读书笔记｜《数据分析思维：分析方法和业务知识》
数据分析思维的原理和方法
数据分析思维的原理和方法
数据分析思维的原理和方法主要有以下几点：
1. 目标明确：在进行数据分析之前需要明确分析的目标和问题，以确保分析过程是有针对性和有效性的。
2. 数据收集：要进行数据分析，首先要收集相关数据。
数据的收集可以通过调查、采样、实验等方式进行。
3. 数据整理：在数据分析之前需要进行数据整理，包括数据清洗、数据重构等步骤，以确保数据的准确性和一致性。
4. 数据可视化：数据可以通过图表、图形等方式进行可视化展示，便于分析和沟通交流。
5. 数据分析：在进行数据分析的过程中，需要运用统计学、机器学习、数据挖掘等技术进行有效的分析，并进行假设检验、相关性分析、回归分析等工具的运用。
6. 发现结论：通过对数据的分析，需要进行结论的提炼，以回答我们预设的问题或达成分析的目标。
7. 报告和决策：对于数据分析结果的报告和决策，需要考虑数据分析的客观性、应用性和可视化，以便于业务部门和决策者进行参考和决策。
数据分析之道阅读笔记
《数据分析之道》阅读笔记一、数据分析基本概念与原则数据定义与分类：数据是信息的原始材料，可以是结构化的（如数据库中的数字数据）或非结构化的（如社交媒体上的文本或图像）。
数据可以是定量的（如数字数据）或定性的（如文本描述）。
了解数据的类型和特点对于后续的分析至关重要。
数据分析概念：数据分析是通过特定的方法和工具，对原始数据进行处理、探索和建模，以发现数据中的模式、趋势和关联性的过程。
数据分析的目标是从数据中提取有价值的信息，以支持决策制定和业务运营。
准确性原则：数据分析必须以准确的数据为基础，确保数据的真实性和可靠性。
在分析过程中，要尽量减少误差和偏见，以确保结果的准确性。
客观性原则：数据分析应该是客观的，不受主观偏见或预设观点的影响。
分析师需要保持开放的心态，接受数据的真实反馈。
系统性原则：数据分析需要全面的、系统的考虑数据之间的相互关系。
不能只关注某一方面的数据，而忽视了其他重要因素的影响。
可重复性原则：数据分析的方法和过程应该是可重复的，以确保分析结果的一致性和可比性。
这意味着分析步骤和数据来源应该明确记录，以便其他人可以验证和分析结果。
透明性原则：数据分析的整个过程应该是透明的，包括数据收集、处理、分析和解释等各个环节。
这有助于增强分析的可信度和公信力，也有利于他人对分析结果进行评估和改进。
效率性原则：数据分析应该注重效率，在合理的时间内完成分析任务，并有效利用资源。
这包括选择合适的方法、工具和平台，以及优化分析流程，以提高分析的效率和质量。
1. 数据分析定义及重要性数据分析是指通过收集、处理、分析和解释数据，以获取有意义的信息和洞察力的过程。
这一过程涉及到数据的收集方法、数据处理技术、数据分析工具和解释结果的技巧。
数据分析旨在从数据中提取有用的信息，帮助人们更好地理解现实世界的状况，预测未来趋势，并做出明智的决策。
决策支持：数据分析可以帮助企业和个人更好地理解业务环境，识别市场趋势和机会，从而做出明智的决策。
【读书笔记】数据分析学习总结(一)：数据分析那些事儿
1.明确分析思路：首先要明确分析目的：菜鸟与数据分析师的区别就在于菜鸟做分析时目的不明确，从而导致分析过程非常盲目。
这点有比较深的体会，在公司里做过关于搜索和新手的产品数据分析，自己对分析目的没考虑太多，靠的是前人留下的上期数据分析结果，倘若让我从零开始做，估计会很盲目。
然后确定分析思路：梳理分析思路，并搭建分析框架，把分析目的分解成若干个不同的分析要点，即如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标。
