本书聚焦数据分析师面临的“工具熟练却难解业务问题”这一核心困境，提出了一套系统化实战框架。该框架内容涵盖指标体系、专题分析与专项拆解，依托人、货（商户与商品）、场（渠道与流量）三维联动，逐层定位问题根因。具体来说，总结了加减乘除拆解法，以量化指标波动因素；并结合技术模型落地（模型代码实现）与业务推动路径（理解-设计-推动沟通链），打通从分析到决策的闭环。书中借助精心总结的各类业务大图，可有力地助力分析师迅速梳理复杂的业务脉络，深入理解业务核心要点，高效输出对业务极具价值的内容。这些业务大图涵盖业务的各个关键环节和层面，以清晰直观的视觉呈现方式，为分析师提供全面而系统的业务视角，使其能快速把握业务的整体架构与内在逻辑，进而精准提炼有价值的信息，为业务决策提供坚实支持。 本书精准契合四类读者需求：帮助初级分析师建立标准化分析范式，摆脱“取数工具人”困境；赋能有3年经验者突破业务诊断瓶颈，掌握归因与模型落地技能；助力业务负责人依据数据对齐团队目标，降低决策试错成本；支持转行者系统构建“思维+实操+沟通”能力三角。

安妮互联网大厂战略经营商业数据分析总监，数据破局实战派专家。曾供职于滴滴、阿里巴巴等头部企业，深耕数据驱动业务实战领域十余载，主导过数十个从0到1的业务数据化项目。小红书账号“安妮数据破局”（ID：5502957967 ）主理人，致力于将大厂实战经验提炼为可复用的数据方法论，帮助大家用数据驱动商业增长。

--
第1篇 走进分析师的世界
--
第1章 分析师的职业全景与成长密码 2
1.1 分析师的角色与职责 2
1.1.1 战略分析师：企业航向的掌舵者 2
1.1.2 经营分析师：经营效能的优化师 3
1.1.3 商业分析师：增长引擎的设计师 3
1.1.4 数据科学家：智能决策的缔造者 4
1.1.5 BI工程师：业务决策的“可视化翻译官” 4
1.2 商业分析师的能力要求 5
1.2.1 能力一：技术硬功——数据能力 5
1.2.2 能力二：业务内功——对业务的理解转换能力 6
1.2.3 能力三：沟通软功——推动决策 8
1.3 商业分析师的成长路径 9
1.3.1 第一阶段（1、2年）：建立数据可信力 9
1.3.2 第二阶段（2、3年）：构建因果洞察力 10
1.3.3 第三阶段（3~5年）：形成预判力和决策力 10
1.3.4 第四阶段（5年以上）：掌握逻辑迁移力 10
1.3.5 各阶段思维范式演进 10
--
第2篇 构建业务洞察基石：指标体系与自动化应用
--
第2章 构建指标体系 12
2.1 认识指标体系 12
2.1.1 指标体系的特点 12
2.1.2 构建指标体系的步骤 14
2.1.3 构建指标体系的“三要”“三不要” 16
2.2 具体构建过程——寻找北极星指标 17
2.2.1 确定北极星指标的过程 17
2.2.2 【案例】某知名民宿平台的北极星指标 18
2.2.3 6个行业的北极星指标 18
2.3 具体构建过程——北极星指标下钻 22
2.3.1 按维度下钻 22
2.3.2 按计算口径下钻 24
2.3.3 按发生主体下钻 27
2.3.4 按流程链路下钻 29
2.3.5 多种下钻交叉使用 31
--
第3章 识别定位异常数据波动 33
3.1 理解波动类型 33
3.1.1 正确理解波动 33
3.1.2 波动理解误区 34
3.2 识别波动类型 34
3.2.1 业务逻辑验证 34
3.2.2 统计模型检测 35
3.2.3 专家经验诊断 35
3.3 定位异常波动的原因 36
3.3.1 横向拆解：从全局到局部的切片分析 36
3.3.2 纵向溯源：沿着业务流程追踪断点 37
3.3.3 拉长周期：捕捉慢性恶化的微弱信号 37
3.4 应对异常波动的策略 38
3.4.1 一级响应：黄金24小时紧急止损 38
3.4.2 二级响应：3~7天系统修复期 38
3.4.3 三级响应：1~3个月周期重塑期 39
--
