1. 业务模式、业务指标、案例分析三个方面展开
2. 面对问题，如何展开分析的数据分析思维

   第1章 业务指标

   从数据中发现业务指标，使用相关指标去分析数据，使用多个指标去分析一个问题。这就要求你知道常见的指标有哪些。

   如何了解业务：询问，你们目前的主要数据指标有哪些？

1.1 如何理解数据？

第1步，弄清楚数据里每一列的含义。
第2步，对数据进行分类，有助于后期的分析。
用户数据是指用户的基本情况，包括姓名、性别、邮箱、年龄、家庭住址、教育水平、职业等。行为数据主要包括用户做了哪些行为、发生行为的时间等。产品数据包括产品名称、产品类别、产品评论、库存等。
有些数据从不同角度来看，可以属于不同的分类。例如，对于文章的收藏量而言，收藏是一个行为，那么收藏量可以看作是行为数据；另外，收藏是产品被收藏，那收藏量也可以看作是产品数据。对于数据的分类不是绝对的，要根据具体业务去灵活定义。

如何对数据进行初步分类：用户数据、行为数据、产品数据

1.2 常用的指标有哪些？

你会看到，鱼塘里有3种用户：新增用户、活跃用户、留存用户（图1-4）。其中活跃用户对应的是不活跃用户，留存用户对应的是流失用户。（1）对于新增用户使用的指标：日新增用户数。（2）对于活跃用户使用的指标：活跃率。（3）对于留存用户使用的指标：留存率。
一个产品如果没有用户增长，用户数就会慢慢减少，越来越惨淡，例如人人网。同时，新增用户来自产品推广的渠道，如果按渠道维度来拆解新增用户，可以看出不同渠道分别新增了多少用户，从而判断出渠道推广的效果。
不同的产品定义不一样，所以看到这样的指标，一定要搞清楚活跃是怎么定义的。
活跃用户数按时间又分为日活跃用户数、周活跃用户数、月活跃用户数。
留存可以评估产品功能对用户的黏性。如果一个产品留存低，那么说明产品对用户的黏性就小，就要想办法来提高留存了。留存反映了不同时期获得新用户的流失情况，如果留存低，就要找到用户流失的原因。

留存关注：①用户的黏性如何提升？（社交体验？游戏化激励？）②用户为什么流失？（产品使用简易度？坚持使用习惯？竞品体验？）

次日留存率：第1天新增的用户中，在第2天使用过产品的用户数／第1天新增总用户数；
Facebook有一个著名的40-20-10法则，也就是新用户次日留存率为40%，第7日留存率为20%，第30日留存率为10%，有这个表现的产品属于数据比较好的。
用户数据指标有3个：日新增用户数、活跃率、留存率
行为数据相关的指标包括：PV和UV、转发率、转化率、K因子
K因子（K-factor）可用来衡量推荐的效果，即一个发起推荐的用户可以带来多少新用户。K因子=平均每个用户向多少人发出邀请×接收到邀请的人转化为新用户的转化率。
当K>1时，新增用户数就会像滚雪球一样增大。如果K<1的话，那么新增用户数到某个规模时就会停止通过自传播增长。

K因子：转介绍率、平均推荐人数乘以转化率，最终需要大于1

产品数据相关的指标包括：用来衡量业务总量的指标，例如成交总额、成交数量；用来衡量人均情况的指标，例如客单价；用来衡量付费情况的指标，例如付费率、复购率；以及与产品相关的指标。
用来衡量业务总量的指标有：成交总额、成交数量、访问时长
如果你经常看分析报告，一定会看到GMV（GrossMerchandise Volume），它就是指成交总额，也就是零售业说的“流水”。需要注意的是，成交总额包括销售额、取消订单金额、拒收订单金额和退货订单金额。
成交数量对于电商产品就是下单的产品数量。对于教育行业，就是下单课程的数量。访问时长指用户使用App或者网站的总时长。
用来衡量人均情况的指标有人均付费、付费用户人均付费、人均访问时长。
人均付费=总收入／总用户数
付费用户人均付费（ARPPU，Average Revenue Per PayingUser）=总收入／付费人数
人均访问时长=总时长／总用户数
付费率=付费人数／总用户数。
常见的几个指标是热销产品数、好评产品数、差评产品数。这里可以根据具体的业务需求，灵活扩展使用。

