数产实战进阶6-7
第6章数据指标体系
数据指标需要对业务进行进一步抽象，通过埋点进行数据采集，设计一套计算规则，通过可视化呈现，能够解释用户行为变化与业务变化。常见的指标有PV、UV。
指标的主要类别：基础指标（订单数、DAU），复合指标（ARPU、人均章节阅读数）、派生指标（近三日销售额）
数据指标的类别：埋点数据、业务数据、财务数据、复合数据
-
埋点数据
- 基本的埋点指标（以APP端举例）有：启动用户数（日活DAU）、新增用户数、启动次数、某页面访问量（PV）、平均使用时长（排除小于0和大于24小时1440分钟的脏数据）、平均日启动次数、次日启动留存、次日新增留存、标的物被浏览次数、签到人数、某元素点击人数
- 比较常用的派生指标：累计用户数、7日平均新增用户数、7日平均次日留存率、7日平均日使用时长、7日平均活跃用户、周活（WAU），月活（MAU）
-
业务数据
- 常见的业务数据指标：充值用户、充值额度、消费总用户、充值次数、首冲忍人数、消费金额
- 会员人数、新开通人数、老会员续费人数、累计会员收益
-
复合数据
- CPA每个用户的注册成本，GMV成交总额，ARPU用户平均回报，ARPPU付费用户平均回报，CTR广告点击率、CPM广告展示千次的成本，ROI投资回报率
数据指标的构建，感觉AARRR模型就很合适
第7章AB测试系统搭建
AB测试的特点
- 先验性：属于预测型结论，与后验的归纳行结论差距很大。先验的可以直接对业务产品进行干预和影响。
- 科学性：通过严格的随机算法将相似的用户均分到试验组中，确保每个组的用户特征的相似性，避免数据偏差
- 严谨性：AB测试的结果需要统计学的假设检验进行验证，有着深厚概率统计学的支持
- 成效性：较低成本的小范围测试，试错成本低
- 并行性：AB可以将两个或两个以上的方案同时验证，保证了各个版本环境的一致性，更加科学的比较
AB的测试场景，主要有四个，界面测试、功能测试、算法测试、人群测试
- 界面测试：用来优化UI，比如按钮的颜色设置，字体设置、文案设置等等
- 功能试验：新功能上线或下线，功能变动试验。例如APP签到下线后的用户反应和影响
- 人群试验：属于进阶版的AB测试，有两类：一类是特定人群分流测试不同方案，例如测试90后女性对不同风格首页的反应。二类是测试不同人群对于同一方案，本质是看不同人群对该方案的认可程度，例如研究不同年龄段人群的复购程度
- 算法实验：新的推荐算法的效果
AB测试流程：主要分为需求洞察、需求发起、方案设计、需求落实、效果分析五个阶段
需求洞察：例如某个设计有点丑，某个位置应该让出来、应该选择哪个落地页
后面流程并不绝对，这里不展开说了
-
方案设计
-
AB的成功需要两个角色的配合，分别是AB测试系统侧来解决分流问题，AB测试产品侧解决产品问题
- 分流方案：明确具体的分流算法，明确实验分层与分组，每组的流量与占比方式，明确分流实验周期，明确分流的人群与预测分流的风险
- 产品方案：产品原型的设计，效果指标的定义与埋点方案设计
-
需求落实
-
效果分析
-
一般周期不强的，收集两周就可以做完整分析了，然后结合正态分布、中心极限定理、t检验等统计学理论判断结果是否显著
- 一般而言，是选择目标指标95%置信度下的置信区间ab作为参考
-
