系列文章目录

【技巧分享】【数据分析】数据分析模型
【技巧分享】【数据分析】数据分析算法

文章目录

• 系列文章目录
• 前言
• AARRR模型
  *
• 变形：阿里系三大模型
  -
  • AIPL模型
  • FAST模型
  • GROW模型
• 5A模型
• RFM模型
• 同期群模型
  *
• 商品同期群：产品生命周期
• 用户同期群：
  -
  • 用户留存
  • 用户终生价值
• 渠道同期群：渠道质量
• 5W2H模型
  *
• 经营分析
• 4P营销模型
  *
• 销售分析
• PEST模型
• OGMS模型
  *
• 变形：RISE模型
• UJM模型
• 附录
  *
• 产品分析
  -
  • 市场情况分析
  • 日常数据监控
  • 新功能测试

前言

• AARRR模型，又称海盗模型、增长模型，结构分析常用的路径分析模型，与管道/漏斗分析（金字塔分析下钻）模型结合使用，基于产品角度，对拉新，促活，留存，付费，推广这一业务链路的 指标体系，专用于 用户运营分析。
• AIPL模型
• FAST模型
• GROW模型
• RFM模型，结构分析常用的矩阵分析模型，专用于 用户消费行为分析。
• 同期群模型（Cohort Analysis），结构分析常用的组群分析模型，用于商品分析、用户分析、渠道分析等方面中对比各分层的表现。
• 商品分析：和竞品或市场平均比生命周期价值；趋势分析；库龄分析。
• 用户分析：分层后相互比较；时间序列分析。
• 渠道分析：分层后相互比较。
• 5W2H模型，归因分析常用的问题拆解，用于 经营分析、 运营分析和 销售分析。
• 4P营销模型，归因分析常用的问题拆解，用于 运营分析和 销售分析。
• PEST模型，宏观分析常用的问题拆解，用于 行业分析。
• OGMS模型，业务流程闭环分析常用的思维模型，通常用于制定自上而下的目标落地方案或可达到的业绩目标。
• UJM模型，用户流程闭环分析常用的的路径分析模型，与管道/漏斗分析（金字塔分析下钻）模型结合使用，基于用户角度，对用户注册，登陆，加购，购买，复购这一用户链路的分析，常用于用户流程的优化，专用于 平台运营分析。

AARRR模型

客户行为路径的5个阶段 (phase)的指标体系：

• 获取 (Acquisition)：新用户数、注册转化率、新用户CAC、新用ROI、新用户LTV
• 激活 (Activation)：活跃用户数 (DAU = DNU + DOU) /活跃度、使用时长、转化率
• 留存 (Retention)：留存率/流失率、高价值用户流失率、留存用户活跃度、LTV
• 变现 (Revenue)：收入/ROI、付费用户数、付费转化率、客单价、折扣率、库龄
• 推荐 (Referral)：分享转化率、分享用户数、分享页面数、裂变层数、新用户LTV

变形：阿里系三大模型

阿里系的数据源(天猫、淘宝、聚划算、优酷、大麦、飞猪、盒马等)常用的三个营销模型：AIPL、FAST、GROW。

AIPL模型

品牌客群的4个维度：

• 品牌认知人群 (Awareness)：包括被品牌广告被动触达、品类词搜索的人；
• 品牌兴趣人群 (Interest)：包括广告点击、浏览品牌/店铺主页、品牌词搜索等等主动互动行为的人群；
• 品牌购买人群(Purchase)：指有购买品牌商品行为的人；
• 品牌忠诚人群(Loyalty)：指有复购、评论、分享行为的人。

FAST模型

消费客群的4个维度：

• Fertility：消费人数（AIPL去重）总量。
• Advancing：（AIPL）消费转化率。
• Superiority：高价值人群（会员）总量。
• Thriving：高价值人群（会员）活跃度

GROW模型

客户群消费产品的4个维度：

• 渗透力（Gain）: 指消费者购买 更多类型品类/产品对销售增长的贡献；
• 复购力（Retain）: 指消费者更频繁 / 重复购买产品对销售增长的贡献；
• 价格力（Boost）: 指消费者购买 价格升级产品对销售增长的贡献；
• 延展力（Widen）: 指消费者购买 *关联类型产品

