新書推薦：
《
东西方文明的碰撞与融合：日本社会心理发展史
》
售價：NT$
403.0
《
康德希望问题研究
》
售價：NT$
500.0
《
十倍创新：企业十倍增长的底层逻辑
》
售價：NT$
398.0
《
艺术家的调色板
》
售價：NT$
857.0
《
大数据开发实战
》
售價：NT$
607.0
《
中国史纲（张荫麟先生带你学历史！）
》
售價：NT$
250.0
《
如何避免成为病人：世界著名医疗机构院长三度获奖的就医指导和健康守护指南
》
售價：NT$
320.0
《
遇见紫禁城：文房之趣
》
售價：NT$
653.0
|
| 編輯推薦： |
|
在这个数据为王的时代，信息不再是孤立的数字堆砌，而是驱动决策、优化业务、预测未来的关键力量。然而，海量数据背后，若无一套科学、高效的数据指标体系作为导航灯塔，就如同航海者失去了星图，盲目而低效。《数据指标体系构建》一书，正是您穿越数据迷雾、解锁数据价值的指南。掌握数据指标体系，意味着您能更快一步识别机遇与风险，将数据潜力转化为实实在在的业绩增长。无论是初创企业探索市场，还是成熟企业寻求突破，《数据指标体系构建》都能成为您手中的利剑，助力精准决策，实现数据驱动的增长飞跃。本书精华内容：4大黄金指标评判标准7大构建指标体系的策略2大用户指标——规模、行为5个典型行业指标——工具、内容、社交、交易、游戏5个典型行业案例——在线教育、阅读工具、图文社区、网约车、社交电商3个高效数据处理关键——数据收集、指标开发、数仓建模2个监控看板实战案例4种数据异动类型3步精准定位数据异动1套高效的维度拆解分析策略7种量化数据异动贡献度的方法25种BI数据可视化方法
|
| 內容簡介： |
|
这是一套数据指标体系全流程构建（从规划、框架设计、数据采集加工到应用）方法论与实践指南。它不仅深入浅出地分享了通用的数据指标体系构建策略，还通过多个行业实例展示了具体操作方法。书中从数据采集入手，借助BI工具Superset实践构建过程。本着“一切技术都是为业务服务的”这一宗旨，本书除了包含数据指标体系构建相关内容外，还结合统计学原理及Excel、Python等工具，深入剖析数据指标波动对业务的影响，旨在帮助读者深入理解数据指标与实际业务的底层关联，把数据指标体系落地到业务中。第一篇（第1章）：深度解读数据指标体系的基础知识，让读者充分理解数据指标，并掌握构建策略、全流程和方法概要，其中包括数据指标体系分类标准、评判优质指标的4个标准、选择数据指标的4个注意事项、数据指标体系3要素、构建指标体系的7个策略等重点。第二篇（第2~6章）：从实践层面出发，带领读者基于业务目标一步步提炼5类产品（工具类、内容类、社交类、交易类、游戏类）的关键数据指标，并通过精细的维度拆解，呈现清晰的指标规划图谱。本篇还在最后站在分析维度的角度给出了数据指标分析的方法论。第三篇（第7章和第8章）：在第二篇形成的规划图谱的基础上，给出数据指标构建的完整方法论，并以在线教育、电子书阅读工具、图文内容社区、网约车平台、社交电商这五大典型行业为例，完整解读如何将方法论应用于实践。第四篇（第9章和第10章）：揭秘数据从埋点收集到清洗加工的全过程，包括原始数据采集、数据处理与指标开发、数仓模型构建等。这是实现高效数据处理的关键，也是数据分析师技能之一。第五篇（第11章和第12章）：通过实际案例指导读者搭建数据指标体系，并展示如何利用数据指标体系监控业务动态，分析数据异动，量化其对整体业务的影响。其中包括25种BI数据可视化方法、2个监控看板实战案例、精准定位数据异动的方法、4种数据异动类型、1套异动维度拆解策略，以及7种量化数据异动贡献度的方法。
|
| 關於作者： |
李渝方 （网名：森夏恩）
现就职于某互联网大厂担任数据分析师，曾先后就职于游族网络、阿里巴巴等大厂，均从事数据分析、数据指标体系构建相关工作。参与过多个大型项目，对各种数据与业务关系、数据分析流程与实践有深入理解，精通SQL、Python、Excel等数据分析工具。
