服务

用户分类	R	F	M	精准化服务
重要价值客户	高	高	高	优质客户，可重点服务
重要发展客户	高	低	高	需重点维持
重要保持客户	低	高	高	需唤醒召回
重要挽留客户	低	低	高	需挽留
一般价值客户	高	高	低	需要挖掘
一般发展客户	高	低	低	新用户，有推广价值
一般保持客户	低	高	低	贡献不大，一般维持
一般挽留用户	低	低	低	即将流失用户

4. 注意事项

灵活调整：不一定分成2类，可根据客户基数、商品特性等因素调整划分标准（如每个指标分1-4类）：

指标	客户分组	营销策略	指标分值
R值	活跃客户	密集的营销信息推送	90天未购买
	沉默客户	减少推送频率，提升优惠力度	90-180天未购买
	睡眠客户	大型活动时营销推送	180-360天未购买
	流失客户	超大型活动（如双十一）	360天以上未购买
F值	新客户	传递促销信息	购买1次
	老客户	传递品牌信息	购买2次
	成熟客户	传递新品/活动信息	购买3次
	忠实客户	传递会员活动和权益信息	购买3次以上
M值	低贡献客户	促销商品/折扣活动	1/2客单价以下
	中贡献客户	促销商品/折扣活动	1/2客单价-客单价
	中高贡献客户	形象商品/品牌活动	客单价-2倍客单价
	高贡献客户	形象商品/品牌活动	2倍客单价以上

细分平衡：细分过多会导致营销执行困难，可能造成用户多次打扰

策略匹配：不同类型客户需制定差异化营销策略（如重要客户重点服务，流失客户大型活动召回）

AARRR模型

1. AARRR模型是什么

定义：由Dave McClure在2007年提出的用户生命周期模型，是"增长黑客"概念的核心框架，包含获客(Acquisition)、激活(Activation)、留存(Retention)、收入(Revenue)、自传播(Referral)五个阶段

{
  "title": { "text": "AARRR 增长漏斗", "left": "center", "top": 8, "textStyle": { "fontSize": 16 } },
  "tooltip": { "trigger": "item", "formatter": "{b}<br/>数量: {c}" },
  "legend": { "top": 50, "data": ["获客","激活","留存","变现","推荐"] },
  "toolbox": {
    "show": true,
    "right": 10,
    "feature": {
      "dataView": { "show": true, "readOnly": false },
      "restore": { "show": true },
      "saveAsImage": { "show": true }
    }
  },
  "series": [
    {
      "name": "AARRR",
      "type": "funnel",
      "left": "18%",
      "width": "64%",
      "minSize": "5%",
      "maxSize": "100%",
      "sort": "descending",
      "gap": 2,
      "label": {
        "show": true,
        "position": "inside",
        "color": "#fff",
        "fontWeight": "bold",
        "formatter": "{b}"
      },
      "labelLine": { "length": 12, "lineStyle": { "width": 1 } },
      "itemStyle": { "borderColor": "#fff", "borderWidth": 1 },
      "data": [
        { "value": 100000, "name": "获客 Acquisition", "itemStyle": { "color": "#4B84E6" } },
        { "value": 60000,  "name": "激活 Activation",  "itemStyle": { "color": "#36B37E" } },
        { "value": 30000,  "name": "留存 Retention",   "itemStyle": { "color": "#F5A623" } },
        { "value": 12000,  "name": "变现 Revenue",     "itemStyle": { "color": "#FF7452" } },
        { "value": 4000,   "name": "推荐 Referral",    "itemStyle": { "color": "#6E5DC6" } }
      ]
    }
  ]
}

2. AARRR模型的5个关键词

拉新/获客(Acquisition)：

目标：让更多用户接触这款产品
主要模式：
- 增加曝光：大量广告投放+资本
- 通过社交关系链做“裂变营销”：如 PDD砍一刀

激活(Activation)：

目标：将新用户转化为忠实用户(注册/付费用户)
常用手段：
- 会员特权引导：如会员专属价
- 特权激励：通过更容易获得的初期特权降低用户转化门槛

留存(Retention)：

目标：增加用户粘性，留住用户继续使用产品，减少流失
主要方法：
- 保持新鲜度，产品迭代更新
- 流失唤醒，唤醒用户曾经的投入

收入(Revenue)：

目标：实现用户消费和产品变现
典型策略：
- 边际收益引导：让用户觉得只需多付一点就能获得超值体验

推荐/自传播(Referral)：

目标：激发用户主动分享意愿
实现方式：
- 低价优惠转发：短期有效的刺激手段
- 产品惊喜感: “过度包装”

使用AARRR模型实现用户增长（以网易云为例）：

AARRR模型是一个倒金字塔的模型，每个阶段都会有一定的用户流失，为了让每个阶段用户流失的少一些慢一些，每个阶段都可以采取一些措施让用户体验更好

新增获客：主要解决在什么渠道，用什么内容，获取什么样的用户
- 付费渠道：信息流推广是目前应用获客的主要手段（过抖音、快手、百度等流量集中的app上付费投放广告，将目标受众导入广告主的app，实现广告主的用户增长）
- 联合营销：和拥有共同用户画像的产品进行跨界合作，达到品牌曝光的同时，可以吸引对方品牌的用户下载使用本产品，达到获客的目的和效果（云音乐曾经推出的和海马体的合作，就是属于联合营销）
- KOL合作：和微博、抖音等渠道的kol合作推广活动、歌曲，从而为云音乐app导流获客，也是目前观察到的一种方式
- 平台活动：带有“分享”“传播”性质的平台活动，通过老用户的分享/介绍，去获取新用户
激活：促活的手段很多样化，本质是在于产品的设计是否能给用户带去较好的用户体验，是否满足用户使用该类产品的需求
- 活跃定义：音乐类产品将音乐播放作为核心活跃指标，用户播放音乐即视为活跃（不同类产品对用户活跃行为的定义可能不太一样）
- 促活手段：每日推荐、个性化歌单、一键播放功能、私人FM
留存：提升留存时更加需要长期精细化运营，是用户长期对产品的体验和依赖（激活是当下用户的需求满足）
- 沉没成本效应：用户不愿放弃已获得的会员权益
- 会员活动策略：
  - 提供免费体验周卡，让新用户体验会员服务
  - 低价VIP试用，利用用户"占便宜"心理
- 效果：即使用户不续费，也能保证至少一周的使用留存
收入：
- 会员收入：黑胶VIP会员、音乐包会员等按时长收费的服务
- 内容付费：单曲购买、付费听书、数字专辑分成
- 广告收入：开屏广告等利用平台流量变现
- 电商收入：销售品牌周边产品，如保温杯等实物商品
- 票务分成：云村有票的票务销售
- 打赏抽成：K歌和直播场景中的打赏收入平台抽成
推荐/自传播：
- 老用户转播带来新用户形成裂变式增长，实现低成本获客
- 自然分享：用户因喜爱歌曲自发分享到社交平台
- 营销活动：年度听歌报告刷屏，用户主动分享

Griffin Chow / 业务分析模型

业务分析模型

业务分析模型基础

业务分析模型框架

宏观层面

产品生命周期

数据指标

指标分析

对比分析法

多维度拆解法

漏斗分析法

公式拆解法

矩阵分析法

数据涨跌异动如何处理

产品/用户分析

用户行为分析

用户留存分析

同期群分析

用户画像分析

RFM 模型

AARRR模型

宏观分析