最后还要确保分析框架的体系化，使分析结果具有说服力：营销方面的理论模型有4P、用户使用行为、ST P理论、SWOT等；管理方面的理论模型有PEST、5W2H、时间管理、生命周期、逻辑树、金字塔、SMART等。
在上周一个汇报上使用了SWOT分析方法，对这些营销或管理的模型还都很陌生。
2.数据收集：一般数据来源于以下几种方式：数据库、公开出版物（统计年鉴或报告）、互联网、市场调查。
3.数据处理：数据处理主要包括数据清洗、数据转化、数据提取、数据计算等处理方法。
导师提过在做数据处理时，不要在原始数据上进行数据处理以防原始数据丢失，保留数据处理过程以便发现错误时查找。
4.数据分析：数据分析是指用适当的分析方法及工具，对处理过的数据进行分析，提取有价值的信息，形成有效结论的过程。
与数据挖掘的关系是数据挖掘侧重解决四类数据分析问题：分类、聚类、关联和预测，重点在寻找模式与规律。
5.数据展现：一般情况下，数据是通过表格和图形的方式来呈现的。
常用的数据图表包括饼图、柱形图、条形图、折线图、散点图、雷达图等。
进一步加工整理变成我们需要的图形，如金字塔图、矩阵图、漏斗图、帕雷托图等。
在一般情况下，能用图说明问题的就不用表格，能用表说明问题的就不用文字。
6.报告撰写：一份好的数据分析报告，首先需要有一个好的分析框架，并且图文并茂，层次明晰，能够让阅读者一目了然。
结构清晰、主次分明可以使阅读者正确理解报告内容；图文并茂，可以令数据更加生动活泼，提高视觉冲击力，有助于阅读者更形象、直观地看清楚问题和结论，从而产生思考。
数据分析从入门到进阶阅读笔记
《数据分析从入门到进阶》阅读笔记一、数据获取与管理篇在阅读《数据分析从入门到进阶》我首先关注到了数据获取与管理这一核心部分。
因为对于数据分析而言，数据的获取和管理无疑是至关重要的第一步。
书中详细介绍了多种数据获取的途径，首先是从各种公开的数据平台获取，如政府开放数据平台、各类专业数据库等。
其次是网络爬虫技术，通过编程手段从互联网上抓取数据。
还可以通过调查问卷、实地访谈等方式获取一手数据。
对于数据分析人员来说，熟悉并掌握多种数据获取方式是非常必要的。
在获取数据之后，如何进行有效的数据管理也是一大关键。
书中强调了数据清洗的重要性，由于原始数据中可能存在缺失值、异常值等问题，因此需要进行数据清洗以保证数据的准确性和可靠性。
还需要对数据进行整合、分类和标签化等处理，以便后续的分析工作。
数据的真实性和准确性是数据分析的前提和基础，任何低质量的数据都可能导致分析结果出现偏差。
在数据获取和管理过程中，必须严格把控数据质量，确保数据的准确性和可靠性。
随着大数据时代的到来，数据安全问题也日益突出。
在获取和管理数据的过程中，我们必须严格遵守相关法律法规，保护用户隐私和数据安全。
书中也介绍了多种数据安全保护的技术和措施，如数据加密、访问控制等。
通过阅读《数据分析从入门到进阶》中关于数据获取与管理的部分，我深刻认识到数据分析的基石在于数据的获取和管理。
只有掌握了有效的数据获取和管理方法，才能保证数据分析工作的顺利进行。
我也意识到在数据分析和处理过程中，不仅要关注数据的数量，更要关注数据的质量和安全性。
1. 数据获取方式及其优缺点直接数据收集：这是一种最基础的数据获取方式。
通过调查问卷、访谈、观察等手段直接收集数据。
优点是数据的原始性和真实性较高，可以获取一手资料；缺点是耗费的时间和人力成本较大，且可能受到样本数量和质量的影响导致数据偏差。
公开数据源：网络时代，大量的公开数据源为我们提供了丰富的数据资源。
如政府公开数据、企业公开数据等。
数据分析常用的7大思维方法详解