第4章 识别异动后，进行核心指标拆解归因 40
4.1 GMV拆解归因 40
4.1.1 第一步：公式拆解 40
4.1.2 第二步：维度拆解 41
4.1.3 第三步：动态关联归因 43
4.2 订单拆解归因 44
4.2.1 成交订单量的本质 44
4.2.2 需求侧诊断：用户为什么不买单 44
4.2.3 供给侧诊断：商家为什么供不上货 45
4.2.4 匹配侧诊断：资源为什么对不准 47
4.2.5 复合归因：多因素交织时的拆解方法 47
4.3 供给侧指标拆解归因 48
4.3.1 供给侧-量指标拆解归因 48
4.3.2 供给侧-效率指标拆解归因 50
4.4 用户侧指标拆解归因 54
4.4.1 用户侧-量指标拆解归因 54
4.4.2 用户侧-效率指标拆解归因 59
--
第5章 指标拆解归因的应用组合 66
5.1 加法拆解法：原理与应用 66
5.1.1 静态拆解法：横截面下的结构洞察 66
5.1.2 动态拆解法：时间维度下的变动归因 67
5.1.3 静态拆解法和动态拆解法总结 68
5.2 减法拆解法：原理与应用 69
5.2.1 静态拆解法：横截面下的损耗洞察 69
5.2.2 动态拆解法：时间维度下的损耗归因 70
5.2.3 静动结合拆解法 70
5.3 乘法拆解法：原理与应用 71
5.3.1 静态拆解法：流程效率的截面扫描 71
5.3.2 动态拆解法：单因子变动敏感性分析 71
5.3.3 动态拆解法：多因子变动LMDI分析 72
5.4 除法拆解法：原理与应用 75
5.4.1 静态拆解法：横截面下的流程链路拆解 75
5.4.2 动态拆解法：单因子和多因子变动分析 76
--
第6章 指标体系搭建典型1：体验指标体系搭建 79
6.1 体验指标体系搭建步骤 79
6.1.1 明确业务目标与用户体验维度的关联关系 79
6.1.2 根据用户体验维度，量化体验指标体系 80
6.1.3 根据指标体系，确定体验总分计算方式 81
6.2 阿里巴巴五度模型的搭建 81
6.2.1 明确体验目标，搭建体验维度 81
6.2.2 量化体验指标 82
6.2.3 确定体验总分计算方式 84
6.3 【案例】五度模型在电商导购页面的应用 87
6.3.1 指标体系搭建与数据变动 87
6.3.2 原因分析与数据验证 87
6.3.3 解决方案与实施效果 89
--
第7章 指标体系搭建典型2：电商行业（阿里巴巴/京东/拼多多类）
指标体系搭建 91
7.1 人——用户侧指标体系 91
7.1.1 用户规模指标 91
7.1.2 用户规模指标归因 92
7.1.3 用户质量指标 93
7.1.4 用户质量指标归因 94
7.1.5 【案例】某电商公司的MAU异常报警治理 95
7.2 货——商品侧指标体系 98
7.2.1 商品规模指标 98
7.2.2 商品规模指标归因 99
7.2.3 商品效率指标 100
7.2.4 商品效率指标归因 101
7.2.5 【案例】某电商家电的SKU总数缺口治理与效率优化 102
7.3 场——流量侧指标体系 104
7.3.1 流量规模指标 104
7.3.2 流量规模指标归因 105
7.3.3 流量质量指标 106
7.3.4 流量质量指标归因 107
7.3.5 【案例】某头部电商平台的流量结构失衡治理与转化效率
提升实战 108
7.4 电商行业“人货场”协同 110
7.4.1 “人货场”总体指标体系 110
7.4.2 “人货场”总体指标归因 110
7.4.3 【案例】某农产品电商平台通过“人货场”协同实现GMV缺口
修复 113
--
第8章 指标体系搭建典型3：内容平台（头条/抖音类）指标体系搭建 115
8.1 用户侧指标体系 115
8.1.1 C端用户规模指标 115
8.1.2 C端用户质量指标 116
8.1.3 B端创作者规模指标 116
8.1.4 B端创作者质量指标 117
8.1.5 用户侧指标归因模型 117
