彼得.德魯克曾經(jīng)很認(rèn)真地說(shuō)過(guò)：”如果一個(gè)事情，你不能衡量它，那么你就不能增長(zhǎng)它“。先來(lái)看看下圖：
這是一副令人思考的圖，或許這就是不懂統(tǒng)計(jì)學(xué)，沒(méi)有能力做好數(shù)據(jù)分析后的產(chǎn)品體驗(yàn)，更糟糕的是我們經(jīng)常見(jiàn)到一些”互聯(lián)網(wǎng)大牛“在頭頭是道地分享經(jīng)驗(yàn)時(shí)，并不能從數(shù)據(jù)上給出任何方法來(lái)驗(yàn)證其做法的科學(xué)性。
當(dāng)我們并沒(méi)有能夠理解并掌握數(shù)據(jù)分析的基本方法時(shí)，估計(jì)都沒(méi)有辦法去判斷如何通過(guò)語(yǔ)文、數(shù)學(xué)、英語(yǔ)成績(jī)判斷學(xué)生的學(xué)習(xí)能力這件事。
而這道題目的數(shù)學(xué)等價(jià)問(wèn)題可以是如何通過(guò)不同用戶的特征來(lái)判斷其購(gòu)物/內(nèi)容/興趣偏好。
但往往大部分產(chǎn)品和運(yùn)營(yíng)團(tuán)隊(duì)的負(fù)責(zé)人卻在天天都要思考如何有效觸達(dá)用戶、轉(zhuǎn)化用戶這件事。
在前不久的一次線下的交流活動(dòng)中，我給現(xiàn)場(chǎng)學(xué)員出了幾道有關(guān)數(shù)據(jù)驅(qū)動(dòng)和用戶畫(huà)像的題目，結(jié)果很有意思，我分享一下幾個(gè)典型的題目和答案統(tǒng)計(jì)如下：
問(wèn)題1：想要用戶增長(zhǎng)你會(huì)怎么做？
幾乎90%的學(xué)員都選擇了要了解現(xiàn)有用戶分層結(jié)構(gòu)。
問(wèn)題2: 實(shí)現(xiàn)千人千面產(chǎn)品最需要的企業(yè)能力？
從回答的結(jié)果來(lái)看：90%以上的學(xué)員選擇了數(shù)據(jù)采集，近80%的學(xué)員選擇了算法建模。
問(wèn)題3: Profile形成的用戶畫(huà)像可以用在什么領(lǐng)域
從回答的情況來(lái)看，近95%的人選擇了精準(zhǔn)營(yíng)銷(xiāo)，近89%的人選擇了個(gè)性化服務(wù)。其他問(wèn)題限于今天的篇幅，下次舉例給大家。
所以今天大家都想搞用戶分層、精準(zhǔn)營(yíng)銷(xiāo)和個(gè)性化服務(wù)，似乎很多企業(yè)都在希望可以通過(guò)大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)來(lái)實(shí)現(xiàn)技術(shù)驅(qū)動(dòng)精細(xì)化運(yùn)營(yíng)，降本增效，但為什么效果都不好呢？
問(wèn)題就在于基本的統(tǒng)計(jì)學(xué)基礎(chǔ)和數(shù)據(jù)分析方法都沒(méi)有掌握，走路還沒(méi)有學(xué)會(huì)就想跑得快。
所以有必要我們逐步來(lái)正本清源地做一些互聯(lián)網(wǎng)數(shù)據(jù)分析的普及教育工作。
下面這個(gè)大全列表里包括常見(jiàn)的互聯(lián)網(wǎng)數(shù)據(jù)分析用到的術(shù)語(yǔ)，我們也會(huì)在最近的數(shù)據(jù)分析及運(yùn)營(yíng)課里集中講授，可分成幾個(gè)大類(lèi)。
商業(yè)模型
統(tǒng)計(jì)基礎(chǔ)
數(shù)據(jù)處理
互聯(lián)網(wǎng)數(shù)據(jù)指標(biāo)體系
進(jìn)階數(shù)據(jù)分析
數(shù)據(jù)可視化
值得收藏。
正文就是2019互聯(lián)網(wǎng)數(shù)據(jù)分析術(shù)語(yǔ)列表（大全）- 值得收藏的部分開(kāi)始
商業(yè)模型
術(shù)語(yǔ)名稱解釋
5W2H數(shù)據(jù)分析中用來(lái)確定需求的分析方法