数据分析常用的7大思维方法详解今天老李继续给大家讲解数据分析经典的思维模型，上篇为大家介绍了目标思维、假设思维、溯源思维、逆向思维4个思维：数据分析必备7大经典模型详解！建议收藏！（上）今天继续给大家介绍结构思维、演绎推理思维、归纳总结思维和相关思维。
结构思维很多人在分析的时候没有思路，不知道从何下手，这就是缺少结构化思维的表现不如我们就直接看一下下面这个例子，看看大家是否具有结构化思维：一家线下零售企业最近某个产品的销售额下降了，让你找一下造成销售额下降的原因是什么。
我们看一下甲乙两个人的分析思路是什么？甲：先从时间维度上进行分析，看看销售额的下降是突然下降，还是持续性下降；然后再以门店为维度，看一下是不是因为地理位置的原因造成了下降；除此之外，还要对比一下横向的竞争对手，可以去问一些销售人员他们掌握的情况；对了，还有活动，有可能是因为活动造成的销售额下降。
非常混乱对不对？这是因为我们在思考问题的时候，习惯用点对点的方式，想到一点就是一点也就是说是乱打枪，也许有可能你可以凭借着经验找到原因但是大多数情况下，你很难找到完全穷尽的原因，也就是为什么你的数据分析总是没思路乙：我们要分析的问题是销售额下降，一般来说会有内部和外部两个方面的原因内部就是自身的一些原因造成了下降，外部原因是不受我们控制的不可抗力因素内部原因我们可以参照5w2h里的几个因素，when、why、who、how等外部因素包括市场竞争、市场容量、政策等知道了这些关键因素，我们再继续进行拆解，就能找出所有的可能原因这样分析是不是感觉清晰了许多？结构化思维方法是怎么处理这个问题呢？在面对这么一个问题时，结构化思维方法首先做的并不是立刻着手清洗数据。
而是根据对业务的理解，先为数据分析画一个思维导图，它的作用相当于你来到一个陌生的城市拿出百度地图查询乘坐交通工具到入住的酒店的路线图。
这个思维导图就是一个知道你到达目的地的路线图。
事实上，结构化思维就是由麦肯锡提出的著名的“金字塔思维”，如下图就是典型的结构化：无论是作为表达者、或者是信息接受者，都要先建立起符合金字塔结构的框架，然后按照逻辑、顺序等进行重点内容阐述而关于金字塔结构，我理解的关键核心就是“主要-重要-次要”其中的“主要”就是明确中心思想，对此书中提出了4种要求：“结论先行、以上统下、归类分组、逻辑递进”，这也是金字塔原理的四个原则其中的“重要”就是在建立金字塔结构时，一定要遵守先重要后次要、先全局后细节、先结论后原因、先结果后过程的原则进行内容安排最后的“次要”就是要把无关的、逻辑性差的、相关性低的因素和内容筛选出去更详细来讲就是：结论先行：中心思维要放在最前面以上统下：上一层一定要是对下一层内容的总结归类分组：每组的思想要属于同一逻辑范围逻辑推进：每组的顺序要按照一定的逻辑关系归纳与演绎首先什么是归纳和推理？我直接简单举个例子就行了：归纳：树能燃烧、纸能燃烧、筷子能燃烧，所以木制品能够燃烧推理：木制品能够燃烧，筷子属于木制品，所以筷子能够燃烧。
《数据分析思维 分析方法和业务知识》
数据分析思维 分析方法和业务知识
数据分析不是某个固定的职位，而是人工智能时代的通用能力。你会看到各行业的招聘中都会 要求应聘者具备数据分析能力。所以，具备数据分析能力可以极大地提升你在职场中的竞争力。
然而，很多人掌握了数据分析工具（如 Excel、SQL、Python 等），面对工作还是不知道如何展开 分析，经常会遇到下面这些问题：