复旦大学硕士，畅销书《数据分析之道——用数据思维指导业务实战》作者，知乎数据分析话题优秀答主，公众号“数据万花筒”运营者。截至本书完稿时，在公众号累计发布数据分析相关原创文章100余篇，全网阅读量超过200万。
|
| 目錄：
|
目 录
前 言
第一篇 数据指标体系基础知识
第1章 数据指标体系简介 2
1.1 数据指标概述 2
1.1.1 什么是数据指标 2
1.1.2 数据指标的分类 3
1.1.3 好的数据指标的4个评价标准 4
1.1.4 选择数据指标时需要注意的4个问题 6
1.2 数据指标体系概述 8
1.2.1 数据指标体系的3个要素 8
1.2.2 基于数据指标形成数据指标体系 9
1.2.3 为什么需要数据指标体系 10
1.3 数据指标体系的构建及落地流程概括 11
1.3.1 数据指标体系的构建流程 11
1.3.2 数据指标体系如何落地 12
1.4 构建数据指标体系的方法论汇总 13
1.4.1 北极星指标 13
1.4.2 OSM/GSM模型 14
1.4.3 AARRR模型 15
1.4.4 UJM模型 15
1.4.5 HEART模型 15
1.4.6 PULSE模型 16
1.4.7 MECE模型 16
第二篇 数据指标规划
第2章 数据指标梳理 18
2.1 梳理数据指标的不同视角 18
2.2 用户数据指标概述 19
2.2.1 用户规模指标 20
2.2.2 用户行为指标 20
2.3 业务数据指标概述 21
2.3.1 工具类产品数据指标 21
2.3.2 内容类产品数据指标 22
2.3.3 社交类产品数据指标 23
2.3.4 交易类产品数据指标 23
2.3.5 游戏类产品数据指标 24
第3章 用户规模数据指标 25
3.1 获取用户 25
3.1.1 获取用户的渠道 25
3.1.2 获客阶段的关键指标 26
3.1.3 买量用户成本相关指标 26
3.1.4 构建渠道成本用户字典时需要注意的问题 28
3.1.5 用户成本指标在数据分析中的作用 29
3.2 新增用户 30
3.2.1 如何定义用户 30
3.2.2 如何定义“增” 31
3.2.3 如何定义“新” 31
3.3 活跃用户 32
3.3.1 什么是活跃用户 32
3.3.2 评价活跃用户的指标 32
3.3.3 活跃用户的构成 33
3.3.4 警惕活跃用户存在的陷阱 34
3.3.5 活跃用户数量持续增长与业务的关系 36
3.4 留存用户 37
3.4.1 用户留存率的计算及问题本质 37
3.4.2 平均留存率与加权留存率 39
3.4.3 深入解读用户留存 42
3.4.4 反映用户留存的相关指标 43
第4章 用户行为数据指标 45
4.1 使用类指标 45
4.1.1 使用次数 45
4.1.2 使用时长 46
4.1.3 使用时间间隔 47
4.2 访问类指标 48
4.2.1 访问人数与访问次数 48
4.2.2 转化率 49
4.2.3 页面访问深度 49
4.3 付费类指标 50
4.3.1 付费行为指标概述 50
4.3.2 付费规模及质量相关指标 51
4.3.3 人均付费情况相关指标 53
4.3.4 生命周期价值 53
4.4 传播类指标 54
第5章 业务数据指标 55
5.1 工具类产品及其数据指标 55
5.1.1 工具类产品的细分 55
5.1.2 工具类产品的价值 56
5.1.3 工具类产品的盈利模式 56
5.1.4 工具类产品需要关注的数据指标 57
5.2 内容类产品及其数据指标 58
5.2.1 内容类产品的特点 58
5.2.2 内容类产品需要关注的数据指标 59
5.3 社交类产品及其数据指标 62
5.3.1 社交的流程 62
5.3.2 社交类产品的三要素 63
5.3.3 社交类产品的分类 64
5.3.4 社交类产品需要关注的数据指标 64
5.4 交易类产品及其数据指标 65
5.4.1 交易类产品的类型 65
5.4.2 交易类产品的核心模块 66
5.4.3 交易类产品需要关注的数据指标 66
5.5 游戏类产品及其数据指标 69