区分业务数据与产品数据，注意比率，如：人均付费、付费人均付费、付费率、热销产品、好评产品、差评产品、付费率等

展示位广告、搜索广告、信息流广告
例如你打开知乎App，在开屏的几秒展示的广告叫作按展示次数付费（CPM）；你对这个广告感兴趣，点击了广告，叫作按点击次数付费（CPC）；看到广告里的介绍，你没忍住下单购买了商品，叫作按投放的实际效果付费（CPA）。
在决定将产品投放到哪个渠道的时候，要清楚你的目标用户是谁，目标用户在哪。

用户画像与用户分层

目前主流广告平台都支持这三种方式的付费：按展示次数付费（CPM）、按点击次数付费（CPC）和按投放的实际效果付费（CPA）。广告主可以按自己的产品需求来灵活选择。

1.3 如何选择指标？

（1）好的数据指标应该是比例。通常要想理解一个数字的真实含义，最好把它除以一个总数，换算成一个比例。
（2）根据目前的业务重点，找到北极星指标。
北极星指标没有唯一标准。不同的公司关注的业务重点不一样，即使是同一家公司在不同的发展阶段，业务重点也不一样，所以要根据目前的业务重点，去寻找北极星指标。（拉新-拉活-付费：需要让学生出席）

1.4 指标体系和报表

一定要用准确的数据和指标来描述清楚。
实际工作中，往往一个指标没办法解决复杂的业务问题，这就需要使用多个指标从不同维度来评估业务，也就是使用指标体系。指标体系是从不同维度梳理业务，把指标有系统地组织起来。简而言之，指标体系=指标+体系，所以一个指标不能叫指标体系，几个毫无关系的指标也不能叫指标体系。
一级指标并非只能是一个指标，有可能需要多个指标来综合评价。
例如销售部门一般按地区运营，就可以从地区维度拆解。市场部门一般按用户运营，就可以从用户维度拆解。
在业务流程中不同会员等级可以抵扣的金额不一样，不同旅游产品线可以抵扣的金额比例也不一样。
需要把二级指标按照业务流程拆解为更细的三级指标。在会员业务节点可以拆解为LV1级会员数、LV2级会员数、LV3级会员数、LV4级会员数。在购买旅游产品业务节点可以拆解为酒店订单数、机票订单数、跟团游订单数、自由行订单数
指标体系金字塔
每个指标可以从3个方面确定统计口径：· 指标业务含义：这个指标在业务上表示什么？· 指标定义：这个指标是怎么定义的？· 数据来源：从什么地方收集的原始数据？数据统计的时间范围是什么？
报表就是报告状况的表，是通过表格、图表来展示指标，从而方便业务部门掌握业务的情况。每天汇总更新的报表叫做日报，每周汇总更新的报表叫做周报。
在前面步骤找到了一级指标、二级指标和三级指标，到这一步可以把这些指标制作到报表中，通过报表监控指标，不断更新指标体系。
某旅游公司在会员积分方面的开销较大，业务部门想做一个会员积分报表，监控会员积分使用情况，也为日后优化规则做准备。
这种不以一级指标（放款金额）为前提的激励方案就是无效的方案。
（2）指标之间没有逻辑关系。
如果不按照业务流程来建立指标体系，虽然指标很多，但是指标之间没有逻辑关系，以至于出现问题的时候，找不到对应的业务节点是哪个，没办法解决问题。
（3）拆解的指标没有业务意义。
（4）一个人就完成了指标体系和报表，也不和业务部门沟通。
建立指标体系不是一个人能够完成的，需要业务部门（市场、运营、产品等部门统称为业务部门）、数据部门（这里把数据分析师所在的部门统称为数据部门）、开发部门相互之间进行协作。
日常工作中，业务部门、数据部门、开发部门是像图1-34这样紧密协作的。
就能够搭建出合适的指标体系。
这其中就涉及一个转化问题，所以如果M1-M2户数比率很低，就说明很多合同在M1阶段逾期时就被催收人员及时催回，没有转入M2。

