常用分析理论
STP
- 市场细分（Segmentation）
- 目标市场选择（Targeting）
- 市场定位（Positioning）
4P
- 产品（product）
- 价格（price）
- 渠道（place）
- 促销（promotion）
以适当的价格、适当的渠道和适当的促销手段，将适当的产品或服务投向市场
主要用于行业分析
PESTEL
- 政治（political）
- 经济（economic）
- 社会（social）
- 技术（technological）
- 环境（environment）
- 法律（legal）
用于分析产品外部宏观环境
SWOT
优势（strength）
劣势（weeknesses）
机会（opportunity）
威胁（threats）
用于分析产品内部环境
5W2H
- 何事何物（what）
- 何解（why）
- 何人（who）
- 何时（when）
- 何地（where）
- 如何做（how）
-
做到什么程度（how much）
用于各类场景下的发现问题和解决问题的一种思路
绩效指标方法：SMART原则
- S：具体(Specific)，指绩效考核要切中特定的工作指标，不能笼统；
- M：可度量(Measurable)，指绩效指标是数量化的，验证这些绩效指标的数据或者信息是可以获得的；
- A：可实现(Attainable)，指绩效指标在付出努力的情况下可以实现，避免设立过高或过低的目标；
- R：相关性(Relevant），指绩效指标是与工作的其它目标是相关联的；绩效指标是与本职工作相关联的；
- T：有时限(Time-bound)，注重完成绩效指标的特定期限。
逻辑树
又称问题树、演绎树或分解树，它是将问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展；用于保证解决问题思路的完整性。
使用原则：
- 要素化：把相同问题总结归纳成要素；
- 框架化：将各个元素组织成框架，遵守不重不漏的原则；
- 关联化：框架内的各要素保持必要的相互关系，简单而不孤立。
用户使用行为
—>认知—>熟悉
—>试用—>使用—>忠诚
—>流失—>回流
用于基于用户生命周期的整体性数据分析
AARRR
- 获取用户（acquisition）
- 活跃用户（activation）
- 留下用户（retention）
- 获取收入（revenue）
- 用户自传播（refer）
用于从企业的角度分析用户规模增长过程的数据
数据分析方法
| 方法 | 说明 |
|---|---|
| 对比分析 | 单一的数据毫无意义，只有经过对比才能体现数据的好坏。常见的对比类型有环比，同比等 |
| 细分分析 | 层层递进，在多个子维度上分析数据，时间维度和渠道的交叉分析 |
| 交叉分析 | 即在多个维度上对比分析数据 |
| 漏斗分析 | 主要用户转化率的分析 |
| 比率分析 | 更偏向属于一种数据展示手段，特别是在数据结论中。可以起到清晰强化对比的作用。 |
| 过去/现状/趋势分析 | 一个时间段的数据要么可以得出对过去和现状的总结，要么就是对未来的趋势分析。接下来都是指导我们该如何去做。 |
| RFM模型 | 数据按维度细分的一种依据，按照最近一次购买时间（recency）、购买次数（frequency）和购买金额（monetary） |
注：RFM模式主要是针对用户的属性进行细分分析，属于细分分析的一种。不同的产品需要对三个维度进行和实际业务相符的修改。例如针对内容型产品，“最近一次购买时间”可以改为“最近一次消费/贡献内容时间”，“购买次数”改为“内容消费/贡献次数”，“购买金额”改为“内容消费/贡献量”。同时还需要针对业务的特性增加维度，例如互联网金融产品可以增加“代偿金额”。
业务分析类方法：
1.1 杜邦分析法
主要用于财务领域，通过财务比率的关系来分析财务状况，
核心：将一个大的问题拆分为更小粒度的指标
GMV（Gross Merchandise Volume）网站成交金额
考核业绩最直观的指标
当GMV出现下滑时候，需要找到影响GMV的因素并逐一拆解。
GMV下降如果是因下单用户减少所造成的，那么
- 访客数（流量）减少了？
- 自然流量减少了？
- 需要在用户运营和产品运营端发力
- 营销流量不足？
- 通过营销活动或者站外引流的形式增加曝光量
- 自然流量减少了？
- 还是转化率下降了呢？
- 需要对用户进行细分，针对不同阶段的用户采取不同的运营策略
如果是因为客单价不高
- 需要进行定价及促销的方案优化
- 比如识别具有GMV提升潜力的商品进行定价优化
- 针对选品、力度和促销形式进行优化。
- 通过关联商品的推荐或商品套装促销的形式
- 激发用户购买多件商品，也可以有效提高客单价。
1.2 同比热力图分析法
把 各个业务线 的同比数据放到一起进行比较，更为直观地了解 各个业务 的状况。
构建一张同比热力图大致需要三步：
1.按照杜邦分析法将核心问题进行拆解
以电商为例，GMV = 流量 × 转化率 × 商品均价 × 人均购买量；2.计算每个业务各项指标的同比数据
