本文目录一览：
- 1、指标体系与构建
- 2、产品运营如何做好数据挖掘与分析
- 3、智能车时代，黑客是否能通过网络入侵并控制智能化的汽车？
- 4、什么是增长黑客？
- 5、为什么要做数据分析师：职业规划很重要
- 6、如何从0开始搭建用户增长体系？
指标体系与构建
✓ 描述现状(当前业务状态)
✓ 发现问题(定位业务问题)
✓ 预测未来(业务发展趋势)
✓ 决策调整(业务调整方向)
1. 业务调研：理解业务需求，与其他部门沟通，明确核心需求。
2. 数据指标：明确核心指标，整理辅助指标，构建模型计算指标。
3. 数据采集：埋点设计，业务与行为数据，数据存储方式。
4. 指标统计：规范统计逻辑，明确数据接口，指标计算。
5. 业务应用：数据可视化，找到业务中问题，制定解决方案。
1. 选取主要事件：根据业务选取1个或者多个事件
2. 明确事件定义：每个事件的触发机制及每个事件的构成
3. 指定业务指标：包括核心指标，辅助指标，模型指标。
4. 明确数据：提出数据需求，明确埋点设计。
5. 构建指标体系：提取并数据整理，计算数据指标。
需求:战略指标会随着产品周期变化而变化
一级指标:项目负责人关心的指标
二级指标:业务负责人，产品经理关心的指标
三级指标:实际人对业务数据指标进行拆解实施
• 北极星指标(North Star Metric):唯一关键指标，产品现阶段最关键的指标
• 北极星指标特点:
1. 方向:公司制定的发展目标，是增长黑客中重要的运营部分，引领目标，指导增长;
2. 优先级:明确核心工作，合理安排任务优先级;
3. 变化:公司发展不同阶段，北极星指标需要调整;
4. 指标:北极星指标可以被量化，拆解，监测;通过细分构建增长模型，并分配到各个部门。
• 北极星指标制定流程:
→ 评估增长的可能性 → 判断增长重点 → 商业模式与用户价值 → 找到相关指标 → 确认核心指标 → 构建增长模型
AARRR模型:转化漏斗模型，用户增长到创收可循环模型
• 自传播:口碑传播或者病毒式传播，重要指标为K因子;
• K因子:K=(每个用户发出邀请的数量)×(接收到邀请的人转化为新用户的转化率)。
人货场关键点: 「什么人」在什么「场景」下「买」了什么「商品」
• 数据指标体系建设:明确业务目标，梳理用户生命周期与行为路径，指标分层治理，
• OSM( Objective, Strategy, Measure )模型:数据服务于业务
• UJM (User-journey-map):用户旅程地图模型;、
1. 了解产品：公司产品形态（手机应用，小程序，网站页面等）；
2. 熟悉业务：核心业务，用户行为，确认核心指标；
3. 埋点设计：业务逻辑功能拆分，与开发沟通，确认事件统计；
4. 测试验证：开发添加事件，数据采集，数据验证；
5. 迭代开发：数据指标统计，埋点复盘，埋点事件细化。
产品运营如何做好数据挖掘与分析
对于产品和运营避免不了要和数据打交道，在打交道的同时如何让数据为产品和运营服务呢？从数据的变化中发现产品的问题，让数据说话，准确的汇报产品和运营的各维度指标的。那就需要通过一些维度来定义产品、运营数据。对于产品和数据分析一般思路可以归集为：了解产品现状的数据、了解发展趋势的数据呈现、发现问题的数据记录、认清用户对产品的使用情况的数据、营销和推广数据。数据分析的维度科划分为：产品现状、了解趋势、发现问题、认清用户、营销与推广。
对于着几个大维度，又回需要不同小维度的划分。产品现状维度会记录数据的来源、PV、UV、人数、次数、收入、用户属性、活跃度。通过这些数据来考量产品的现状。了解趋势的数据，环比、同比、流动模型、增长率、留存率、流失率。发现问题的收集：漏洞模型、问卷调查。认清用户偏好的数据：功能模块使用（数据埋点）、以及热度分析。运营推广的数据：精准化投放、用户生命周期的管理、拉新、留存等。
智能车时代，黑客是否能通过网络入侵并控制智能化的汽车？
相信很多车主都有一个这样的疑问：如果有一天，恶意的黑客恶意的入侵了汽车系统，让汽车失去控制怎么办？车联网的智能车是否足够安全呢?