8.1.6 【案例】某短视频平台的用户总时长下降——用户侧指标归因 118
8.2 内容侧指标体系 120
8.2.1 内容规模指标 120
8.2.2 内容质量指标 120
8.2.3 内容侧指标归因模型 121
8.2.4 【案例】某中视频平台的用户日均停留时长下降——内容侧指标
归因 121
8.3 场景侧指标体系 124
8.3.1 场景规模指标 124
8.3.2 场景质量指标 124
8.3.3 场景侧指标归因模型 125
8.3.4 【案例】某中长视频平台的用户日均停留时长下降——场景侧指标
归因 126
8.4 “用户—内容—场景”三端协同 128
8.4.1 “用户—内容—场景”三端协同维度 128
8.4.2 “用户—内容—场景”三端协同模型 128
8.4.3 【案例】某综合视频平台三端协同失衡修复 130
--
第3篇 数据赋能业务
--
第9章 深刻理解用户（人） 134
9.1 一张图看懂用户运营 134
9.1.1 横向：用户全生命周期AARRR模型 135
9.1.2 纵向：资源投入成长树 136
9.2 一张图看懂用户标签 137
9.2.1 用户标签六大维度解析 138
9.2.2 建立用户标签的方法 140
--
第10章 用户行为分析（人） 142
10.1 AARRR模型 142
10.1.1 基于AARRR模型的各阶段构建漏斗模型 142
10.1.2 基于AARRR模型确定各阶段的关键指标 143
10.1.3 AARRR模型的应用场景 144
10.1.4 AARRR模型的优势与局限性 145
10.1.5 【案例】AARRR模型的实际应用 145
10.2 Cohort模型 148
10.2.1 Cohort模型的构建 148
10.2.2 在Excel中构建Cohort模型实操 149
10.2.3 Cohort模型的应用场景 150
10.2.4 Cohort模型的优势与局限性 151
10.2.5 【案例】Cohort模型的实际应用 151
10.3 AIPL模型 152
10.3.1 基于AIPL模型的各阶段构建漏斗模型 152
10.3.2 基于AIPL模型确定各阶段的关键指标 153
10.3.3 AIPL模型的应用场景 154
10.3.4 AIPL模型的优势与局限性 155
10.3.5 【案例】AIPL模型的实际应用 155
10.4 AISAS模型 157
10.4.1 基于AISAS模型的各阶段构建漏斗模型 157
10.4.2 基于AISAS模型确定各阶段的关键指标 157
10.4.3 AISAS模型的应用场景 158
10.4.4 AISAS模型的优势与局限性 159
10.4.5 【案例】AISAS模型的实际应用 159
10.5 用户上瘾模型 163
10.5.1 基于用户上瘾模型的各阶段构建漏斗模型 163
10.5.2 基于用户上瘾模型确定各阶段的关键指标 163
10.5.3 用户上瘾模型的应用场景 164
10.5.4 用户上瘾模型的优势与局限性 164
10.5.5 【案例】用户上瘾模型的实际应用 165
10.6 用户金字塔模型 167
10.6.1 用户金字塔模型的构建 167
10.6.2 用户金字塔模型的应用场景 170
10.6.3 用户金字塔模型的优势与局限性 172
10.6.4 【案例】用户金字塔模型的实际应用 172
10.7 用户漏斗模型 173
10.7.1 用户漏斗模型构建步骤 174
10.7.2 用户漏斗模型的应用场景 175
10.7.3 用户漏斗模型的优势与局限性 177
10.7.4 【案例】用户漏斗模型的实际应用 177
10.8 用户行为分析模型 179
10.8.1 用户行为分析模型的三层架构 179
10.8.2 用户行为分析模型的分类 180
10.8.3 用户行为分析模型的共同点 180
10.8.4 用户行为分析模型的差异对比 181
