内容目录
- 假设检验法（归因分析）
- 相关分析法
- FRM分析模型
- 漏斗分析模型
- 杜邦分析法（了解）
1 假设检验法
相信我们都看过不少破案片吧，主人公凭借超强的逻辑推理能力，根据犯罪现场留下的一些蛛丝马迹，先提出大胆假设，然后去搜集证据，最后成功捕获犯罪嫌疑人。
我本人胆子特别小，平常一个人从来不敢看稍微有点血腥的电影，因为害怕晚上做噩梦，但是为了试验假设检验法的真实效果，我逼着自己看了不少推理片，国外的国内的都有，说实话，看完蝴蝶效应，我那天晚上都不敢关灯，有些眼神和血腥场面在我脑子里一直挥之不去，我还害怕自己也有回到过去的能力，造成一系列不好的后果，哎呀，我也是想的太多了。但是慢慢看得多了，我也转变了自己的思维，把注意力集中在破案上了，跟着主人公的思路去推断到底是谁是凶手，从哪些细节去搜集证据，一步一步判断，证实推断，有时还会怀疑剧情的不合理之处，看来我也快成为破案高手啦（其实早着呢）。
转回正题
让我们来回顾一下《唐人街探案2》，一个喜剧与高科技手段破案的国产片（虽然其中有一些不符合逻辑，暂且不用管他），其中一个情节，秦风（刘浩然）判断那位女性的案发地点，大家都以为是在河边动的手，但是秦风根据水流速度和案发时间，大胆提出案发地点应该是在上游的居民区，但是居民区不宜动手，宋义则推测到了一个废弃的船厂，提出假设以后，他们去船厂搜集证据，果然发现了血迹，根据血迹方向判断出那位女性是自己爬进了水里，并发现了那个作案者留下的符号，证实了他们的假设，并向公安局提供了线索。
看得让人心生佩服，感叹这秦风不仅长的好看，还那么有才华，才上大一就有如此高深的推理能力。
那什么又是假设检验法呢？
针对某项问题，提出假设是这个原因造成的，然后搜集数据来证明自己的假设，最后得出结论，这种方法比较适合业务问题的分析，也叫归因分析。
假设检验法的流程是：
提出假设
搜集证据
得出结论
下面通过一个例子，我们来阐述假设检验法如何使用
某款商品销量上升了？分析一下原因
我滴妈呀，销量下降了需要分析原因，上升也需要啊？那是当然，只要数据出现异常都是要分析原因滴。
这时候，我们就在想影响销量的因素有哪些？
可以从产品 渠道 运营三方面的去大胆提出假设
也可以从4P营销理论去提出假设
我们先大胆提出假设，然后通过搜集证据，也就是找相关数据去证实，若证实成功，则代表假设成立，反之亦然。
总结：
假设检验法是针对某个问题，根据一些因素大胆提出自己的假设，然后通过搜集数据，去分析证明自己的假设，若成立，则可得出相应的结论，若不成立，则可排除该因素。
使用假设检验法，可以极大的提高我们的逻辑推理能力，主要用于归因分析。我们可以把每个问题当成需要攻克的案件，查到真凶才是真正目的（找到出现问题的根本原因），不断提出假设，不断去层层剖析。
假设检验分析法是一种分析思路，假设检验法往往需要配合其他分析方法联合使用，例如多维度拆解和对比分析。
2 相关分析法
当我们想要研究两种或两种以上的变量有什么关系的时候就会用到相关分析法
相关分析在工作中经常用于判断哪些因素是影响某种现象的主要原因，例如影响销售额的因素当中，通过相关分析来判断哪些因素产品的影响最大，如果时间有限，则可选择影响最大的那个因素进行深入分析，这样才能快速的发现问题。
那怎么进行相关分析呢？又如何判断两个变量存在相关关系呢？相关性有多大呢？
接下来就要讲一讲统计学上的相关系数了
两种变量是否存在相关，具体有多大的相关关系，在统计学上是用相关系数来衡量的
分为两类
正相关：一个变量的增长会引起另外一个变量的增长
负相关：一个变量的增长反而会引起另外一个变量的下降
相关系数r的取值范围[-1,1]
r = 1 代表完全正相关
r = -1 代表完全负相关
|r|>0.6 代表相关性很强
怎么计算呢？
我们可以通过Excel来进行，相关性一般是使用散点图来进行可视化
举个例子：
这是一组身高与体重的数据，我们想要知道二者之间是否存在相关关系
第一步：添加数据分析库
如果是第一次使用数据分析库，在功能区是不显示的，需要后台进行设置
文件--选项--加载项--转到--选择【分析工具库】
第二步：计算相关系数
