价值
数据分析重要性
目标导向：对数据结果负责
思维方式：数据分析思维
数据分析基本原则（1）
找到关进数据指标（from：老板给的，自己找的）
（2）
拆解关键数据指标
1级（最核心的关键指标）➡️2级（影响1级因素）➡️3级（影响2级）
*拆解通用思路
【找到关健数据指标➡️拆解关键数据指标】（关键，前提）➡【️分析数据背后现象➡️验证执行及优化】（预估的四个步骤）
关键数据指标：新媒体（粉丝数） 电商类（GMV） APP（DAP）
思路
通过公式销售额=流量*转化率*客单价
拆解收入来源渠道，从历史数据中找到增长点，再结合历史数据，找到若干业务增长发力点，产出可执行方案（关键）
做好预估的四个步骤
找到总体方案的极端值
➡️
找到限制因素（客单价涉及到sku的定价问题）
➡️
计算极端值方案（流量不变或者转化率不变）
➡️
结合业务情况，确定最终方案（调整流量和转化率数值）
最后根据渠道数据，筛选优质渠道
（渠道的一个关键概念 KOI=收入/成本）
电商网站的关键数据指标
广告
➡️（展现率）
点击
➡️（点击率）
注册
➡️（注册转化率）
创建订单
➡️（订单转化率）
支付
异常数据指标的判定和分析
通过环比（同一年其中两个月相比）和同比（前后两年相比）来判断销售额下跌是个例还是趋势
过程
发现异常指标➡️确定问题属性（判断是个例还是趋势）➡️定位问题原因（拆解异常数据，并逐渐排查，结合用户路径分析，定位原因）➡️采取措施➡️验证优化
高于异常数据指标（找到归因，放大规模）
低于异常数据指标（及时止损，迭代优化）
数据异常的几种常见假设
活动影响（对比活动中的数据，关注活动页面和活动流程的所有数据）
策略调整（对比调整前后数据，关注此策略影响的关键数据指标）
渠道问题（关于流量趋势，拆分流量来源）
节假日（关注假日对于业务的影响情况）
技术原因（明确技术故障的时间，做数据的前后对比）
【提示：这几种常见假设要建立在自己对业务足够熟悉和敏感的基础上）
