常见痛点
容易陷入细节，忽略全局会使用看数工具，但数据分析不成体系结果数据难以归因优化靠职业敏感度，而不是科学的数据分析
系统方法：用户流转地图–场景化–数据分析模型
用户流转地图定位20大通用场景，用10大数据分析模型进行分析
二、用户流转地图
全域–全局–局部
全域流转地图基于公司战略，通过准确的业务定位于行业发展现状描绘全域流转地图；
全局流转地图根据产品策略分为三大板块：站外渠道（用于检测流量分发、识别渠道异常）、平台流转和裂变流转地图（寻找裂变断点）
局部流转地图可按功能维度（寻找转化瓶颈）和日常活动维度（寻找活动断点 ）划分
**”公司战略–产品策略–具体产品“**逐步深入，评估各个环节转化断点，进一步下钻几步流转地图找有优化点，开拓新的增长点。可用9个字概括：评能效、看瓶颈、开新路
绘制用户流转地图
主要5个构成要素：UJM模型、流转节点、流转线段、流转数量、流转率
绘制用户流转地图的四个步骤：
Step1：选定业务目标，以确定关键结果
Step2：结合关键行为，反推高价值行为
Step3：量化页面数据，排布流转节点
根据ICE模型的I(Impact)和C(Confidence)因子，分别筛选访问行为阶段和高价值行为阶段。
Step4：套用数据模型，补齐流转数据（流转数量和流转率）
我理解这就是一个梳理漏斗的方式
三、十大数据分析模型
事件分析
漏斗分析
热图分析
留存分析
留存魔法师
这个我还专门去看了作者的上一本书《首席增长官》，了解了魔法数字。
同时在知乎查到了一篇有实操的文章：魔法数字浅谈
还有一篇陈老师的文章：魔法数字是什么？如何用数据分析找到它
陈老师的文章总是提供更多的思考视角，我理解魔法数字和留存是相关关系，虽然并非因果，但可以用于预测
事件流分析
用户分群分析
定位流失原因精细化运营
用户细查
用户分群中的典型用户
分布分析
分布分析不仅能洞察用户行为分布的规律，还能作为事件分析、用户分群等功能的重要补充。
归因分析
这是一种将营销功劳或者转化功劳，按一种或者一组分配规则，按劳分配给转化路径种不同接触点的数据分析模型。
主要有首次归因模型，最终归因模型、线性归因模型和位置归因模型。
渠道分析
找到最优投放渠道
打通站内外数据，归隐渠道转化。书中划分了五个渠道，并给出相应关注的指标
主要分析方法：漏斗分析和波士顿矩阵（流量质量和流量规模）
未达预期渠道分析
下钻分析：拆分用户属性维度，如”地区“归因分析：根据前面的四种模型，重新审视渠道的价值（其实这个赋权重我没有接触过，不怎么理解）。未达预期的一般有三种情况：CPA高、流量少、ROI低
打造黄金落地页
这里和第一张方式类似，使用osm和ujm模型结合分析；
采用波士顿矩阵的两个度量：
兴趣热度 = 使用该模块的人/落地页总访客量，用来衡量用户对该模块的内容是否感兴趣咨询意向强度 = 使用该模块的人中产生咨询意向的人数/使用该模块的人数，用来衡量改模块是否和转化效果有相关性 运营分析
被低估的搜索框
活动迭代分析
书中以GMV为例，给出了GrowingIO的活动迭代分析指标体系
产品健康度分析
产品健康是”用户体验的体检“
完整产品健康分析步骤
Step1：构建产品体检项目清单
Step2：部署产品体检指标
一般选择”留存率“，进入营收期，变为”付费用户占比“
Step3：产品健康报告解读
异常指标对比的方式
行业对比时间对比功能间对比
关键行为矩阵和功能留存矩阵
功能留存矩阵是次日留存率和功能使用率为横纵轴的波士顿矩阵。
案例：内容型App的产品健康度分析
书中以KBR（关键行为留存率）为核心指标构建了产品健康度指标体系