10.8.5 【案例】用户行为分析模型的实际应用 182
10.9 帕累托分析法 184
10.9.1 帕累托分层逻辑 184
10.9.2 帕累托分析法的应用场景 184
10.9.3 帕累托分析法的优势与局限性 186
10.9.4 【案例】帕累托分析法的实际应用 186
10.10 RFM模型 189
10.10.1 RFM模型构建步骤 189
10.10.2 分层方法1：精准量化RFM模型总分 191
10.10.3 分层方法2：RFM模型按照区间分层 192
10.10.4 RFM模型的应用场景 194
10.10.5 RFM模型的优势与局限性 194
10.10.6 【案例】RFM模型的实际应用 195
10.11 补贴率模型 196
10.11.1 补贴率模型的构建逻辑 196
10.11.2 补贴率模型的应用场景 197
10.11.3 【案例】补贴率模型的实际应用 198
--
第11章 用户生命周期分析（人） 199
11.1 定义用户生命周期标签 199
11.2 设定用户生命周期各阶段阈值 200
11.2.1 设定各阶段合理阈值 200
11.2.2 设定合理的用户流失周期 203
11.3 解析用户生命周期价值与用户获取成本 205
11.3.1 用户生命周期价值 205
11.3.2 用户获取成本 205
11.3.3 【案例】LTV与CAC的应用 205
11.4 构建LTV测算模型 206
11.4.1 LT的测算 206
11.4.2 LTV中的V（即ARPU）的测算 208
11.4.3 LTV的计算 209
11.5 LTV适用的业务场景 209
11.6 不同生命周期阶段的LTV、CAC、PBP的交互关系 210
--
第12章 商户分析（货） 214
12.1 商户生命周期管理 214
12.2 商户分层与差异化运营 216
12.3 商户健康度评估体系 217
12.4 【案例】生鲜平台商户GMV提升实战 218
--
第13章 商品相关分析（货） 220
13.1 商品生命周期 220
13.2 商品的需求价格弹性 222
13.2.1 商品需求价格弹性影响因素 222
13.2.2 商品需求价格弹性测算方法 224
13.3 定价方法 229
13.3.1 成本基准定价法 230
13.3.2 竞争卡位定价法 233
13.3.3 心理预期定价法 235
13.3.4 动态弹性优化定价法 238
13.4 商品库存分析 242
13.4.1 商品库存分析的关键指标 242
13.4.2 商品库存分析的应用场景 243
13.5 商品关联度分析 245
13.5.1 商品关联度计算方法 245
13.5.2 商品关联度分析应用场景 246
13.5.3 【案例】3C数码商城配件销售优化 247
--
第14章 获客渠道分析（场） 250
14.1 获客渠道的指标体系 250
14.1.1 流量质量 250
14.1.2 流量转化效率 251
14.1.3 成本效益 251
14.1.4 用户价值 252
14.2 分析获客渠道的投资回报率（ROI） 253
14.2.1 ROI的定义 253
14.2.2 从两个维度分析ROI 253
14.2.3 ROI与指标体系的联动分析 254
14.2.4 ROI分析的两大实战场景 255
14.3 组合多个获客渠道，实现总体收益最大化 255
14.3.1 获客渠道组合策略的核心逻辑 256
14.3.2 获客渠道组合策略的四步法 256
14.4 【案例】某新锐茶饮品牌的高效渠道获客实战 258
14.4.1 指标体系诊断 258
14.4.2 ROI深度分析 258
14.4.3 获客渠道组合策略重构 259
14.4.4 策略落地结果 259
--
第15章 流量相关分析（场） 261
15.1 构建流量质量评估体系 261
15.1.1 通用评估框架与指标分层 261
15.1.2 行业适配模板：四大场景实战指南 262