5.5.1 游戏行业产业链 69
5.5.2 游戏运营的核心要素 70
5.5.3 游戏的分类 70
5.5.4 游戏类产品的核心数据指标 72
第6章 分析维度 75
6.1 数据指标与分析维度 75
6.1.1 什么是维度 75
6.1.2 数据指标与维度之间的关系 76
6.1.3 维度在数据分析中的作用 77
6.2 数据分析中常用的分析维度 77
6.2.1 分析维度汇总 78
6.2.2 各类数据分析维度详解 78
6.3 维度在数据分析中的应用 81
第三篇 数据指标体系框架设计
第7章 数据指标体系构建的方法论 84
7.1 数据指标体系的通用方法论 84
7.1.1 数据指标体系的通用方法论概述 84
7.1.2 引领数据指标体系构建的OSM模型 85
7.1.3 通用方法论中各步骤实现方法简要概括 85
7.2 明确业务目标，梳理北极星指标 86
7.2.1 如何找到业务的北极星指标 87
7.2.2 如何判断是否为优秀的北极星指标 88
7.2.3 选择北极星指标还需要关注产品的生命周期 91
7.2.4 梳理北极星指标的方法论 94
7.3 梳理业务流程，明确过程指标 95
7.3.1 两个模型指导业务流程梳理 95
7.3.2 梳理业务流程并明确过程指标的方法论 96
7.3.3 案例分析：拆解业务流程，明确过程指标 97
7.4 指标下钻分级，构建多层级数据指标体系 98
7.4.1 如何实现指标的下钻分级 98
7.4.2 案例分析：完成指标下钻分级 100
7.4.3 案例分析：数据分析培训机构的北极星指标课程收入拆解 101
7.5 添加分析维度，构建完整的数据指标体系 102
7.5.1 数据指标体系的维度概述 102
7.5.2 案例分析：电商北极星指标GMV的分析维度 103
第8章 数据指标体系方法论的案例实践 105
8.1 案例：以职场在线教育为例实践
数据指标体系构建 105
8.1.1 业务场景介绍 105
8.1.2 4个步骤实现数据指标体系构建 106
8.1.3 数据指标体系如何辅助业务目标实现 109
8.1.4 构建数据指标体系的过程总结 110
8.2 案例：以电子阅读工具为例实践数据指标体系构建 110
8.2.1 业务场景介绍 110
8.2.2 4个步骤实现数据指标体系构建 111
8.2.3 数据指标体系如何辅助业务目标实现 117
8.2.4 构建数据指标体系的过程总结 118
8.3 案例：以图文内容社区为例实践数据指标体系构建 118
8.3.1 业务场景介绍 119
8.3.2 4个步骤实现数据指标体系构建 119
8.3.3 构建数据指标体系的过程总结 125
8.4 案例：以网约车为例实践数据指标体系构建 125
8.4.1 业务场景介绍 125
8.4.2 4个步骤实现数据指标体系构建 126
8.4.3 数据指标体系如何辅助业务目标实现 130
8.4.4 构建数据指标体系的过程总结 131
8.5 案例：以社交电商为例实践数据指标体系构建 131
8.5.1 业务场景介绍 131
8.5.2 4个步骤实现数据指标体系构建 133
8.5.3 数据指标体系如何辅助业务目标实现 136
8.5.4 构建数据指标体系的过程总结 138
第四篇 数据采集和加工
第9章 数据采集 140
9.1 数据埋点概述 140
9.1.1 什么是数据埋点 140
9.1.2 数据埋点在数据指标体系构建中的作用 142
9.1.3 数据埋点能够采集哪些数据 142
9.1.4 数据埋点的分类 143
9.2 数据埋点的实现步骤 145
9.2.1 数据埋点流程介绍 145
9.2.2 实现数据埋点设计的6个步骤 146
9.3 案例：以用户注册转化为例实践数据埋点方案设计 147
9.3.1 实现用户注册转化埋点方案设计的6个步骤 148
9.3.2 用户注册转化埋点方案汇总 150
第10章 数据指标开发与数据仓库建模 153
10.1 数据指标体系规范 153
10.1.1 构建数据指标体系的理论支撑 153
