业务|10000字全流程讲解完整数据分析( 五 )

如：

求和：SUM([字段])
计数：COUNT([字段])
计数去重：COUNT(DISTINCT [字段])
求平均值：AVG([字段])

文章插图
表述的业务含义为时间周围为2021.3.1 ~ 2021.3.15 范围内pc端的订单成功率为0.5。
计算过程：根据created_at=2021.3.1 ~ 2021.3.15 和device =pc ，SUM([总订单数])= 2，SUM([成功订单数])=1，SUM([成功订单数])/SUM([总订单数])=1/2=0.5。
Quick BI 提供电子表格和仪表盘两种可视化工具做以上分析。
电子表格：

文章插图
仪表盘：

文章插图
通过可视化的图标去分析数据，找出机会点或者异常。
7. 数据应用通过可视化的图表去分析数据，找出机会点或者异常。可以说，前面1、2、3、4 所有的工作都在为了第5部分数据应用上。
数据从用户中来，通过一系列的数据沉淀、处理和分析找出机会点做决策再回到用户中去，提升用户体验，带动业务增长，此即数据驱动业务。
8. 结语本篇文章介绍了分析数据的数据框架拆解、数据处理加工过程。
但是海量数据怎么看，看哪些？度量指标应该怎么设计，度量指标中什么是业务的北极星指标等此文还没提到，在第三部分数据指标体系设计中讲解。
三、数据分析 | 数据指标体系设计接着来讲数据分析的第三篇文章数据指标体系设计，是整个数据分析篇章中最核心的内容。
在第二篇文章中讲到，我把数据分为：用户数据、行为数据和业务数据，再往下又分了维度和度量两个概念。
尽管如此，维度也好，度量也罢，都会产生很多散落的数据，你并不知道数据与数据之间的关联性，也不知道众多数据中什么是最核心的，什么最能表示业务最终呈现效果或者哪个数据指标表示目标达到。
数据与数据之间的关联性或者相关逻辑性称作数据指标体系。指标体系指将零散单点的具有相互联系的指标，系统化的组织起来，通过单点看全局，通过全局解决单点的问题。
说白了就是找个框架把所有的数据以一定的逻辑性组装起来，框架也即数据模型。此篇文章针对用户数据、行为数据和业务数据分别给出代表性模型，用以各自领域的数据分析。
1. 用户数据之AARRR模型提到用户本身，马上会想到经典的AARRR 模型，即获取用户（Acquisition）、提高活跃（Activation）、提高留存率（Retention）、获取营收（Revenue）和自传播（Referral）。
每个环节都有这个环节应该关注的指标，这些环节并不一定遵循严格的先后顺序。

文章插图

获取（Acquisition）：用户如何发现（并来到）你的产品？
激活（Activation）：用户的第一次使用体验如何？
留存（Retention）：用户是否还会回到产品（重复使用）？
收入（Revenue）：产品怎样（通过用户）赚钱？
传播（Refer）：用户是否愿意告诉其他用户？

AARRR模型是非常经典的用户分析模型，且需要结合具体业务展开来讲，这里不做过多描述。
2. 行为数据之UJM+OSM模型UJM即User-Journey-Map，用户旅程地图模型；OSM分别指目标、策略和衡量，Objective-Strategy- Measurement。
UJM+OSM，通过拆分用户使用产品的阶段性行为，从中挖掘用户的需求，在每个阶段确定能够提升的指标，将用户旅程和业务目标结合起来。