中观：发现其他人分析时的问题

微观：从业务交流中发现问题

宏观：决策方向

电信日志分析：

描述：

1. 以什么为基础计算：电信用户上网所产生的数据
2. 数据主要来源：访问日志和安全日志
3. 目的：异常IP的检测、关键词的过滤、违规违法用户的处理
4. 方法：通过Hadoop大数据平台完成日志的入库、处理、查询、实时分析、上报等功能实现
5. 数据量：1T-20T左右
6. 集群数量：10台-100台

项目架构分析：

1. 数据采集层（千兆网卡以上）：
   • 用户访问日志数据：数据格式；
     数据采集的方式：ftp
     数据上传时间
     小文件合并：shell(JNotify)
   • 用户安全日志数据：
     触发上传要求
     数据采集方式：socket--C++完成数据采集，缓存到内存磁盘
     数据格式：加密码加密形式
2. 数据储存层：HDFS分布式文件系统
3. 数据分析层：
   1. MapReduce：数据清洗
   2. HIVE
   3. hbase：固定条件查询
   4. impala：实时性较高的要求
   5. SPARK:解决单一数据源多指标在内存中的计算
   6. OOZIE：任务调度
   7. mysol：HIVE和oozie元数据存放
4. 机器学习层：在大数据的存储和计算基础上，通过构建机器学习构建机器学习模型，对事实作出预判

项目优化：HDFS+SPARK一站式分析平台

机器学习模型=数据+算法

统计学习=模型+策略+算法

模型：规律 y=ax+b

损失函数=误差函数=目标函数

算法：如何高效找到最优参数

决策函数 或 条件概率分布

半监督学习：一部分有类别标签，一部分没有类别标签

主动学习：依赖于人工打标签

聚类的假设：将有标记的样本和无标记的样本混合在一起，通过特征间的相似性，将样本分成若干个组或若干个簇；使得组内的相似性较大，组间的相异性较大，将样本点都进行分组，；此时分组点的样本点即包含了有类别标签的也包含了没有类别标签的，根据有类别标签的样本，按照少数服从多数的原则对没有加标记的样本添加标记。至此，所有未标记的数据都可以加以分配标记。

