数据看板，其实财务分析，或者说，是财务管理，做的就是这种，power BI是一种很漂亮的呈现方式，数据能反应很多东西，数据是决策依据，是发现问题的依据
第一部分，确立数据目标
数据分析是个古老的领域——这个我想到了战场上的减灶法^_^，貌似孙膑杀庞涓的计策里，就用了这个^_^，在制造业数据分析——其实制造业把数据分析用的很登峰了
互联网只是一种产业断代，历史上的产业断代发生过很多次，比如铁路出现时，就是降维打击，大规模生产对农耕文明的致命打击，所以，日光之下并无新事
互联网是时代的跨越，是比过去发生了一些变化，首先，数据分析的目的变了
都是用数据分析驱动增长，工业时代是种地模式，而互联网时代是盖楼模式——依托网络效应实现指数级增长或阶乘式增长
种地模式的意思，所有的成果都需要一步一脚印的去开垦，已有客户扩大销售额——增加品类、过去的复购，开发新的客户——展会、拜访等等，这就跟占山头似的，一个一个的开发过去，15%的增长就很不错
而互联网是盖楼模式，硅谷互联网独角兽潜质的定义，月增长20%，或周增长7%
如何实现这种增长，业务漏斗：引擎、度量、要素，引擎长什么样，度量如何选取，增长要素是哪些，关键度量要达到什么水准才ok？
第二部分，构建数据框架
先把增长引擎画出来：投放，触达，扫码，付费，分享，再到触达循环
其实传统销售也是类似的漏斗，叶教也举例了，不同的是网络效应——分享，传统销售是转介绍，两者差别一个是规模，一个是时间，单点VS多点，长周期VS很短时间，时空效应
区别两个环节，流量的差异性，有效和无效，有和优，比如能到下一步的是有效，比如有效投放=触达，无效投放就是在第一步停了，优质付费就是分享，或者说高价值用户
一个引擎环节，就是一个分流管，流量不去你家，就是去别家
这是画出引擎的方法
度量是什么，就是引擎环节/前环节流量，引擎每推进一步，流量少了多少/多了多少
最后转化是放大率，放大率＞总体衰减率，这引擎才是“永动机”，自增长率＞1，才能实现裂变，＜1的都是伪裂变
引擎的空间维度，自增长率，一般需要9个月才可能成为真裂变
但是时间维度上往往不可能“永动”，不管是新鲜感耗尽，还是增量耗尽，反正需要新的内容来重启业务引擎——感觉像是机油倒进发动机，最终机油耗尽，要加油
引擎的时间维度：有效轮次
引擎的资源维度：边际成本
传统企业的边际成本，是耐克小勾子，新企业刚开始随着规模增加边际成本降低，但过了最低点以后，就开始增加了
互联网的边际成本是随着规模的增加而持续降低的
是不是真的网络效应，就看边际成本是不是递减
但是个人想，应该还差一个参数，就是总利润，只要总利润还在上升，那就可以继续扩啊
还给了个平均总成本，平均总成本最低点，边际成本本来就是平均成本的{n-(n-1)}
叶教说很多公司都停在平均总成本最低点，而不是利润率最低点，这也是个策略，取中庸之道，平衡之道，但战略不同吧
但其实流量走到存量时代的时候，流量边际成本是可能上升的，只是互联网的边际成本最低点比传统企业要长的多——但是考虑到速度，可能也差不多吧
要说拼多多总是能想到运营方法来使得边际成本下降，那传统企业里也有这样的牛逼企业家，只是说，互联网的确是轻资产，而传统企业是重资产，还是各有特点
要素，影响每个环节的度量的要素有哪些
比如触达率的要素，渠道匹配度，流量真实性，投放策略（含投放时间）
扫码率的要素，品牌效应，需求匹配度，刷屏量，人性规则组合
付费转化率的要素，除以上，付费量，分成机制
推荐率的要素，除以上，分享人自身偏好
放大率的要素，分享人影响力，分享时段
感觉说人话吧，就是把促进引擎环节转化的因素找出来——可以说是抓大放小，正确归因了
如何找出这些因素，正向找齐不容易，但是利用人性，反方向找会容易的多，比如哪些会促使我们不推荐——这好像也是利用人性的爱评价特性哎