结果如下：
从结果中，我们可以看出身高与体重呈现正相关，相关系数高达0.9，说明二者相关性很强，这也符合我们的常识，一般个子高的人体重会重一些，但这并不是绝对的，因为个子矮的比个子高重的现象肯定存在的。
工作中，当我们想证明某个数据对其他数据有影响时可以使用相关分析法来证实
例如：想要分析用户对于某款产品的价格敏感度，则要对价格和销量进行相关分析，如果价格下降会直接带来销售的上升，则说明二者呈负相关，通过相关系数可以来衡量相关性的强弱，但是前提是在保证其他影响销量因素不变的情况下，不然有可能会影响分析结果。
相关分析注意事项
如果A和B相关，有至少五种可能性：
- A导致B
- B导致A
- C导致A和B
- A和B互为因果
- 小样本引起的巧合
我们来看几组例子
1、睡眠时间越短的人，收入越高
2、青少年越喜好重金属音乐，越会沾染酗酒吸毒等恶习
3、游泳溺亡的人越多，雪糕卖的越好
以上的结论都是经过调查得出，有大量的数据可以证明。那我们可以肯定的说，是前者导致了
后者吗？如果你是在了解“相关”和“因果”两个概念之前看到的这组数据，你会很容易将前
者定义成后者的原因。
不幸的是，你掉入了“相关”的陷阱了
1、收入越高的人，往往会花大量的时间用在工作上，因此睡眠时间相对较少，但是并不是睡的少就能收入高，关键是你的时间都花在哪了，如果24时都在打游戏，不仅收入不高还可能带来严重的健康问题。
2、青少年越喜好重金属音乐，越会沾染酗酒吸毒等恶习这个案例可能会让人觉得无厘头，这两者之间能有什么关系？实际上这两者有很强的相关关系，喜好重金属音乐的青少年带有很强的逆反心理，他们标新立异个性张扬，渴望被人关注，恰好吸毒酗酒能够让他们看起来与众不同。
3、因为天气炎热，所有游泳的人会增多，从而溺水的人也会增多，而天气炎热，买雪糕的人也会增多
总结：
相关分析是判断两个或两个以上变量之间是否存在某种联系
在工作中，我们经常使用相关分析来判断产生某个问题的影响因素，利用相关系数的大小进行相关性强弱的判断，用客观的数字来呈现变量之间的关系，也不是凭经验，凭直觉。
但是要避免一个误区，相关关系并不一定是因果关系，因此在进行相关分析时除了看相关系数大小外，还要进一步验证，如果其他因素不变，该变量是否能够引起另外一个变量相应的变化。
3 RFM分析模型
RFM是3个指标的缩写，最近一次消费时间间隔（Recency），消费频率（Frequency），消费金额（Monetary）。通过这3个指标对用户分类。
- 近度（Recency，最近一次消费到当前的时间间隔）
- 频度（Frequency，最近一段时间内的消费次数）
- 额度（Monetory，最近一段时间内的消费金额）
由于不同用户对公司带来的收益差别很大，而且根据二八定律20%的做有价值用户能带来80%的收益，因此需要对用户进行价值评价，找到最有价值的用户群，并针对这部分用户进行差异化的营销。
R-Recency（最近一次购买时间间隔），R指用户上一次消费的时间到目前统计时间的间隔，上一次购物时间距今最近的顾客，通常在近期响应营销活动的可能性也最大，对于APP而言，很久没有购物行为可能意味着用户放弃了APP的使用，重新唤起用户也需要更多的成本。
F-Frequency（消费频次），F指用户在某段时间内的购物次数，消费频率越高意味着这部分用户对产品的满意度最高，用户粘性最好，忠诚度也最高。
M-Money（消费金额），M指用户在某段时间内的购物金额，这也是为公司带来价值的最直接体现，而消费金额较高的用户在用户总体中人数较少，却能创造出更多价值，是需要重点争取的对象。
那RFM分析模型到底是如何计算的呢？
举个简单例子，这是小王最近2个月的消费记录，假设今天是2020-3-30
R（最近一次购买时间间隔）：3月30 减去 3月20 等于10天
F（一段时间内的消费频次）：总共3条记录，则是3次
M（一段时间内的消费金额）：268+589+89 = 946元
这三个维度互相关联，反映了每个用户的现在价值和潜在价值，将每个维度分成5个区间进行评分，通过计算分数找到最有价值的用户，并对用户进行分类，可以有针对性的对不同类型用户采用不同的营销策略。