PDCA一種流程化的數(shù)據(jù)分析操作步驟
五力模型商業(yè)上的競(jìng)爭(zhēng)格局分析方法
統(tǒng)計(jì)基礎(chǔ)
術(shù)語(yǔ)名稱解釋
辛普森悖論數(shù)據(jù)集分組呈現(xiàn)的趨勢(shì)與數(shù)據(jù)集聚合呈現(xiàn)的趨勢(shì)相反的現(xiàn)象。
最小平方誤差
在無(wú)法獲得真實(shí)值時(shí)候的一種處理誤差的方法
數(shù)據(jù)降維一種海量數(shù)據(jù)的特征處理方法，用來(lái)處理較大的數(shù)據(jù)集，減少計(jì)算量
標(biāo)準(zhǔn)差反映一個(gè)數(shù)據(jù)集離散程度的統(tǒng)計(jì)學(xué)方法
正態(tài)分布
一個(gè)指出隨機(jī)變量的服從數(shù)理規(guī)律的概率分布的統(tǒng)計(jì)學(xué)概念，在數(shù)學(xué)、物理及工程等領(lǐng)域都非常重要
極差
最大值與最小值的差最小平方誤差
分位點(diǎn) 隨機(jī)變量概率分布產(chǎn)生的的數(shù)值概念
IQR
分位數(shù)差距產(chǎn)生的概念
離散系數(shù)
在無(wú)法獲得真實(shí)值時(shí)候的一種處理誤差的方法
異眾比率非眾數(shù)在總數(shù)據(jù)集中所占的比率
數(shù)據(jù)處理
術(shù)語(yǔ)名稱解釋
數(shù)據(jù)清洗
通過(guò)對(duì)原始獲取的數(shù)據(jù)進(jìn)行基于數(shù)理統(tǒng)計(jì)和數(shù)據(jù)挖掘技術(shù)的處理
歸一化基于規(guī)則和量綱表達(dá)式的數(shù)據(jù)處理
離散化數(shù)據(jù)的連續(xù)屬性離散化
缺失值數(shù)據(jù)缺失的調(diào)整處理方法
數(shù)據(jù)去重2條數(shù)據(jù)如何去除1條
數(shù)據(jù)噪音處理數(shù)據(jù)上如何光滑處理的方法
互聯(lián)網(wǎng)數(shù)據(jù)指標(biāo)體系
術(shù)語(yǔ)名稱解釋
投入期互聯(lián)網(wǎng)項(xiàng)目的發(fā)展階段定義，主要關(guān)注品牌知名度、用戶增長(zhǎng)量、用戶活躍度
成長(zhǎng)期互聯(lián)網(wǎng)項(xiàng)目的發(fā)展階段定義，主要關(guān)注增長(zhǎng)率、占有率、效率
成熟期互聯(lián)網(wǎng)項(xiàng)目的發(fā)展階段定義，主要關(guān)注ROI
衰退期互聯(lián)網(wǎng)項(xiàng)目的發(fā)展階段定義，主要關(guān)注流失率
到達(dá)率營(yíng)銷(xiāo)廣告活動(dòng)中，媒質(zhì)信息真實(shí)送達(dá)人群占所有傳播對(duì)象的百分比（比如郵件、短信等）
轉(zhuǎn)化率在一個(gè)有效會(huì)話期間的流量和目標(biāo)的比率（注意會(huì)話的定義方式）
PV/UV用來(lái)衡量網(wǎng)站頁(yè)面用戶體驗(yàn)的比率
visit訪客的計(jì)算單位
click點(diǎn)擊的計(jì)算單位
新老占比用來(lái)衡量網(wǎng)站/App用戶忠誠(chéng)度的指標(biāo)
訪問(wèn)深度用來(lái)衡量每次訪問(wèn)質(zhì)量的指標(biāo)
停留時(shí)間單次訪問(wèn)的總時(shí)間長(zhǎng)度，并非越長(zhǎng)越好
留存率通過(guò)在一定期間再次訪問(wèn)網(wǎng)站/APP和總增長(zhǎng)訪客的比率來(lái)計(jì)算用戶粘性的指標(biāo)，一般有次日、三日、七日等不同計(jì)算方式。不同業(yè)務(wù)對(duì)留存的定義也不同。
訪問(wèn)頻次一個(gè)唯一標(biāo)示的訪客在一段時(shí)間內(nèi)執(zhí)行一個(gè)動(dòng)作的次數(shù)
