「数据分析拉新」数据分析怎么接单
今天给各位分享数据分析拉新的知识，其中也会对数据分析怎么接单进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
本文目录一览：
- 1、案例分享：如何通过数据分析进行活动效果评估
- 2、AARRR-拉新案例分析
- 3、【干货】数据化运营中的数据分析方法（2.1）-方差分析
- 4、数据分析中的基本指标
- 5、怎样算知乎拉新量
- 6、数据分析报告有哪些要点?
案例分享：如何通过数据分析进行活动效果评估
作者介绍
@郝笑笑 微信号：hao-xiao-xiao。
目前在互联网公司担任数据分析师，并负责DAU流量的增长策略与数据监控。
希望可以和各位一起交流学习。
1 导语
相信对于很多刚入门的分析师小白来说，评估活动效果、洞察业务机会，是所有工作中最可以体现价值感的事情，但也可能是令我们最头疼的事情。本文作者基于自身的实际工作经历，结合一个真实的运营活动，对活动评估中可以复用的数据分析“套路”进行总结和整理，希望能够给初接触数据分析的同学带来帮助。
一般来说，互联网公司的运营活动按照目的可以分为3种：拉新、促活、品牌宣传，尽管每种活动关注的核心绩效指标完全不同，但是分析的思路还是可以套路化的。接下来，本文将以某次促活活动为案例，分享下如何对一场活动的效果进行量化评估。
2 活动背景
伴随着移动互联网用户的增速越来越趋于饱和，用户增长的破局方法不得不从拉新获客转换为如何促活存量用户。
通过第三方广告媒体app（比如微信、抖音等）投放针对老用户的素材对用户促活，已经成为很多公司用来提升存量老用户活跃度的有效方法（后续会统称为“渠道拉活”）
某公司的市场投放部门也开始投入预算试水「渠道拉活」这一项目，在项目启动一段时间后，已经回收累积了大量的用户数据，但是：
渠道拉活对于DAU的带动贡献究竟有多大？
是否值得持续投入更多的资源？
活动情况的ROI如何？是否符合预期？
活动是否存在改进空间？
这些领导和业务方非常关注的问题，需要分析师基于数据给出公正和客观的答复。
3 分析框架和指标体系
3.1 分析框架
活动整体增量效果评估 (包括短期效果分析、长期效果分析)
ROI 核算（计算单用户的拉新或者促活成本）
参活用户质量评估
活动存在问题分析
3.2指标体系
3.21 流量规模
数据指标：
DAU
参与活动的用户数（举例：渠道拉活成功召回的用户数）
通过活动首次调起app的uv（举例：通过渠道拉活首次调起app的uv）
通过活动首次调起app的uv占day的比例（举例：通过渠道拉活首次调起uv的dau占比）
可解决的问题：
通过对比事先制定好的活动KPI指标，评估目标完成率；
与其他活动对比，评估促活的核心指标（通常是DAU）是否达到预期；
评估渠道拉活能够召回的用户量级有多大；
评估对DAU的净增量贡献有多大；
3.22用户质量、用户画像
数据指标：
留存率（次日回访率、7日回访率、30日回访率）
日均使用时长
核心功能渗透率
核心功能人均PV
人群画像（性别、城市、消费能力）
可解决的问题：
评估渠道召回用户的质量
监测是否存在刷量作弊渠道
3.23用户行为
数据指标：
站外转化漏斗（举例：广告曝光-广告点击-成功调起app-deeplink抵达特定页面）
站内核心行为的转化漏斗（举例：活动页-列表页-详情页）
可解决的问题：
评估用户从站外渠道到抵达App的路径是否顺畅，发现产品bug或者可以改善的机会点
评估活动的站内承接策略是否合理
4 分析过程
4.1活动效果评估以及活动ROI分析
在量化DAU (或者活跃天数) 贡献时，需要减去用户的自然活跃量，即计算“净增量”贡献。该贡献可以分为当日贡献和长期贡献。
当日贡献是指：当日的召回用户对于当日DAU的增量贡献
长期贡献是指：由于召回用户的后续回流，在后续特定时间范围还会持续贡献的用户天数增量。比如，活动后的50个参与用户，在后续30天内人均活跃天数比活动前提高10天，那么促活的增量贡献就是1500天。