协同各部门，根据一级指标拆解二三级指标，并构成相应的指标体系。

第2章 分析方法

症状一：没有数据分析意识。
他们靠感觉来做事情，而不是用数据分析来做决策。这也是为什么他们浑浑噩噩工作了多年以后，却依然徘徊在基础岗位。
症状二：统计式的数据分析。
为什么这个数据会下降？采取什么措施可以解决问题？
如果你的分析目的是想将复杂问题变得简单，就可以使用逻辑树分析方法
分析思维、分析思路、分析方法。

2.1 5W2H分析方法

5W是指对于所有的现象都追问5个问题：what（是什么）、when（何时）、where（何地）、why（为什么）、who（是谁）。2H是指再追问2个问题：how（怎么做）、how much（多少钱）。

2.3 行业分析方法

如何进行行业分析呢？就是用PEST分析方法。PEST分析方法是对公司发展宏观环境的分析，所以经常用于行业分析。通常是从政策、经济、社会和技术这四个方面来分析的
政策环境主要包括政府的政策、法律等。例如可以从这样几个问题去展开研究：相关法律有哪些？对公司有什么影响？投资政策有哪些？对公司有什么影响？最新的税收政策是什么？对公司有什么影响？

2.4 多维度拆解分析方法

通过多维度拆解数据，我们发现了和一开始截然相反的结论，这种现象被称为“辛普森悖论”（Simpson’s Paradox），也就是在有些情况下，考察数据整体和考察数据的不同部分，会得到相反的结论。
只看数据整体，我们可能注意不到“数据内部各个部分构成的差异”。如果忽略这种差异进行比较，就有可能导致无法察觉该差异所造成的影响。
所以，我们需要从多个维度去观察数据，并相互验证，才能得出相对可靠的结论。例如我们可以把用户拆解成：用户=老用户（维度1）+新用户（维度2），从而可以看到老用户和新用户的数据表现分别是什么。
只看数据整体，可能注意不到“数据内部各个部分构成的差异”，导致“辛普森悖论”。所以在有些情况下，考察数据整体和考察数据的不同部分，会得到相反的结论。

从指标构成来拆解 从业务流程来拆解

2.5 对比分析方法

心理学家给这种现象发明了一个术语叫作价格锚定（图2-37），也就是通过和价格锚点对比，一些商品会卖得更好。
和谁比，如何比较。
通过对比分析方法可以看出，硬件净利润率能达到5%的公司几乎就没有，所以雷军这个承诺其实是一种经过数据分析得出的结论，既不会让小米陷入无法实现承诺的困境，又可以在用户心中留下“小米性价比高”的产品形象。
数据整体的大小、数据整体的波动、趋势变化
1）数据整体的大小某些指标可用来衡量整体数据的大小。常用的是平均值、中位数，或者某个业务指标。
2）数据整体的波动标准差除以平均值得到的值叫作变异系数。变异系数可用来衡量整体数据的波动情况。
3）趋势变化趋势变化是从时间维度来看数据随着时间发生的变化。常用的方法是时间折线图，环比和同比。
环比是和上一个时间段对比，用于观察短期的数据集。例如本周和上周对比，本月和上月对比
同比是与去年同一个时间段进行对比，用于观察长期的数据集。
在心理学中有“价格锚定”，通过和价格锚点对比，一些商品会卖得更好。在数据分析中，我们通过对比分析方法，来追踪业务是否有问题，例如A/B测试。
对于如何比较，一般我们有以下3个维度：（1）用平均值、中位数，或者某个业务指标来衡量整体数据的大小。（2）用变异系数来衡量整体数据的波动情况。（3）从时间维度来看数据随着时间发生的趋势变化。常用的方法是时间折线图、环比和同比。
在进行比较的时候，要注意比较对象的规模保持一致。