RFM分析模型如何应用于实际的工作中呢？
不同的公司设计的规则不太一样，我们介绍一种比较常规的做法
- 1.评分法
- 2.将所有用户的R、F、M平均值和总R、F、M平均值作比较,每次对比有两个结果:大于(等于)平均值和小于平均值,通过对比得到每个客户RFM的变动情况（2*2*2）共8个类型的结果：重要价值客户、重要发展客户、重要保持客户、重要挽留客户、一般价值客户、一般发展客户、一般保持客户，一般挽留客户。
这里先简单说一下计算方法，我们会在下次内容中，通过一个实际的案例来讲解
RFM模型为什么能成为客户价值管理里的“明星模型”？
客观 - 利用客观的数字尺度，对客户进行简明而翔实的高水平描述。
简单 - 只需要客户的消费时间和消费金额两个字段，业务人员就可以在不需要信息部门或复杂软件的情况下就能有效使用它。
直观 - 这种分割方法的输出很容易理解和解释。
RFM模型能够轻松地解答你业务上的这些问题
- 谁是我最好的客户？
- 哪些客户正处于流失的边缘？
- 谁有可能转化为更有利可图的客户？
- 谁是你不需要关注的无价值客户？
- 你必须保留哪些客户？
- 谁是你的忠实客户？
- 哪些客户最有可能对当前的营销动作做出回应？
总结：
RFM模型是目前衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的近期交易行为，交易频率以及交易金额这三项指标来描述该客户的价值状况，依据这三项指标划分8类客户类型，针对不同类型进行精准营销。
RFM分析计算方式没有统一标准，一般分成两大类，一类是以每类的总均值为标准进行计算，一类是人为划分不同等级进行打分，按照得分再进行用户分类。
需要注意的是：RFM分析模型根据不同的公司，不同的业务计算方式也不一定一致，因此不存在谁对谁错，选择合适的方式即可。
4 漏斗分析模型
百科给出的解释
营销漏斗模型指的是营销过程中，将非潜在客户逐步变为客户的转化量化模型。营销漏斗模型的价值在于量化了营销过程各个环节的效率，帮助找到薄弱环节。
漏斗分析模型是将一个总体按照一定顺序分解成不同的阶段，对于每个阶段的数据进行量化，根据计算的结果来分析发现问题。
简单来说，就是某事物的实现的一系列操作中，观察每个步骤的转化与流失。
拿电商来说，用户去某个网站购买商品，那需要经过几个步骤
如图：
那如何绘制漏斗分析模型呢？
我们采用测试数据，使用Excel进行操作演示
测试数据
第一步：添加辅助数据，目的是为了让要展示的数据居中，(500-100)/2 = 200
第二步：选择数据区域【环节+客户数+辅助数据】--添加图表--选择堆积条形图
第三步：选择纵坐标轴--设置坐标轴格式--坐标轴选项--点选逆序类别
第四步：右击图表--选择数据--把辅助数据放在客户数前面
第五步：选中辅助数据条形图，填充更改为无填充
详细操作步骤
效果图
总结：
漏斗分析模型是将一个总体按照一定顺序分解成不同的阶段，对于每个阶段的数据进行量化，根据计算的结果来分析发现问题，常用于电商分析用户购物行为转化率的分析。
下面介绍一下AARRR分析模型进行知识扩展（以APP分析为例）
AARRR模型是国外肖恩在他的书《增长黑客—如何低成本实现爆发式成长》提出的，这个模型不仅适用于互联网行业，它也可以应用到面向大众消费者的各个行业中，帮助业务成长。
第一环节是获取用户（Acquisition ）：用户如何找到我们？
第二环节是激活用户（Activation）：用户的首次体验如何？
第三个环节是提高留存（Retention）：用户会回来吗？
第四个环节是增加收入（Revenue ）：如何赚到更多钱？
第五个环节推荐（Refer病毒式营销）： 用户会告诉其他人吗？
这五个环节任何一个环节都是可以在产品当中加强。
Acquisition：对于获取用户我们需要关注渠道曝光量，渠道转换率，日新增用户数，日应用下载量，获客成本。
Activation：在电商平台中每一层action都很容易导致客户的流失，所以我们需要关注日活，活跃率（活跃用户占比），PV，UV.
