本文是《数据蛙三个月强化课》的第三篇总结教程，如果想要了解数据蛙社群，可以阅读给DataFrog社群同学的学习建议。温馨提示：如果您已经熟悉数据分析指标,大可不必再看这篇文章，或是只挑选部分文章
金三银四，找工作好时机要到了，数据蛙第一期强化课同学已经把数据分析的工具Python、SQL学习过了，并且也做过了一个案例，现在正准备磨拳擦掌投简历了。但是我想先不要着急，大家的业务知识还要储备一些，如果只是大概看下数据分析的指标这是万万不可以的，到时面试官问你一项运营活动带来的效果，我们只能罗列几个不是太相关的指标的话肯定要挂掉的。所以，要想灵活的运用分析指标，我们要结合着运营业务知识来一起看看。
我们知道其实在互联网中，所有的运营最终结果都是会落到人这个方面上，说白了就是所有的运营能不能带来用户的购买、持续购买、多频、大金额的购买之类的，所以来说用户的运营一直是放在重要的位置上，我们先来看一张用户运营的一张图，紧接着看看每一环节的数据分析指标。
用户运营流程
用户运营:是指，以网站或者产品的活跃、留存、付费为目标，依据客户的需求，制定运营方案。用户运营的核心是开源、节流（减少流失）、维持（促进活跃以及提高留存）、刺激（转化付费）
假设我们团队这边有一款课程APP（数据蛙DataFrog），那我们就来通过这款产品梳理用户运营业务，刨析数据分析指标。
一：开源
我们有了数据蛙APP之后，首先想的应该就是让他们下载注册了。所以运营的小伙伴就会想出推出多种多样的注册渠道来让用户完成更多的注册。那我们数据分析师怎么衡量每个渠道上的效果呢？数据分析师会选择那些对比的指标呢？
a.首先看渠道上的曝光量（比如点击了推广的链接），这个说明了渠道的上流量池的大小;
b.紧接着是下载转化率、注册转化率、购买转化率，支付成功率这些就是在说明这些渠道上用户的匹配度和**用户的质量情况如何
*c.* 以及 渠道投资回报比 : 利润\投资 x 100%。说明了渠道的单位投资下带来的利润。
说明下我们选择指标的时候要优先选择比率的指标，想想如果只看两个渠道，A、B两个渠道上的下载人数，A渠道有800人下载，B渠道是1200人下载，但是A渠道来的800人有400人完成了付费，B的1200人有300完成了付费，我们仅仅通过下载人数反应不出问题，但是过付费占下载人数比，明显看出P(A)=0.5 >P(B)=0.25，A渠道的用户质量更高一些。
二：节流
这里的节流意思是保持用户规模，比如我们通过推广让很多同学下载并注册了我们的数据蛙课程APP（数据蛙DataFrog），虽然注册了，但是他们也会有流失可能性的，其实一般离开APP的同学也大多是沉默用户数量
1：首先我们要先定义好关于流失的三个问题
研究对象是谁：
是登录用户、注册用户，还是全部用户的流失率？
流失周期为何：
是次日流失率、7日流失率还是月流失率？
如何定义流失：
1个月没有访问的用户？2个月没有下单/消费的用户？还是3个月没有登录的用户？
其实关于流失用户不少的定义标准，但是我们发现对流失比较经典的定义是“一段时间内未进行关键行为的用户”，关键点在于如何界定时间周期（流失周期）和关键行为（流失行为）。现在选择较多的是用户的主动回访行为，那周期呢？
流失周期过短，流失预测的准确率低，因为定义为流失的用户中有大量实际留存的用户，只是其使用间隔长而已（比如以1周没登录就算流失，但实际上很多留存用户2~3周才登录一次，也被划分成流失用户）；同时周期过短，定义为留存的用户实际上后来也会流失。
周期是根据的用户回访率拐点的时间点来确定的（用户回访率 = 回访用户数 ÷ 流失用户数 × 100%）
2： 建立流失预警机制
一旦定义好了用户是流失的标准了，我们数据分析师要做的是什么呢？
对于我们来说，重要的是，找到那些即将流失的同学，然后通过做活动或者修改现有的产品(比如数据蛙课程APP上线新的课程内容)来满足他们原来没有被满足的需求
其实这里为了识别出可能流失的用户，我们会引入机器学习的模型来作为研究，比如我们使用二元逻辑回归模型来作为研究，在模型中，我们将一段时间内用户的一系列行为特征数据（如在线天数、充值金额、积分等级、点击次数……），代入二元逻辑回归方程中，就可以计算出相应的流失概率。
其实这里我们也能够明白，数据分析工作者和数据挖掘工作者的内容并没有差多少的。
3：对已经流逝的用户进行挽回
用户如果已经流失了，运营的同学就该尝试通过活动让他们回到网站或者产品中，然后数据分析伙伴又要开始分析活动运营的效果了
三：促活跃
主要是指提升用户使用网站或者产品的频次，通常落脚点在用户留存和用户活跃率上，因此促进活跃的工作是：
1：定义用户留存与用户活跃的标准