2.6 假设检验分析方法

为了验证这个假设，美军发出了一个假情报：中途岛上的淡水处理器坏了，为的是看到日军获取到假情报的反应。果然不久就截获到日军向外发送的情报信息：AF缺淡水。这就验证了假设，得出结论：AF是中途岛。
前面我们提到假设检验分析方法的步骤分为3步：提出假设、收集证据、得出结论。
我们可以按用户、产品、竞品这3个维度提出假设
这3个维度分别对应公司的3个部门：用户对应运营部，产品对应产品部，竞品对应市场部。
（1）假设用户有问题：可以从用户来源渠道这个维度来拆解分析，或者画出用户使用产品的业务流程图来分析原因；（2）假设产品有问题：可以研究这段时间销售的产品是否符合用户的需求；（3）假设是竞品导致的问题：可以看竞品是不是在搞什么优惠活动，用户跑到竞争对手那里了。
4P营销理论产生于20世纪60年代的美国，它是随着营销组合理论的提出而出现的。营销组合实际上有几十个要素，这些要素可以概括为4类：产品、价格、渠道、促销。（1）产品：公司提供给目标市场的有形或无形产品，包括产品实体、品牌、包装、样式、服务、技术等；（2）价格：用户购买产品时的价格，包括基本价格、折扣价格、付款期限及各种定价方法和定价技巧等；（3）渠道：产品从生产公司到消费用户所经历的销售路径。（4）促销：是指企业利用各种方法刺激用户消费，来促进销售的增长。包括广告、人员推销、营业推广等。例如买一送一、过节打折等。

产品/价格/渠道/促销

从用户使用产品的业务流程来检查提出的假设是否有遗漏。
先画出业务流程，根据业务流程，提出以下假设
从业务流程提出假设，这里其实是用到了我们之前讲过的多维度拆解分析方法。
解读报表里数据的波动是数据分析的基本功，在面试中会经常考。
为了更好地对比分析，对于报表解读问题，你还要问面试官往前几周的数据是怎样的，这样可以从整体上看出数据在一个较长时间范围内是怎样变化的。同时，可以看出数据变化是规律的，还是真的有问题。

你可以这样问面试官：前几周的数据是怎样的？我想和这周数据进行对比分析。

也就是说，要找什么数据，是与你要验证的假设有关系。根据第2步收集的证据，我们得出第3步的结论。
将活跃用户数按渠道维度拆解，发现来自渠道B的活跃用户数出现了明显的下跌（这里按渠道拆解，用到了我们之前讲过的多维度拆解分析方法）。
既然假设1发现了问题，为什么还要去验证假设2和假设3？这是因为一个问题发生可能是由多个原因造成的，需要找到不同的原因，这样后面决策的时候，才能分别根据不同原因制定不同的策略。
假设检验分析方法有3个步骤：提出假设，收集证据，得出结论。得出结论以后，分析还没有停止，要多问几个为什么，然后用数据去验证可能的原因。不断重复假设这个分析过程，直到找到问题的根源。

提出假设，收集证据，得出结论。

可以使用3个方法来客观地提出假设，同时防止遗漏假设：（1）从用户、产品、竞品这3个维度提出假设；（2）从4P营销理论提出假设；（3）从业务流程提出假设。
假设检验这3步是一个需要不断重复的过程。在得出结论以后，分析还没有停止，要多问几个为什么、可能的原因是什么，然后用数据去验证可能的原因。

2.7 相关分析方法

使用相关分析，可以知道哪些因素影响销量，哪些对销量没有影响，从而快速锁定问题的原因。
这样的图叫作散点图，散点图可以直观地显示出两种数据之间的相关关系。

如果相关系数的绝对值在0～0.3，就认为是低度相关；如果相关系数的绝对值在0.3～0.6，就认为是中度相关；如果相关系数的绝对值在0.6～1，就认为是高度相关。

（1）相关系数的数值大小可以表示两种数据的相关程度，系数值大于0.6或者小于-0.6，表示两种数据之间高度相关；（2）相关系数数值的正负可以反映两种数据之间的相关方向。
公司资源有限，一个阶段只能集中解决一个问题，通过相关分析，优先解决那些影响大的因素。
使用相关分析的注意事项：相关关系不等于因果关系。在使用的时候注意这一点，可以提高分析的质量。
唯一和孩子成功成长有因果关系的是家庭。这里家庭就是存在的第3方因素，家庭教育越好，孩子越成功。

