想成为数据产品经理/AI产品经理，先掌握9个数据分析模型。
科技创新周期的演变基本上都会经历“技术先于产品-产品先于技术-运营先于产品”这样几个阶段。
以移动互联网时代为例，智能手机刚开始普及时，行业急需的人才以安卓/IOS系统开发工程师为主，等到基建层渐趋完善后移动App才百花齐放般出现，同时也开启了产品经理的黄金时代;
而从2018年起移动互联网增速放缓，行业整体也从“人人都是产品经理”转向“运营之光”，这时抖音和小红书为代表的重运营型产品后来居上，凭借优质内容与精细化运营跻身国民App之列。
越多的企业意识到了大数据和精细化运营的重要性，为了更好地挖掘数据的价值，指导业务的优化和发展，数据产品经理应运而生，他们基于数据分析方法发现问题，并提炼关键要素，设计产品来实现商业价值。
模型可分三个部分组成的，即目标、变量和关系。模型的呈现可以是公式、可以是实物、可以是图表等。
在产品经理的工作中经常提“模型”的概念，其中一个原因是，互联网产品的生命过程中，会有大量抽象、虚拟、碎片化的内容需要思考、沟通、提炼。
工具总是不断推陈出新，增加（或者打补丁）各种功能，但思维模型和分析方法，却隽永而美好。
MOT模型用来表述消费者发生的关键性转变，归因模型则描述引发消费者关键转变的渠道或是场景，而消费者旅程则从更“普遍性”的角度描述同一消费者跨触点的行为。
MOT的意思是Moment of Truth，描述消费者被营销或者激发之后发生的行为变化的关键时点。
第一、对于一次成功的转化，各个渠道或触点各有多少的功劳；
第二、描述各个渠道或触点对该转化进行贡献的先后关系甚至因果关系（但因果关系还需要人进行分析才可能得出）。
归因模型仍然强调要发生最终的转化，因为归因二字，实际上是英文attribution（功劳归属）的意思，所以它的作用是回溯转化之前的渠道和触点。
但消费者旅程模型则直接描述消费者在不同触点上的行为和先后发生的次序。你可以认为消费者旅程模型是流量的路径模型升级为“以人为核心”的“高级”版本。
常用的细分模型还是有一些典型的类别的，掌握如下这些（还包括太多太多我没有写进去的）常用的细分方式，对我们的工作有事半功倍之疗效。
(1)流量渠道细分——最常用的方式就是我们模型二：Engagement和ROI模型所用的方法。
(2)流量与落地页细分——对于分析流量和承接端的匹配那是超级有用。
(3)人群细分，尤其是注册与非注册人群——CDP、DMP的根本。而我本人，则喜欢对更显性的人群做细分，例如，已经注册和未注册人群的差异。
(4)UI和内容的细分——用于辨识不同UI和内容对于人的行为的影响。常常用于分析和优化转化，尤其是微转化领域。
(6)AB测试——本质上也是利用UI或者UX的差异，人为故意地建立行为的细分，并且AB测试已经不仅仅扩展到UX，随着人群细分能力和CEM相关技术的提升。
细分极为重要，各种细分场景也多到数不清，而且很多其他模型本身就是一种细分。
善于进行细分是一种能力，体现了营销和运营工作的基本素质。
高优先级的资源往往具有更好的质量。因此，反过来讲，如果广告主希望获得更高的优先级，那么在预算一定的情况下，应想办法让广告主的eCPM得以提升。
对于任何非CPM和CPD的广告资源，广告主提升媒体eCPM的好方法是提升CTR（对于CPC类广告），或是转化率（对于CPA类广告）。
媒体普遍采用的监督学习的机器学习方式，进一步强化了这种趋势。
这个模型同样不是一个，而是一组，包含多个模型：留存曲线、RFM、LRFM、流失预测模型等。
留存曲线是描述一个细分人群（通常用时间细分，或者用人群源细分），随着时间留存的情况。
下面两个图，第一个是示意图，第二个则是具体真实数据例子中的图。留存曲线比较直观的展现了不同群体留存的情况，从而帮助我们分析什么属性或者什么原因能够有更好的留存。
它基本上用excel就能完成模型的建立，但作用却非常巨大。
RFM用三个维度R（Recency，新近度）、F（Frequency，频次）、M（Monetary Value，现金价值来衡量用户的价值。
RFM 模型是客户关系管理中最常用的模型，但这一模型还不够完善，比如对于 M(Money)，即消费金额相等的两个用户而言，一个是注册两年的老用户，一个是刚注册的新用户。对于企业来说，这两个用户的类型和价值就完全不同，因此我们需要更全面的模型。
LRFMC 模型提供了一个更完整的视角，能更全面地了解一个用户的特
L(lifetime)：代表从用户第一次消费算起, 至今的时间，代表了
与用户建立关系的时间长度，也反映了用户可能的活跃总时间.