跳出率僅對(duì)單個(gè)頁(yè)面而言的指標(biāo)，是訪問(wèn)過(guò)該頁(yè)面就離開(kāi)的訪客數(shù)量與總訪客數(shù)量的比率
用戶粘度DAU/MAU，比值越高越好
ARPU平均每個(gè)用戶產(chǎn)生的收益（需要注意統(tǒng)計(jì)時(shí)段）
LTV一個(gè)用戶在生命周期內(nèi)貢獻(xiàn)的總收益
AARRR一個(gè)業(yè)務(wù)增長(zhǎng)的閉環(huán)模式，覆蓋從獲客、活躍、留存和收益的全過(guò)程
K計(jì)算公式一個(gè)自傳播（病毒傳播）用于計(jì)算擴(kuò)散能力的公式
流量分析傳統(tǒng)基于cookie技術(shù)的網(wǎng)站數(shù)據(jù)分析，用來(lái)衡量外部網(wǎng)址（URL）和內(nèi)部網(wǎng)址對(duì)網(wǎng)站的貢獻(xiàn)
轉(zhuǎn)化分析電商等互聯(lián)網(wǎng)業(yè)務(wù)中比較重要的分析手段，用來(lái)判斷外部流量和內(nèi)部流量對(duì)最終目標(biāo)的完成效果衡量
細(xì)分分析網(wǎng)站/APP數(shù)據(jù)的匯總數(shù)據(jù)和平均值分析方法
對(duì)比分析對(duì)相關(guān)的指標(biāo)進(jìn)行對(duì)比分析的方法
聚類(lèi)分析對(duì)網(wǎng)站/APP的頁(yè)面/用戶等按照行為和屬性的聚類(lèi)分析方法
參與度分析用戶完成目標(biāo)過(guò)程中的頁(yè)面數(shù)量分析，幫助提高頁(yè)面的目標(biāo)相關(guān)度和促進(jìn)度
熱力圖分析單個(gè)頁(yè)面的點(diǎn)擊量分析，主要關(guān)注鏈接分布
產(chǎn)品頁(yè)面分析用于有大量不同產(chǎn)品/內(nèi)容放置的頁(yè)面位置分析，優(yōu)化布局
路徑分析也叫Page Flow，主要用在監(jiān)控用戶訪問(wèn)阻力和判斷訪問(wèn)喜好
FAST體系阿里提出的一套衡量人群/消費(fèi)者從認(rèn)知、興趣、購(gòu)買(mǎi)、忠誠(chéng)消費(fèi)者到超級(jí)用戶的指標(biāo)體系
進(jìn)階數(shù)據(jù)分析
術(shù)語(yǔ)名稱解釋
RFM衡量當(dāng)前用戶價(jià)值和客戶潛在價(jià)值的重要工具
WOE/IV常用的一種預(yù)測(cè)分類(lèi)算法，可以用在用戶分組的決策預(yù)測(cè)領(lǐng)域
決策樹(shù)一種直觀應(yīng)用概率的圖解決策分析法，通過(guò)求取凈現(xiàn)值的期望值大于等于零的概率，評(píng)價(jià)風(fēng)險(xiǎn)并判斷可行性
SVM一種在監(jiān)督學(xué)習(xí)方式下廣義線性分類(lèi)器，廣泛用于圖像識(shí)別和文本分類(lèi)
隨機(jī)森林
包含多個(gè)決策樹(shù)的分類(lèi)器，在機(jī)器學(xué)習(xí)應(yīng)用中很重要
邏輯回歸
常見(jiàn)的一種廣義線性回歸分析模型，在數(shù)據(jù)挖掘，疾病自動(dòng)診斷，經(jīng)濟(jì)預(yù)測(cè)等領(lǐng)域應(yīng)用廣泛
回歸樹(shù)
和分類(lèi)不同，回歸樹(shù)的核心目的是對(duì)數(shù)值的回歸預(yù)測(cè)，比如房?jī)r(jià)和年齡等，輸出的是連續(xù)值，一般通過(guò)連續(xù)對(duì)數(shù)據(jù)集劃分來(lái)完成回歸樹(shù)的構(gòu)建。
相關(guān)性分析
對(duì)不同特征或者數(shù)據(jù)間關(guān)系的一種分析方法，有正相關(guān)、負(fù)相關(guān)和不相關(guān)，幫助發(fā)現(xiàn)業(yè)務(wù)中關(guān)鍵影響
相關(guān)系數(shù)
反映變量間關(guān)系密切程度的統(tǒng)計(jì)指標(biāo)
協(xié)方差數(shù)據(jù)緯度相關(guān)性的分析方法
