《精益数据分析》重点数分概念摘录（截至前5章）

书中内容着重点在创业角度，混合着一些产品的思维以及数据分析的思路。

【专人接待式最小可行化产品】

（Concierge Minimum Viable Product）

最小可行化产品指足以向市场传达你所主张的价值的最小化产品。

它可以让你认识到，有时并不值得你为了产品（即便是最小化产品）的开发而耗费时间与金钱。专人接待式最小可行化产品并不会大规模生产，但却可以在短时间内以最低的成本帮你尽快测试自己的想法。

例如，如果你正在考虑创建一种拼车服务，则可以试着用人工牵线搭桥这种原始方式将司机和乘客联系在一起。你需要调研的风险是“人们会接受陌生人的搭车吗”，而显然不是“我能开发出一款配对司机与乘客的应用软件吗”。

有时，增长来自于你未曾想到的方面。在你认为自己找到了值得一试的想法时，先想一想应如何以最小的投入快速完成测试。然后事先为成功下定义，并明确如果直觉准确的话下一步要如何走。

【数据指标】

1.好的数据指标是比较性的。

2.好的数据指标是简单易懂的。

3.好的数据指标是一个比率。比率的可操作性强，是行动的向导。以开车为例：里程透露的只是距离信息，而速度（距离/小时）才真正具有可操作性。因为速度告诉你当前的行驶状态，以及是否需要调整速度以确保按时抵达。

好的数据指标会改变行为。这是最重要的评判标准：随着指标的变化，你是否会采取相应的举措 ？

量化数据在创业初期恰恰是最为匮乏的，需要收集定性的数据。

定量数据排斥主观因素；定性数据吸纳主观因素。

定性数据：问题既要具体，又不能带有诱导性，使他们偏离初衷。在提问的过程中，还必须避免他们被你的热情和现实扭曲场所感染。

8 个需要提防的虚荣数据指标：点击量、页面浏览量（PV 值）、访问量、独立访客数、粉丝/好友/赞的数量、网站停留时间（time on site）/浏览页数（number of pages）、收集到的用户邮件地址数量、下载量

真正应该关注的指标，即可付诸行动的指标。

创业公司应该把时间花在探索并得出一个可扩展、可复制的商业模式上。在创业早期，“我们不知道我们不知道”的东西为最重要，它们会转变为未来的秘密武器。

想要让一款社区产品极速启动就需要相当高的用户参与度。不温不火的用户表现无法提供足够的“逃逸速度”，让你的产品冲上云霄。在这种情况下，更好的做法是：在一个更小的、更容易触及的目标市场中培养更多具有黏性的高活跃度用户。病毒式传播需要专注。

先见性指标可用于预测未来。

后见性指标能提示问题的存在，比如用户流失（即某一时间段内离开某产品或服务的客户量）；不过，等到你有机会收集数据，找出问题，往往为时已晚。已流失的用户不会再回头。但是，这并不意味着你就只能眼睁睁地看着后见性指标而无可作为（比如，你可以尝试降低用户流失率，再测试是否见效），只不过这有点像亡羊补牢：你不会再丢新的羊，但已丢失的找不回来了。

创业之初，你所拥有的数据不足以预测未来，这时可以先关注后见性数据。在这个阶段，后见性数据还比较管用，可为你产品的表现提供一个基准。如果要启用先见性数据指标，你需要首先进行同期群分析并比较客户对照组在不同时间段的表现。

后见性和先见性的数据都可以指导行动，区别只是先见性数据能预示将来会发生什么，缩短迭代周期，精益求精。

相关性指标与因果性指标：

在两个数据指标之间发现相关性不是一件坏事，发现相关性可以帮助你预测未来，而发现因果关系意味着你可以改变未来。

现实中很难找到 100%的因果关系。你会掌握一些独立的数据指标（分析多个独立的数据指标作为自变量），其中每个都能在一定程度上“解释”某个依存的数据指标（因变量）。但是，即便只发现部分因果关系也是很有价值的。

相关性很好，因果性更佳。有时，你只能找到一些相关性，但你永不应停止寻找因果性。

移动的目标：

在创业过程中，调整目标和关键数据指标都是可行的；只要你能够做到实事求是，了解此番调整对企业的影响，而不是无视事实，降低期望值，得过且过。

你的假设和用户真实行为之间的差别有时会更细微。你可能以为只有做到让用户每天都使用你的产品才能成功，结果却发现并不是这样。在这些情况下，及时调整你所观察的指标是明智之举，前提是你能证明此举的意义。