R(Recency)：代表用户最近一次消费至今的时间长度，反映了用
F(Frequency)：代表用户在一定时间内的消费频率，反映了用户
M(Monetary)：代表用户在一定时间内的消费金额，反映了用户
C(CostRatio)：代表用户在一定时间内消费的折扣系数，反映了
以去哪儿的业务为例，通过 LRFMC 模型可以综合分析用户的习惯偏好和当前状态，从而指导精准营销方案的实施。
流失预测模型，是用历史流失发生的数据，训练数据模型，从而预测未来的流失，最常用的模型是决策之类的数据挖掘方法。
这个模型普遍应用于零售、游戏、高频次的互联网服务等。我的大课堂会介绍，不再赘言。
杜邦分析法目前主要用于财务领域，通过财务比率的关系来分析财务状况，其核心要点是将一个大的问题拆分为更小粒度的指标，以此了解问题出在了哪儿，从而对症下药。
以电商行业为例，GMV（网站成交金额）是考核业绩最直观的指标，当GMV 同比或环比出现下滑时候，需要找到影响 GMV 的因素并逐一拆解。
GMV 下降如果是因下单用户减少所造成的，那么是访客数（流量）减
少了，还是转化率下降了呢？如果是访客数减少了，那是因为自然流量减少了，还是因为营销流量不足？
如果是自然流量下降的话，可能需要在用户运营和产品运营端发力，如果是营销流量不足，那么可以通过营销活动或者站外引流的形式增加曝光量。
同样，如果是转化率的问题，那么需要对用户进行细分，针对不同阶段的用户采取不同的运营策略，关于用户的部分，这里不做赘述，有兴趣的朋友可以关注后面的文章。
最后，如果是因为客单价不高，那么需要进行定价及促销的方案优化，比如识别具有 GMV 提升潜力的商品进行定价优化，评估当前促销的ROI，针对选品、力度和促销形式进行优化。同时通过关联商品的推荐或商品套装促销的形式，激发用户购买多件商品，也可以有效提高客单价。
同比热力图分析法这个名称是我自己造的，其实无非是把各个业务线的同比数据放到一起进行比较，这样能更为直观地了解各个业务的状况。
1. 按照杜邦分析法将核心问题进行拆解，这里仍以电商为例，我们将 GMV 拆成了流量、转化率、商品均价和人均购买量，即GMV=流量*转化率*商品均价*人均购买量；
3. 针对每一项指标，对比各业务的同比高低并设定颜色渐变的条件格式，以转化率同比为例，业务 5 转化率同比最高，为深橙底色，业务 3 转化率同比最低且为负值，因此设定为蓝色底色加红色字体。
通过同比热力图的分析，首先，可以通过纵向对比了解业务自身的同比趋势，其次，可以通过横向对比了解自身在同类业务中的位置，此外，还可以综合分析 GMV 等核心指标变动的原因。
BCG 矩阵大家都非常熟悉了，以市场占有率和增长率为轴，将坐标系划分为四个象限，用于判断各项业务所处的位置。
这里想讲的并非传统的 BCG 矩阵，而是 BCG 矩阵的变阵，或者叫类BCG 矩阵。
根据不同的业务场景和业务需求，我们可以将任意两个指标作为坐标轴，从而把各类业务或者用户划分为不同的类型。
比如可以以品牌 GMV 增长率和占有率构建坐标系，来分析各品牌的状况，从而帮助业务方了解到哪些品牌是未来的明星品牌，可以重点发力，哪些品牌处于弱势且增长匮乏，需要优化品牌内的产品布局。
除此之外，我们还可以根据以下场景构建类 BCG 矩阵：
分析商品对毛利/GMV 的贡献：毛利率-销售额
基于 RFM 分析用户的价值：访问频率-消费金额
按照上述方法，大家可以根据需求大开脑洞，按照一定标准对研究对象进行分类分析。
大家对于Engagement Index模型可能还比较陌生，但对于它的应用场景你肯定不会觉得陌生。
无论是给用户打标签（尤其是CDP或者DMP给用户打标签）所用的方法，还是CRM给销售线索打分，又或是评价一个流量或者人群的质量，无一不是基于这个模型或是以这个模型作为思想。
Engagement Index模型的思维，即权重化部分甚至所有的用户交互行为。
例如，每发生1次转化，就需要看商品介绍页面100次，那么查看商品介绍页的行为每发生一次，就值10分。
放在AI这么热门的今天，Engagement Index有可能就是机器来计算了，计算的方式，跟我们后面要讲到的归因模型比较类似。
比如，我非常喜欢的一款全渠道营销管理与自动化工具Marketin——可能了解的朋友同样不多，但这个产自中国的工具制作的非常良心且用心——的用户标记及销售线索打分的功能，就是基于这个模型。
主要的进化是从以流量为核心的转化漏斗，进一步扩展为以人为核心的转化漏斗。
以人为核心的转化漏斗的区别在于，考虑到今天数字世界的极为膨胀和碎片化的趋势。
这个模型的实际使用功能常常由DMP或CDP实现，普通用户行为工具较难完成相关数据的抓取，也就很难构建模型。
在一款数据产品诞生前，应该是先有数据，再有分析，然后才是产品，分析的广度和深度直接决定了产品的定位和价值。
如果是做一款数据报表类的产品，那么需要了解核心指标，并建立综合指标的评估体系。如果是做一款分析决策类产品，那么还需要基于业务需求，将现有数据指标进行解构再重构。
本篇文章来源于微信公众号: 产品参赵