半监督学习转化为监督学习。

强化学习：解决连续决策问题。

为其可以是一个强化学习问题，需要学习在各种局势下如何走出最好的招法

迁移学习：小数据集：两个相关领域（解决数据适应性问题）

个性化

深度+强化+迁移

监督学习：分类问题、回归

分类：决策树、KNN、贝叶斯、SVM、LR

回归：线性回归、多元回归LASSO回归、RIDGE回归、Elastic回归

无监督学习（非监督学习）：

1、聚类（Kmeans)在没有类别标签的情况下，根据特征相似性或相异性进行分类；

2、特征降维（PCA. LDA)：根据算法将高维特征降低到了低维

机器学习个概念的理解：

数据集：

定义数据集的名称

行：样本或实例

列：特征或属性，最后一列（类别标签列，结果列）

特征、属性空间：有特征维数所张成的空间

>>特征向量：组成特征火属性空间中的样本点

>>特征值或属性值：组成特征向量中的值

基于规则的学习：它是一种硬编码方式

X 自变量   定义域 特征

Y因变量    值域  结果

fx----f(对应关系)----->y（函数、映射、模型）

基于模型的学习：y=kx+b 寻求k和b的最佳值

通过数据构建机器学习模型，通过模型进行预测；

机器学习学的是模型中的k和

GPU图形图像处理器（处理速度是CPU的10倍以上）

机器学习==CPU+GPU+数据+算法

机器学习：致力于研究如何通过计算（CPU和GPU计算）的手段，利用经验来改善（计算机）系统自身的性能

是人工智能的核心

从数据中产生或发现规律

数据+机器学习算法=机器学习模型

有了学习算法我们就可以把经验数据提供给他，他就能基于这些数据产生模型

如何判断问题是否为机器学习问题？

预测性的

数据：观测值、感知值，测量值

信息：可信的数据

数据分析：对数据到信息的整理、筛选和加工的过程。

数据挖掘：对信息进行价值化的分析

用机器学习的方法进行数据挖掘。机器学习是一种方法，数据挖掘是一件事情；

人工智能包括机器学习，机器学习包括深度学习

机器学习是人工智能落地的一个工具。

机器学习是人工智能的一个分支

深度学习是机器学习的一种方法，为了解决机器学习领域中图像识别等问题而提出的

数据分层：

数据采集层、数据存储层、数据分析层、数据展示

数据采集层

用户访问日志数据，数据格式：地区吗|用户ip|目的ip|流量……;数据采集方式：采用fatp方式长传服务器；上传时间：每小时上传上一小时的数据；小文件合并：通过shell完成文件合并；监控文件：JNotify

用户的安全日志数据：

当用户触犯电信部门制定的只读、违反国家法律法规

数据采集方式用：Socket---C++完成数据采集，先缓存到内存再到磁盘；

数据格式：加密码：加密形式 abc:79217979web

网卡配置：千兆或万超网卡配置

数据存储层：HDFS分布式文件系统

数据分析层：用Mapreduce、Impala\Spark

1、完成数据清洗（缺失字段处理、异常值处理等

2、使用MR和Redis进行交互完成地区码201和地区名字的转换

3、使用MR处理好的数据进一步加载到Hive中做处理

4、试用MR将数据入库到HBASE完成固定条件查询

5、给到Spark中实时查询

机器学习层：

机器学习位于大数据上层，完成的是在大数据的数据存储和数据计算之上，通过数据结合机器学习算法建构机器学习模型，利用模型对现实时间做出预测

数据展示：Oracle+SSM

用户研究，一种职业意识

什么时候做用户研究

用户研究是贯穿整个项目生命周期的

项目前期：用户需求情况

用户基础画像情况：用户对于低价商品的迫切度

项目中期：用户行为习惯

项目后期：用户对产品的反馈点、竞品试用情况

所有一切都是为了更好的去了解用户，与数据分析相辅相成：从数据角度有时并不能很好地反映用户的行为及原因

用户研究在项目启动前就应该展开，要快于其他地方，所以非常考验用眼人员的先见性和实操性

用户研究的步骤和关键点

1、制定研究目的：有良好的背景和具体的问题

选择研究方法：定量和定性方法要对

研究结论的产出：精而快

例子：

项目：今日头条APP新用户留存专项

项目背景：2015年今日头条APP新用户次留、7留与竞品相比，留存均低于%%绝对值，并且新用户流失速度要高于竞品，因此要在数据分析基础上，产品运营优化，提升用户留存5%绝对值。

用户研究的三个阶段实施——制定研究目的

针对每一个专项，用眼人员更要主动地参与进去，在多沟通的过程中其他方会觉得你得数据价值更大

制定研究目的：

在前期，用眼人员就应该要能快速的了解到当前问题的现状，制定思维导图，也就是说，所有人做的都是同一件事，只不过落地方式不一样，更好的了解用户和产品，更好的解决问题。