Retention:关注留存率如次日留存、第三日留存、第七日留存、第三十日留存，Facebook有一个40-20-10的法则，新用户次日留存在40，七日留存在20，30日留存在10，这个表现是比较好的。
Revenue: 怎么赚钱，我们就需要考虑客单价、PUR付费用户占比、ARPPU某段时间内付费用户平均收入、生命周期价值（平均一个用户首次和最后登录之间创造的收入）、复购率、销售额（用户数转换率客单价*购买频率）
Refer: 这个其实就是要提高产品的质量了，关注转发率、转化率、广告转化率、K因子（发出邀请人数*转换率，k>1表现好）
（1）Acquisition 获取用户
渠道——产品匹配是说产品投放在什么渠道才能直达用户的视线范围。
渠道可以分为三类，一种是口碑渠道，适合病毒营销；一种是有机渠道，适合搜索引擎优化（SEO）、内容营销，比如搜索引擎优化可以提高自己网站在搜索引擎搜索结果页面的排名；还有一种是付费渠道，有哪些付费渠道呢？
1）展示位广告
在网站或手机 App 的顶部、App 的开屏广告位等。开屏广告，就是当用户打开手机 App 时，会有几秒的广告时间，比如微博、知乎打开会先给你展示一个开屏广告。
这种类型的广告通常是按展示次数付费（CPM，Cost Per Mille），也就是有多少人看到了该广告。
2）搜索广告
比如搜索引擎（谷歌、百度等）的关键字搜索，电商搜索广告比如淘宝直通车等。广告主为某一个搜索关键词出价，用户看到的搜索结果是按广告主出价的高低来排名的。
这种类型的广告是按点击次数付费（CPC，Cost Per Click），也就是有多少人点击了该广告。
3）信息流广告
比如微博、今日头条、知乎、朋友圈（信息流）里的广告。这种广告是根据用户的兴趣爱好来推荐广告的。这种类型的广告是按点击次数付费（CPC）或者按投放的实际效果付费（CPA，Cost Per Action）。
按投放的实际效果付费（CPA，Cost Per Action）包括：
CPD（Cost Per Download）：按 App 的下载数计费； CPI（Cost Per Install）：按激活 App 的数量计费； CPS（Cost Per Sales）：按完成购买的用户数或者销售额来计费。
在将产品投放去哪个渠道的时候，要清楚你的目标用户是谁，目标用户在哪。如果你是一款为企业服务的软件，在娱乐网站打广告就非常不合适。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。
案例：keep
创立四年的健身软件Keep，2018年用户数已经超过了1.3亿。Keep在从0到1的阶段是如何获取用户的呢？
创始人王宁发现很多社交媒体都是运动爱好者、减肥者的聚集地，于是他和团队进到这些社群里，以优质、原创内容作为种子。
王宁认为“内容即产品、内容即流量、内容即用户，要把内容做得足够扎实、足够好、足够广”，让用户从社交媒体的角度了解Keep。
等产品上线后，再告诉用户，这些好内容都在一款app上聚合了，大家可以来看也能跟着这些内容训练。Keep的第一波用户完全是靠内容沉淀下来的，此后这些用户又去通过口碑传播给更多人。
王宁给这个行为起了一个名字叫“埋雷计划”，就是先要付出一些东西，再慢慢收获一些东西。不过，使用“埋雷计划”时需要搞清楚自己的用户在哪里，再去深耕他们真正的需求，然后让这些用户开始喜欢你，愿意去感受你。
Keep从上线到用户破百万用了105天，在第921天的时候，用户数破亿。王宁说，第一个100万用的可能时间会很长，但是第一个一个亿就会很快的速度，不到三年的时间。