2.8 群组分析方法

使用群组分析方法需要注意如何分组，除了按时间分组，还可以根据具体的业务场景来确定。先使用群组分析方法，找到留存率低或留存率高的组；然后使用假设检验、相关分析等方法，研究为什么这些组留存率低或留存率高。找到原因以后，就可以对应地优化产品。

2.9 RFM分析方法

（1）重要价值用户，RFM三个值都很高，要提供VIP服务；（2）重要发展用户，消费频率低，但是其他两个值很高，要想办法提高他的消费频率；（3）重要保持用户，最近消费时间距离现在较远，也就是R值低，但是消费频率和消费金额高。这种用户，是一段时间没来的忠实客户。应该主动和客户保持联系，提高复购率；（4）重要挽留客户，最近消费时间距离现在较远，消费频率低，但消费金额高。这种用户即将流失，要主动联系用户，调查清楚哪里出了问题，并想办法挽回。这样通过RFM分析方法来分析用户，可以对用户进行精细化运营，不断将用户转化为重要价值用户。

2.10 AARRR模型分析方法

AARRR模型对应产品运营的5个重要环节（图2-141），分别是：（1）获取用户（Acquisition）：用户如何找到我们？（2）激活用户（Activation）：用户的首次体验如何？（3）提高留存（Retention）：用户会回来吗？（4）增加收入（Revenue）：如何赚到更多钱？（5）推荐（Referral）：用户会告诉其他人吗？
在“获取用户”这一环节，需要关注以下指标（图2-143）：（1）渠道曝光量：有多少人看到产品推广的信息；（2）渠道转换率：有多少人因为看到广告转换成用户；（3）日新增用户数：每天新增用户是多少；（4）日应用下载量：每天有多少用户下载了产品；（5）获客成本：获取一个客户所花费的成本。
WhatsApp将所有精力都用在了如何让自己的产品更加简单易用，不需要创建用户名或密码就能使用。由于它的简单易用，WhatsApp的口碑传播非常好。
要想激活用户，需要绘制一幅通往“啊哈时刻”的路径图。
拼多多的拼团玩法就很好地激活了用户，在各种群里都可以看到用户在拼团、砍价。
这一环节有个概念需要重视，那就是“夹点”，它指的是损失潜在收益的地方。例如电商购物中，用户从选择商品到支付之间，很多人会中途放弃付费。要评估这些常见的夹点，分析用户在这些关键环节放弃的原因。
这一环节需要关注的指标有转发率、转化率、K因子。

关于激励：奖励要与产品的核心价值有关

2.11 漏斗分析方法

漏斗分析中要关注两个指标：用户转化率和用户流失率。

转化和流失，是从两个维度分析

3.2 如何明确问题？

上面的案例是“明确问题”时常见的错误：定义问题时，分析者根据自己的经验“主观”地把思考限定在“我觉得的范围内”。
针对时间：这是观察哪个时间范围的数据发现问题的？针对地点：这是哪个地区的数据？针对数据来源：数据来自哪里？是否核对过数据没有问题？
目前要解决的问题是：上半年（1—6月）利润落后于计划的原因是什么？公司如何在下半年（7—12月）完成4008.63万元（上半年利润缺口1008.63万元+下半年利润目标3000万元）的利润目标？
当要解决的问题中有提到“高、低、大、小”等字眼，要问清楚和谁比。
明确问题，主要包含以下内容：（1）明确问题的常见错误。在定义问题时，注意不要加入分析者的“主观猜测”，导致无法分析其他可能的原因。（2）如何明确问题。

3.3 如何分析原因？

根据“计算的平方律”定律，当一个问题要考虑的因素的复杂度变为原来的2倍，那么解决问题需要的时间就会变成原来的4倍。所以，在分析原因的过程中，要优先分析那些关键的因素。
如何知道哪些是“关键的因素”呢？可以在分析的过程中使用这3步来分析（图3-7）：（1）使用“多维度拆解分析方法”对问题进行拆解，将一个复杂问题细化成各个子问题；（2）对拆解的每个部分，使用“假设检验分析方法”找到哪里出了问题。分析的过程可以用“对比分析方法”等多个分析方法来辅助完成；（3）在找到哪里出了问题以后，可以多问自己“为什么出现了这个问题”，然后使用“相关分析方法”进行深入分析。