15.2 分析流量转化的关键节点 263
15.2.1 构建转化漏斗：分行业模块 263
15.2.2 关键节点分析方法 264
15.2.3 节点优化策略库 266
15.3 探索流量的时间分布规律 266
15.3.1 流量的时间分布分行业模板 266
15.3.2 流量的时间分布分析方法 267
15.4 【案例】流量驱动销售增长的成功实践 268
15.4.1 流量质量评估与欺诈过滤 268
15.4.2 关键节点优化与转化提升 269
15.4.3 流量时间规律与动态运营 269
15.4.4 渠道组合重构与归因校准 270
15.4.5 结果与启示 270
--
第4篇 模型驱动决策
--
第16章 潜在用户识别模型——用户获取 274
16.1 构建潜在用户识别模型的必要性 275
16.1.1 精准定向：提升获客效率的核心 275
16.1.2 用户洞察：驱动策略优化的基石 275
16.1.3 必要性总结：效率与认知的螺旋式上升 276
16.2 潜在用户识别模型的设计流程 277
16.2.1 明确业务目标与指标 277
16.2.2 数据准备与特征处理 277
16.2.3 模型选择与构建 278
16.2.4 模型验证与评估 279
16.2.5 模型部署与迭代优化 280
16.3 【案例】构建潜在用户识别模型体系 281
16.3.1 数据选择与处理 281
16.3.2 模型构建：“用户分群—转化预测”双协同 284
16.3.3 模型结果解读与业务策略制定 286
16.3.4 模型验证：技术有效性与业务价值双检验 288
16.3.5 模型修正与持续优化 290
16.4 潜在用户识别模型的应用 293
16.4.1 精准营销：从“人海战术”到“狙击式触达” 293
16.4.2 资源分配：从“平均主义”到“价值导向” 294

--
第17章 用户流失预警模型——用户留存 295
17.1 用户流失预警的必要性与核心挑战 295
17.1.1 市场竞争驱动用户流失预警模型构建 295
17.1.2 用户流失引发的企业经营系统性危机 295
17.1.3 用户流失预警模型构建的核心技术挑战 296
17.2 用户流失预警模型的设计流程 296
17.2.1 数据理解与准备 296
17.2.2 模型选择、开发与验证 298
17.2.3 模型部署、业务落地与持续迭代 299
17.3 用户流失预警模型建设案例 301
17.3.1 数据准备与特征工程 301
17.3.2 模型构建与优化 303
17.3.3 模型输出与业务应用 304
17.3.4 模型迭代与监控 306
17.4 用户流失预警模型的应用场景 307
17.4.1 精准识别流失用户并实施针对性干预 307
17.4.2 基于用户价值的精益化成本控制 307
--
第18章 商户等级模型 309
18.1 商户等级评估的必要性 309
18.1.1 优化资源配置 309
18.1.2 强化风险控制 309
18.1.3 构建竞争壁垒 310
18.1.4 支持数据驱动决策 310
18.2 商户等级评估模型的设计流程 310
18.2.1 明确业务目标 310
18.2.2 整合与清洗数据 311
18.2.3 设计评估指标与权重 311
18.2.4 开发与验证模型 312
18.2.5 部署与监控 312
18.2.6 迭代优化 312
18.3 商户等级评估模型建设案例 313
18.4 商户等级评估模型的应用 316
18.4.1 资源配置 316
18.4.2 商户成长 316
18.4.3 风险防控 317
--
第19章 产品生命周期模型 318
19.1 产品生命周期评估的必要性 318
19.2 产品生命周期模型的设计流程 319
19.2.1 步骤1：明确评估目标与维度 319
19.2.2 步骤2：构建指标体系 319
19.2.3 步骤3：建立阶段判定模型 320