（1）手里拿了一堆数据，却不知道怎么去利用； （2）业务部门不满意，总觉得你分析得不深入； （3）准备面试或找到新工作后，不知道如何快速掌握该行业的业务知识。 本书可以帮助从事数据分析相关工作的读者解决以上问题，具备数据分析的能力。本书分为两 篇，第一篇为“方法”，介绍了指标、分析方法以及如何用数据分析解决问题。 第二篇为“实战”，介绍如何应用第一篇的方法来解决工作中的问题。我们将在这一篇分享来自 不同行业的业务知识，以及如何用数据分析解决问题的案例，每一章都从业务模式、业务指标、案例 分析三个方面展开。 通 过 本书的学习，你会 熟 悉 数 据 分析 的方法，并 将 其 灵 活应 用在自己所 处 的 行业中。这 样当你 在工作中遇到新的问题时，也能够知道如何展开分析。 本书由猴子 • 数据分析学院的成员共同编写。猴子是中国科学院大学硕士，“猴子 • 数据分析学 院”创始人，公众号“猴子数据分析”创始人，前 IBM 工程师。其“分析方法”课程入围知乎年度口碑 榜 TOP 10，首创的“闯关游戏学习数据分析模式”深受用户喜欢。
Copyright©博看网 . All Rights Reserved.
数据思维：从数据分析到商业价值的读后感
数据思维：从数据分析到商业价值的读后感读完《数据思维：从数据分析到商业价值》，我觉得这本书对于广大数据从业人员和数据爱好者来说都是一本非常有用的学习资料。
作者在书中讲述了数据思维的基础知识、数据分析的应用场景以及如何将数据分析转化为商业价值，这些内容都非常实用且易于理解。
首先，作者在书中介绍了数据思维的基础概念，透彻地阐述了数据科学、数据分析以及数据挖掘等术语的含义和作用，让读者更好地理解数据思维。
此外，作者还介绍了数据的基本结构和类型，例如关系型数据、非关系型数据等，让读者可以更好地理解数据的本质。
接着，作者还讲述了数据分析的应用场景。
数据分析可以应用在各种不同的领域，例如商业、医疗、政府和媒体等。
作者通过引用实际案例和数据分析方法来帮助读者更好地理解数据分析的应用场景。
此外，作者还阐述了数据分析的基本流程，包括数据清洗、数据预处理、建模和评估等步骤，这些步骤对于数据分析人员来说是非常重要且必要的。
最后，作者讲述了如何将数据分析转化为商业价值。
作者提到，在商业领域中，数据分析的最终目的是将数据转化为具体价值，为企业的增长和发展做出贡献。
在书中，作者详细地讲述了如何通过数据分析提高企业的营销效率、降低成本、提高客户满意度等方面。
此外，作者还介绍了如何通过数据分析来进行市场研究和情报收集等方面，从而提高企业的竞争力和开拓市场。
总的来说，《数据思维：从数据分析到商业价值》是一本非常实用的学习资料。
通过阅读这本书，我更好地了解了数据思维的基础知识、数据分析的应用场景，以及如何将数据分析转化为商业价值。
这本书可以为从事数据分析工作的从业人员提供指导和帮助，同时也可以为有志于进入数据分析领域的人提供有用的指导和参考。
数据分析思维：分析方法和业务知识_记录
《数据分析思维：分析方法和业务知识》读书记录目录一、书籍概述 (2)1.1 书籍背景 (3)1.2 作者介绍 (3)1.3 书籍内容概述 (4)二、数据分析思维的重要性 (6)2.1 数据分析思维的定义 (7)2.2 数据分析思维在商业领域的应用 (8)2.3 数据分析思维与决策的关系 (10)三、数据分析方法 (11)3.1 数据收集方法 (12)3.2 数据整理方法 (14)3.3 数据分析技术 (15)3.4 数据可视化方法 (17)四、业务知识及其应用 (19)4.1 业务知识概述 (20)4.2 业务知识与数据分析的结合 (22)4.3 业务知识在数据分析中的应用案例 (23)五、数据分析思维的培养与提升 (24)5.1 数据分析思维的培养途径 (25)5.2 数据分析思维的提升方法 (27)5.3 实践案例分析 (28)六、总结与展望 (29)6.1 书籍总结 (30)6.2 对未来数据分析思维的展望 (32)一、书籍概述《数据分析思维：分析方法和业务知识》是一本关于数据分析领域的专业书籍。
