1.你应该了解的数据分析入门知识
这篇文章内容很基础，却都很经典，从数据分析整体出发，讲解每个主要环节的大概方法。
1）明确目标
2）数据埋点--讲了几种主要方法，Alexa, talkingdata是目前我们能用的上，可以来查询某个网站/app的大概数据，其他方法得进入公司后，通过公司后端授权埋点监测，最好的工具应该是GA，大概看了些。
在分析美图秀秀的DAU时，用到的只能是外部的一些指数了，比如百度指数，微博指数等。
3）大概的数据指标，可以去搜一下，像DAU MAU UV IP之类的。
4）数据分析
5）验证功能更新的几个指标，挺好用的
2.从零开始构建数据运营体系，
在这篇文章里，更加深入的学习了数据运营的每一个层次以及运营中重要的专业术语。
1）数据收集层各类数据结构的特点以及历史
2）数据产品层，了解了BI(business index)和ETL(Extraction Transformation Load)，还有用户画像的一个整体认知
3）数据运营层，以业务为驱动去做数据分析，要形成一个系统。了解了CRM（customer relation management）,之后在智库百科里学到一个CRM最最重要的一个模型--RFM（recency,frequency,monetary）:
在这个模型中需要用到常见的机器学习算法K-means clustering 以及在计算权重中用烂了的AHP（貌似可以用粒子群算法可以替代）。
在很多互联网大会上提到的下半场，人口红利已经消失+技术发展比如各种黑科技的推荐算法+营销升级+终端饱和，互联网变得更加不确定，因而用户数可能不再是一个非常重要的指标，而商业变现变得尤其重要。RFM便是一个衡量商业变现非常直接的指标。
用户分层和分群,这个链接实例讲解用PYTHON 依据RFM模型给用户分层分组，很棒。
还有个做A/B testing的非常棒的网站，
www.abtester.com。难得见到如此优质简洁的网站。
4）运营触达，了解了PDCA这一循环（PLAN-DO-CHECK-ACT)
最后文章以一个例子重述了上述四个层面。
3.如何培养麦肯锡式的分析思维+如何建立数据分析的思维框架
认知论大于方法论，方法论大于执行力。第三篇便是进入了方法论了，一种思维的培养。倒是想起机械设计学这门无聊的课，因为这门课就是讲各种思维的，奈何对机械无感，不然还是可以听听的。
第一个就是所谓的思维导图了，之前对这个一直不以为意，不太重视，看完文章那些数据分析的实例后，便打了鸡血般察觉到这个的好了。思维导图关键四个字母MECE(Mutually Exclusive Collectively Exhaustive),每个分支完全相互独立，要做到这点，得多GOOGLE，大概了解熟悉相关内容，没事可以google下issue tree，逻辑树，各种结构性的四维图。文章讲的思维导图剪枝，假设先行，很重要，实操难度有点大。
第二个便是侧重数据分析的维度与实用性。
这个有很大的指导意义，因没有实际处理过业务上的数据，感触不是很深，但含金量很高。
1）建立指标体系，里面对坏指标的定义很有启发，比如虚荣指标用户数，马后屁指标后验指标，没啥用的ROI（return on investment）指标.
2)指标结构
3）维度分析，维度是大于指标的，各个指标组合成一个维度。
最后以预测淘宝双十一的销量为例。
美图秀秀的产品经理告诉你日活跃用户下降了10%，你打算怎么帮助他？
针对这个问题，自己在百度脑图上做了个思维导图。（据说是百度唯一不被骂的产品，哈哈哈）
4.当用户流失比较明显后，如何提升活跃度，消息推送是一个有效的召回方式吗？
Growing IQ 的CEO的一个回答，通过对留存率的分析，讲解了两个企业提升活跃度的精彩例子。
5.User Engagement: 5 Awesome Metrics for Growth
外国佬写的东西就是简单易懂，而且还做的漂亮。得谴责下自己，最近实在太懒，看教程搜东西，都先看中文，连GOOGLE用的频率也大大降低了。
6. Calculate and interpret DAU/MAU +"Active" is a vanity metric
这是自己在quora 上的两个答案，第一个是关于DAU/MAU 指标的计算、解释，还有关于这个指标在游戏行业/其他APP的一个临界值和计算注意事项。
第二个是关于如何定义活跃用户的，阐述现今活跃指标的缺陷以及更为合理的方法。