拆解问题——假设分析——相关分析

至于拆解到什么程度，没有统一的标准，要根据对业务的理解和实际问题灵活把握。
为方便观察数据随时间发生了哪些变化，将表3-3中的数据绘制成图3-11。
答案是不一定。只单独分析出销售费用是增长的，还不能判断它就是造成利润落后于计划的根本原因。因为销售费用是用来提升销售增长的，如果增加销售费用能带来销售收入的增长，那也是合理的。
需要将销售费用和销售收入结合起来加以分析，这就需要用到一个指标：费率比，费率比=投入的费用／产生的销售收入。费率比越低，说明通过投入的费用带动销售增长的效果越好。
从图中可以发现，上半年的费率比是逐步下降的，也就是说，销售费用的增长也提升了销售收入的增长。
现在把“用户数”按用户、产品、竞品这3个维度进行拆解。
我们可以分别计算商品价格、用户满意度和用户数的相关系数，观察这些相关系数的大小，可以得知哪个因素对用户数影响更大。

3.5 总结

（1）使用“多维度拆解分析方法”对问题进行拆解，将一个复杂问题细化成各个子问题
（2）对拆解的每个部分，使用“假设检验分析方法”找到哪里出了问题。分析的过程可以用“对比分析方法”等多个分析方法来辅助完成
（3）在找到哪里出了问题以后，可以多问自己“为什么出现了这个问题”，然后使用“相关分析方法”进行深入分析。
（1）做决策的选项不能太多。太多的选项不仅会增加决策的成本，还会让人迷失，无从下手。相对简单的问题，需要4个选项左右；相对复杂的问题，需要4～7个选项；（2）决策要是可以落地的具体措施，这样决策者才能根据措施，合理安排资源，把措施变成行动。

第4章 国内电商行业

从卖家（Business）与买家（Consumer）组合的维度划分，电商主要可以分为以下4种业务模式（图4-1）：（1）企业卖家—企业买家（Business to Business，B2B）。例如阿里巴巴就是一个以企业交易为主体的平台，汇聚各行业供应商信息。也有企业会建立自己的B2B网站进行分销，例如海尔。企业间采购的特点是订单量一般较大。（2）企业卖家—个人买家（Business to Consumer，B2C）。例如亚马逊、天猫，就是企业店铺与个人用户交易，经常听到的“某某某官方旗舰店”就是这个模式。（3）个人卖家—个人买家（Consumer to Consumer，C2C）。代表平台是淘宝，个人可以在淘宝开店铺做买卖。（4）卖家线上售卖-买家线下门店提货／换货（Offline toOnline，O2O）。对电商行业来说，O2O是B2C的一种升级，扩展了用户在线下参与消费的场景，对企业卖家提出了“存在线下实体、线上线下一体化”等更高的要求。例如优衣库天猫旗舰店与线下实体店的商品价格相同，用户能够线上购买，线下提货或换货。
在互联网和电商刚兴起的时候，只要吸引越来越多的人打开网页、进入网店，就会有一定比例的人下单，这样可以保持源源不断的销售。这是电商的“流量红利时代”，用“店铺访客×购买转化率”就可以估算出买家数，再用“买家数×客单价”就可以估算成交额。
但是随着电商的普及，新用户不再是无穷无尽的了，用户变得更加挑剔，更有个性。电商行业不得不从“流量运营”转变为“精细化用户运营”。具体表现是不再满足“店铺访客×购买转化率”的一锤子买卖，而是重视促成单个用户的多次交易以及老用户带动新用户的社交裂变，这些转变标志着电商行业由“流量运营”升级为“用户运营”。
活动运营：规划店铺的具体售卖活动，包括大促活动和日常活动。大促活动指“618”“双11”等重大节日，日常活动有几件几折、满额立减等。
产品运营：负责店铺参与活动的产品选款、规划产品布局、负责产品上新、拟定产品介绍等。
CRM部门：CRM（Customer RelationshipManagement）是指用户关系管理。CRM部门负责和用户沟通，促使用户下单；规划会员用户的活动，包括引导新用户领取会员卡、引导老用户下单、开展积分互动等。
这时采用滚动周期累计更好。
这些细节没有标准答案，例如退款可以算入成交，另外再看退款率。总之，在实际分析中只要提前确定好标准，然后在分析过程中保持一致即可。
和复购率息息相关的是平均复购周期，是指用户重复购买的平均时间间隔。
回购率仅关注用户在“双11”当天是否“复购”，而复购率体现用户在一整年的复购表现，不限于“双11”当天。因此回购率更适合总结大促效果。
回购率=回购人数（大促活动期间购买的用户数）/基数（某段时间的购买用户数）。
拒退量：拒收和退货的总数量。拒退额：拒收和退货的总金额。实销额：GMV减去拒退额。