新用户留存（用户基础特征（年龄、地域、性别、文化程度），用户需求和痛点（新闻预期和当前问题），竞品情况（有没有使用其他竞品））

嗅觉灵敏

用户研究的三个阶段实施——确定研究方法

定性：日记研读、用户访谈、参与式设计、焦点小组、现场调查、可用性测试、眼动实验；主要是用户访谈；

定量分析：消费者支持数据分析、自动化可用测试、网站日志分析、A/B测试、调查问卷；

定性：约用户面聊，侧重于why和how，问得很深很细；

定量：投放问卷，侧重于what, when, where

对于一款产品，如果本身是产品经理、分析师离普通用户太远，就非常有必要做定性分析

定量分析非常注重样本量，同时要确保问卷设计的专业性；

无论是定性还是定量，都需要一定的物质激励，保证能很快的产出。

这件事的意义要大于一次营销活动

用户研究的三个阶段实施——结论产出

比较好的节奏是2周内输出，也只有这样：

A、能够和分析师的数据分析报告一起输出，定量定性结合；

B、能够在最迫切需要的时候给出，价值最大化；

C、能够很好地融入到整个项目团队，做的事情真的有意义；

用户研究的三个阶段实施——注意点

A、用户说什么不重要，更加重要的是用户为何会这样说

B、不要直接问用户喜欢什么，用户对他们的心理过程根本就不了解：田野工作法（场景中观察）是最好的；

C、定性分析注重用户分类，定量分析注重样本量和样本代表性；

D、结束访谈后，尽快整理成文档，寻找琐碎记忆；

用户研究的未来：

短期：用户研究+MVP思想（不需要系统化，解决问题即可，迅速搭建围绕业务目标的模型，解决问题）

长期：人人都是用户分析师

用户报告追求精而快；

用户研究和分析师的关系

数据分析师一定要有用户研究意识，常见的做法是：

每天体验数据

每周看客服数据

对于费解的数据分析结论，推动用户研究人员去做用户访谈或者问卷

新项目启动期，如果要去线下了解用户，分析师要抓住这些机会。

大数据体系：

日志采集和传输、数据建模、数据管理、数据应用（数据分析岗（包括算法）），前三项对应数据研发岗，数据仓库。《阿里巴巴大数据》

熟悉整个行业、专注于某个模块

APP采集中的埋点：

前中期：数据分析师进入一家公司时，一定要参与到埋点讨论中去，不要把研发想的很专业，如果买点出问题了，会非常耽误业务分析，很多研发就是纯粹凭感觉埋。在这个过程中把埋点规范起来。