不得不承认，AB实验最擅长处理归因和量化的问题。它的思想是，将流量随机分为数量均匀和特征均匀的两组（即对照组和实验组），实验组用户只有在产品策略上与对照组不同，因此我们可以认为两组用户在同一时间维度上的指标差异，可以完全归因于策略上的差异。
然而，该广告拉活项目无法设计对应的AB实验，但我们可以基于AB测试的思想，构造与实验组“相似”的用户群体作为对照组。具体过程如下：
将拉活渠道唤起app的用户作为实验组，未曾被拉活召回的存量用户作为对照组；
选取可能影响用户未来活跃度的特征（比如机型、新增渠道、历史活跃度、…），基于“特征相同”的原则，对两组用户划分为 N 对实验组和对照组。注意尽量将特征通过区间离散化，避免划分出的某一组落入的样本数过少，导致两组样本的指标差异不可信，比如特征「新增日期间隔」可以离散化为：7天内、8-14天、14天以上；
计算 N 对实验组和对照组的每一组的指标差异值，以及实验组的总指标差异（等于每一组指标差异*人群占比的相乘结果求和）
通过以上方法，可以计算出拉活对于当日DAU的贡献、以及拉活对于未来30天DAU的总增量贡献。
实际上，对于拉活对DAU的单次短期贡献，有更为简便的方法，即基于“首次归因”的思想，通过“拉活首次调起app的uv”进行量化评估，即如果用户多次启动过app，那么只有当通过促活广告首次调起app了，才会计入到促活广告的功劳。
值得一提的是，“首次归因”的方法也可以应用至“产品新上线功能评估”的效果量化中，通常我们可以将“启动app后首次访问该功能的用户量”作为该功能对dau的贡献量。
对于活动成本的核算，我们可以通过 “总成本消耗量 / 总DAU增量”，计算每个DAU增量的成本，以评估ROI是否符合预期。
4.2用户行为分析、和用户质量评估
可以以「大盘未参活用户」、「同期同类活动」、「往期同类活动」分别作为对比基准，基于用户行为漏斗、留存率、核心行为pv、人均使用时长等指标，识别本次促活策略是否有薅羊毛或者作弊严重的渠道，并评估活动拉来的用户质量好坏。但这里不作为本次分享重点，因此不再展开赘述。
5 结语
作为数据分析师，实际工作中遇到的促活策略往往是五花八门，但是活动效果好坏的评估过程依然是有章可循的。最后，简单总结下本文对于后续活动评估的可复用之处：
如何构建活动评估的指标体系；
如何量化归因活动的短期贡献（即“首次归因”法）；
如何在无法开展AB测试的情况下，通过构造对照组的方式，快速地量化评估长期的增量贡献；
1、回“数据产品”，获取大厂数据产品面试题
2、回“数据中台”，获取大厂数据中台资料
3、回“商业分析”，获取大厂商业分析面试题；
4、回“交个朋友”，进交流群，认识更多的数据小伙伴。
AARRR-拉新案例分析
如果你读过Sean Ellis的《增长黑客——如何低成本的实现爆发式增长》后，对“AARRR”概念绝不会陌生，最近分析了些很好的案例，颠覆了之前拉新的认知
我这两年的工作核心概括为：打造用户生命周期闭环，并提高每个环节的转化率
获客激活：1、消息体系（QQTips、系统消息、短信、app消息）
2、企业产品、内部产品 搜狗搜索app、小说、换量
3、用户邀请
4、运营活动
留存：1、等级体系（问豆、经验值、等级角色特权）
2、任务
3、徽章
4、问豆商城
总结：产品的获客多从内外部导量、这些渠道资源的用户转化率肯不如花钱渠道买的高
首先付费的推广位是流量高且最能吸引用户注意力，投放效率更高。在抢占用户量和用户时间的战争中，时间就是金钱
其次产品相互导量更多是作为一种流量和内容的补充，除非你导量的来源是微信（参见拼多多）
1）拉新有一下几种方式：
1、精准化投放广告：通过数据分析用户画像、提升产品的ROI，怎么花更少的钱投出更好的效果，这和我做过的消息体系有点像
2、趣头条、拼多多红利式的用户邀请
3、品牌渠道推广：综艺节目的赞助，如OPPO、快手对《奇葩大会》的赞助
2）案例分析
在此详细分析下趣头条和拼多多，用红利做用户邀请的最佳案例（这两款产品是过去一年用户量和GMV增长极快的两款产品）
竞品是今日头条，特色是其靠现金和金币奖励的任务系统，以拉新和留存用户
主要分为新手任务和邀请收徒活动2块奖励：
1、邀请收徒活动