5A模型

客户行为路径的5个阶段 (phase)：

• 了解（Aware）
• 吸引（Appeal）
• 问询（Ask）
• 行动（Act）
• 拥护（Advocate）

RFM模型

用户质量的3个维度 (dimension)：

1. 最近消费记录 (Recency)：最近一次消费至今的时间
2. 累计消费频数 (Frequency)：一定时间内重复消费频率
3. 累计消费金额 (Money)：一定时间内累计消费金额

同期群模型

商品同期群：产品生命周期

产品生命周期(product life cycle)，简称PLC，是产品的市场寿命，即一种新产品从开始进入市场到被市场淘汰的整个过程。费农认为：产品生命是指市上的的营销生命，产品和人的生命一样，要经历孵化、成长、成熟、衰退这样的周期。就产品而言，也就是要经历一个开发、引进、成长、成熟、衰退的阶段。但商品从设计、研制到进入市场之前的开发阶段，属于潜在（孕育）阶段，不列入商品生命周期之内。因此，一般说来，商品生命周期可分为四个阶段：

1. 引入期
2. 成长期
3. 成熟期
4. 衰退期

此时，商品与市场平均生命周期进行对比。
时间轴X为进入市场的时间T+N月/年。

; 用户同期群：

用户留存

注重引导期留存数量和成长期留存率。在这一点上，对每日用户注册数据进行横向比较。

时间轴X为每日用户的注册时间T+N天。
也可以纵向比较某一日的用户留存（流失, churn）情况，如T+1，T+2，......T+N。

用户终生价值

顾客终身价值（Customer Lifetime Value, CLV）指每个购买者在未来可能为企业带来的收益总和。计算公式：
CLV = 订单数×客单价×ROI×留存时长
留存周期 = 1 / (1 - 留存率)

计算CLV可以有效帮助企业了解自身的 客户群体及其消费能力。需要先将 用户分层（Customer Segmentation），然后分别计算每月的留存人数，订单数，留存率，付费率和消费金额，然后计算CLV。同时CLV也可以作为顾客细分的手段，以此制定不同的短期或长期策略来针对不同的消费群体。
时间轴X为进入市场的时间T+N月。

渠道同期群：渠道质量

渠道质量的3个维度 (dimension)：

1. 转化率 (Convertion Rate, CR)
2. （平均）获客成本 (Customer Acquisition Cost, CAC)
3. 北极星指标：收益率 (Return on Investment, ROI)

同用户期群分析一样，需要先将渠道分层，然后分别计算访问用户量、访问新用户量、获客成本、平均访问时长、平均访问页面深度、跳出率、注册转化率、下单转化率、收益、收益率，一般可以直接用收益代表LTV，也可以在分析完用户后，汇总用户LTV来代表收益。
时间轴X为进入市场的时间T+N日/月。

5W2H模型

一句话概括：
什么原因 (WHY) 导致什么事情 (WHAT) ？
需要哪些人 (WHO) 在什么时间内 (WHEN) 什么地点 (WHERE) 用什么方法 (HOW) 完成？
需要多少的预算？(HOW MUCH)

经营分析

WHAT: 经营现状：已完成多少目标？还差多少完成？
WHY: 归因分析经营现状，分配各部门指标
WHO: 负责部门：谁对经营指标负责？
WHEN: 任务时间：在多长时间内完成目标？
HOW: 经营目标：用什么指标考核结果？
HOW MUCH: 资源投入：有多少资源可以使用？

4P营销模型

营销管理的4个维度：

• 产品 (Product)：首先需要有满足客户不同需求的产品，所以通过流水线批量生产不同类型的轿车。
• 价格 (Price)：通过批量生产大幅降低成本，形成了消费者可以接受的价格。
• 渠道 (Place)：福特汽车的产地在底特律，而消费者遍布于美国各地，所以需要代理商或者渠道商将汽车运往全国各地。
• 宣传 (Promote)：为了解决消费者对福特品牌的认知程度低的问题，还需要通过广告、销售进行促销宣传。

销售分析

两个核心指标：销售量和净收益（ROI）
两个问题：

1. 卖了多少？

2. （明年）能卖多少？

3. 完成指标，超额完成了多少？

4. 没有完成，怎样补救？
5. 4P模型下的归因分析和漏斗分析。

PEST模型

行业发展的4个维度：

1. 政策（Political）：政府对行业监管政策
2. 经济（Economic）：宏观经济形势
3. 社会（Social）：社会发展趋势
4. 技术（Technological）：新技术出现