研发和业务直接对，按照他们的理解来分析的时候，分析师发现有些点竟然没有埋，或者埋错了，这个时候你对整个团队都无语。

行业分析

行业分析的两种背景：

当前准备进入某行业，需要分析师或者战略部门给出一份详细报告。

业务发展遇到瓶颈，需要分析师去验证当前市场对产品的需求有无变化。

行业分析——问题的识别与拆解

分析目标：界定范围、市场规模、社会热点事件、头部玩家、未来预测；

围绕分析目标，把这5大模块说清楚，不在于大而全和什么方法，而在于有所发现。

举例：电商行业分析

北京：公司近期是谁做电商业务，管理层直到很难做，但是决策层又想找一些切入点，这个时候就找战略部，希望能给出一些建议

实际上需求是比较模糊的，因为在战略上这件事，确实很难做。

界定范围——在全局视野下找切入点

向左这种移动类综合电商，比如手淘、京东、拼多多

也就是需求在前期慢慢确定下来的，所以一定要有一个完整的产业链图谱。

市场规模——交易额描述

1、交易额逐年上升，更加重要的是找到谁在增长，为何增长。

2、当前增长率持续下降的情况下，还有谁逆势上升

市场规模——交易额分析

1、数据分析有直接数据和简洁数据两种支持方式，只要说明问题即可；

2、所有的资料都要注意口径和原始数据搜集，即使copy也要找权威的数据源；

3、拼多多才是颠覆者，代表了一种趋势——结论1

市场规模——用户数描述

移动电商用户数2018年超5亿人，占总人口比例为36%；即使按照16-59周岁群体（90199万）（占比也只有55%；有缺口，还可以再覆盖。

市场规模——用户数分析

1、网民数占比人口数57%，这个数字并没有想象的那么高，仍然有很多未来用户争夺空间（厂商）——结论2

2、移动互联网用户数占比98%，从用户这个角度，移动互联网已经完全可替代PC

3、71%网络购物，短视频竟然是74%：猜测剩下的潜在用户（29%）在短视频里面——结论3

社会热点事件——拼多多

2015年9月，拼多多公号上线，上线2周粉丝数破百万；

15年11月，未投广告用户突破1200万；

16年1月，付费用户突破1000万，单日成交突破1000万；

16年7月，B轮融资：高榕、IDG、腾讯

16年9月，与拼好货合并，用户破亿，单月流水破亿；

16年11月，单月GMV20亿，日均单量200万，单日流水2亿；

17年9月，成立2年用户破2亿；

17年11月，用户破3亿，IPO

人均可支配收入：

17年数据：大部分是人均2万/年；

用户真没钱—离用户太远

微信及微信支付重构了这些用户的社交方式（18年日活10亿）

整个社会物流效率提升：为何商品这么便宜。

头部玩家——拼多多的产品分析

1、日常生活用品为主——高频

2、整个体验就是快，用户基本上一直点下一步就行

3、搜索功能很轻，尽可能让用户懒起来

头部玩家——拼多多的用户分析

1、一二线占比超过40%，不只是屌丝这么简单（还有人性），所以未来会出现更多的拼多多产品

2、老大老二打架，老三挂了（唯品会）

3、多、快、好、省：京东是物流快和好；淘宝天猫是多和好；拼多多是省和供应链快（沃尔玛）。

AB测试

AB测试是为Web或APP界面或流程制作两个（A/B）或多个（A/B/n)版本，在同一时间段内，分别让组成成分相同（相似）的房客群组随机访问这些版本，收集各群组的用户体验数据和业务数据，最后分析评估出最好版本正式采用。

关键词组成成分相同的房客；同一时间；用户体验数据和业务数据。

也就是说：用户群要一样；一定要是同一时间段对比，否则没意义；A/B测试指标体系（提前搭建）。

AB测试流程

1、根据数据分析得到某建议项；

2、根据建议项，产品经理得到某落地项；

3、根据某落地项，研发设计人员进行开发设计（往往是先设计，再丢给测试平台里面跑数据）；

4、研发人员数据采集：自动采集数据

5、分析师跟进AB效果：显著性在95%以上并维持一段时间，实验可结束。

整体节奏：灰度、5%、10%、20%、50%、100%（测试量）

业界都有一套AB测试平台（字眼或者购买），能够每天进行大量的AB

常见的两种AB测试类型——UI界面

以这个小人为例（墨迹天气）：

实际上在产品设计之初，要不要增加一个小人只是一个想法，而这个必须要经过A/B测试才能说要不要实现，因此A版本没有小人，B版本有小人，结果是B版本的数据比A版本摇号，所以最终都有小人

拓展：所有的设计师都要有A/B测试的思想才能更棒。

往往，你认为的好看好用是不靠谱的。

常见的两种AB测试类型——算法策略型

针对新用户的内容推荐（小红书）

A策略：100%兴趣预选

B策略：80%兴趣预选+20%随机内容

当前对于任何一款个性化内容APP，给用户的推荐都涉及到大量的算法策略型AB测试

一般而言：AB两个组样本都要在10万以上才可以初步看数据。

实际工作中的问题

在严格模式下，所有的专题报告落地项（除了明显的bug修复和明显的用户体验），都要考AB测试展开，然而，分析师经常会遇到这种问题：

2个月前产品上线了短视频功能，两个月后，大盘略涨（之前是略跌趋势），短视频和非短视频的数据增加也明显，现在短视频业务方希望分析师能量化出：大盘的上涨主要是因为短视频带来的。

