几乎所有的互联网公司及传统企业都不遗余力地宣传大数据的重要性，但是真正花费精力去做好数据后台的公司压根就没有几家。即便BAT来说，和数据部门打交道，也免不了被数据分析人员说：这个数我们取不到，实现不了。今天收集了一些外部资料，整理了下数据平台搭建。
Part １. 数据分析体系构成
1.1常规数据分析：如日报、周报类
1.2专题数据挖掘：如用户流失率、游戏关卡难度分布等
1.3用户调研
常规数据分析体系主要是针对平台总体用户的指标，查看时间趋势。常规数据体系具有较大的相似性，包含常规的数据指标。
专题数据挖掘和用户调研主要是针对特定样本（如流失用户，最后登录时间7天前），查看其行为表现。
而评价某个公司的数据分析体系构成优劣，我认为有以下标准：
１.全面性：是否涵盖了所有的基础指标，因为KPI真的是会变的，前半年是活跃度、总用户数，后半年可能就是销售额，这也是考量数据人员的前瞻性了。
2. 数据可视化：其实所有的数据文字都可以非常直观地罗列出来。但是如果更直观地表示无疑有助于分析人员更加快捷地发现问题。如友盟后台：图中的色区从上到下依次对应活跃1天的用户，活跃2天的用户......活跃15天的用户，最红色部分的用户对App的粘性最高。图中的A应用活跃1天的用户（即新增用户）增长稳定并且在整个活跃用户中占比较小，说明这可能是一个处于生命周期成熟期的App，新增的市场空间来自新的移动互联网网民或者设备更新，同时活跃多天的用户占比较高，也说明这是一个优质的App。B应用活跃用户经过急剧的攀升后又出现了下滑趋势，活跃小于5天的用户占绝大比例，这可能是一个刚刚处于导入期的App，经过一段时间后不同粘性的活跃用户都出现了下跌，说明用户对App的忠诚度并不高，这可能并不是一个强需求或高质量的App。
3. 是否可以快速的筛选和定位用户。
这可以很好地帮助专项调研。如
筛选
出登录时间7天内的用户，观察其注册时间、付费情况等，确认流失用户中是新用户流失，还是由于老用户的流失。或者筛选出X月X日杭州地区新登录用户，这帮助我们快速地评估地推活动的效果。
Part 2：常规指标体系案例
通常分为3类，用户、产品和销售类模型指标，不同类型产品侧重点有所变化。
如电商较为关注销售指标及各个步骤的转化率
如游戏较为关注产品健康度：各个关卡用户分布、关卡退出率、失败率等
2.1用户指标：如用户地域分布、使用时长、生命周期、不同等级分布、最后登录时间
2.2产品指标：流量、推荐位点击等
2.3销售指标：充值消费金额等