活跃用户： 比如，每天只有登录两次及以上才算活跃或者30天内每天登录才算活跃。实际上，可能需要针对不同应用，不同的目的来定义活跃。
用户留存：，简单来讲是过了一段时间仍存在的活跃用户
2：提升用户留存率
运营的同学肯定会想办法提升用户的留存率，对我们数据分析人员要想办法来监控产品对我们用户带来的影响，主要有次日留存、周留存、月留存这三个。
次日留存： 用户过来的第二天留存情况，因为都是新用户，所以结合产品的新手引导设计和新用户转化路径来分析用户的流失原因，通过不断的修改和调整来降低用户流失，提升次日留存率，一般情况下这个数字如果达到了40%就表示产品非常优秀了。
周留存： 在这个时间段里，用户通常会经历一个完整的使用和体验周期，如果在这个阶段用户能够留下来，就有可能成为忠诚度较高的用户。
月留存： 通常移动APP的迭代周期为2-4周一个版本，所以月留存是能够反映出一个版本的用户留存情况，一个版本的更新，总是会或多或少的影响用户的体验，所以通过比较月留存率能够判断出每个版本更新是否对用户有影响。
3：提升用户活跃度（用户行为、产品使用频次）
活跃率是指活跃用户/总用户，通过这个比值可以了解你的用户的整体活跃度，但随着时间周期的加长，用户活跃率总是在逐渐下降的，所以经过一个长生命周期（3个月或半年）的沉淀，用户的活跃率还能稳定保持到5%-10%，则是一个非常好的用户活跃的表现。
4：通过图表清晰展示留存
通过图标展示，这样我们就知道某个月新注册的用户在接下来的第一个月的留存情况怎么样，在第二个月里的活跃和留存情况如何。
其次，也可以对比不同渠道的来看，比如，选取样本的时候，我们就看A和B渠道进来的用户有什么区别:
果就是A渠道用户的质量要比B渠道好很多。
再次，我们也可以看产品的改版是否改进了体验，那就成了这样：
果真产品的改版改进了体验的
四：转付费
其实转付费这块对于运营的同学来说，就是让用户实现高频率、大金额的持续购买，并且还要重复购买
1：通过一系列的行为让为付费的活跃用户付费
活跃向付费的转化是盈利方式为用户付费的网站或者产品的重要工作内容
2 ：通过机制让已经付费的用户持续付费
已经付费了得用户，意味着对网站或者产品有极高的依赖，运营小伙伴会肯定不会让这些用户给流失掉，会通过活动运营，比如老顾客购买数据蛙课程，只要8折之类的，以及内容运营，让付费同学进行二次、三次甚至持续的付费。
3.对于我们数据分析师来说要主要关注哪些指标呢
a.复购率
复购率是一段时间内多次消费的用户占总消费用户数的比。有例如4月有1000位用户消费，其中500位消费了两次以上，则复购率是50%。
b.回购率
回购率是一段时间内消费过的用户，在下一段时间内仍旧消费的占比。例如4月的消费用户数1000，其中600位在5月继续消费，则回购率为60%。
c.客单价
每一位用户平均购买商品的金额。销售总额／顾客总数
d.RFM模型衡量客户价值
用户生命周期中，衡量客户价值的立方体模型。利用R最近一次消费时间，M总消费金额，F消费频次，将用户划分成多个群体。
最近一次消费R(Recency)
客户最近一次的购买时间是什么时候。最近一次消费时间越近的顾客是最有可能对提供的商品或是服务也最有反应的群体。
如果显示上一次购买很近的客户，(消费为1个月)人数如增加，则表示该公司是个稳健成长的公司；反之则是迈向不健全之路的征兆。
要吸引一个几个月前才上门的顾客购买，比吸引一个一年多以前来过的顾客要容易得多。
消费频率(Frequency)
客户在限定的期间内所购买的次数。最常购买的顾客，也是满意度最高的顾客。
如果相信品牌及商店忠诚度的话，最常购买的消费者，忠诚度也就最高。增加顾客购买的次数意味着从竞争对手处偷取市场占有率，由别人的手中赚取营业额。
消费金额(Monetary)
客户的购买金额（可分为累积购买及平均每次购买）
消费金额是所有数据库报告的支柱，也可以验证“帕雷托法则”(Pareto’s Law)——公司80%的收入来自20%的顾客。
老客户召回策略——RFM模型及应用 “↑”表示大于均值，“↓”表示小于均值
因为有三个变量，所以要使用三维坐标系进行展示，X轴表示Recency，Y 轴表示Frequency，Z轴表示Monetary，坐标系的8个象限分别表示8类用户，根据上表中的分类，可以用如下图形进行描述：
老客户召回策略——RFM模型及应用 以上就是关于RFM模型的一个大致的框架介绍。接下来我们谈谈如何运用这个模型对实际工作的老客户做一个分类。
参考文章
1:如何支持用户运营，搭建流失预警模型
2:如何来分析活跃用户和留存用户?
3:从零开始做运营--张亮
4:老客户召回策略——RFM模型及应用