數據分析實戰(zhàn)：方法、工具與可視化

目錄

第　1章 為什么人人都要懂數據分析　1
1.1　產品經理為什么要懂數據分析　1
1.2　產品經理的數據分析實戰(zhàn)案例　2
1.3　市場營銷人員為什么要懂數據分析　3
1.4　公司領導、業(yè)務負責人為什么要懂數據分析　5
第　2章 數據分析基礎知識　7
2.1　PV和UV　7
2.2　指標　8
2.3　用戶畫像和拆分維度　8
2.4　用戶行為漏斗　9
2.5　科學的A/B實驗　10
2.6　凈收益檢驗　11
第3章　做一名優(yōu)秀的數據分析師　13
3.1　數據分析師與數據觀　13
3.1.1　數據——從資源到資產　13
3.1.2　從數據到應用經歷的“驚險的一跳”　15
3.2　對數據分析師崗位的一些理解　17
3.2.1　數據分析師應具有的能力　17
3.2.2　數據分析師應具備的技能　19
3.2.3　數據分析師不要單打獨斗　20
第4章　數據分析師的思維方式　22
4.1　數據分析的基本流程——形成“一根線”　22
4.2　數據分析的兩個重要思維模型——“樹”與“田”　28
4.2.1　“樹”思維　29
4.2.2　“田”思維　32
第5章　海盜法則與指標體系建?！?0
5.1　海盜法則　40
5.1.1　用戶獲取　43
5.1.2　用戶激活　47
5.1.3　用戶留存　49
5.1.4　獲取收入　52
5.1.5　自傳播　57
5.2　構建指標體系　60
5.2.1　北極星指標　61
5.2.2　通過OSM模型構建指標體系　69
第6章　數據分析方法　75
6.1　數據分析工具箱　75
6.2　現狀分析　77
6.2.1　描述現狀——探索性數據分析方法　77
6.2.2　常用的指標　80
6.2.3　趨勢分析　100
6.3　異常值發(fā)現　103
6.3.1　西格瑪法則　103
6.3.2　四分位差法　110
6.4　定位問題　112
6.4.1　漏斗分析　112
6.4.2　多維分析　115
6.4.3　指標拆解　115
6.4.4　魔法數字　121
第7章　A/B測試——提高銷售轉化率　127
7.1　A/B測試簡介　127
7.1.1　A/B測試的概念以及應用場景　127
7.1.2　A/B測試的起源　129
7.2　A/B測試的統(tǒng)計理論基礎——假設檢驗　131
7.2.1　從“女士品茶”理解假設檢驗的定義　131
7.2.2　假設檢驗的步驟　133
7.3　A/B測試流程和實驗　144
7.3.1　A/B測試的流程和實驗指標的指定　144
7.3.2　實驗的設計和進行　147
7.4　綜合案例：Panda公司通過A/B測試優(yōu)化促銷信息展示方案　156
7.5　A/B測試進階　158
7.5.1　如果實驗結果和我們預想的不一樣怎么辦　158
7.5.2　基于A/B測試增量反饋模型　159
第8章　用戶畫像　162
8.1　用戶畫像概況：用戶畫像概念及應用領域　162
8.1.1　用戶畫像的定義　162
8.1.2　用戶畫像的使用范圍　163
8.1.3　關于用戶畫像的一些理解　164
8.2　用戶畫像構建途徑　165
8.2.1　構建和應用用戶畫像的步驟　165
8.2.2　利用算法模型生成用戶畫像標簽　171
8.3　用戶畫像實戰(zhàn)　185
8.3.1　用戶畫像的本質是差異化　185
8.3.2　用戶畫像的優(yōu)勢是“惠而不費”　187
8.3.3　用戶畫像需要積少成多　189
8.3.4　用戶畫像體系要服務場景　189
8.3.5　利用用戶畫像需要遵循“不作惡”原則　190
第9章　數據可視化與Tableau操作　191
9.1　數據可視化概述　191
9.1.1　什么是數據可視化　191
9.1.2　常用的數據可視化工具　192
9.1.3　好的數據可視化方案　195
9.2　Tableau數據可視化基礎　203
9.2.1　Tableau簡介　203
9.2.2　開啟Tableau可視化之旅　206
9.2.3　高級可視化圖表的制作　240
9.2.4　可視化方案的展現：儀表板和故事　244
附錄A　為什么抽樣方差公式的分母中是n-1　248
附錄B　時間序列趨勢分解的Python代碼　253
附錄C　分詞的Python代碼　254