回歸預(yù)測(cè)通過(guò)找到預(yù)測(cè)目標(biāo)的各因素，以及這些因素和預(yù)測(cè)目標(biāo)之間的函數(shù)關(guān)系的數(shù)學(xué)方法，是常用的預(yù)測(cè)類(lèi)分析方法
最小二乘法通過(guò)最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配來(lái)解決目標(biāo)優(yōu)化的一種方法
梯度下降法一個(gè)一階最優(yōu)化算法，用來(lái)找到目標(biāo)函數(shù)的最小值
多元線性回歸
回歸預(yù)測(cè)中的一種模型
Apriori算法數(shù)據(jù)挖掘中最活躍的研究方法之一 。1993年由Agrawal等為了分析商場(chǎng)購(gòu)物籃問(wèn)題提出，核心是為了研究不同交易產(chǎn)品之間的關(guān)系規(guī)則
FB-tree算法
也是關(guān)聯(lián)規(guī)則的一種算法，相比Apriori算法，不需要候選集
協(xié)同推薦算法
是利用用戶歷史偏好數(shù)據(jù)計(jì)算用戶間的距離，并利用相鄰用戶評(píng)價(jià)等數(shù)據(jù)來(lái)預(yù)測(cè)目標(biāo)用戶對(duì)特定商品的喜好程度，從而實(shí)現(xiàn)推薦
AB測(cè)試
數(shù)據(jù)驅(qū)動(dòng)產(chǎn)品和運(yùn)營(yíng)策略的實(shí)驗(yàn)方法，也是經(jīng)典的統(tǒng)計(jì)學(xué)和數(shù)據(jù)分析方法，多采用三組以上樣本進(jìn)行實(shí)驗(yàn)對(duì)比，有助于解決方案的分歧并定位問(wèn)題
T檢驗(yàn)一種統(tǒng)計(jì)學(xué)分析方法，以假設(shè)檢驗(yàn)為分析基礎(chǔ)，在假設(shè)成立基礎(chǔ)上看樣本對(duì)各分布的滿足程度，用來(lái)判斷AB測(cè)試的方案是否有顯著性差異。
方差檢驗(yàn)
一種統(tǒng)計(jì)學(xué)分析方法，用來(lái)比較兩個(gè)或者多個(gè)變量數(shù)據(jù)樣本，判斷樣本的差異到底是隨機(jī)的，還是由于統(tǒng)計(jì)顯著差別導(dǎo)致。
聚類(lèi)分析應(yīng)用非常廣泛的用戶分群統(tǒng)計(jì)學(xué)手段
K-means算法最廣泛使用的聚類(lèi)算法之一，主要依靠迭代求解，特點(diǎn)是簡(jiǎn)潔和高效
分類(lèi)算法重要的數(shù)據(jù)挖掘技術(shù)，目的是根據(jù)數(shù)據(jù)集的特點(diǎn)構(gòu)造一個(gè)分類(lèi)函數(shù)或分類(lèi)模型（也常常稱作分類(lèi)器），用于預(yù)測(cè)。和回歸方法不同的是，分類(lèi)的輸出是離散的類(lèi)別值。
貝葉斯分類(lèi)
一種利用概率統(tǒng)計(jì)知識(shí)進(jìn)行分類(lèi)的算法，廣泛用于數(shù)據(jù)挖掘分析、模式識(shí)別和人工智能
數(shù)據(jù)可視化
術(shù)語(yǔ)名稱解釋
直方圖用高度不等的縱向條紋或線段表示數(shù)據(jù)分布的情況的數(shù)據(jù)統(tǒng)計(jì)圖表
折線圖展示數(shù)據(jù)有序因?yàn)槟承┳兞慷兓臄?shù)據(jù)統(tǒng)計(jì)圖表
散點(diǎn)圖展示數(shù)值之間關(guān)系，用于判斷數(shù)據(jù)變量之間是否存在關(guān)聯(lián)的的數(shù)據(jù)統(tǒng)計(jì)圖表
餅圖用于在二維觀測(cè)情況下，展示數(shù)據(jù)占比情況的數(shù)據(jù)統(tǒng)計(jì)圖表
氣泡圖展示三個(gè)變量之間的關(guān)系的數(shù)據(jù)統(tǒng)計(jì)圖表，與散點(diǎn)圖類(lèi)似，但氣泡圖允許額外加入一個(gè)表示大小的變量進(jìn)行對(duì)比。