10.1.2 各类数据指标的命名规范 155
10.1.3 用户规模、行为以及业务数据指标的中英文命名规范 158
10.2 数据仓库模型设计 160
10.2.1 数据仓库介绍 160
10.2.2 数据仓库模型层次 161
10.2.3 数据仓库建模方法及实施流程概述 164
10.3 案例：以用户注册转化为例实践数据指标体系规范设计 165
10.3.1 数据调研，明确需求 165
10.3.2 业务过程及统计指标梳理 167
10.3.3 数据仓库模型设计 171
10.3.4 数据仓库建模流程梳理 178
第五篇 数据指标体系应用
第11章 BI工具实现数据指标体系构建 180
11.1 Superset概述 180
11.1.1 常见的BI工具介绍 180
11.1.2 Superset下载安装 181
11.1.3 Superset连接MySQL数据库 187
11.2 Superset的图表功能及基本操作 189
11.2.1 Superset图表功能分类 189
11.2.2 表格 190
11.2.3 KPI图 192
11.2.4 关系图 196
11.2.5 分布图 202
11.2.6 时间序列图 211
11.2.7 地理空间图 216
11.3 案例：使用Superset构建数据指标监控看板 216
11.3.1 用户获客漏斗分析 216
11.3.2 用户活跃及留存分析 220
11.3.3 用户付费分析 222
11.3.4 数据指标监控看板搭建 230
11.4 案例：使用Excel代替BI工具搭建数据监控看板 232
11.4.1 使用Excel制作动态看板的6个关键步骤 232
11.4.2 Excel动态看板在实际工作中的运用 235
第12章 数据指标体系如何指导数据异动分析 237
12.1 数据异动分析流程概述 237
12.2 数据波动多少才是异动 239
12.2.1 透过业务含义理解异常指标 239
12.2.2 数据异动的统计学理论支撑 239
12.2.3 快速确定数据是正常波动还是异常波动的方法 241
12.2.4 建立数据告警，及时监测数据异动 243
12.3 数据异动的类型及引起因素 243
12.3.1 数据异动的类型 243
12.3.2 数据传输问题引起的数据异动 244
12.3.3 业务内部因素引起的数据异动 244
12.3.4 外部因素引起的数据异动 246
12.3.5 其他未知因素引起的数据异动 246
12.3.6 不同类型数据异动排查维度汇总 247
12.4 维度拆解快速定位异动原因 248
12.4.1 维度拆解概述 248
12.4.2 维度拆解，分析共性 248
12.4.3 案例研究，分析个性 250
12.4.4 维度上升，验证共性 251
12.4.5 输出业务化的数据结论 251
12.5 多个维度均有变化如何快速找出异常的维度 252
12.5.1 多个维度均有变化怎么办 252
12.5.2 相对熵方法介绍 252
12.5.3 案例分析 253
12.6 指标拆解量化异动对于大盘的贡献度 254
12.6.1 加法指标 254
12.6.2 除法指标 256
12.6.3 乘法指标 260
12.6.4 新增维度如何拆解贡献度 264
12.7 案例：留存率下降5%应如何分析 265
12.7.1 案例简介 265
12.7.2 案例分析 265
|
| 內容試閱：
|
前 言
为什么会写这本书
数据指标体系是数据分析师基于对业务的理解，从BI工具入手将多个相关的数据指标通过一定规则组织起来的、反映业务发展现状的评价体系。构建数据指标体系是数据分析师日常工作的重要组成部分。厘清各类数据指标之间的联系以及整合多个数据指标使其变成有联系的整体，以形成一套可以监控业务的体系，是数据指标体系构建的主要过程。在数据指标体系的构建过程中，掌握BI工具是基础，依靠对业务的理解提炼数据指标，形成监控体系并分析数据异动原因是数据指标体系为业务赋能的重要体现。因此，构建数据指标体系不仅需要掌握BI工具，更需要理解业务，对数据有较高的敏感度。
