《电商流量数据化运营》，作者宋天龙，本书专注流量数据化运营工作，从数据的角度，对流量渠道进行盘点、分析、管理和执行。
正如推荐语所说，对流量数据进行运营管理，目的在于：
指导企业如何通过数据实现低成本、大批量、高质量的流量引入。
本书的亮点有二：
一是提供了大量可直接复用的分析方法；
二是提供了Python代码和Excel操作过程。
其中，分析方法包括：方差分析、时间衰变分析、回归预测、权重打分、加权移动平均法、规划求解、序列关联、Lookalike方法、贝叶斯评估方法、时间特征分析法、Shapley Value贡献度分析法、相似度分析等方法。
这些方法不是高高在上、鲜有人使用的方法，而是可解释性很强、非常接地气的实用方法。
而书中详尽的代码也给我们复现这些方法提供了依据，这两个亮点算是对这本书进行解构后，得到的结果。
最后，整理本书关于业务层面的一些核心知识点：
1、核心的流量运营范畴会限定在以付费流量为主的线上数字媒体的运营上。
流量运营四步骤，包括营销目标确定、渠道策略和计划管理、媒体投放与执行管理、渠道投放效果评估与复盘。
2、企业级流量的主要渠道，包括直接输入流量、SEO渠道、SEM渠道、硬广告渠道、信息流渠道、社群渠道、MCN渠道、会员营销渠道、CPS渠道等。
直接输入流量和SEO属于自然流量，其他属核心渠道。
3、流量目标的核心是确保流量具有一定的规模且成本可控，主要涉及流量规模、流量成本以及投入产出比（计算方式为销售额/广告费用）三个方面。
4、四个常见的营销目标，包括品牌目标、用户目标、销售目标、流量目标，不同的渠道对于实现各类目标的贡献度有所不同。
在判渠道好坏的综合指标时，需要考虑的因素有：目标场景相关性、兼顾主要目标和次要目标、多指标之间的低相关性。
综合评判，采用权重法，常用的方法有专家打分、统计分析、机器学习。
5、将企业内部的数据与营销生态内的数据打通，并基于完整的数据流预测用户最喜欢的广告，并结合用户站内、站外的行为喜好、商品喜好、价格喜好、促销喜好、决策喜好等，自动化地将信息整合到投放内容中，形成一体化、智能化的广告投放与管理机制，是广告内容管理的趋势。
6、媒体投放与执行是营销落地的核心环节，工作内容可用5W1H来概括：动机（Why）、对象（Who）、内容（What）、地点（Where）、时间（When）、方法（How）。
最为常用的是贝叶斯方法和假设检验。
7、排查执行问题四维度：数据因素（口径变化、统计问题）、内部因素（执行策略、AB测试）、外部因素（竞品策略）、其他因素（财报发布、政策改变）。
分析问题的五种思维模式：细分、对比、关联、因果、趋势。
8、流量下降一定是营销部门（或增长部门）的问题，但是ROI或者收入相关类，应该是所有部门担责任。
9、在日常数据分析中，我们很容易陷入“就问题而只分析问题”的逻辑中。除了“就问题分析问题”达到基本目标外，还可以发现数据中问题以外的信息。
这些与整体趋势不同的“异常”信息，可能是企业某些业务模块的价值显现，也可能是某些业务的探索结果。
10、评估渠道效果的四种方法：目标参照法（提前预定目标）、外部参照法（行业标杆或竞品）、时间参照法（同比环比定基比）、内部参照法（组内不同渠道）。
判断效果好坏程度的两种方法：业务经验（业务拍脑袋，如5%阈值）、数据统计（分位数法、标准差法）。
效果归因常用首次、末次、线性、时间衰减归因等。
11、当原始数据没有显著规律时，可以考虑先分组汇总计算再进行分析，这样比较容易找到数据规律。
12、渠道分组分析必须能够通过分组找到不同组之间的显著差异性或区别特征，这是分组分析成功的关键。
如果分组之间具有高度的相似性，那么将无法从分组结果中得到任何有价值的信息，也就无从谈分析和应用落地。
因此，分组本身无法产生任何价值。
13、这些能够让业务验证某个方向去落地和应用的建议才是“有用”的建议，而宽泛的、没有任何“名词”的建议都是没用的建议。
14、通常，每类专题分析都至少要经过3次迭代才有可能沉淀出正确的结论。
第一次专题分析为探索性分析，第二次分析为优化或改进性分析，第三次分析为验证性分析。
如果三次分析都按照既定目标顺利达成预期才有可能结束该专题，否则将继续进行迭代优化。
15、复盘的基本流程：复盘目标、评估结果、分析原因、总结经验。
16、从企业人力资源的角度看，数据分析师的价值是通过数据洞察为企业决策提供支持，甚至驱动业务优化和执行。
写报告仅仅是价值产出的一种承载载体，但不是唯一载体，更不是价值的全部。报告本身没有价值，洞察和建议才有价值。