很多人不知道车联网带来的便利，与之形成鲜明对比的是，更多的人对车联网所遭遇的安全问题一无所知。
6月21日，工信部发布《关于车联网网络安全标准体系建设的指导意见》，向社会公开征求意见。该文件包括了车联网网络安全标准体系的框架、重点标准化领域和方向。
工信部为何继续关注车联网？车联网的未来是怎样的？车联网的概念可以追溯到20年前。早在1996年，通用汽车公司(General Motors)就率先推出了搭载OnStar系统的联网汽车。车联网顾名思义，就是将智能汽车、行人、智能道路、指标连接在一起，实现智能出行的目的。
《证券日报》做过相关统计，在2019年，黑客通过入侵共享汽车的APP、改写程序和数据的方式，成功盗走的车辆多达100多辆，其中包括奔驰CLA、CLA小型SUV、Smartfortwo微型车等。在过去的5年里，针对智能汽车的攻击次数呈指数级增长，高达20倍，其中27.6%的攻击与车辆控制有关，这是一个重大的安全问题。
Upstream Security发布了2021年《汽车网络安全报告》，该报告衡量了2016年至2021年9月期间汽车网络安全事故的数量。报告发现，事故数量增加了6倍多。黑客给无数汽车网络行业带来损失，但在智能化的大趋势下，汽车不会因为黑客的存在和网络发展的停滞，本质、启明星、深信、绿色unita、arnhem、天信信息互联网络安全公司也参与了汽车产业链、产业安全防御体系的布局。
总的来说，黑客是可以通过网络入侵车联网的，但受于国家政策法规的限制，即使智能车存在漏洞黑客也不敢随意加以利用，目前智能车的安全性需要智能车相关领域的大多数汽车企业和供应商的关注和共同探索，使得智能车给我们生活带来的便利的同时不会受到黑客攻击的影响。
什么是增长黑客？
增长黑客的概念起源于硅谷企业家Sean Ellis，是介于技术和市场之间的一个新角色。它主要依靠技术和数据的力量来实现营销目标，而不是通过砸钱来获得用户的传统手段。这一概念引入中国后，“用户增长”成为其知名度的核心。在早期的成长圈中，企业使用的成长手段包括但不限于渠道投放、任务体系、线下活动、优化路径等，行业内曾有一个不成文的规定，不管怎样，只要能带动成长，就去做。
增长的概念在初创企业中很常见。它的手段与营销团队的手段相似，常常混淆。以“成长型产品经理”为例。产品经理主要负责产品开发，以提出用户需求和解决问题为导向；营销团队负责新用户数量和用户参与度；而成长型产品经理处于产品与市场之间，目标是用户成长，通过对用户行为的分析，促进一定指标数据的成长。一般来说，成长团队的运营资金远远少于营销团队。因此，我们应该用更直截了当的语言来理解增长团队在做什么——使用低成本甚至零成本的“技术”手段来实现有效增长的目标。更具体地说，在成长目标的前提下，成长成员观察用户行为，分析行为，划分优先级，然后设计并启动实验进行测试。
目前，国内用户增长可分为“产品导向型”和“新媒体导向型”两类公司。以产品为导向的公司，比如今天的头条新闻，有一个成长团队的目标，就是让用户更频繁、更长久地使用他们的客户。所以成长团队的工作就是通过分析数据寻找机会，通过检验设计“实验假设”，分析结果，看看假设是对是错。假设适用于右翼；如果错误被纠正了，假设就被纠正了，下一个实验将继续。因此，成长团队的大部分工作都与“试错”有关。在这个过程中，掌握SQL技能可以帮助您成长。
媒体导向型企业，由于其“媒体属性”，不仅要随时关注新的增长点，更需要有强烈的内容意识来判断一个话题是否会成为热点。最后，分享运营用户增长的“常规”：aarrr，即获取、激活、保留、实现和推荐。这是最基本的增长方法。简而言之，我们应该关注用户的生命周期，并以数据为导向，直到商业化。
为什么要做数据分析师：职业规划很重要
“数据分析”作为近几年最火热的词汇，越来越受到大家的关注。但和一些应届生或者数据分析师沟通时，发现很多人都对数据分析的职业规划很迷茫。今天我们主要从业务方向的数据分析入手，聊聊数据分析的入门条件及职业规划。
“0基础入行数据分析要掌握哪些技能？”