4.2 案例分析

可以先按年（1年365天）粗略把R值拆解成两组：R≤365和365iv>
初步结论是不同R值的基数用户回购率没有下降，R值不能定位回购率下降的原因。为了尽快找到关键影响因素，暂且放下R值，去尝试其他维度。
2019年购买次数为一次的用户（F=1）的回购率同比降低9.27%，而购买多次的用户（F>1）回购率同比只减少0.81%。
这是一个突破口，接下来可以对F=1的基数用户进行更细的分组、更深入的分析。
由于要拆解的用户过去两年只购买了一次，单笔客单的差距不大，应该是相对集中的一个数值，无法达到分组的效果。
于是，可以提出假设：这两次活动引进的新用户质量产生了问题。
这版页面强化“即时激励+复购挑战+长期复购”的权益，具体包含①可立刻领取首次购物积分，并参与100%中奖的幸运转盘，获得积分、优惠券或周边商品；②激励用户在45天内产生复购（该店前十名畅销商品的平均复购周期是40天），赠送精美礼品与包邮特权；③推出积分卡、兑换卡等一次充值、多次优惠返利的权益。除页面外，通过短信、手机淘宝等沟通渠道在新用户首购的7天后邀请返店领取会员卡，及时送上复购券等权益。
提出建议要注意落地可执行性，可以从外部（电商平台）和内部（卖家店铺）自身两个大角度去思考
权益可优化的方向有实物奖励、服务体验、特权身份、趣味互动等。
售卖比、转化率等指标

第5章 跨境电商行业

卖家为了能卖出更多的商品，就需要吸引更多的流量。流量可以分为自然流量和广告流量。自然流量是指买家无意间点进产品页面而非来自广告链接，广告流量来源于广告链接，需要卖家支付一定的广告费。

第9章 旅游行业

复购率：跟团游属于低频消费，因此观察复购率的时间长度至少是一年。常见的复购率有表9-1中这两种定义，根据业务需求灵活选择。

确认产品属于低频消费还是高频消费，如果是低频，需要提高客流量和利润。

第10章 在线教育行业

两个指标的计算公式是：ARPU=收入／活跃用户数，ARPPU=收入／付费用户数。
针对以上分析提出建议：①深耕老用户和高价值用户，增加ARPU和ARPPU；②增加广告投放，通过用户增长提升总收入；③制定全年投放和运营计划，减少不同时间段收入完成情况对运营的影响。
完课率等于学完课程A的用户数除以购买课程A的用户数。完课率衡量了在线教育平台的教学质量。较高的完课率，代表着课程质量较高，可以吸引用户完成课程学习。

10.2 案例分析

没能做到用户分类运营
老板想在新的一年里对不同的用户进行有针对性的营销，达到降低成本、提高收入、提升投资回报率的目的。
该在线教育平台的课程服务形式有两种：①图文音视频形式的课程，用户自学，这类课程售价是100～1000元；②提供学习服务，如作业答疑、1对1辅导等的培训类课程，这类课程售价是1000～10000元。

12.2 案例分析

根据与业务人员沟通得知，对用户的分类一般控制在8个以内，因为过多的分类会造成运营资源的浪费，较少数量的用户分类便于有针对性地对各个类别采取不同的运营措施。所以为了更贴近业务实际需求，对这27个类别进行聚类。
通过以上对用户分类可以看出，阻碍用户成为第1类用户（首页核心用户）的最重要因素是访问频率（F）。所以为了提高整体用户的质量，运营人员需要想办法提升用户访问频率。