19.2.4 步骤4：制定生命周期策略 321
19.3 产品生命周期模型建设案例 322
19.3.1 步骤1：明确评估目标与维度 322
19.3.2 步骤2：构建指标体系 323
19.3.3 步骤3：建立阶段判定模型 324
19.3.4 步骤4：制定策略 327
19.3.5 步骤5：效果追踪与模型迭代 328
19.4 产品生命周期模型的应用 329
19.4.1 阶段智能诊断 329
19.4.2 拐点提前预警 329
19.4.3 资源动态调优 330
--
第20章 销量预测模型 331
20.1 建立销量预测模型的必要性 331
20.1.1 控制成本 331
20.1.2 提升效率 332
20.1.3 保障利润 332
20.2 销量预测模型的设计流程 332
20.2.1 步骤1：目标定义 332
20.2.2 步骤2：数据处理 333
20.2.3 步骤3：选择模型 334
20.2.4 步骤4：部署迭代 334
20.3 销量预测模型建设案例 334
20.3.1 步骤1：目标定义——锁定业务核心需求 335
20.3.2 步骤2：数据处理——四重数据净化 335
20.3.3 步骤3：模型构建——混合预测 336
20.3.4 步骤4：部署迭代——业务闭环管理 341
20.4 销量预测模型的应用场景 342
20.4.1 快消行业：破解短保质期产品的动态生产困局 342
20.4.2 时尚行业：长周期、反季节生产的风险博弈 343
20.4.3 电商行业：脉冲流量下的实时资源卡位 343
--
第21章 PSM-DID归因模型——倾向评估 344
21.1 PSM-DID归因模型的必要性 344
21.2 PSM-DID归因模型的设计流程 346
21.2.1 步骤1：问题定义与假设检验 346
21.2.2 步骤2：数据准备规范 346
21.2.3 步骤3：PSM匹配操作 346
21.2.4 步骤4：平衡性检验 347
21.2.5 步骤5：DID效应估计 347
21.2.6 步骤6：统计推断 347
21.2.7 步骤7：稳健性检验 348
21.3 PSM-DID归因模型建设案例 348
21.3.1 步骤1：问题定义与假设检验 348
21.3.2 步骤2：数据准备规范 349
21.3.3 步骤3：PSM匹配操作 349
21.3.4 步骤4：平衡性检验 352
21.3.5 步骤5：DID效应估计 354
21.3.6 步骤6：统计推断 354
21.3.7 步骤7：稳健性检验 355
21.4 PSM-DID归因模型的应用场景 356
21.4.1 精准营销活动评估 356
21.4.2 产品功能迭代归因 357
21.4.3 城市政策试点评估 357
--
--
第5篇 全方位能力进阶
--
第22章 用有限的体系解决无限的问题 360
22.1 解构：拆穿表象，抓住核心要素 360
22.1.1 案例1电商服装退货率居高不下 360
22.1.2 案例2软件产品新版本发布后用户活跃度下降 361
22.1.3 案例3制造业工厂订单交付经常延误 362
22.1.4 总结 363
22.2 结构：将核心要素归类为标准问题类型 364
22.2.1 供需平衡类问题 364
22.2.2 流程效率类问题 365
22.2.3 资源分配优化类问题 365
22.2.4 决策优化类问题 366
22.2.5 总结 367
22.3 重构：基于问题类型，组合创新解法 367
22.3.1 重构案例1 368
22.3.2 重构案例2 369
22.3.3 重构案例3 370
22.3.4 总结 371
--
第23章 获得职场进阶的三大法宝 373
23.1 理解业务 373
23.1.1 了解行业 374
23.1.2 分析业务流程 374
23.1.3 善用数据 374
23.2 解决问题 375
23.3 推动方案落地 377