“怎么能最快找到数据分析工作？”
“数据分析师未来的发展方向是什么？”
数据分析是什么？
数据分析是有关“数据”类岗位的总称。从事这些工作的人，通过分析数据发现业务问题，洞察商业机会点，为运营活动、业务增长及企业发展提供合理建议及参考依据。
数据分析主要是与数据打交道，但数据分析≠分析大数据，所以大家不要对这个职位产生恐惧感，零基础转行数据分析是可行的。要入门的话，3个月的时间也是足够的。
需要注意的是：
1.如果本身对数据不敏感，或者看到复杂的数据就眼晕头疼，那说明你可能不太适合这个岗位。
2.目前数据分析已不再是专职技能，而是职场人必备的通用技能，建议每个职场人都可以学一下，会让你在职场竞争中更有优势。至于是否从事数据分析工作，还是看你对数据的敏感程度以及你对这个岗位的热爱程度。
数据分析岗位方向及工作内容
数据分析可以简单分为业务和技术2大方向：
业务方向——数据运营、数据分析师、商业分析、用户研究、增长黑客、数据产品经理等
技术方向——数据开发工程师、数据挖掘工程师、数据仓库工程师等
业务类岗位的数据分析师大多在业务部门，主要工作是数据提取、支撑各部门相关的报表、监控数据异常和波动，找出问题、输出专题分析报告。
在日常工作中，业务部门往往更关心某个指标的为什么下跌或上升、产品的用户属性是怎样的，如何更好的完成自己的KPI等。
以活跃指标为例，数据分析人员通常要解决以下问题：
指标下跌了多少？是合理范围内的数据波动，还是突发式?（what）
下跌是从什么时候开始的？（when）
是整体用户下跌，还是部分用户？（who）
下跌的原因是什么？产品更新？还是某个渠道推广到期？（why）
怎么解决下跌的问题（how）
在经过了数据提取-数据清洗-多维分析-交叉分析等一系列步骤之后，你发现是某个地区的活跃下跌了，但这并不能作为分析的结论。因为某个地区的活跃下跌只是现象，并不是根本原因。
所以数据分析师要解决的是，为什么这个地区的活跃跌了？是政策因素？还是竞争对手？或者是渠道问题，这些都是需要深入分析的范畴。
找到原因后，数据分析师还需要预测未来的发展趋势，根据目前的分析结果输出可执行的改善策略，最后推动业务部门落地，再次复盘效果，最终形成闭环的分析路径。
对数据分析师而言，解决问题只是一方面，另一方面数据分析师的职责是将业务数据体系化，形成一套指标框架。比如活跃下跌，本质上也是指标问题，如“日活”等指标。
技术方向的岗位如数据挖掘/算法专家等岗位有的归在研发部门，有的则单独成立数据部门。与业务方向的数据分析师相比较来说，数据挖掘工程师要求更高的统计学能力及编程技巧。因为数据挖掘工程师对工具的要求比较高，所以数据挖掘的平均薪资也会高于数据分析师。
数据分析师岗位技能要求
对业务方向的数据分析师而言，掌握工具只是基础，还需要对业务有深入的理解以及较强的数据分析能力。
在工具使用上，数据分析师需要掌握Excel、SQL、PPT、Python等工具。
Excel是日常工作中用到的最多的工具，常用的函数及数据透视表都要学。
SQL是数据分析的核心工具，主要学习Select、聚合函数以及条件查询等内容。
Python重点掌握Pandas数据结构、Matplotlib库、Pyecharts库及Numpy数组。
关于工具的部分，需要注意不同行业对工具的要求会有差异，比如金融行业会要求SAS等工具。一般情况下Excel、SQL、PPT、Python这4种工具就能搞定大部分数据分析工作。
除工具的使用外，数据分析师要了解基本的统计学知识及数据分析方法。
统计学知识：环比、同比、概率分布、变量、抽样等。
数据分析方法：假设检验、回归分析、漏斗分析、多维分析、对比分析等。
针对0基础的小伙伴，建议大家先将精力放在数据分析的思路和训练上，多去看一些商业数据模型和数据分析案例的资料，最终形成自己的分析思路。千万不要一上来就啃Python，可以先上手Exce+SQL这2个简单的数据分析工具来入门。有SQL基础后再学Python会相对容易些。
数据分析师的成长路线
业务方向的数据分析师有2条发展路径。