OGMS模型

策略制定的4个维度：

1. Objective：目的，指企业要达成的目标，一般是定性描述
2. Goal：目标，从企业目标里拆分出的，可量化/可跟踪的目标
3. Strategy：策略，达成目标的做法组合
4. Measurement：度量，衡量策略是否执行到位

变形：RISE模型

策略制定的4个维度：

1. 识别未来 (Recognize the future success)
2. 明确维度 (Identify perspectives of success)
3. 生成目标 (Specify objectives)
4. 提炼指标 (Extract key results)

UJM模型

用户旅程地图 (User Journey Map, UJM) ，分析用户使用一款产品经历的阶段。

• 注册、登录：从各个途径了解该电商平台，并进入该产品
• 浏览：通过首页、搜索功能乃至商品类目等其他各个入口逛平台
• 点击：对商品产生兴趣，进入到商品详情页
• 加购、下单、付费：进入付费流程，完成一次重要的转化
• 分享、复购。

附录

产品分析

包括三个部分：

• 市场情况分析：分析产品市场表现
• 日常数据监控：监控产品日常表现
• 新功能测试：找到表现做好的新功能方案

市场情况分析

产品累计注册用户，潜在用户数量估算
产品活跃用户，DAU（日活跃）/月活跃（MAU）
产品付费用户，转化率（多大比例付费）/平均收入（ARPU）
产品的新用户获取数量、质量（转化率/平均收入）
整个行业的竞品数量、累计用户、活跃/付费/新增情况

日常数据监控

产品整体指标，比如DAU/MAU,转化率，转化率，在线时长......

关键流程指标，比如新用户注册流程，主要活动流程、交易流程
主要功能指标，比如某功能使用人数，使用次数，使用时长

新功能测试

事前的多版本测试（AB test）以及事后的监控。

Original: https://blog.csdn.net/qq_34533512/article/details/123832974
Author: qq_34533512
Title: 【技巧分享】【数据分析】数据分析模型

相关阅读

Title: 深度理解感受野（一）什么是感受野？

Title: 深度理解感受野（一）什么是感受野？

Introduction

经典目标检测和最新目标跟踪都用到了RPN(region proposal network)，锚框(anchor)是RPN的基础，感受野(receptive field, RF)是anchor的基础。本文介绍感受野及其计算方法，和有效感受野概念

什么是感受野?

感受野与视觉

• 感受野(receptive field)这一概念来自于生物神经科学，是指感觉系统中的任一神经元，其所受到的感受器神经元的支配范围。感受器神经元就是指接收感觉信号的最初级神经元
• 视觉来自于光在个体感受器上的投射，它将客观世界的物理信息转化为人们可以感知的神经脉冲信号。
  
  [En]

  Vision comes from the projection of light on individual receptors, which converts the physical information of the objective world into nerve pulse signals that people can perceive.*

感受野的定义

One of the basic concepts in deep CNNs is the receptive field, or field of view, of a unit in a certain layer in the network. Unlike in fully connected networks, where the value of each unit depends on the entire input to the network, a unit in convolutional networks only depends on a region of the input.

This region in the input is the receptive field for that unit.

• 在卷积神经网络中，感受野(receptive field)不像输出由整个网络输入所决定的全连接网络那样，它是可以存在于网络中任意某层，输出仅由输入部分决定
• 就是指输出feature map上某个元素受输入图像上影响的区域
  ！
  [En]

  ! [] (https://img-blog.csdnimg.cn/20210525205712705.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDc1NjAwMA==,size_16,color_FFFFFF,t_70)

如图所示，共有3个feature map输出。该图说明了2个33的conv可以代替1个55的conv层

1. Layer1中方格可看作是一个元素，33的绿色方格则是一个33的卷积核
2. Layer2由一个33的卷积核经过卷积运算输出，输出尺寸是33（假设stride=1，padding=0）显而易见，layer2中的绿色方格是由layer1中3*3的绿色方格所决定的。那么这一位置的感受野就是layer1中的绿色方格区域
3. Layer3由layer2经过3*3的conv层输出，只有一个

; 理论感受野

https://distill.pub/2019/computing-receptive-fields/

如何计算？

卷积层的理论感受野可以由递推公式计算出来。首先定义下参数意义，r r r代表感受野l l l代表层数k k k代表卷积核大小s s s代表步长
r l = r l − 1 + ( k l − 1 ) ∗ ∏ i = 0 l − 1 s i r_l = r_{l-1}+(k_l - 1)*\prod_{i=0}^{l-1}{s_i}r l ​=r l −1 ​+(k l ​−1 )∗i =0 ∏l −1 ​s i ​
最大池化层的理论感受野
r l = r l − 1 + ( k l − 1 ) r_l = r_{l-1}+(k_l - 1)r l ​=r l −1 ​+(k l ​−1 )

