表明了用户在产品中的各类行为的数据方针，如页面拜访、元素点击、停留时长等

表明了用户属性的数据方针，如人口统计学属性（性别、区域、教育程度、口味……）、拜访来源等，这类方针能够反映出用户自身的特征。

例如，你从事的是奶茶事务，事务范围覆盖全国，那么在进行用户群体相关的口味调研事务剖析时，需求根据用户所属区域分隔考量。由于不同区域的用户，其嗜甜度不同（江浙沪区域的人或许愈加喜爱甜）。

2）行为数据

表明了用户在产品中的各类行为的数据方针，如页面拜访、元素点击、停留时长等。用户行为自身代表了用户对信息的期望，咱们能够十分轻易地利用用户行为数据，推断出用户的实践需求。

用户行为数据一般在优化事务流程或产品体会时格外有用。

例如，当你观察到APP某页面上某个信息区块，用户的点击量特别大、且停留时间较长，这证明了用户对这部分信息的感兴趣程度较高。在后续的产品迭代中，则能够考虑有限优化这部分，办法能够有许多。例如在交互层面加剧这块的规划，或在事务层面着重优化这块的信息数量或质量等。

3）事务数据

表明了产品事务成果的数据方针，如订单量、GMV等。

咱们能够根据事务了解和用户访谈的成果，选择或许与“北极星方针”为高相关性的数据方针。例如，若“北极星方针”为“订单转化率”，则行为数据“7天内产品详情页拜访量”或许与其具有高相关性。

三、构建增加模型

增加模型其实便是一道由相关性要素组成的公式：

北极星方针=A×B×C

其间的A、B、C便是上述过程中寻找到的相关性要素。

以上文中“订单转化率”为例，他在用户行为层面的增加模型或许是：

订单转化率=首页拜访量×搜索履行量×详情页拜访量×订单按钮点击量×……

请注意。上述公式只是只是在用户行为层面的公式。如果考虑用户属性或事务数据层面，或许会有不一样的成果，例如若你的事务是出售潮牌球鞋的，那么用户属性上或许需求考虑：

订单转化率=男性用户占比×15至35岁用户占比×……

在事务数据层面或许需求考虑：

订单转化率=受欢迎的球鞋品牌数×最新款库存量×……

咱们也能够在顶层规划阶段，为公司整体事务框架设定增加模型，以电商巨子“亚马逊”为例：

亚马逊增加=垂类拓宽×单个垂类产品库存×单个产品页面PV×购买转化率×客单价×复购行为

1. 向下拆分

每一个相关性要素，都能够继续向下拆分：

A=A1×A2

例如，以上文的“订单转化率”为例，其间的“搜索履行量”能够进一步被拆分为：

搜索履行量=关键字输入行为×(实时推荐成果点击量+含糊搜索履行量)×……

办法上，仍然能够运用上文提到的三个寻找相关性要素的办法。

请遵从“MECE”准则，尽或许地将方针拆分到足够细致的程度，有利于团队任务的分配以及方针的整体实现。

2. 数据剖析

模型构建完毕后，遵从“数据驱动”准则，根据数据剖析的成果，来辅导后续产品战略的拟定。

一般有以下常用的数据办法：