新用户通过你的邀请码注册“趣头条”即可拿钱，拉的徒弟越多（徒弟的用户行为产生需达到某值才称为有效徒弟），现金收入越高。个人认为是把渠道投放的钱花到用户身上，反正目标都是获客，不如让自己用户赚钱帮忙拉人
一是趣头条的目标用户以中低层用户居多，容易被单价较低、次数多的任务奖励驱动（用户的时间成本和人际关系不会因为分享产生较大的改变）
二是目标用户邀请的潜在用户画像可能比投放广告更准（物以类聚、人以群分）
2、任务
趣头条的新手任务非常多，也很目标导向。比如他的目标就是要保障每个用户每天在上面消费内容、评论、唤醒他邀请徒弟的活跃度。他将任务拆的特别详细，并把重点任务给予较高的金币，引导用户持续完成任务并获得奖励。有趣的是金币兑零钱的奖励随每日运营收益变化，猜测 趣头条对用户的奖励与内容广告的收益已形成良好闭环。在每个新客上花的钱能cover住每个用户可给产品赚取的收入，ROI是正的，故可以强化此模式去赚钱
拼多多则是另一个用户增长神速的O2O公司，15年底在上海时我就用过
首先下单需用微信拼团成功，这是一个圈新用户的途径
“现金签到”、“天天领现金”这两功能也是利用钱，引导用户签到分享到朋友圈、微信好友，让好友加入，然后一起领钱
趣头条和拼多多用红包获取和激活用户的本质都像“传销”，让用户在利益驱动下不断通过各种渠道去发展其他用户，并且发展用户的活跃度好坏也会影响到“师父”的收益。从结果来看，这两个产品的用户数和活跃度都在高速增长，说明此方法的ROI是极高且行之有效的
小视频的火力与钻石分别用来衡量生产者与消费者的贡献度：
火力：火力值是用来衡量生产者内容优质度的奖励，由视频质量、直播质量其他活动质量构成，
火力可以变现，类比我设计的激励体系里的问豆，答题质量越高得到的问豆越多，可在商城兑换京东卡、Q币和实体物品
钻石：用户花钱购买钻石打赏给内容生产者，同时做了等级特权以刺激用户买更多的钻石。类比我做的特权徽章，以刺激小白用户答题
此外春节期间，头条系视频和快手都狂撒红包。快手豪撒6.6亿拜年红包，除夕当天斩获1.1亿日活用户；抖音明星发送红包，使得日活跃用户规模超6500万
这一切都说明用钱拉新和促活的效果是巨大的，只要钱能花的有效果，拉到新用户且活跃度不错，就非常值~、
在过去两年中，负责产品的用户增长一方面因为用户调性和上层战略没花过太多真金白银做用户增长，更多的是靠任务、签到、消息体系和活动去提升
但这半年内，通过研究各种增长迅速的产品、与相关从业者交流、看书，不断更新自我认知，觉得用钱拉新其实是更行之有效的方式：
1、从人性的角度，有利可图仍是驱动普通人最有效的方式
快手、拼多多、趣头条的目标用户对钱更敏感，用钱吸引到注意力而不是情怀，再靠产品功能将用户留下来是更好的选择
试问在中国有多少人是财务自由、时间成本高，看不上产品的红利呢？百万英雄花半小时答题全对仅给5-6块，仍有一群日薪600+的白领乐此不疲的答题
2、在获客成本如此高的今天，用不花钱的流量效率是较低的
有价值的资源需要花钱买，不花钱的流量获客成本效率低，拉到相同量的用户所需的时间更长。而对竞争激烈的企业而言，时间比钱更重要。更快速度的获取流量，并挖掘到其价值更为重要
【干货】数据化运营中的数据分析方法（2.1）-方差分析
推断分析---通过分析少量数据的特征，推断整体数据特征。
方差分析
样本检验
趋势预测
1.方差分析----通过数据复盘衡量运营策略在产品运营中，我们会遇到各种需要评估运营效果的场景，包括促活的活动是否起到作用、A/B 测试的策略有无成效等等。
具体例如，产品升级前的平均 DAU 是 155 万，产品升级后的平均 DAU 是 157 万，那么如何判断 DAU 提升的 2 万是正常的波动，还是升级带来的效果呢？
本质都是在对比不同分组数据间的数据变化，或是对比同一组数据在实施某些策略前后的数据变化，及其变化背后的原因。也就说，判断数据波动是否是某一因素（活动/策略）导致的，便是方差分析。
我们把分组叫作样本，把变化叫作差异，差异的大小程度叫作显著性。
对比不同分组数据间的数据变化，叫分析不同样本间的差异显著性；
对比同一组数据实施某些策略前后的数据变化，叫分析同一样本在策略前后的差异显著性。