在当前大数据时代背景下，数据分析已经成为各行各业不可或缺的技能之一。
本书旨在帮助读者掌握数据分析的核心思维方法和业务知识，从而更好地应对数据挑战，发掘数据价值。
本书内容丰富，涵盖了数据分析的基本概念、分析方法、业务知识和实践应用等方面。
通过本书的学习，读者可以了解到数据分析的发展历程、应用领域以及未来的发展趋势。
本书还详细介绍了数据分析的基本方法和技巧，包括数据收集、处理、分析、挖掘和可视化等方面的内容，为读者提供了全面的数据分析知识体系。
本书还结合了丰富的实际案例和业务场景，帮助读者更好地理解数据分析在实际工作中的应用。
通过本书的学习，读者可以逐渐掌握数据分析思维，提高数据处理和分析的能力，从而更好地应对实际工作中的挑战。
《数据分析思维：分析方法和业务知识》是一本非常实用的书籍，适合数据分析初学者和从业者阅读。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
读书笔记｜《数据分析思维：分析方法和业务知识》● 笔记●第1篇方法●第1章业务指标●如何理解数据●弄清楚每一列的含义●对数据进行分类●用户数据：我是谁●性别●年龄●地区●行为数据：我做了什么●点击某个菜单的次数●分享量●收藏数●产品数据：卖什么●文章标题●日期●阅读量●常用的指标●用户数据指标●日新增用户数●一个产品如果没有用户增长，，用户就会慢慢减少●活跃率●= 活跃用户数/总用户数●日活跃用户数●周活跃用户数●月活跃用户数●注意：统计人数要去掉重复的数据，同一个人在一个区间里面只计算一次●留存率●= 第1天新增用户中，在第N天使用过产品的用户数/第1天使用过产品的用户数●次日留存率（N=2)●第7日留存率（N=7）●第30天留存率（N=30）●为什么关注留存●留存可以评估产品功能对用户的粘性●留存低 - 粘性小 - 就要找到用户流失的原因●行为数据指标●PV - Page View 访问次数●UV - Unique View 访问人数●转发率●= 转发某功能的用户数/看到该功能的用户数●转化率●店铺转化率= 购买产品的人数/到店铺的人数●广告转化率= 点击广告的人数/看到广告的人数●K因子 - K factor●平均每个用户向多少人发出邀请*接收到邀请到人转化为新用户的转化率●当K>1时 - 新增用户数就会像雪球一样增大●当K<1时 - 新增用户数到某个规模时就会停止通过自传播增长●产品数据指标●总量●成交总量●成交数量●成交总额GMV - Gross merchandise volume - 流水●= 销售额+取消订单金额+拒收订单金额+退货订单金额●访问时长●人均●人均付费（ARPU 或客单价）= 总收入/总用户数●ARPU - Average revenue per user●付费用户人均付费（ARPPU) = 总收入/付费人数●ARPPU = Average revenue per paying user●人均访问时长 = 总时长/总用户数●付费●付费率●= 付费人数/总用户数●复购率●=消费两次以上的人数/付费人数●产品●热销产品数 Top N●好评产品数 Top N●差评产品数 Top N●推广付费指标●展示位广告出现在网站或手机APP的顶部、APP开屏等●按展示次数付费（CPM）●CPM - Cost Per Mille - 千人展现成本●per Mille 每千●即有多少人看了该广告●搜索广告●按点击次数付费（CPC）●Cost Per Click●即有多少人点击了该广告●信息流广告●按点击次数（CPC）●或按投放效果（CPA）●CPA - Click Per Action - 按投放数据效果付费●CPD - Cost Per Download●一般推广新的产品选CPD●CPI - Cost Per Install●CPS - Cost Per Sales●如何选择指标●好的数据指标应该是比例●根据现在的业务重点找到北极星指标●北极星指标 - 衡量业务的核心指标●指标体系和报表●什么是指标体系●指标体系是从不同纬度梳理业务，把指标有系统地组织起来。