有些分析师的思路：同一批用户，在试用短视频前后的数据对比

针对这种问题：只能靠AB去解决，在上线短视频功能前就应该AB，否则后面怎么都说不清。

数据分析师在AB测试中需要注意什么：

A、AB两个组是否真的相同——研发负责搭建，但分析师要直到大概原理；

B、策略是否生效——研发说进行了AB测试，但分析师要去抽样看；

C、AB测试评估指标体系——要在AB测试之前，就与研发沟通好要看哪些综合性指标

D、多观察几天数据——往往前几天数据可能有点问题，一般3天后数据才可能正式使用；

E、AB测试的存档规划——所有AB都要文档化，方便后续找增长点。

策略是否生效

常见现象：

产品经理根据分析师的专题报告落地项X，进行某个AB，最后发现效果不明显，此时所有人都觉得X这个优化项没用，也就没有多去做更多尝试；

分析师：痛仰要去对AB组进行抽样，看B组（实验组）的用户是否真的上线了X优化

多说一句：AB测试系统本身就很复杂，出问题是很正常的，我们不一定要很了解内部详细原理，但是要知道有没有明显问题。

评估指标体系：在AB测试前，就要考虑好最终要用哪些指标来评估效果，最好是能设计出一套综合性指标体系，后续做实验直接看报表数据即可，不用每次单独建表。

格式举例：实验策略、用户数、实验时段、次留、时长、点击率

AB测试存档

分析师要定期复盘做了哪些AB，与其效果和实际效果，这个也是落地项的闭环

建议采用5W1H方法来管理AB测试

AB测试项、具体内容、为何测试、测试时间、测试负责人、预期效果、实际效果

思考：

对于设计师：设计思维+AB测试，无论是效率上还效果上，都是极大地提升

对于产品：直觉是不靠谱的，AB测试的闭环能够让我们更好的去理解用户；同时要通过AB测试去总结出，我们的用户到底喜欢什么样的策略和界面，让AB测试本身自我迭代；

对于分析师：

对大多数改动都不会带来大幅效果提升，AB测试旺旺效果都是略好，所以要持续迭代，如果某个实验效果非常好，这个时候就要非常小心了。

所以专题分析也是一个持续的过程，越来越深入，越来越了解用户和产品。

前期准备：

在正式写SQL之前，要花1天时间去做一下几件事

A、哪张表、哪份日志

B、筛选条件

C、之前有什么坑

D、现在是否有坑：select*,先跑一个核心数据看下

对数据有一点感觉得基础上，再把问题的拆解模块构思一次，哪些点不好做，有个预期。

集中时间和精力：

首先要有这种意识：当前最重要的事情是SQL提数和分析

A、 早上一定利用好，早点到公司

B、提前了解好会议主题，确定是否参加

C、中间所有进来的插队需求，先靠边站

D、晚上回家时间、周末时间

E、专注！别人不好意思打扰。

遇到坑：

一定要稳当详细记下来

A、让团队其他人知道，节省团队时间

B、每月总结的时候，直到自己在哪块花了大量时间，为后续做分析节省时间。

找到本质问题和逻辑树拆解：

1、这些知识点怎么用

A、 先分享：分享给别人后，别人会有不一样的理解疑问和新想法，会增强我们的认识程度。

B、再使用：每一节课的内容都只是老师经历的一个沉淀，每个人都要结合自己实际情况去使用，而只有多和同事同学交流，你才能督促自己去对每个知识点进行更深入的理解。

用户增长分析：

用户增长基本模型

获取、激活、留存、变现、推荐；

拉新、使用、再使用、商业化、分享传播；

这种模式需要不断烧钱，目前来看有问题；

优化模型：

留存-》变现-》推荐-》拉新-》激活

先把产品打磨好，运营服务号，挣钱再投入带渠道去拉新，这样会更加靠谱，人傻钱多的时代已经过去；

如果一款产品在中汽还要靠不断注水才能保持规模，这样的产品是有几大问题的，这样的团队也是非常不靠谱的，只有早点转型做好留存才有希望。

未来可能会这样

变现-》推荐-》拉新-》激活-》留存

A、在资本越来越理性的情况下，从流量思维切换到ROI思维，活下去是最重要的指标

B、侧重点不同，企业打法完全不一样

C、这套模型还可以怎样？

渠道思维、产品思维、投资回报率思维。

最好是这样：

A、不要纠结什么模型和玩概念；

B、不要指望通过数据分析突然找到一个牛逼增长点，带来大量用户增长；

C、如果有大腿可抱，一定要坚决抱大腿

D、研究自己的产品、用户，找到当前产品真正存在的问题，慢慢去解决它，建立自己的产品壁垒

E、学习优秀产品的玩法，思考他们能成功的本质，比如QQ浏览器和腾讯视频为何能后来居上。

其实：分析师的任务就是做规模和带收入，一直没变，一定要独立思考，不要被各种风带偏；

营销活动分析

数据分析师：活动期间每天进行效果播报+活动后1-2周内报告产出

1、活动参与人数

2、拉新数

3、用户画像

与营销活动运营对比，分析师的优势在于快和维度拆解性，劣势在于细节性。

营销活动的理解：

营销应该是一件长期的事情，不可能通过某一次活动就能带来大量的用户增长，因此分析师在做这件事时，要保持：

1、分析的连贯性：活动前、活动中、活动后

2、分析的对比性：活动与活动间对比，什么样的活动比较适合产品本身

3、分析的公正性：该怎么样就怎么样，拉新、促活、品牌的评判都应该有一套商定好的标准

营销活动分析无非就两件事：活动效果评估（本活动，及其和其他活动对比）和活动优化建议。

理一理

在做任何活动之前，活动运营方必然要出文案，找开发、商家合作，所有这一切都会很早发生，因此分析师要想真的做好这一块分析，在这个时候就要多余活动运营方沟通，直到大概是怎么回事。