而分析以上差异显著性是否明显的方法，就叫作方差分析。
应用：
某用户运营工作重点之一，就是搞清楚在优惠金额对用户的购买转化率是否能起到有效作用。
抽取了过去半年产品上投放的所有促销活动，并把活动中的优惠金额分成了以下三个组，最后按照不同区间分组去分别计算用户的购买率。
用户行为是随机的，不管有没有促销活动，用户的购买转化率本身就会发生一定的波动，可能某天某组的某个用户心情大好，或者发了年终奖了就会在产品上剁手。而这些随机因素都与优惠金额无关，所以我们不能说某组的转化率高，是这个区间的优惠金额效果好导致的。那么应该如何正确认识用户数量与购买率之间的关系呢？这就需要用到正态分布图了。
（1）正态分布图
绝大部分用户的购买率都集中在某个值附近，这个值我们叫作整体购买率的平均值。如果每个客群分组自身的购买率均值与这个整体购买率平均值不一致，就会出现以下两种情况。
第一种情况
蓝色分组的购买率平均值（蓝色线）比整体平均值（黑色线）要高，有可能是最右边那个很高的购买率把分组的均值抬升的，同时蓝色分组的数据分布很散（方差大），此时不能有十足把握说明该组用户的购买转化率很高。
第二种情况
绿色分组购买率平均值（绿色线）比整体平均值（黑色线）高，但是绿色分组的数据非常集中，都集中在分组的平均值（绿色线）附近，此时我们可以认为该组的转化率平均值与整体有明显区别。
“组内方差”，即描述每个分组内部数据分布的离散情况。
对于上面蓝色和绿色分组的“组内方差”，显然蓝色的组内方差更大，绿色的组内方差更小。
所以，如果上面三个分组的用户购买率平均值不在中线（整体购买率）左右，而是有明显的偏高或偏低，且该组内的每个转化率都紧紧围绕在该组购买率平均值的附近（即组内方差很小）。那么我们就可以断定：该组购买率与整体不一致，是该组对应优惠金额的影响造成的。
（2）方差分析之定性、定量分析
将上表中三个组的转化率放进了这个图中，尝试通过分析工具在转化率数据中得到结论。
定性分析
这三组的购买率数据的分布都很相似，即虽然各组的均值不尽相同，但各组的数据分布的都比较散（方差大），总有很大或很小的购买率来提升或降低了组内的平均值，所以不能仅从各组的购买率均值本身来断言该组的购买率与众不同。
因此，可以看到，这三组数据并无区别，用户的购买率与优惠金额之间没有明显的关系，当然这是一个定性的分析过程。
定量分析
F 检验值用来精确表达这几组差异大小的，F crit临界值是一个判断基线
当 F F crit，这几组之间的差异超过判断基准了，认为不同优惠金额的分组间的购买率是不一样的，优惠金额这个因素会对购买率产生影响，也就是说通过运营优惠金额这个抓手，是可以提升用户购买转化率的；
反之，当 F F crit，则认为不同优惠金额的分组间的购买率是一样的，优惠金额这个因素不会对购买率产生影响，也就是说需要继续寻找其他与购买转化率有关的抓手。
A、B、C 三组的方差分析结果。如图所示 F (1.5555556) amp;lt; F crit (3.8852938)，所以从定量分析角度，我们也能判定优惠金额不会对购买率产生影响。
方差分析也叫 Analysis of Variance，简称 ANOVA，也叫“F 检验”，用于两个及两个以上分组样本的差异性检验。
方差分析标准路径
第一步，判断样本是否满足“方差分析”的前提条件
（1）第一个条件：每个分组中的每个值都必须来自同一个总体样本
比如，同一家店铺中男性顾客和女性顾客（即样本），都来自这个店铺的成交客户（即总体），所以是同一个总体，可以用方差分析来分析不同性别客单价的差异；但如果想分析这个店铺中口红品类的用户购买率和其他店铺口红品类的用户购买率的差异，就不能用方差分析，因为这两个用户群体不是来自同一个总体。
判断样本是不是都来自同一个总体，其实就是看这些样本是不是同一个功能的用户、是不是同一种类型的用户、是不是同一个业务流程的用户。
以下就是来自同一总体的用户：
高留存的注册用户和低留存的注册用户；
DAU 里面的新增用户和唤醒用户；
从同一个入口进来的成功购买用户和流失用户。
以下这些就不是来自同一总体的用户，不能用方差分析来分析他们之间是否有差异：
