数据分析方法论和业务实战

第1 章　数据分析基础 1
1.1　什么是数据分析 1
1.2　为什么要做数据分析 5
1.3　数据分析的步骤 12
1.4　数据分析师的日常工作 16
1.5　数据分析师的前景和发展 21
第2 章　数据指标体系 24
2.1　数据指标和数据指标体系 24
2.1.1　数据指标 24
2.1.2　数据指标体系 26
2.2　为什么要搭建数据指标体系 27
2.2.1　监控现状 27
2.2.2　反映问题 28
2.2.3　预测趋势 28
2.2.4　评估分析 30
2.2.5　决策支持 30
2.3　常见的数据指标体系 31
2.3.1　互联网产品典型的数据指标体系 32
2.3.2　电商平台的数据指标体系 35
第3 章　如何搭建数据指标体系 39
3.1　什么是数据埋点 39
3.2　为什么要埋点 40
3.3　如何设计埋点方案 42
3.4　埋点的开发流程 46
3.5　指标体系搭建方法论 50
3.5.1　OSM 模型 52
3.5.2　UJM 模型 54
3.5.3　AARRR 模型 55
3.6　数据指标体系搭建实战 56
第4 章　数据分析方法论 62
4.1　什么是数据分析方法 62
4.2　营销管理方法论 63
4.2.1　SWOT 分析 63
4.2.2　PEST 分析 64
4.2.3　4P 理论 65
4.3　常用数据分析方法论及其应用 67
4.3.1　对比细分 67
4.3.2　生命周期分析法 69
4.3.3　RFM 用户分群法 73
4.3.4　相关性分析 78
4.3.5　用户画像分析 84
4.3.6　Aha 时刻 92
4.3.7　5W2H 分析法 93
4.3.8　麦肯锡逻辑树分析法 99
4.3.9　漏斗分析法 105
第5 章　用户留存分析 112
5.1　什么是用户留存 112
5.2　为什么要进行用户留存分析 113
5.3　影响用户留存的可能因素 115
5.4　用户留存的3 个阶段 117
5.5　用户留存分析的常见方法——挖掘Aha 时刻 119
5.5.1　用户留存分析的业务背景和分析思路 120
5.5.2　分析过程 123
第6 章　用户特征分析 131
6.1　用户特征分析适用的业务场景 131
6.1.1　寻找目标用户 132
6.1.2　寻找运营抓手 134
6.1.3　精细化运营（用户分层） 135
6.2　用户特征分析的方法 136
6.2.1　用户画像分析 136
6.2.2　聚类分析 137
6.2.3　监督模型 140
6.2.4　RFM 用户分群 141
6.3　用户特征分析和用户预测模型的区别与联系 142
6.4　评估用户特征 143
第7 章　用户流失分析 146
7.1　什么是用户流失 146
7.2　用户流失分析常见错误 147
7.3　生命周期和流失 148
7.3.1　产品的生命周期 148
7.3.2　用户的生命周期 151
7.4　流失用户的确定方法 153
7.5　用户流失分析和预测 153
7.6　如何召回流失用户 155
7.7　总结 157
第8 章　从零开始完成数据分析项目 159
8.1　项目背景 159
8.2　制订需求分析框架和分析计划 161
8.3　数据的提取和摸底 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　特征分布变换 173
8.4.4　生成衍生变量 174
8.4.5　分箱转换 175
8.4.6　特征筛选 176
8.5　初步搭建挖掘模型 177
8.6　完成分析报告和落地应用建议 178
8.7　制定具体的落地方案和评估方案 180
8.8　业务落地实验方案和效果评估 181
8.9　项目总结 181
第9 章　关于数据分析师常见的困惑和问题 183
9.1　为什么数据分析师找工作这么难 183
9.1.1　竞争大 184
9.1.2　不懂业务 184
9.1.3　简历和面试 185
9.2　数据分析师的专业选择 185
9.3　数据分析师面试流程 187
9.4　数据分析师最重要的能力 192
9.4.1　讲故事 193
9.4.2　判断项目ROI 194
9.4.3　业务深度 194
9.4.4　信念 195
9.4.5　热情 196
9.4.6　换位思考 197
9.5　常见的数据分析师的困境 197
9.5.1　陷入取数困境 198
9.5.2　陷入报表困境 199
9.5.3　陷入落地难困境 201
9.5.4　陷入成长困境 203