包邮数据分析实战:方法、工具与可视化

目录 第 1章 为什么人人都要懂数据分析 1 1.1 产品经理为什么要懂数据分析 1 1.2 产品经理的数据分析实战案例 2 1.3 市场营销人员为什么要懂数据分析 3 1.4 公司领导、业务负责人为什么要懂数据分析 5 第 2章 数据分析基础知识 7 2.1 PV和UV 7 2.2 指标 8 2.3 用户画像和拆分维度 8 2.4 用户行为漏斗 9 2.5 科学的A/B实验 10 2.6 净收益检验 11 第3章 做一名优秀的数据分析师 13 3.1 数据分析师与数据观 13 3.1.1 数据——从资源到资产 13 3.1.2 从数据到应用经历的“惊险的一跳” 15 3.2 对数据分析师岗位的一些理解 17 3.2.1 数据分析师应具有的能力 17 3.2.2 数据分析师应具备的技能 19 3.2.3 数据分析师不要单打独斗 20 第4章 数据分析师的思维方式 22 4.1 数据分析的基本流程——形成“一根线” 22 4.2 数据分析的两个重要思维模型——“树”与“田” 28 4.2.1 “树”思维 29 4.2.2 “田”思维 32 第5章 海盗法则与指标体系建模 40 5.1 海盗法则 40 5.1.1 用户获取 43 5.1.2 用户激活 47 5.1.3 用户留存 49 5.1.4 获取收入 52 5.1.5 自传播 57 5.2 构建指标体系 60 5.2.1 北极星指标 61 5.2.2 通过OSM模型构建指标体系 69 第6章 数据分析方法 75 6.1 数据分析工具箱 75 6.2 现状分析 77 6.2.1 描述现状——探索性数据分析方法 77 6.2.2 常用的指标 80 6.2.3 趋势分析 100 6.3 异常值发现 103 6.3.1 西格玛法则 103 6.3.2 四分位差法 110 6.4 定位问题 112 6.4.1 漏斗分析 112 6.4.2 多维分析 115 6.4.3 指标拆解 115 6.4.4 魔法数字 121 第7章 A/B测试——提高销售转化率 127 7.1 A/B测试简介 127 7.1.1 A/B测试的概念以及应用场景 127 7.1.2 A/B测试的起源 129 7.2 A/B测试的统计理论基础——假设检验 131 7.2.1 从“女士品茶”理解假设检验的定义 131 7.2.2 假设检验的步骤 133 7.3 A/B测试流程和实验 144 7.3.1 A/B测试的流程和实验指标的指定 144 7.3.2 实验的设计和进行 147 7.4 综合案例：Panda公司通过A/B测试优化促销信息展示方案 156 7.5 A/B测试进阶 158 7.5.1 如果实验结果和我们预想的不一样怎么办 158 7.5.2 基于A/B测试增量反馈模型 159 第8章 用户画像 162 8.1 用户画像概况：用户画像概念及应用领域 162 8.1.1 用户画像的定义 162 8.1.2 用户画像的使用范围 163 8.1.3 关于用户画像的一些理解 164 8.2 用户画像构建途径 165 8.2.1 构建和应用用户画像的步骤 165 8.2.2 利用算法模型生成用户画像标签 171 8.3 用户画像实战 185 8.3.1 用户画像的本质是差异化 185 8.3.2 用户画像的优势是“惠而不费” 187 8.3.3 用户画像需要积少成多 189 8.3.4 用户画像体系要服务场景 189 8.3.5 利用用户画像需要遵循“不作恶”原则 190 第9章 数据可视化与Tableau操作 191 9.1 数据可视化概述 191 9.1.1 什么是数据可视化 191 9.1.2 常用的数据可视化工具 192 9.1.3 好的数据可视化方案 195 9.2 Tableau数据可视化基础 203 9.2.1 Tableau简介 203 9.2.2 开启Tableau可视化之旅 206 9.2.3 高级可视化图表的制作 240 9.2.4 可视化方案的展现：仪表板和故事 244 附录A 为什么抽样方差公式的分母中是n-1 248 附录B 时间序列趋势分解的Python代码 253 附录C 分词的Python代码 254