产品的注册用户和游客，因为不是同一类型用户；
沉默用户和活跃用户，因为不是同一类型用户；
使用过功能 A 和未使用功能 A 的用户，因为不是同一功能的用户；
从活动落地页进来然后完成购买的用户，和从首页 Banner 进来完成购买的用户，因为不是同一业务流程的用户。
（2）第二个条件：方差分析只能分析满足正态分布的指标
在产品运营中大部分指标都是正态分布。
几乎所有转化率都满足正态分布：购买率、点击率、转化率、活跃率、留存率、复购率等。
几乎所有的业务量都满足正态分布：客单价、每日新增用户数、渠道引流的流量等。
几乎所有的用户画像指标都满足正态分布：年龄、城市、登录次数、使用时长等。
但是，以下这些就不是正态分布的指标，不能用方差分析。
注册用户中男性和女性的数量，它们并不会集中在某个区间，所以不能用方差分析去分析不同客群的男性数量和女性数量的差异；但男女的比例是正态分布的指标，根据产品客群不同始终集中在某个占比区间。？？
不同客群的累计消费金额，不是正态分布指标，因为累计类指标只会增长，并不会集中在某个区间；但是每日消费金额是正态分布的指标，因为每日的消费金额虽然有波动，但产品的客群是稳定的，消费金额也是集中在某个区间。
（3）第三个条件：分析的样本必须是随机抽样
每个用户的购买率就是随机抽样来的。最简单的随机抽样就是均匀抽样，例如 10 万用户，我就按照顺序，每隔 5000 人抽一个出来，就能随机抽样出来 20 人。
第二步，计算 F 检验值和 F crit 临界值
若 F F crit，则各个分组的指标值有显著差异；
若 F F crit，则各个分组的指标值无显著差异；
第三步，如果有差异，需要评估差异大小
当 F F crit，则各个分组的指标值有差异，但是差异有多大呢？用一个新的指标来表示：
R2=SSA/SST，其中 R2 表示差异大小，SSA 是组间误差平方和，SST 是总误差平方和。
可把 R2 看成相关系数，所以可以用相关系数的判断标准来给出差异的大小：
当 R20.5，认为各个分组间的差异非常显著；
当 R2 在 [0.1,0.5] 之间时，认为各个分组间的差异一般显著；
当 R20.1 时，认为各个分组间的差异微弱显著。
应用：
1.产品升级前后，使用时长有了一定提升，可以说升级有效果吗？
升级后的平均使用时长为 1分 34 秒，升级前为 1 分 26 秒。升级后使用时长提升了不到 10 秒钟，能说产品升级有效果吗？
1）判断样本是否满足“方差分析”的前提条件
使用时长来自同一群用户，就是产品的使用用户，是同一总体；并且使用时长满足正态分布，所以要分析升级前和升级后有无效果，就是分析升级前的使用时长和升级后的使用时长是否有差异，也就是可以用方差分析来判断。
2）计算 F 检验值和 F crit 临界值
F 检验值是 5.97，F crit 临界值是 4.1959，所以 F amp;gt; F crit，所以这两组数据有差异，也就是说升级后使用时长的提升是有效的。
3）评估差异大小
结果是 0.1757，属于一般显著。
结论：此次产品升级对使用时长是有效果的，平均使用时长提升了 8 秒，但提升效果一般。
2.最近做了一次活动，活动后的 DAU 有所提升，可以说活动有效果吗？
为了提升 DAU，做了一个促活的活动，把活动前后的 DAU 抽样 15 天的数据对比，发现活动后 DAU 均值是 55567，比活动前的 DAU 均值 54198 有所提升，可以说活动有效果吗？
我们不能单纯地看 DAU 均值提升就认为有效果，也有可能是正常的波动，所以我们需要准确对比这两个分组间的差异。
1）判断样本是否满足“方差分析”的前提条件
因为两组的 DAU 都来自产品的 DAU，所以认为是来自同一总体，同时 DAU 满足正态分布，所以可以用方差分析来进行分析。
2）计算 F 检验值和 F crit 临界值
因为 F(0.022) amp;lt; F crit(4.1959)，所以这两组数据无差异，也就是说这两组 DAU 没有任何区别，均值的变化是正常波动，促活活动并没有带来效果，所以不需要进行第三步，不需要评估差异大小。