A、谁开发，靠不靠谱

B、活动形式及测试体验，文案可能存在问题

3、大概哪些指标，提前想一想；

活动前好好准备——前1-2周

A、和运营方商定本次活动的目标—一定要有目标，没有目标不是一个号运营，你绝对不会使出100%的利器；这里能很好的培养业务的敏感性

B、和研发沟通好埋点—不是每一个研发都很靠谱，即使很靠谱也可能犯错误，埋点这件事上就应该是分析师来主导，包括字段名、埋点位置、上报方式

C、搭建好指标体系和报表—提前做好，活动前1天才发现问题的情况太常见

D、定海输出格式—活动中、活动后每天输出哪些数据，什么形式

竞品分析的目的

你当前是行业老大，这时候肯定会防止外来者和警惕老二老三；

你当前行业老二，肯定要看老大最近在做什么，模仿超越；

你当前是行业老三以后，一方面肯定要紧跟老大老二，另一方面要放大招；多以很自然的就要去分析竞品；

波特五力模型：

            潜在竞争

上游---行业内部竞争---下游

            可替代品

工作中竞品分析的场景

1、准备进入某个行业时，需要先把该行业的竞品分析清楚——侧重行业规模和前景；

2、产品的发展处于下降阶段，需要看下竞争对手在做什么——侧重头部玩家的玩法分析；

3、产品的发展处于瓶颈阶段，需要看下竞争对手的数据和功能迭代——持续监控对手数据，寻找突破；

4、产品发展处于快速上升期，一般不做竞品分析。

对于一款APP，要在初期就监控好竞品的各项数据，分析师要每天都看竞品数据，只有这样，才能保持对竞品数据的敏感性，同时跟自身APP数据结合起来思考。

什么是竞品分析？

竞品分析绝不是大而全的竞品功能罗列一遍，这个是最初级的产品体验分析，同时也不算是日常的竞品数据监控，配置一张表就完成。

竞品分析包含2个点

A竞品的选择：哪些才是精品，不要小看这件事，很多产品经理没想清楚

B分析什么店，这就需要直到分析的背景是什么，从而有针对性切入。

第二点最关键，到底你得leader想干什么，如果这件事他自己也说不清楚，那最好先别投入太大量的时间去做。

竞品分析的步骤

1、明确目的：目的是什么？

A、尝试进入某个新的行业，需要评估可行性——唯品会做唯品金融；（这种分析更加偏行业趋势、市场规模、财务收入，看大数不拘于小节）

B、纯粹看竞品的功能、玩法和数据，学习有点、人无我有，人有我优——学习为主；

C、通过看竞品的不同版本迭代的功能、玩法和数据，揣摩竞品想干啥——预防为主；

D、看竞品的版本迭代，思考竞品最近的战略中心在哪，旺旺是为了满足管理层的需要

2、挑选1-2家精品，进行对比分析（如何挑选竞品？竞品数据？寻找某个切入点：精品产品功能体验和运营玩法体验）

A、挑选1-2家真正的竞品：核心功能一样；

B、功能体验分析：不需要大而全

C、运营手法分析：某个功能的运营手法