利用人性理解力。。。。
通过海报推测其增长大引擎，大引擎是战略层次的，无定法难复制，因地制宜
拉新可能：活动（海报），头条号，公众号等，把拉新的数据留下来（割韭菜），割了的请二次推荐，没割到的召回再割，反正促活，还可以把流量与其他需要流量的置换，促活之后搞新的活动还可以二次变现——再割一次
大引擎环节多，先优化那个？活跃度有日活周活月活，怎么知道用哪个表现来做参考评估好不好呢？哪些角度去分析找到可优化的项，优化数据的策略很多，怎么知道选哪种更好
第三部分，用数据驱动增长
增长突破的顺序推荐
先搞留存率，耗时3~6个月，业务到底有没有抓住用户的需求和痛点，有没有给客户创造真正的价值，是不是能给客户很好的体验，传统工业公司在打磨产品上花3~5年时间，互联网会快很多
再搞推荐率，耗时6~18个月，先有好的用户体验再搞推荐，推荐会让你区分流量的真实性
最后才是拉新，持续单渠道6~12个月
独角兽公司一般能在24个月完成三大环节的主体构建，大部分公司时间*2or3
留存率是一个公司的生死线，是增长引擎各环节的基石
留存率高摊低了拉新成本，老用户留存对新用户促活有帮助——推荐有社交性质，再到留存环节自身付费率能差10倍，推荐是有阶乘效应的，留存越多，推荐越多，留存时间越长，转化越提升，拉长用户生命周期，各项表现都会好，客户总价值贡献增加
不同互联网公司的留存率是不同的，怎么界定留存
个人思考，那就是时间和空间上，首先对于公司，其产品更新频率，和召回促活方法，然后对于用户，其使用产品频率，和可选方式、最终行动——这是个人想法，但实际上，自己可能真的只能做ABtest，因为自己真的是不那么喜欢试新，老产品用的还不错够用就行了，去了解动态关注太多动态，很累的。。。所以。。。这才是我一直致力于学习底层的原因吧，为了能以不变应万变，自己一直以来都是这种策略。。。
数据分析的岗位以后都可以AI去做了，所以数据洞察力的重点不在于数据分析，在AI时代，真正我们要去掌握的，是在数据战略、数据方向、数据框架上如何去做思考
用大数据计算出每个动作的平均频率，在一段时间内低于这个频率，就算流失——留存率
常见业务的留存率定义：分为业务动作，和常见流失周期——^_^我的思考空间和时间是对的
电商和外卖的动作都是下单购买，流失周期是6个月，旅游网的动作是预定房间/旅游，周期12个月，打车动作是叫车，周期3个月，社交网站动作是登录，周期3个月，公众号动作是打开文章，周期6个月，视频动作是点开视频，周期3个月
用户消费习惯和交互方式变化的话，定义还会不断调整，不同用户的留存率定义也会改变，动态调整
流失之后是要召回
如何判定留存率的好坏：老用户的留存是逐年稳定的
第一年的留存一定是下降的，第二年开始，留存率就应该平缓，后面就要平稳，最牛逼的公司就是要看长期稳定的用户留存是怎样，好的公司长期留存15%以上
新用户的留存逐年提高——产品服务品质提高
发展线：推荐率
推荐率是通过网络效应降低边际成本，构建竞争优势的关键战场
如果有一轮推荐50%，那成本降低到初始拉新成本66%，如果能有二轮推荐，则降低到57%
如果一轮推荐100%，那成本降低到50%，二轮的话降低到33%
首先成本之下是毛利净利，能不能支持持续投拉新，另外一种是拿到了巨额融资，明明业务引擎质地不行，烧钱的拉新其实还是会亏，但为了数据好看能继续融资，还是去投了，所以，永远不要看表面的客户规模，业务质地才是真正的考察点
海尔商城的早期运营，以员工为圈，身边亲友推荐第二层，扩三层四层，转化率和复购率的提升，赢了KPI，但是战略上海尔不应该自己做商城，而传统企业总想着什么都要自己做。。。想要做出生态圈，但以前吧有线下商城，后来又线上商城