在获取用户阶段，我们希望让更多潜在用户关注到我们的产品，通过以下基础途径来曝光我们的推广页面：①付费获取：媒体广告、SMS、EDM、流量交易/置换；②搜索营销：搜索引擎优化（SEO），搜索引擎营销（SEM）；③口碑传播：用户间邀请活动，病毒 H5 传播等。
用户访问页面后，可以通过导航、主动搜索、算法推荐来了解到我们的产品。切中当下需求的用户会进行注册行为，算是和用户真正意义上第一次会面。这时就要重点关注推广页 UV，点击率，注册量，注册率，获客成本等重要指标。
第一环节获取用户：需要关注哪些指标？
渠道曝光量：有多少人看到产品推广的线索
渠道转换率：有多少用户因为曝光转换成用户
日新增用户数：每天新增用户是多少
日应用下载量：每天有多少用户下载了产品
获客成本（CAC）：获取一个客户所花费的成本
（2）Activation 激发活跃
二、第二环节激活用户：用户的首次体验如何？
很多手机应用，注册用户不少，但是打开率不高。你要做的是激活他们，让他们真正地使用产品。
想唤醒休眠用户，就得先摸清楚产品的“啊哈时刻”（Aha moment）。什么叫“啊哈时刻”呢？
说白了就是让用户感受到产品亮点情不自禁地发出赞叹的时刻，它对应的就是打动用户的产品亮点。比如网易云音乐，在众多音乐软件中突围的亮点就是评论，用户打开软件，可能第一件事不是听歌，而是看评论，心里面会有一些赞叹。要想激活用户，得绘制一幅通往“啊哈时刻”的路线图。比如你负责的产品是个购物软件，在新用户体验到啊哈时刻之前，必须要完成下面这些步骤：下载app，找到所需商品，放入购物车，创建账户，输入姓名，加入信用卡和配送信息，然后点击购买。
在这一系列动作中，到底用户停留在了哪一步？是搜不到要的东西，还是创建账户太麻烦，或者是页面设置不合理？你要计算每个节点用户的流失率，来相应地提高产品性能，改善用户体验。
比如下面的某淘宝店铺，用户购物过程中每个节点的流失率。
很多人不知道自己app或者网站因为响应时长，因为不人性化的按钮设计，流失了多少人。
第二环节激活用户：需要关注哪些指标？
日活跃用户数(简称日活)：一天之内，登录或使用了某个产品的用户数。比如一天内打开我微信公众号的人数。类似的还有周活跃用户数，月活跃用户数。
活跃率（活跃用户占比）：某一时间段内活跃用户在总用户量的占比。根据时间可分为日活跃率（DAU）、周活跃率（WAU）、月活跃率（MAU）等。
如果是网页端的产品，还有两个指标来衡量网页端活跃。
PV（PageView）是页面浏览量，用户每打开一个网页可以看作一个PV，用户看了十个网页，则PV为10。
UV（Unique Visitor，独立访客数）是一定时间内访问网页的人数。在同一天内，不管用户访问了多少网页，他都只算一个独立访客。怎么确认用户是不是同一个人呢？技术上通过网页缓存cookie或者IP判断。如果这两者改变了，则用户算作全新的访客。
用户注册后是否有进一步了解我们的产品？这其中涉及到产品的功能，设计，文案，激励，可信等等。我们需要不断调优，引导用户进行下一步行为，让新用户成为长期的活跃用户：
我们可以通过界面/文案优化，新手引导，优惠激励等手段， 进行用户激活流程的转化提升。监控浏览商品页面，加入购物车，提交订单，完成订单的漏斗转化。
这个过程中，我们要重点关注活跃度，若定义加入购物车为活跃用户，那么就要观察注册至加入购物车漏斗转化率，按维度拆分，分析优质转化漏斗的共有特征/运营策略，提升策略覆盖率，优化整体转化效果。
（3）Retention 提高留存