【市场细分、同期群分析、A/B测试和多变量分析】

测试是精益数据分析的灵魂。通常，测试就是通过市场细分、同期群分析或 A/B 测试来比较两个样本的不同。

市场细分之外的第二种分析方法是同期群分析，比较的是相似群体随时间的变化。产品会随着你的开发和测试而不断迭代，这就导致在产品发布第一周就加入的用户和后来才加入的用户有着不同的体验。

比如，每个用户都会经历一个生命周期：从免费试用，到付费使用，最后停止使用。同时，在这期间里，你还在不停地对商业模式进行调整。

同期群分析使你能够观察处于生命周期不同阶段客户的行为模式，而非忽略个体的自然生命周期，对所有客户一刀切。同期群分析适用于营收、客户流失率、口碑的病毒式传播、客户支持成本等任何你关注的数据指标。

假设其他条件保持不变，仅考虑体验中的某一属性对被试用户的影响，就是 A/B 测试。

A/B 测试看似简单易行，实则有一个软肋。只有用户流量巨大的大型网站（如微软必应、谷歌）能对单一的因素（如链接颜色、网页速度）进行测试并迅速得到答案。如果没有庞大的用户流量，你将需要测试很多因素。

进行一连串的单独测试会延长你走向成熟的周期。与其如此，不如采用多变量分析法同时对多个属性进行测试，其原理为，用统计学方法剥离出单个影响因子与结果中某一项指标提升的相关性。

【精益画布】

【以数据为导向与通过数据获取信息】

滥用数据容易导致局部优化，进而忽视大局，这是极其危险乃至致命的。

人类提供灵感，机器负责验证。

以数据为导向的优化在进行迭代式的产品改进方面没什么问题，数学在优化已知系统方面可以做得很好，而人类更善于发现新的系统。换言之，渐进式的改变可以达到局部极限，创新则可能导致全局洗牌。

【数据分析框架】

海盗指标 AARRR

创业公司最需要关注的指标分为五大类：获取用户（Acquisition）、提高活跃度（Activation）、提高留存率（Retention）、获取营收（Revenue）和自传播（Referral），简称 AARRR1 。

增长引擎说

1.黏着式增长引擎：

黏着式增长引擎的重点是让用户成为回头客，并且持续使用你的产品。

衡量黏性最重要的 KPI 就是客户留存率。除此之外，流失率和使用频率也是非常重要的指标。

衡量黏性也不能全看留存率，它还和频率有关，这解释了为什么你需要跟踪“距上次登录的时间” 这样的指标。如果你使用了提高用户回访的方法，诸如邮件提醒和更新，那么邮件的打开率和点入率也需关注。

2.病毒式增长引擎：

病毒式传播归根结底就是一件事情：让声名传播出去。病毒式传播之所以吸引人，在于它的指数性本质：如果每个用户能带来 1.5 个新用户，那么用户数将会无限制地增长直到饱和。

此引擎的关键指标是病毒式传播系数，即每个用户所带来的新用户数。

仅考虑病毒式传播系数还不够，你还需要衡量哪些用户行为形成了一个病毒传播周期（循环）。例如，大部分社交网络都会在你注册时询问是否要同步你的邮箱通讯录，然后诱导你邀请通讯录里的联系人。这些联系人收到你发出的邀请邮件，可能会欣然接受。这些独立的行为连结在一起，决定着社交网络的病毒性。所以说，衡量这些行为能够让你知道如何将病毒式增长引擎开足马力：改变邀请信里的信息，简化注册流程，等等。

3.付费式增长引擎：

通常，在确知产品具有黏着性和病毒性前就开动这一引擎，是过于仓促的行为。

赚钱并不是一种驱动增长的引擎。它只是让你银行里的钱越来越多。只有当你反过头来把一部分营收再用于获取客户时，营收才有助于你的增长，然后你就有了一个可调节的业务增长机器。

机器上的两个调节旋钮是客户终生价值（CLV）和客户获取成本（CAC）。

一种衡量方法是看客户盈亏平衡时间，也就是收回获取一位客户的成本所需的时间。

【创业增长金字塔】

“如果不能再使用这个产品或服务，你的感受是什么？”如果 40%（或以上）的人回答他们会“非常失望”，就说明已找到了契合点，是时候放心踩油门了。

【长漏斗】

它是一种分析方法，能够帮你理解你最初是如何获得客户的注意力的，以及客户从最初得知该网站到发生你所期望的行为（例如完成一次购物、生产一些内容、分享一段信息）的全过程。通常，对整个漏斗全阶段的监控要求，在起始阶段向数据中注入一些用于跟踪的特征，这样，用户在你的网站中走到哪儿，你就能跟踪到哪儿：当下的许多数据分析方案包都可以做到这点。