數據分析咖哥十話 從思維到實踐促進運營增長

本書以案例的形式，介紹從思維模型分析到場景實踐的數據分析方法。全書圍繞“數據分析”與“運營增長”兩大關鍵要素，在系統介紹數據分析思維、數據分析方法、數據採集技能、數據清洗技能等基礎知識的同時，以問題為導向，解讀運營與增長的關鍵性業務內容，在獲客、激活、留存、變現、自傳播循環等各個核心運營環節展開數據分析實戰。

本書提供案例相關數據集與源碼包，適合數據分析、產品運營、市場營銷等行業有數據分析具體業務需求的人士閱讀，也適合相關專業的師生閱讀。

黄佳，笔名：咖哥，人工智能研究员，终身学习者。在IT界耕耘二十载，曾撰写《SAP程序设计》和《零基础学机器学习》等书。近期参与的项目：使用机器学习和数据分析技术精准定位客户群体、食品质谱数据中有效成分的分析与鉴定、医学视觉图像数据分析、针对青少年压力问题的聊天对话机器人的自然语言处理等。在科研和学习过程中每有收获，便记录好每一个从不懂到懂的过程和细节，期待着与大家分享。

引子 小雪求職記

基礎篇 數據分析師的錦囊

一、欲善其事先利器：數據分析技能進階圖譜

二、深入業務尋價值：價值源於深度理解場景

三、積跬步以察千里：數據的採集與治理

四、瀝盡狂沙方見金：數據的清洗與可視化

五、營運之道無定法：數據分析的核心方法

六、增長踐行成於思：數據分析的關鍵思維

實踐篇 數據運營分析十話

捲一 獲客

第一話 橫看成嶺側成峰：用戶畫像揭示秘密

1.1 問題：這款推廣海報好不好

1.2 概念：用戶畫像

1.3 工具： Python 數據分析編程基礎

1.3.1 Python 的極簡說明

1.3.2 Python 中的序列數據類型

1.3.3 數學計算工具包 NumPy

1.3.4 數據處理工具包 Pandas

1.3.5 數據可視化工具包 Matplotlib和Seaborn

1.4 實戰：哪一類人才是真正的買家

1.4.1 數據讀入及簡單分析

1.4.2 用戶整體畫像

1.4.3 購買眼影盤用戶的畫像

1.5 結論

第二話 遠近高低各不同：聚類實現RFM細分

2.1 問題：如何通過細分用戶指導運營

2.2 概念：用戶細分

2.2.1 用戶畫像是瞭解用戶的第一步

2.2.2 用用戶行為數據指導精細化運營

2.2.3 進行同期群分析揭示獲客時的秘密

2.2.4 根據特徵和價值進行用戶分組

2.3 工具：RFM分析和聚類算法

2.3.1 RFM 分析

2.3.2 聚類算法

2.4 實戰：基於RFM模型的用戶細分

2.4.1 整體思路

2.4.2 數據讀入和可視化

2.4.3 根據R值為用戶新近度分層

2.4.4 根據F值為用戶消費頻率分層

2.4.5 根據M值為用戶消費金額分層

2.4.6 匯總 3 個維度，確定用戶價值分層

2.5 結論

2.6 彩蛋：看看誰是最有價值的用戶

第三話 獲客成本何其高：回歸預測用戶LTV

3.1 問題：我能從用戶身上賺多少錢

3.2 概念：用戶生命周期價值

3.3 工具：回歸分析

3.3.1 機器學習中的回歸分析

3.3.2 訓練集、驗證集和測試集

3.3.3 如何將預測的損失最小化

3.4 實戰：預測電商用戶的生命周期價值

3.4.1 整體思路

3.4.2 數據讀入和數據清洗

3.4.3 構建機器學習數據集

3.4.4 預測未來一年的LTV

3.5 結論

3.6 彩蛋：還有哪些機器學習算法

捲二 激活

第四話 百川爭流終歸海：動態歸因優化渠道

4.1 問題：哪個渠道最給力

4.2 概念：渠道分析和歸因模型

4.2.1 渠道和渠道分析

4.2.2 歸因和歸因模型

4.3 工具：馬爾可夫鏈歸因模型

4.3.1 記錄推廣路徑

4.3.2 顯示用戶旅程

4.3.3 統計狀態間的轉換概率

4.3.4 計算整體激活率

4.3.5 計算移除效應系數

4.4 實戰：通過馬爾可夫鏈模型來計算渠道價值

4.4.1 整體思路

4.4.2 構建每一個用戶的旅程

4.4.3 根據狀態構建通道字典

4.4.4 計算狀態間的轉換概率