在第二个环节用户终于被激活唤醒了，这时候你的任务就变成了如何让用户变成回头客。留存的核心目标是让用户养成使用习惯。在这个阶段，你要明白习惯是如何形成的。
1.经典案例
案例1：亚马逊会员服务
亚马逊的会员服务在刚推出时，许多分析人士都说这个计划必定会失败，因为美国的配送成本是很高的，而99美元的会员服务给会员免费配送一年，亚马逊肯定会亏。但亚马逊的真正目标是改变人们的习惯，让他们在购物中习惯会员优惠价格，习惯免运费，从而不再去其他家买东西，从而提高用户留存。
案例2：蚂蚁森林游戏
蚂蚁森林是阿里巴巴推出的是一款养成类的小游戏，在支付宝里就可以打开看到。截至到2018年5月份，蚂蚁森林已经累计了3.5亿用户，成功拉升了支付宝一直渴望的用户活跃度。
用户激活蚂蚁森林的账号后，她的一部分日常行为，例如“乘地铁”、“走路”、“在线购买电影票”等都会被视为减排行为，然后，这些行为会被换算成一定的能量，显示在个人的主页面上，用户只要点击屏幕上的能量，就可以收取。
用户可以到其他用户的页面上去偷取对方的能量。当能量累计到一定程度，就可以申请种一棵树。蚂蚁金服会为用户发放一个带有特定编号的证书，并且真的在现实中种一棵树。同时，政府还会给你发放一个植树的证书。
蚂蚁森林累计种植真树超过1000万棵。如果我们按照种一棵树，需要用户在线上持续使用蚂蚁森林2个月（事实上实际需要的时间会超过2个月），这很好的增加了用户的粘性，提高了留存。
2.第三环节留存用户：需要关注哪些指标？
次日留存率：（当天新增的用户中，在第2天使用过产品的用户数）/第一天新增总用户数
第3日留存率：（第一天新增用户中，在第3天使用过产品的用户数）/第一天新增总用户数
第7日留存率：（第一天新增的用户中，在第7天使用过产品的用户数）/第一天新增总用户数
第30日留存率：（第一天新增的用户中，在第30天使用过产品的用户数）/第一天新增总用户数
用户完成初次购买流程后，是否会继续使用？流失的用户能否继续回来使用我们的产品？
产品缺乏粘性会导致用户的快速流失，我们可以通过搭建生命周期节点营销计划，通过 push、短信、订阅号、邮件、客服跟进等一切适合的方式去提醒用户持续使用我们的产品。并且在此基础上通过积分/等级体系，培养用户忠诚度，提升用户粘性。
重点关注留存率，复购率，人均购买次数，召回率等指标。
（4）Revenue 增加收入
第四个环节是增加收入：如何赚到更多钱？
完成了上面所有的步骤，终于来到最有挑战性的一关，那就是如何从用户身上获得真正的收益。比如让用户续订、创造更多的广告位等等。
虽然商业模式不同，变现的方式不同，但是有一个概念需要重视，那就是夹点（pinch point），它指的是损失潜在收益的地方。
对于电商企业来说，用户从挑选商品到完成购买之间是一个危险区，很多人中途会放弃购买。要评估这些常见夹点，分析用户在这些点放弃的原因。
2.第四环节增加收入：需要关注哪些指标？
这里我们要注意“用户”和“付费用户”的区分，这也将影响收入的计算。（下面提到的“用户”，如果没有特别说明是“付费用户”，那么就是值全部用户（包括付费用户和非付费用户））
客单价：每位用户平均购买商品的金额。客单价=销售总额/顾客总数
PUR(Pay User Rate)：付费用户占比
ARPPU(Average Revenue Per Paying User)：某段时间内，付费用户的平均收入（不包括未付费的用户）。ARPPU=总收入/付费用户数
生命周期价值(LTV，Lift Time Value)：，即平均一个用户在首次登录游戏到最后一次登录游戏内，为该游戏创造的收入总计。常用于游戏行业。