市面上大部分与数据指标体系相关的书籍都仅介绍BI工具的使用方法，能够将数据指标体系构建全流程融为一体的书籍少之又少，于是我萌生了写一本以数据指标体系构建为主线的数据分析相关书籍的想法。前期我在自媒体上对数据分析文章的分享以及2022年《数据分析之道——用数据思维指导业务实战》的出版为本书的写作奠定了坚实的基础，最终在孙海亮老师的邀请下我开启了本书的写作历程。
本书的读者定位
本书适合以下几类人群阅读：
工作1～3年的初级数据分析师。
数据分析初学者以及其他行业想要了解数据分析及指标体系构建的数据分析爱好者。
数据科学行业的人力专家和猎头（用于评估候选人的数据分析能力）。
本书的特色
本书以数据指标体系构建为主线， 将数据指标规划、数据指标体系的框架设计、数据采集加工以及数据指标体系的应用等数据指标体系构建全流程融为一体。全书共5篇12章，由浅入深地介绍了一套通用的数据指标体系构建方法论，分享了已在多个行业实践的数据指标体系构建方法，同时从数据源获取出发，基于BI工具——Superset手把手教学数据指标体系构建，并结合统计学知识以及Excel、Python等工具分析数据指标异动原因及其对大盘的贡献度，实现数据指标体系赋能业务。
第一篇是着重介绍数据指标体系的基础知识，包括数据指标的定义、数据指标的分类、好的数据指标的评价标准以及多个零散的数据指标如何整合成一套完整的数据指标体系。
第二篇着重介绍数据分析师在数据指标规划阶段的工作内容，即根据业务目标进行拆解，抽象出能够衡量业务现状的关键指标，同时确定指标的统计口径以构建数据指标字典，包括用户规模数据指标、用户行为数据指标、业务数据指标以及数据指标的分析维度。
第三篇着重介绍数据指标体系的框架设计，其中包括一套以“目标化、模块化、流程化、层级化、维度化”为基础的数据指标体系构建方法论，以及职场在线教育、电子阅读工具、图文内容社区、网约车、社交电商行业数据指标体系实践方案。
第四篇主要介绍数据采集和加工，包括如何通过数据埋点获取数据指标体系构建所需的原始数据，以及获取原始数据后如何通过数据加工清洗完成数据指标开发及数仓模型构建。其中数据指标开发及数据仓库模型构建阶段的大部分工作都由数据仓库开发工程师完成，数据分析师对这部分内容仅了解即可，因此本篇也只会对相关内容进行概括性的介绍。
第五篇介绍数据指标体系的应用，包括使用BI工具实现数据指标体系的构建，以及数据指标体系如何在实际场景下指导数据异动分析。本篇内容会从BI工具的安装出发，详细教学BI工具各个子模块的使用方法，并通过实际案例完成数据指标体系的构建，同时介绍数据指标体系如何监控业务异动，定位异动原因，以及计算指标异动对大盘的贡献度。
数据指标体系的构建并不是一蹴而就的，本书会总结数据指标体系构建方法论，同时分享实践案例以引导读者完成BI工具的使用和简单的数据指标体系构建。当然这是远远不够的，掌握构建数据指标体系以及分析数据异动原因最好的方式是在实战中积累和总结。本书只是抛砖引玉为读者建立一个系统框架，最终还是需要读者在自己的工作中进行实践和积累。
勘误与支持
由于我的水平有限，书中难免会出现一些错误或者不准确的地方，恳请读者批评指正。读者可以将发现的错误、不准确的描述、代码bug、文字问题及有疑惑的地方通过邮箱574233829@qq.com或者公众号“数据万花筒”反馈给我，我会及时解答。可在微信搜索页面搜索“数据万花筒”，或在公众号搜索页面搜索“DataArtScope”关注我的公众号。
致谢
本书是我在长期的工作中总结出来的经验和方法，所以我首先要感谢从实习到正式工作这几年陪我一路走来的同事们，没有他们的指导和付出也就没有我的成长！
其次，感谢父母，他们给了我生命，给了我受教育的机会，在困难和挫折面前鼓励我，帮助我，因此才有了今天的我。
当然，也要感谢公众号的读者，他们的支持让我有了持续更新技术文章的动力，也才有了这本书的出版！
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