4.4.5 計算渠道移除效應系數

4.5 結論

4.6 彩蛋 ：夏普利值歸因

第五話 營銷貴在激活時：漏鬥模型聚焦轉化

5.1 問題：促銷活動中的哪個環節需優化

5.2 概念：漏鬥和轉化率

5.3 工具：Plotly 包中的漏鬥圖

5.4 實戰：通過漏鬥分析看促銷效果

5.4.1 整體思路

5.4.2 數據導入

5.4.3 基本漏鬥圖

5.4.4 細分漏鬥圖

5.5 結論

捲三 留存

第六話 溫故知新惜舊客：通過行為分析提升留存

6.1 問題：如何留住江里撈的老用戶

6.2 概念：留存與流失

6.2.1 老用戶的留存至關重要

6.2.2 流失率的定義與流失原因

6.2.3 數據驅動下的用戶管理

6.3 工具：生存分析工具包和邏輯回歸算法

6.3.1 用生命線庫進行留存分析

6.3.2 用邏輯回歸算法預測用戶流失

6.4 實戰：分析用戶的留存和流失

6.4.1 整體思路

6.4.2 數據導入和數據清洗

6.4.3 使用Kaplan-Meier 生存模型輸出留存曲線

6.4.4 通過留存曲線比較各因子對流失率的影響

6.4.5 使用 Cox 危害系數模型分析流失影響因子

6.4.6 通過機器學習方法預測用戶流失率

6.5 結論

第七話 千呼萬喚求爆款：從內容分析發現價值

7.1 問題：什麽樣的視頻會成為爆款

7.2 概念：產品分析

7.2.1 產品分析和拼多多的案例

7.2.2 產品熱度的時間序列曲線

7.2.3 產品銷售的總量和增速矩陣

7.2.4 與內容相關的典型流量指標

7.3 工具：自然語言處理

7.3.1 自然語言處理中的基本概念

7.3.2 自然語言工具包NLTK

7.4 實戰：某網站視頻流量、熱度和情感屬性分析

7.4.1 整體思路

7.4.2 導入數據

7.4.3 瀏覽量高的視頻類型

7.4.4 熱度持續趨勢分析

7.4.5 視頻情感屬性分析

7.5 結論

7.6 彩蛋：深度學習和循環神經網絡RNN

捲四 變現

第八話 勸君更盡一杯酒：通過推薦系統找到好物

8.1 問題：如何從零搭建推薦系統

8.2 概念：相關性與推薦系統

8.2.1 關聯規則

8.2.2 相關性的度量指標：相關系數

8.2.3 推薦系統及其所解決的問題

8.3 工具：協同過濾算法

8.3.1 基於用戶的協同過濾算法

8.3.2 基於商品的協同過濾算法

8.3.3 構建共現矩陣

8.3.4 相似性的確定

8.4 實戰：簡單的游戲推薦系統實現

8.4.1 整體思路

8.4.2 導入數據

8.4.3 構建用戶/游戲相關矩陣

8.4.4 基於玩家相似度的協同過濾系統

8.4.5 構建相似度矩陣

8.4.6 找到推薦列表

8.4.7 基於游戲相似度的協同過濾系統

8.5 結論

第九話 君向瀟湘我向秦：用A/B測試助力促銷

9.1 問題：兩個頁面，哪個更好

9.2 概念：A/B測試

9.2.1 確認實驗目標

9.2.2 設計實驗

9.2.3 實驗上線與監控

9.2.4 結果復盤

9.3 工具：統計學知識

9.3.1 對照實驗

9.3.2 假設檢驗

9.3.3 樣本的數量

9.4 實戰：通過A/B測試找到最佳頁面

9.4.1 整體思路

9.4.2 數據導入與數據可視化

9.4.3 查看轉化率的增量

9.4.4 檢驗測試結果的統計學意義

9.4.5 細分樣本後重新檢驗

9.5 結論

捲五 自傳播循環

第十話 一二三生千萬物：裂變驅動增長循環

10.1 問題：哪種裂變方案更有效

10.2 概念：增長黑客和裂變

10.2.1 增長黑客的本質

10.2.2 各種各樣的裂變

10.3 工具：增長模型

10.4 實戰：用增長實驗確定最佳折扣方案

10.4.1 整體思路

10.4.2 數據導入及數據可視化

10.4.3 比較兩種裂變方案帶來的轉化率增量

10.4.4 用XGBoost判斷特定用戶的分類概率

10.4.5 比較兩種裂變帶來的轉化增量

10.5 結論

寄語