上面的案例都是针对一种策略来分析效果。我们把这种形式的方差分析叫作单因素方差分析，因为只评估一种策略在不同客群、或不同渠道、或不同场景中的效果。下面我们看看一个更复杂的场景——多因素方差分析。
3.如何分析注册率是拉新活动带来的？还是渠道本身特性带来的？
渠道运营，涉及的渠道很多，同时在每个渠道上也会投放大量的运营活动，目的都是尽可能地将渠道的流量引导到产品上完成注册，才能进行后续更为深入的运营。
（1）渠道
刚开始我们对接渠道，由于资源有限，运营活动还是全渠道投放。想分析针对单一一个运营活动，各个渠道间的用户注册率是否有差别。
F(1.96) amp;lt; F crit(3.55)，所以各个渠道的注册率没有差异。
面对这样的问题，你自然会说可能是拉新活动的没有做出差异化的原因，所以你把拉新活动精细化，拆为权益类活动、品牌类活动和通用类活动。通过这三类细分活动再次投放到各个渠道上，再次评估各个渠道的注册转化率。
（2）活动
于是，除了渠道，还有活动来影响注册率。此时有两个因素来影响注册率，分别是渠道因素（有三组）和活动类型因素（有三组），所以我们用无重复双因素方差分析来做，
这里是两个因素，所以要从行和列分别去分析：
行的 F(8.46) F crit(6.94)，所以注册率在不同行（不同活动）上差异显著，并且 R2 为 0.796，属于非常显著；
列的 F(0.16) F crit(6.94)，所以注册率在不同列（不同渠道）上无差异。
所以，当我们给各个渠道投放多种类型的活动时，我们发现注册率和活动类型强关联。
（3）客群
把活动细分为三类只是精细化运营的开始，接下来你自然会想把这三类活动投放给每个渠道的不同客群，再看看对注册率的影响。
于是，除了渠道和活动，还增加了渠道中的客群（这里仅按照性别这个维度来分析）。此时每种类型的活动又针对男性客群和女性客群分别进行了投放，我们把这种情况叫作有重复因素。
有重复因素，即每个因素（活动类型）中都有两个重复值（男性和女性）。
样本是每个行中的男性客群和女性客群；
列是渠道；
交互是男性客群或女性客群，是否与渠道一起共同对注册率产生了影响。
从结果中我们可以看到：
样本的 F(10.57) F crit (4.25) ，所以不同性别的客群和注册率差异显著，再考察样本的 R2 为 0.64，为很强的显著关系；
列的 F(0.47) F crit (4.25)，所以不同渠道的客群和注册率差异不显著；
交互的 F (0.49) F crit (3.63)，所以不同性别的客群与渠道共同对注册率差异不显著。
此时我们可以下结论：不同渠道本身对注册率影响不大，可以排除渠道自身特征的影响；但是不同性别客群的拉新活动对注册率的影响非常大，后续可以针对渠道中的不同性别投入更多的拉新资源以提升注册率。
提醒：在本文的讲解过程中，对方差分析的原理和要求做了很多业务上的适应性的假设。而实际业务的情况非常复杂，在使用方差分析前应查阅统计学的资料后，确认业务情况符合方差分析的几个条件才能使用。如果硬套方差分析的方法来分析只会产生严重误导和偏差。
总结
方差分析适用场景：
第一类：同一客群在实施某个策略前后的指标对比，以评估策略效果。
第二类：两个或多个客群对比同一指标，以评估不同客群在这个指标上的差异，以评估不同客群的指标运营效果。
数据分析中的基本指标
用户行为类指标
用户行为指标是互联网行业和传统行业最大区别。传统行业，用户行为发生在门店里，极难用数字化手段记录，因此只有在发生交易时，才能记录数据。
传统企业的大部分数据都是交易数据。而互联网行业依托小程序/H5/APP，能记录用户在每个页面的点击，相当于在网上店铺的每一步动作都有记录，因此能分析很多东西。
具体到指标上，可以套用AARRR模型，分模块展开：
拉新：主要用于分析拉新的转化效率与质量。拉新是很多互联网公司最重要的任务，拉新成本是很多互联网公司最大的成本支出，因此拉新关注度极高。
用户活跃类指标：用户活跃类指标是日常关注的重点。活跃用户是一切业务的基础，且活跃行为是可以每日记录的，因此运营/产品部门日常都盯得很紧。
用户留存类指标：留存指标一般和拉新/活跃指标结合起来看。由于留存统计相对滞后（要等XX天才能统计），因此一般是月度复盘/事后分析的时候看的多。