复购率：一定时间内，消费两次以上的用户数 / 总购买用户数。比如有10个用户购买了产品，5个用户产生了重复购买，则重复购买率=5个重复购买用户数 / 10（总购买用户数=50%
销售额=用户数转化率客单价*购买频率
（购买频率是指消费者或用户在一定时期内购买某种或某类商品的次数。）
我们获得每位用户平均需要花费多少钱？每位用户平均能为我们贡献多少价值，能是否从用户的行为，甚至其他方式赚到钱？
电商业务的基础要关注获客成本CAC，顾客终身价值，在此基础上通过运营活动激励用户进行购买，提升用户单价、频次、频率，最终提升用户生命周期贡献价值。
重点关注获客成本，顾客终身价值，营销活动ROI等指标。
（5）Referral 病毒传播
五、第五个环节推荐： 用户会告诉其他人吗？
前面的4个环节做完，就到了第5个环节推荐，也叫病毒式营销。
美国作家 马尔科姆·格拉德威尔 的书《引爆点》(The Tipping Point)中用流行病类比流行，提出了这样一个观点，引爆一种流行病不只有一种途径，流行病爆发需要三个条件：
1、传染物本身
2、传染物发挥作用所需的环境
3、人们传播传染物的行为
- 传染物本身
传染物本身是说要对自己的产品有足够的了解。试着问自己一个问题：我的产品是否真正解决了用户的痛点？
如果你是写文章的，就要考虑你的文章能为用户带来哪些真正的价值。如果你是做餐饮的，你的菜品是否真的为用户所喜欢。
- 传染物发挥作用所需的环境
也就是你的用户在哪里？对应我们前面讲的AARRR模型第一关环节（获取用户）。要去思考使用你产品的刚需用户经常在哪些环境（社区，大学等等渠道）中出现。
- 人们传播传染物的行为
在对自己的产品有了深刻洞察，同时找到你的目标人群后，还要考虑到人们会因为什么目的去分享你的产品，让更多的人看到你的产品。这个条件对应的就是AARRR模型第五个环节（推荐，病毒式营销）。
2.第五环节推荐：需要关注哪些指标？
转发率：某功能中，转发用户数 / 看到该功能的用户数。比如我的微信公众号（猴子聊人物）推送一篇文章给3万用户，转发这篇文章的用户数是3000，那么转发率=3000（转发这篇文章的用户数） / 3万（看到这篇文章的用户数）=10 %
转化率：计算方法与具体业务场景有关。我们举几个栗子。
比如淘宝转化率=某段时间内产生购买行为的客户人数 / 所有到达店铺的访客人数，假如双11当天，有100个用户看到了你店铺的推广信息，被吸引进入店铺，最后有10个人购买了店铺里的东西，那么转化率=10（产生购买行为的客户人数） /100（ 所有到达店铺的访客人数）=10%
广告转化率=点击广告进入推广网站的人数 / 看到广告的人数，比如我们经常使用百度，搜索结果里会有广告，如果有100个人看到了广告，其中有10个人点击广告进入推广网站，那么转化率=10（点击广告进入推广网站的人数） / 100（看到广告的人数）=10%
K因子(K-factor)：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= (每个用户向他的朋友们发出的邀请的数量) * (接收到邀请的人转化为新用户的转化率)。
假设平均每个用户会向20个朋友发出邀请，而平均的转化率为10%的话，K =20*10%=2。这个结果还算是不错的效果。
当K›1时，用户群就会象滚雪球一样增大。如果K‹1的话，那么用户群到某个规模时就会停止通过自传播增长。
用户是否会自发的推广我们的产品？通过激励是否能让更多的忠诚用户推广我们的产品？