3.针对每一项指标，对比各业务的同比高低并设定颜色渐变的条件格式
首先，可以通过纵向对比了解业务自身的同比趋势
其次，可以通过横向对比了解自身在同类业务中的位置
还可以综合分析GMV等核心指标变动的原因
1.3 类波士顿矩阵（BCG Matrix）矩阵
以市场占有率和增长率为轴，将坐标系划分为四个象限，用于判断各项业务所处的位置
类BCG矩阵：根据不同的业务场景和业务需求，将任意两个指标作为坐标轴，从而把各类业务或者用户划分为不同的类型。
- 商品引流能力和转化率：流量份额-转化率
- 商品对毛利/GMV的贡献：毛利率-销售额
- 基于[RFM]分析用户的价值：访问频率-消费金额
二、用户分析类方法
2.1 TGI（Target Group Index）目标群体指数
- 在分析用户时，通常的做法是将目标用户进行分类，然后对比各类用户与总体之间的差异性
TGI指数 = 用户分类中具有某一特征的群体所占比例 / 总体中具有相同特征的群体所占比例*100
比如在分析用户的年龄段：
- 香蕉城中----男性的用户占比为63%
- 水果国中----男性的用户占比为55%（总体平均值）
- 那么香蕉城的男性用户的TGI指数为63% / 55%=115，此值大于100，表示用户1中的占比高于平均值，香蕉城中男性较少。
TGI指数表征不同特征用户关注问题的差异情况
- TGI指数等于100表示平均水平
- 高于100代表该类用户对某类问题的关注程度高于整体水平。
所以，在分析用户画像时，需要根据场景进行用户分类，并对比各类用户与总体间的差异，这样才能保证分析结果的可信性和适用性，而TGI指数就是很好的对比指标。
2.2 LRFMC模型
RFM模型 是衡量客户价值和客户创利能力的重要工具和手段，有3个要素构成，分成八个象限：
- 最近一次消费 (Recency)
- 消费频率 (Frequency)
- 消费金额 (Monetary)
| Recency | Frequency | Monetary | 客户 | 描述 | 后续 |
|---|---|---|---|---|---|
| 高 | 高 | 高 | 重要价值客户 | 最近有消费，消费频率高，消费金额大 | 维护 |
| 低 | 高 | 高 | 重要唤回客户 | 最近无消费，消费频率高，消费金额大 | 需要唤回 |
| 高 | 低 | 高 | 重要深耕客户 | 最近有消费，消费频率低，消费金额大 | 重点识别 |
| 低 | 低 | 高 | 重要挽留客户 | 最近无消费，消费频率低，消费金额大 | 可能流失，需要挽留 |
| 高 | 高 | 低 | 潜力客户 | 最近有消费，消费频率高，消费金额小 | 需要挖掘 |
| 高 | 低 | 低 | 新客户 | 最近有消费，消费频率低，消费金额小 | 容易丢失，有推广价值 |
| 低 | 高 | 低 | 一般维持客户 | 最近无消费，消费频率高，消费金额小 | 一般维持 |
| 低 | 低 | 低 | 流失客户 | 最近无消费，消费频率低，消费金额小 | 冬眠客户 |
这一模型还不够完善，比如对于M，即消费金额相等的两个用户而言，一个是注册两年的老用户，一个是刚注册的新用户。对于企业来说，这两个用户的类型和价值就完全不同，因此我们需要更全面的模型。
LRFMC模型 提供了一个更完整的视角，能更全面地了解一个用户的特征：
- L(lifetime)：从用户第一次消费算起，至今的时间，代表了与用户建立关系的时间长度，也反映了用户可能的活跃总时间。
- R(Recency)：用户最近一次消费至今的时间长度，反映了用户当前的活跃状态。
- F(Frequency)：用户在一定时间内的消费频率，反映了用户的忠诚度。
- M(Monetary)：用户在一定时间内的消费金额，反映了用户的购买能力。
- C(CostRatio)：用户在一定时间内消费的折扣系数，反映了用户对促销的偏好性。
以去哪儿的业务为例，通过LRFMC模型综合分析用户的习惯偏好和当前状态，从而指导精准营销方案的实施。
- L(lifetime):用户来多久了？
- R(Recency) :用户最近是否有消费，如果来了很长时间都未消费，是否需要进行唤醒？
- F(Frequency) :用户出行的频率如何，如果是固定周期出行，是否应该进行复购提醒？
- M(Monetary) :用户的消费金额是多少，是单价高（购买头等舱），还是频次高？
- C(CostRatio):用户对折扣的偏好如何，是为用户增加权益还是降价促销？
三、产品运营类
常用指标如下：
- 使用广度：总用户数，月活；
- 使用深度：每人每天平均浏览次数，平均访问时长；
- 使用粘性：人均使用天数；
综合指标：
月访问时长 = 月活 × 人均使用天数 × 每人每天平均浏览次数 × 平均访问时长
产品所处阶段不同，运营的侧重点也会有所不同：
- 在产品初期，核心的工作是拉新，应该更加关注产品的使用广度
- 产品的中后期，应该更加注重使用深度和使用粘性的提升。
对于不同的产品也需根据产品的性质来确定核心指标
- 对于社交类产品，使用广度和使用粘性至关重要
- 对于一些中台分析类产品，提升使用深度和使用粘性更有意义