用户转化类指标：用户转化一般指付费行为，这是互联网商业模式变现的重要渠道。看的指标主要围绕有多少人买，买了多少，是否连续购买等展开。这里和传统企业的会员消费分析很像，能衍生出很多子指标。
用户转介绍类指标：用户转介绍行为类型很多，转发内容/转发商品/介绍新用户加入等，都是转介绍行为。因此转介绍行为的定义常常会结合具体的转介绍形态而变化。很少有统一的指标。如果一定要概括的话，可以概括为：
有转介绍行为人数：发生转发内容/转发商品/介绍新用户的用户人数
转介绍行为带来的效果：新注册用户/商品购买/内容阅读等等
除了AARRR以外，还有一类特殊的行为：风险类行为，用于识别用户的危险动作。在不同业务场景，风险定义不同。比如电商场景下刷单、薅羊毛，游戏场景下外挂使用，金融场景下欺诈交易等等。
产品类指标
产品类指标是互联网行业特色。用户在互联网APP/H5/小程序内会使用不同的功能，好用的话会一直用，不好用会中途放弃，这些都能记录数据，从而通过产品分析，不断淘汰没人用的功能，优化有人用的功能，提升效率。
产品分析的常见指标如下：
请点击输入图片描述
请点击输入图片描述
注意：产品分析是有级别的，最高级的是对整个APP/H5/小程序的页面/功能做盘点。其次是对某一个具体页面（比如首页、商品详情页、购物车页）或者某一个具体路径（比如从首页的banner位点广告进入商品详情，再选择商品进行交易这样一条路径）进行分析。
最细的则是分析某一次改版的，某一个按钮/页面布局调整等等。上边举例的指标更多是对页面/路径分析的指标，其他情况，有空再详细分享。
内容类指标
内容类指标也是互联网行业的特色。互联网上发布的视频/图文，能记录阅读情况。一般内容运营/营销推广/新媒体运营等与内容打交道密切的部门，会很关注这一类指标。
常见的内容指标如下：
请点击输入图片描述
请点击输入图片描述
通过这些指标的分析，创作内容的部门，比如：内容运营/新媒体运营，能找到哪些内容阅读高，哪些转发多，从而总结出写文章的套路，提升内容传播范围。利用内容的部门，比如营销推广，能关注哪些内容带来的转化好，从而提高推广效率。
活动类指标
活动类指标，在互联网和传统行业都很常见。相比之传统行业，互联网行业的营销活动密度更高、力度更大，经常是烧钱换增长。因此活动相关指标关注度很高。
常见的活动指标如下：
请点击输入图片描述
请点击输入图片描述
通过这些指标的分析，能让负责活动的同事直观看到活动效果，并且在不同类型/不同力度活动进行比较，找到更高效开展活动的方式。
有些活动会包含多个角色，比如拼团活动，会同时有团长/团员两个角色；裂变类活动，有裂变发起人/参与者两个角色。
不同角色的参与条件、达标动作、达标奖励不太一样，因此可以拆分两类群体，分别看活动目标人数/参与人数/达标人数等指标。
商品类指标
商品类指标，在互联网和传统行业都很常见。区别是传统企业大部分是实物商品，互联网则有一堆虚拟商品，比如虚拟货币、会员特权、游戏装备、直播打赏等等等。
因此互联网行业的商品管理，有可能比传统行业简单一点，不需要那么焦虑的盯着库存周转指标，生怕在仓库里待久了，货都过期了。
常见的商品指标如下：
请点击输入图片描述
请点击输入图片描述
通过这些指标的分析，能让负责商品运营的同事直观看到商品畅销/滞销情况，从而调整商品进销存计划，避免商品积压/缺货。
注意，虚拟商品原则上是没有库存的（或者说库存想设多少设多少）。但是滥发虚拟商品，又会引发互联网中通货膨胀与商品贬值。比如游戏里稀有皮肤卖的贵，是因为稀有才贵，为了短期收入搞大优惠，一但烂大街，反而大家都不稀罕了。
所以控虚拟商品的库存，不是看商品动销率或者在库时间，而是看GMV整体目标。在达成GMV整体目标情况下，高中低端商品保持一个稳定的库存结构，避免烂大街。
怎样算知乎拉新量
运营数据分析-拉新的5个指标

蓝莓孵化营
工业大学管理系
来自专栏职场管理
有两位内容运营的同学，有一天领导问他们最近的产品情况怎么样。 其中一位运营的同事汇报的表现很不错，“每天都有很多人互动和称赞”，另外一位运营回答说产品有问题，“用户都不怎么会将内容分享出去”。