一条是专精业务，晋升成为商业分析师、战略分析师或管理岗。从业务型发展上来的好处是具备商业网洞察能力，这点是直接做数据挖掘所不具备的。
另一条是提升技术能力，成长为算法专家或数据科学家。
如何快速入门数据分析
应届生想要入行数据分析，建议先做学习规划：
明确自己想走业务方向还是技术方向。
充分调研目标领域的行业知识，了解行业背景及行业相关的指标（在行业的选择上，擅长的、热爱的和有发展前景的即是最佳行业领域）
了解目标行业常用的数据处理工具、数据生产流程及数据应用。针对数据工具进行系统性学习。
0基础转行数据分析，建议先罗列自己的个人优势和行业背景，找到最佳突破口：
如果有运营相关经验，基础工具掌握一般，可以先学习SQL，再从数据运营岗入门。
如果有产品经验，对交互设计和用户体验有深入的理解，可以选择数据产品经理。
如果有金融、物流等行业工作经验，可以借用行业优势，转到相关行业的数据分析岗位。
也就是说，转行数据分析的路径不只有一条，我们要做的是根据自己的背景及优势，找到最适合自己的那条路。
总结：
作为一名合格的数据分析师，你需要至少以下三点技能：
必要的SQL、Excel+python\R技能；
正确的理解业务；
基本的数据使用意识和学习能力。
转行过程中个人必要技能的锤炼是很重要，但保持良好积极的心态也是转行成功的必备要素之一。
如何从0开始搭建用户增长体系？
最近收到比较多关于运营体系应该如何搭建的咨询，那我自己经历的几个产品的感受来看，app推广运营越早介入越好，提前做好运营的规划，让用户增长走在一条健康可持续的路径上。
那究竟应该如何从零搭建运营体系呢？
一、挖掘核心功能，查看用户留存，找到驱动用户增长的魔法数字
做产品最大的忌讳是上来就做一堆功能，然后就让运营去推广，用户增长不力就是推广做的不好。这种案例屡见不鲜。如何在产品初期找到真正能拉动用户自增长的产品功能，是一个非常重要的课题。
Facebook发展早期通过数据分析发现，要让一个用户留存下来，并持续使用Facebook的诀窍就是让这个用户在10天内完成7个好友添加的动作；
LinkedIn早期发展过程中也不知道如何提升留存，于是分析了两三百个各种不同的指标，最后发现，一星期内加到5个联系人的用户，他们的留存率/使用频度/停留时间是那些没有加到5个联系人的用户的3-5倍，这个是他们找到的驱动增长的魔法数字。找到了这样的数字魔法后，LinkedIn开始在产品各个入口增加社交关系，去强化这个产品功能，让更多的用户在第一周里加到5个联系人，此后的增长速度就步入了快车道；
同样的，在2009年的时候，Twitter的用户流失率达到了75%，时任增长团队的产品负责人Josh Elman做了一件有趣的逆向思维的事情，他并没有去研究那75%的用户是为什么走的，而是深入地研究了剩下的25%的用户为什么留下来。结果他发现这25%的用户关注的用户数都在30以上，所以他们重新设计了产品，在注册后会进行推荐关注等，以此来提高新用户的关注数量，并最终提升了留存率。
在国内的新浪微博、人人等社交产品你会看到当你首次使用的时候会默认给你推荐关注大V，背后的原理就是如此。
再举一个例子：我最近需要去搭建一个股票产品的数据体系，面对这样一个新产品，应该如何去发现这个产品的核心功能？
我使用的炒股软件是雪球，为了避免重新安装后数据丢失，还主动完成了注册。逆向反推我为什么一直使用这个产品？因为我在使用这个产品初期添加了几支股票，添加后就不定期关注几只股票的涨跌，那对于这个产品来说我就是一个留存用户。这只是经验上的判断，我们可以通过用户行为留存率的数据去验证是否真是如此。
那我搭建这个产品数据指标的时候就应该首先分析是否是添加了自选股达到几支以上的用户留存率会更高。如果数据验证了确实如此，那我们在运营和产品上就应该去强化这样的产品功能，比如上来就给用户直接推荐几支股票，或者快速引导用户完成他自己想要的股票的关注，然后再引导用户想要保存数据再去注册和登录；同样的道理也可以复制在其他的功能上，比如关注牛人的数据，参加了模拟炒股大赛的留存数据；