基础篇 2
第1章 概述：数据运营基础 2
1.1 大数据时代 2
1.2 企业数据应用方式 4
1.3 数据运营的岗位职责 7
1.4 数据运营应掌握的技能 9
1.5 本章小结 13
第2章 业务：数据驱动运营 14
2.1 如何用数据驱动运营 14
2.1.1 定义数据分析目标 14
2.1.2 目标分解与聚焦 16
2.1.3 数据运营重点 19
2.2 流量运营分析 21
2.2.1 流量运营规划 21
2.2.2 流量分析 23
2.2.3 解读PV、UV 27
2.2.4 跳出率分析 29
2.2.5 漏斗图分析 30
2.2.6 A/B测试 32
2.3 用户运营分析 33
2.3.1 用户分群 34
2.3.2 用户行为分析 40
2.3.3 用户生命周期价值 47
2.4 本章小结 51
第3章 报表：数据管理模板 52
3.1 个性化数据管理报告——Excel 54
3.1.1 创建报告的准备工作 54
3.1.2 报告自动化步骤 55
3.1.3 从数据源表到数据转化表 56
3.1.4 报告正文展示 62
3.1.5 自动化报表脚本 64
3.2 搭建数据分析报告模板——PPT 66
3.2.1 业务指标梳理（搭建运营监控指标体系） 67
3.2.2 分析思路与框架 78
3.2.3 图表展现 79
3.2.4 数据与结论 80
3.2.5 报告布局与排版 81
3.2.6 PPT随Excel模板自动更新 84
3.3 本章小结 85
应用篇 88
第4章 理论：数据分析方法 88
4.1 数据分析理论模型 88
4.1.1 4P营销理论 89
4.1.2 5W2H分析法 90
4.1.3 PEST分析方法 92
4.1.4 SWOT 93
4.1.5 逻辑树 95
4.2 数据分析方法与运用场景 95
4.2.1 多维分析 95
4.2.2 趋势分析 97
4.2.3 综合评价法 101
4.2.4 转化分析 103
4.2.5 数据挖掘方法 106
4.3 可视化：常用图表的特点及适用场合 106
4.3.1 环形图 107
4.3.2 矩阵图 108
4.3.3 组合图 112
4.3.4 文字云 118
4.4 AB Test的原理与实现 125
4.4.1 AB Test的原理 126
4.4.2 AB Test的埋点与报表部署 128
4.4.3 AB Test的分析方法 129
4.4.4 AB Test的常见误区 132
4.5 埋点策略与实现 134
4.5.1 utm来源埋点 135
4.5.2 页面PV埋点 137
4.5.3 单击埋点native 139
4.5.4 单击埋点hybrid 141
4.5.5 业务埋点 142
4.5.6 曝光埋点 144
4.5.7 埋点常见问题 145
4.6 本章小结 146
第5章 案例：竞品数据对标分析 148
5.1 网络爬虫基础知识 148
5.1.1 开发环境准备 149
5.1.2 Web前端基础 149
5.1.3 解析网页 152
5.1.4 数据存储 159
5.2 网站结构分析 166
5.3 Scrapy爬虫架构 168
5.3.1 items模块 170
5.3.2 pipelines模块 171
5.3.3 settings模块 172
5.3.4 爬虫模块 173
5.4 数据爬取与解析 174
5.5 项目优化与改进 177
5.5.1 爬虫脚本部署在服务器端 178
5.5.2 分布式爬虫的实现 178
5.6 反爬手段及应对机制 179
5.6.1 禁止IP请求 180
5.6.2 禁止非浏览器访问 180
5.6.3 ajax加载目标数据 181
5.6.4 需要登录后才能访问 182
5.6.5 手机App页面数据抓取 182
5.7 本章小结 184
第6章 案例：某互联网医疗产品用户特征分析 185
6.1 应用背景与分析维度 185
6.2 基于用户细分的行为分析 186
6.3 用户来源渠道分析 190
6.4 基于前端展示的用户行为分析 191
6.5 产品改进与运营建议 195
6.6 本章小结 195
第7章 案例：RFM用户价值模型应用 196
7.1 应用背景与目标 196
7.2 基于规则的划分 198
7.3 基于聚类方法的划分 203
7.4 本章小结 209
第8章 案例：用户流失分析与预测 210
8.1 应用背景与目标 210
8.2 问题分析与模型构建 211
8.3 数据处理与结果 212
8.3.1 确定用户流失周期 212
8.3.2 抽取训练数据建立决策树模型 214
8.3.3 线上部署脚本定期监测流失用户 221
8.3.4 流失用户分析 224
8.4 问题定位与解决方案 226
8.5 本章小结 229
第9章 案例：站内文章自动分类打标签 230
9.1 应用背景与目标 230
9.2 问题分析与模型构建 231
9.3 案例中主要应用的技术 232
9.3.1 数据预处理 232
9.3.2 TF-IDF词空间向量转换 233
9.3.3 文章关键词提取 234
9.3.4 朴素贝叶斯分类 235
9.4 数据处理与模型检验 235
9.4.1 文本分词处理（数据分类与数据预处理） 236
9.4.2 数据结构处理 238
9.4.3 计算文本的TF-IDF权重矩阵 240
9.4.4 用朴素贝叶斯方法分类文章 242
9.5 本章小结 245
提高篇 248
第10章 应用：用户画像建模 248
10.1 用户画像简介 248
10.1.1 什么是用户画像 249
10.1.2 用户画像模型及应用场景 250
10.1.3 数仓架构及项目流程 254
10.2 用户画像管理 257
10.2.1 模块化开发 257
10.2.2 存储方式 259
10.2.3 更新机制 259
10.3 业务背景 262
10.3.1 案例背景介绍 262
10.3.2 数据仓库相关表介绍 262
10.4 用户画像建模 267
10.4.1 业务需求梳理 267
10.4.2 用户标签体系及开发内容 268
10.4.3 用户画像开发流程 274
10.4.4 时间衰减系数 279
10.4.5 标签权重配置 280
10.5 用户画像数据开发 282
10.5.1 建立用户属性画像 283
10.5.2 建立用户行为画像 289
10.5.3 建立用户偏好画像 303
10.5.4 建立群体用户画像 308
10.5.5 画像效果验收 313
10.5.6 画像数据质量管理 314
10.6 用户画像应用方式 317
10.6.1 业务精细化运营 317
10.6.2 数据分析 319
10.6.3 精准营销 319
10.6.4 用户个性化推荐 322
10.7 本章小结 323