如果你作为专业的平台运营，你应该相信谁？
我想这两位同学你应该都不会相信，甚至还会很暴躁，因为他们的表述，几乎没有一点点的数据分析意识。 现代管理学之父彼得·德鲁克说过一句很经典的话：
如果你不能衡量它，那么你就不能有效增长它。
为了能够让数据驱动业务增长，我们需要制定业务的衡量标准，用统一的衡量标准来定义和评价业务，这个统一的标准在数据分析中叫做指标。
案例中的两位内容运营如果能够以互动率和点赞率、分享率这 3 个产品数据指标来向领导汇报自己的运营工作的话，或许就能够在领导心中留个好印象了。
了解和使用指标是数据分析思维的第二步，我们需要基于具体的业务需求设定能够驱动产品增长的指标。（Ps：数据指标是由用户基础数据字段处理加工而成，详情请看上一节课）
按照比较受大家认可的 AARRR 产品增长模型，我们可以将指标分为五大类：拉新指标、活跃指标、留存指标、转化指标、传播指标。
5个产品的拉新指标
运营通过渠道投放让“用户”接触到产品，当“用户”觉得产品不错就会去下载它，打开产品发现里边的内容蛮适合自己，“用户”就会注册产品，最终成为产品真正的用户。
以上是绝大部分运营都会经历的拉新过程，如果你想监控整个过程，并且评估拉新的执行效果，那么你就需要设置一些考核的数据指标，使得数据增长的数据健康、合理性。
1）浏览量
俗称曝光量，指的是产品的推广信息在朋友圈、搜索引擎、应用商店等渠道渠道中被多少用户看到。与浏览量相对应的是点击量，它们俩的比例在业内有一个专业词汇 CTR（CRT=点击量/浏览量），很多广告平台会用 CTR 来评估广告质量。
2）下载量
指的是 App 的安装次数，是衡量拉新效果的结果指标。不过，App 下载其实是一个中间态，为了让产品从曝光到下载有一个高转化，你需要注意应用大小、介绍文案的打磨。
比如游戏类 App，为了避免怕漫长的下载时间造成玩家流失，会选择让用户下载后以补丁形式完成全部素材的加载。
3）新增用户
下载并不是意味着就是用户，如果某个“用户”只下载了并没有注册，那它就是一个无效的用户。对于用户的界定，每个产品是不一样的，大部分的产品是用户注册了 App，就被定义为用户了，比如知乎、微博、小红书、百度贴吧。
图片来源于：百度，仅做示例
4）获取成本
用户获取必然涉及成本，而这是运营新手最容易忽略的。目前常见的成本的计算方式有 CPM（千次曝光成本）、CPC（单次点击成本）、CPA（单次获客成本）。
综合以上，还要注意把控数据的真实性，进行数据的校验、监控、排查，数据设备的监控，防刷机制。
发布于 3 年前著作权归作
数据分析报告有哪些要点?
1、确定报告受众和分析目的
无论写什么类型的数据分析报告，都要先搞清楚报告给谁看，不同的受众对一份数据分析报告的期待是不一样的。
2、框架、思路清晰
作为数据分析结论输出最重要的部分，一份优秀的数据分析报告要能够准确体现你的分析思路，让读者充分接收你的信息，所以在制作报告时，框架和思路要清晰。
这里的框架不单指报告的行文逻辑，更多是指数据分析过程的框架，比方说我们拿到一个分析问题，不可能一下子就找到问题背后的原因，需要利用各种手段将问题拆解分析，直到得出最终结论，这时候就可能会用到我们常提到的MECE、PEST、AAARRR等分析框架
3、保障数据准确
写一份报告，获取和整理数据往往会占据 6成以上的时间。要规划数据协调相关部门组织数据采集、导出处理数据，最后才是写报告，如果数据不准确，那分析的结果也没有意义，报告也就失去价值，因此在收集整合数据时需要注意数据是否靠谱，验证数据口径和数据范围。
4、让图表传达更加直接
图与表之间，图与图之间的联系如何阐述，反映出的问题如何表达，这些都是在做数据分析图表就要弄明白的。很多细心的领导及专门会针对你的数据分析以及结论来提问，因为现状和未来是他们最关心的。所以数据图表展现也要体现你的分析思路，而不单单是为了展示数据。
数据分析拉新的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于数据分析怎么接单、数据分析拉新的信息别忘了在本站进行查找喔。