●指标体系有什么用●监控业务情况●通过拆解指标寻找当前的业务问题●评估业务可改进的地方，找出下一步工作的方向●如何建立指标体系●步骤●1.明确部门KPI,找到一级指标●往往是业务流程最终结果●2.了解业务运营情况，找到二级指标●3.梳理业务流程，找到三级指标●每个指标可以从3个方面确定统计口径●指标业务含义●指标定义●数据来源●4. 通过报表监控指标，不断更新指标体系●报表制作步骤●需求分析●建立指标体系●设计展现形式●编写需求文档报表开发●例子●一级指标●积分抵扣金额●二级指标●积分抵扣的订单数●平均订单抵扣金额●积分抵扣的会员数●人均抵扣金额●三级指标●酒店订单数●机票订单数●跟团游订单数●自由行订单数●LV1级会员数●LV2级会员数 ...●建立指标体系有哪些注意事项●没有一级指标，抓不住重点●指标之间没有逻辑关系●拆解的指标没有意义●一个人就完成了指标体系和报表，也不和业务部门沟通●第2章分析方法●5W2H分析方法●是什么 - 追问5个问题●what●when●where●why●who●how●how much●有什么用●解决简单的问题，但复杂的商业问题解决不了●逻辑树分析方法 - 将复杂问题变简单由科学家费米提出●把复杂问题拆解成若干个简单的字问题，然后像树枝那样逐步展开●注意：逻辑树分析方法通常会融合在其他分析方法里面，辅助解决问题，而不是单独存在的。
●PEST分析方法 - 行业分析●概念●是对公司发展宏观环境的分析，通常是从政策、经济、社会和技术这数据方面来分析的●方法●P - 政策（policy）●E - 经济（economy）●S - 社会（society）●T - 技术（technology）●多维度拆解分析方法 - 多角度思考●概念●理解两个关键词：纬度（不同的角度）、拆解（多个维度的加法）●多维度拆解可以避免辛普森悖论●辛普森悖论（Simpson's Paradox）●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。
●作用●整体拆解成部分可以看到内部的差异●将负责问题拆解成简单问题●方法●从指标构成来拆解●例如●销售=新客户销售额+老客户销售额●老客户销售额= 老客户数*复购率*老用户客单价●新用户销售额= 新用户数*转化率*新用户客单价●从业务流程来拆解●例如：用户购买的业务流程●看到渠道广告●被广告吸引入店铺●在店铺选择感兴趣的商品●最终决定购买●对比分析方法 - 对比●作用●价格锚定●例如杂志预定案例中设置一个别人绝对不会选的价格项，以让顾客选择更高的预定额●追踪业务是否有问题●A/B测试●方法●和谁比●自己●行业●如何比较●数据整体大小●平均值●中位数●数据整体波动●变异系数●趋势变化●时间折线图●环比●同比●注意事项：比较对象规模要一致●假设检验分析方法 - 如何分析原因●步骤●提出假设●客观提出假设●从三个维度提出●用户●产品●竞品●4P营销理论●产品 - Product●产品●品牌●包装●样式●服务●技术●价格 - Price●基本价格●折扣价格●付款期限●定价方法●定价技巧●渠道 - Place●促销 - Promotion●广告●人员推销●营业推广●从业务流程提出假设●收集证据●得出结论●作用●提高逻辑思维能力●分析问题发生的原因（归因分析）●注意●得出的结论要靠证据证明●不断重复假设分析的过程，直到找到问题●可以靠假设检验分析图将问题、假设、数据从事国内至下连起来●相关分析方法 - A和B有什么关系●作用●研究两种或两种以上数据之间的关系或影响●扩大思路●通俗易懂●方法●相关系数●数值的大小可以表示两种数据的相关性●数值的正负可以反映两种数据之间的相关方向●相关关系类型●完全正相关（相关系数= 1）●两种数据是同方向变化●完全负相关（相关系数= -1）●另种数据是反方向变化●非线性相关（相关系数=0）●不是线性相关，但有可能是其他方式的相关（例曲线方式）●正相关（相关系数>0)●负相关（相关系数<0)●相关关系判断●低度相关：相关系数绝对值中0-0.3●中度相关：相关系数绝对值在0.3-0.6●高度相关：相关系数绝对值在0.6-0.1●相关系数绝对值越大，说明来给你种数据的相关成都越高●相关系数正负，可以反映两种数据之间的相关方向●用excel实现相关分析●相关分析工具●加载‘分析工具库‘●选择‘相关系数’分析●绘制散点图●注意事项●相关关系不等于因果关系●如何判断两种数据之间是相关关系，还是因果关系●使用‘单变量控制法’●也就是，控制其他因素不变，只改变其中一个因素，然后观察这个因素对实验结果的影响●群组分析方法 - 留存和流失分析●概念●也叫同期群分析方法，按某个特征，将数据分为不同组，然后比较各组数据，也就是分组对比。
●方法●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。
●当群组分析表格里的数据比较多的时候，直接分析起来比较困难，这时可以把数据绘制成折线图，这样就可以很容易地发现数据发现了哪些变化。
●案例 - 留存率●1. 使用群组分析方法，找到留存率低/高的组●2.分析为什么这个组留存率低/高，可以使用假设检验、相关分析等方法进一步研究●图●案例 - 金融逾期●风控提高后产品逾期率的变化，以便查看风控是否有效●注意●除了按时间分组，还可以根据具体的业务场景来确定。
●RFM分析方法 - 用户价值分类●概念●消费时间间隔 R (Recency）●对于最近1次消费时间间隔（R），上一次消费离得越近，也就是R的值越小，用户价值越高。
●消费频率 F （Frequency）●对于消费频率（F），购买频率越高，也就是F的值越大，用户价值越高。
●消费金额 M （Monetary）●对于消费金额（M），消费金额越高，也就是M的值越大，用户价值越高。
●通过这三个指标对用户分类的方法称为RFM方法●用户分类●作用●精细化运营，针对不同的用户实行不同的运营策略●RFM分析方法步骤●第1步：计算R、F、M的值。
●要得到R、F、M这3个指标，一般需要数据的3个字段：用户ID或者用户名称、消费时间、消费金额。
从这3个字段可以计算出R、F、M这3个指标●第2步：给R、F、M值按价值打分（图2-135）。
●注意这里是按指标的价值打分，不是按指标数值大小打分。
对于最近1次消费时间间隔（R），上一次消费离得越近，也就是R的值越小，用户价值越高。
●将R、F、M 3个指标分别按价值从小到大分为1～5分。
●第3步：计算价值平均值。
●分别计算出R值打分、F值打分、M值打分这3列的平均值●第4步：和用户分类规则表比较，得出用户分类●在表格里增加3列，分别用于记录R、F、M 3个值是高于平均值，还是低于平均值。
●如果一行里的R值打分大于平均值，就在R值高低列里记录为“高”，否则记录为“低”。
F值、M值也这样比较，最终得到了表2-20里的值。
●精细化运营策略●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。