在社交网络高度发达的今天，我们可以通过各种新奇的方式去进行产品传播：用户邀请的老带新活动，垂直领域的社群运营，H5营销传播，让老用户推广我们的产品，吸引更多的潜在用户。
重点关注邀请发起人数，每个病毒传播周期的新用户量，邀请转化率，传播系数等。
五、总结
我们已经知道，数据分析的用意不在于数据本身，而是要打造一个数据反馈闭环。
在为一个App做数据服务的时候，我们希望通过设计基础数据指标，多维度交叉分析不同指标，以数据甄别问题，再反向作用产品，最终形成数据驱动产品设计的闭环。
事实上，App数据分析并没有那么神圣，一般常用的数据指标也都不难掌握。关键是数据指标的设计要基于两点事实：①商业模式和业务背景；②数据分析动机和目的。
企业在做指标或者定期分析数据的时候，只要定期的关注那些能影响公司核心业务的指标，以此来做快速的业务表现判断，能极大地提高效率，快速发现问题
5 杜邦分析法（了解）
将各种财务指标综合在一起来评价公司财务管理效果，通常用于公司财务方面的分析。
1）公司业务是否赚钱？（销售净利率）
2）公司资产运营效率如何？（总资产周转率）
3）公司债务负担有没有风险？（权益乘数）
净资产收益率=销售净利率 X 总资产周转率 X 权益乘数
举个例子
假如你想开一个馅饼店，自己出资50万，找小王借了50万，馅饼店总资产100万。
1）销售净利润：净利润/销售额
2）总资产周转率：销售额/总资产
3）权益乘数：总资产/净资产（自己出的钱）
1）销售净利率：公司业务是否赚钱？
销售净利率=净利润/销售额，衡量公司业务是否赚钱。
你的馅饼店第一个月销售额是10万，刨除各种房租、人工等成本后净利润是2万，那么销售净利润=2/10=20%。也就是每卖出100块钱的馅饼，你能赚20块钱。
2）总资产周转率：公司资产运营效率如何？
资产周转率=销售额/总资产，衡量公司资产运营效率如何。
你的馅饼店总资产是100万，第一个月的销售额是10万，那么资产周转率=10/100=10%。
3）权益乘数：公司债务负担有没有风险？
权益乘数=总资产/净资产，也叫做杠杆率，衡量公司负债经营的情况。
你的馅饼店总资产是100万，自己出资50万（净资产），那么你的馅饼店的权益乘数=100/50=2。
现在所有的数据都收集到了，我们来看看杜邦分析公式：
净资产收益率=销售净利率X资产周转率X权益乘数
所以，你的净资产收益率=20%X10%X2=4%
这就是杜邦分析方法的威力，从下面三个不同的角度来审视企业的财务状况：
1）销售净利率：公司业务有没有盈利？
2）总资产周转率：公司资产使用效率如何？
3）权益乘数：公司债务负担有没有风险？
6 数据分析常见谬误
控制变量谬误：在做 A/B 测试时没有控制好变量，导致测试结果不能反映实验结果。或者在进行数据对比时，两个指标没有可比性。
样本谬误：在做抽样分析时，选取的样本不够随机或不够有代表性。举例来讲，互联网圈的人会发现身边的人几乎不用「今日头条」，为什么这 APP 还能有这么大浏览量？
定义谬误：在看某些报告或者公开数据时，经常会有人鱼目混珠。「网站访问量过亿」，是指的访问用户数还是访问页面数？
比率谬误：比率型或比例型的指标出现的谬误以至于可以单独拎出来将。一个是每次谈论此类型指标时，都需要明确分子和分母是什么。
因果相关谬误：会误把相关当因果，忽略中介变量。比如，有人发现雪糕的销量和河溪溺死的儿童数量呈明显相关，就下令削减雪糕销量。其实可能只是因为这两者都是发生在天气炎热的夏天。
辛普森悖论：简单来说，就是在两个相差较多的分组数据相加时，在分组比较中都占优势的一方，会在总评中反而是失势的一方。