D、宏观围观数据分析：数据源很关键（基础数据、财务数据、市场数据）

分析室牵头、产品运营协助的一项团队任务，可能还需要财务、市场部的参与才能完成；实际上，有时候也要对双方的技术实现做一些对比分析，这个就比较底层了。

这也必须是团队作战，一个人搞不出来什么。

3、给出初步分析结论（竞品分析一定要有初步结论；在这件事上管理层旺旺看得更高更远）尝试进入某个新的行业，需要评估可行性——是否可以进入，如何可以进入，如何开始做，SWOT分析；

纯粹看竞品的功能玩法和数据，学习有点；竞品什么功能好，接下来产品运营会如何去做，预计带来收益多少，产品运营参与很重；

通过看精品的不同版本迭代的功能、玩法和数据，揣摩竞品想干啥——竞品下一步战略是什么，我们要不要也做某种尝试，这是最难得。

优酷爱奇艺案例分享

背景：

当下小A负责优酷APP会员模块的数据分析师，Q3嫉妒优酷会员增长乏力，而爱奇艺会员仍处于告诉增长阶段。管理层希望能对爱奇艺会员进行一次分析，学习爱奇艺会员的有点，提升优酷会员数。

分析的目的和对象都很清晰，并且产品运营都参与这件事，最终很好落地。

竞品分析一定是最需要你外部参与方协才能完成的，不只是分析师一个人搜集点资料就完事；实际上一个人闷头闷脑的在那干这件事效率会很低。

A、基础数据对比

数据来源：google,baidu questmobile，百度指数

数据只是一个参考，关键是你想看的这些数对后面分析有什么用，这里着重看画像，就是看两部分群体是不是比较类似，如果类似，学习他人的”优点“就可以。

爱奇艺会员数明显占优。

B、产品对比

产品对比的方法很多，一般是先画交互流程图，然后再体验产品模块，优点是大而全，缺点是在有限时间内不一定能得到结论。实际工作中还是要交给专业产品来做，分析师来做可以提供一种方法——用户视角。

C、运营对比

产品：生孩子

运营：养孩子

数据分析：持续观察孩子成长阶段的各个指标，保证他健康成长

所有的运营归根到底都可以理解为用户运营；提新增、拉留存、降流失，这就是广义的用户运营概念

旺旺需要产品内容和产品活动的支撑来喜阴用户

内容运营：通过内容来吸引用户，老师这门课本身就是内容运营

活动运营：通过做活动来吸引用户，APP抽奖活动

举个例子：目的是通过优化渠道来提升新增用户数，那么就可以优化渠道文案、在渠道侧做一些活动激励。这就是通过内容运营、活动运营来达到最终用户运营。

运营对比：用户、活动、内容

竞品分析落地方案：

在已经搞清楚了我们和竞品的差距点后，就可以找产品和运营落地了，到这里，竞品分析的目的已经达到了，只需要执行就可以了，如果这些基本的功能模块迭代都是先不了，那种战略性的方向调整，基本上和分析师就没什么关系了。

落地项、具体方案、跟进人、优先级、预期上线时间、预期效果；

在落地这件事上，分析师要充当先锋角色，实际上第一次非常重要，尽最大努力去推动这件事。