引子 小雪求职记
基础篇 数据分析师的锦囊
一、欲善其事先利器：数据分析技能进阶图谱
二、深入业务寻价值：价值源于深度理解场景
三、积跬步以察千里：数据的采集与治理
四、沥尽狂沙方见金：数据的清洗与可视化
五、营运之道无定法：数据分析的核心方法
六、增长践行成于思：数据分析的关键思维
实践篇 数据运营分析十话
卷一 获客
第 一话 横看成岭侧成峰：用户画像揭示秘密
1．1 问题：这款推广海报好不好
1．2 概念：用户画像
1．3 工具： Python 数据分析编程基础
1．3．1 Python 的极简说明
1．3．2 Python 中的序列数据类型
1．3．3 数学计算工具包 NumPy
1．3．4 数据处理工具包 Pandas
1．3．5 数据可视化工具包 Matplotlib和Seaborn
1．4 实战：哪一类人才是真正的买家
1．4．1 数据读入及简单分析
1．4．2 用户整体画像
1．4．3 购买眼影盘用户的画像
1．5 结论
第二话 远近高低各不同：聚类实现RMF细分
2．1 问题：如何通过细分用户指导运营
2．2 概念：用户细分
2．2．1 用户画像是了解用户的第 一步
2．2．2 用用户行为数据指导精细化运营
2．2．3 进行同期群分析揭示获客时的秘密
2．2．4 根据特征和价值进行用户分组
2．3 工具：RFM 分析和聚类算法
2．3．1 RFM 分析
2．3．2 聚类算法
2．4 实战：基于 RFM 模型的用户细分
2．4．1 整体思路
2．4．2 数据读入和可视化
2．4．3 根据 R 值为用户新近度分层
2．4．4 根据 F 值为用户消费频率分层
2．4．5 根据 M 值为用户消费金额分层
2．4．6 汇总 3 个维度，确定用户价值分层
2．5 结论
2．6 彩蛋：看看谁是最有价值的用户
113
第三话 获客成本何其高：回归预测用户 LTV
3．1 问题：我能从用户身上赚多少钱
3．2 概念：用户生命周期价值
3．3 工具：回归分析
3．3．1 机器学习中的回归分析
3．3．2 训练集、验证集和测试集
3．3．3 如何将预测的损失最小化
3．4 实战：预测电商用户的生命周期价值
3．4．1 整体思路
3．4．2 数据读入和数据清洗
3．4．3 构建机器学习数据集
3．4．4 预测未来一年的 LTV
3．5 结论
3．6 彩蛋：还有哪些机器学习算法
卷二 激活
第四话 百川争流终归海：动态归因优化渠道
4．1 问题：哪个渠道最给力
4．2 概念：渠道分析和归因模型
4．2．1 渠道和渠道分析
4．2．2 归因和归因模型
4．3 工具：马尔可夫链归因模型
4．3．1 记录推广路径
4．3．2 显示用户旅程
4．3．3 统计状态间的转换概率
4．3．4 计算整体激活率
4．3．5 计算移除效应系数
4．4 实战：通过马尔可夫链模型来计算渠道价值
4．4．1 整体思路
4．4．2 构建每一个用户的旅程
4．4．3 根据状态构建通道字典
4．4．4 计算状态间的转换概率
4．4．5 计算渠道移除效应系数
4．5 结论
4．6 彩蛋 ：夏普利值归因
第五话
营销贵在激活时：漏斗模型聚焦转化
5．1 问题：促销活动中的哪个环节需优化
5．2 概念：漏斗和转化率
5．3 工具：Plotly 包中的漏斗图
5．4 实战：通过漏斗分析看促销效果
5．4．1 整体思路
5．4．2 数据导入
5．4．3 基本漏斗图
5．4．4 细分漏斗图
5．5 结论
第九话 君向潇湘我向秦：用 A B 测试助力促销
9．1 问题：两个页面，哪个更好
9．2 概念：A B 测试
9．2．1 确认实验目标
9．2．2 设计实验
9．2．3 实验上线与监控
9．2．4 结果复盘
9．3 工具：统计学知识
9．3．1 对照实验
9．3．2 假设检验
9．3．3 样本的数量
9．4 实战：通过 A B 测试找到最佳页面
9．4．1 整体思路
9．4．2 数据导入与数据可视化
9．4．3 查看转化率的增量
9．4．4 检验测试结果的统计学意义
9．4．5 细分样本后重新检验
9．5 结论
卷五 自传播循环
第十话 一二三生千万物：裂变驱动增长循环
10．1 问题：哪种裂变方案更有效
10．2 概念：增长黑客和裂变
10．2．1 增长黑客的本质
10．2．2 各种各样的裂变
10．3 工具：增长模型
10．4 实战：用增长实验确定最佳折扣方案
10．4．1 整体思路
10．4．2 数据导入及数据可视化
10．4．3 比较两种裂变方案带来的转化率增量
10．4．4 用 XGBoost 判断特定用户的分类概率
10．4．5 比较两种裂变带来的转化增量
10．5 结论
寄语
鄂公网安备 42010302001612号 