图中，由1个conv33（stride=1，pad=1），1个ReLu层，1个22MaxPooling层（k=2，s=2，p=0）组成。f 0 f_0 f 0 ​为输入层，f 4 f_4 f 4 ​层 为输出层。很明显能够发现，f 4 f_4 f 4 ​层的感受野为6。推导过程如下

1. f 1 f_1 f 1 ​默认感受野为1，即r 0 = 1 r_0=1 r 0 ​=1
2. f 2 f_2 f 2 ​层为33conv层，r 1 = r 0 + ( k 1 − 1 ) ∗ ∏ i = 0 0 s 0 r_1=r_0+(k_1-1)\prod_{i=0}^{0}{s_0}r 1 ​=r 0 ​+(k 1 ​−1 )∗∏i =0 0 ​s 0 ​即r 1 = 1 + ( 3 − 1 ) ∗ 1 = 3 r_1=1+(3-1)*1=3 r 1 ​=1 +(3 −1 )∗1 =3
3. f 3 f_3 f 3 ​层为激活函数层ReLu，不改变理论感受野大小（也不是没作用，有效感受野里面会提到它的作用）r 2 = 3 r_2=3 r 2 ​=3
4. f 4 f_4 f 4 ​层为33conv层，和上一个conv层一样，r 3 = 3 + ( 3 − 1 ) ∗ 1 = 5 r_3=3+(3-1)1=5 r 3 ​=3 +(3 −1 )∗1 =5
5. f 5 f_5 f 5 ​层为22maxpooling层，r 4 = 5 + ( 2 − 1 ) ∗ 1 = 6 r_4=5+(2-1)1=6 r 4 ​=5 +(2 −1 )∗1 =6

按照上述方法可以计算出主流的backbone理论感受野大小，如下图所示。 数据来自https://distill.pub/2019/computing-receptive-fields/

从感受野的计算公式很明显能够看出， stride kernel_size rf_size都会对其产生影响，其中 srtide对感受野大小起决定性作用。

; 有效感受野

有效感受野是在NIPS2016中的Understanding the Effective Receptive Field in Deep Convolutional Neural Networks提出的。

• 有效感受野是一种超参数， 无法像理论感受野那样被精确计算。但是文献[2]中采用求偏导数的方法对每个图像上的像素点，计算出他们对输出特征图的贡献值，并可视化。
• 有限感受野往往比理论感受野要小一些，关系大概是 anchor
• 有效感受野呈 高斯分布，并不是所有像素点的贡献都相同。直观的来说， *感受野中间的像素对于输出会有更大的影响

以下内容整理自：https://blog.csdn.net/DD_PP_JJ/article/details/104448825

采用不同初始化权重的方法和添加ReLU作为激活函数进行实验。Uniform初始化方法使卷积核的权重都为1，没有非线性性质。引入ReLU之后，网络中增加了非线性性，分布变得 a bit less Gaussian

不同的激活函数对ERF的分布也有影响，这说明ERF的分布也取决于 input。ReLU的高斯分布没有另外两个平滑，生成了一个较少的高斯分布，ReLU导致很大一部分梯度归零。上采样和空洞卷积可以增大感受野

文章中也给出了答案，见上图，随着网络层数的加深，实际有效的感受野是程n \sqrt{n}n ​ 级别增长。而右图展示了随着网络层数的加深，有效感受野占理论感受野的比例是按照1 n \frac{1}{\sqrt{n}}n ​1 ​级别进行缩减的。其中需要注意的是实际感受野的计算方式：若像素值大于(1-96.45%)的中心像素值，就认为该像素处于实际感受野中

哪些操作可以改变感受野？

• Convolution
• DeConvolution
• Pooling
• Residential connection
• Concatenation

参考文献

[1] A guide to convolution arithmetic for deep learning
[2] Understanding the Effective Receptive Field in Deep Convolutional Neural Networks

Original: https://blog.csdn.net/weixin_40756000/article/details/117264194
Author: 黑夜里游荡
Title: 深度理解感受野（一）什么是感受野？

Original: https://blog.csdn.net/weixin_40756000/article/details/117264194
Author: 黑夜里游荡
Title: 深度理解感受野（一）什么是感受野？