思维|浅谈在探索数分之路上“数据思维”培养( 三 )

Engagement（参与度）：通常指的是用户访问产品的行为，相关的指标是和用户访问相关。包含用户的活跃度（DAU/WAU/MAU）、UV、PV、人均访问次数等，通过这些数据可以很好的反应整个产品的用户访问情况。
Adoption（接受度）：用户在规定的时间内对产品的操作情况。接受度相关的指标主要和用户的操作行为有关。包含点击行为、点击率、人均点击次数、下单金额、支付情况和人均订单数等等。
Retention（留存度）：留存度体现用户人群对产品或者某个功能的粘性。留存度的相关指标主要和用户再次访问/操作的行为有关。包含留存用户数、留存率、复购用户数和复购率等。
Task Success（任务完成度）：任务完成度体现用户各个流程的转化率情况。任务完成度的相关指标主要和用户各个流程节点的转化率有关。包含各节点转化率、平均停留时长、返回率、跳出率和退款率等。
Happiness（愉悦度）：愉悦度体现用户使用完产品后的整体感受情况，是否有推荐给其他用户的意愿。愉悦度的相关指标是NPS净推荐值。
3. 波士顿矩阵模型波士顿矩阵其实是利用二维四象限将产品分成了明星、金牛、瘦狗和问题四种类型。在电商运营中波士顿也具有很大的指导意义,我们可以根据波士顿矩阵的方式制定平台的产品矩阵：引流款、利润款、留存款。让商城的产品更符合交易逻辑。通过波士顿矩阵模型，可以将我们面临的问题进行轻重缓急排序，并针对性地部署相应的策略，把主要资源放在哪个区域。
·······
这里就不一一展开了，简单介绍几个常见的，抛砖引玉，而更多的数据模型还需要我们在日常的工作中不断的积累。总之，大家可以找更多的资料深入学习数据模型，复用现有模型，更重要的是，需要我们通过熟悉主流的数据模型产出逻辑，并从中找到规律，培养自己的思维能力
五、其他建议1. 具备一定的好奇心美国心理学家布鲁纳认为好奇心是人类行为的原始动机之一。它常由人们所接触的不明确的事物或未完成的事情引起。当事物尚未明确，事态尚未完成时，人们时常受好奇心的驱使去探索这些未知的行为过程或结果，并从中得到满足。然而，在锻炼数据思维时，一定是有好奇心的，有兴趣去知道数据背后的逻辑的。
2. 说事实，而不是观点《原则》一书中举的例子是：大部分人不是真正地寻找事实,而是寻找那些能证明自己观点的事实。我们大部分人表达的事实，可能已经是带有自己价值取向的观点。因此，我们要注意自身的观点，用事实说话。
3. 用客观标准代替主观判断主观是指人的意识、思想、认识等；客观是指人的意识之外的物质世界或认识对象。我们不能用主观判断数据的好坏，以符合实际业务场景的客观事实的标准来判断，可以根据竞对数据，往期数据，目标数据等维度来制定准备。
4. 多看、多练、常总结首先，我们可以多看写权威、专业的数据分析报告，梳理以及了解人家的分析过程。去不同行看看不同数据报告，发现问题，总结经验，还可以多看自己业务的数据和每天的各种数据报表，整理出来，每天看走势，发现异常及时分析。其次，还有多多去尝试用同样的分析方法去分析类似的数据。可以套用别人的分析思路去尝试分析自己的业务问题，最后，总结分析过程中的问题以及经验。总之，就是多看，多练，尝总结。
六、总结以上是分享的一些培养数据思维的建议。具备数据思维的人来讲，要有数据敏感性，要能够合理怀疑，首要确认数据是否准确，对一些异常敏感的数据尤其如此，这就需要通过时间培养数据常识，只能刻意练习。