在职场中，当你遇到问题的时候，如果感到无从下手，或者抓不到重点，可能是因为你掌握的思维模型不够多。
一个好用的思维模型，能给我们提供一种观察问题的视角和拆解问题的框架，帮助我们理清数据分析的思路，提高解决问题的效率，从而获得更加满意的结果。
Object（目标），可以是公司的目标，业务领域的目标，或者某个产品的目标，或者某个活动的目标，某个内容推广的目标等等；
Strategy（策略），就是要达成目标制定的策略，比如要拉新，策略可能是做广告，做活动等等；
Measure（衡量指标），也就是对这些策略，分别对应的可以衡量策略的指标，如果是广告，衡量指标可以是广告点击率；
业务目标的设定应与业务负责人协商一致，明确业务的核心追求，如提升用户数量、用户停留时间、付费用户数或用户消费总额等。在设定业务目标时，需遵循DUMB原则，确保目标的可行性、易懂性、可管理性和有益性：
切实可行（Doable）：确保目标设定在可实现的范围内，避免因目标过高而无法达成，影响评估的有效性。
易于理解（Understandable）：业务目标应简明易懂，确保业务团队能够清晰理解数据目标的意义。
可干预、可管理（Manageable）：业务目标应配备相应的策略或手段，以便团队能够通过具体行动来实现这些目标。
正向的、有益的（Beneficial）：业务目标应具有积极意义，避免为了达成某一目标而对其他业务目标产生负面影响。
在明确业务目标的基础上，需要制定相应的业务策略来实现这些目标。例如，为了增加新用户数量，可能采取的策略是在社交媒体平台如抖音、广点通等增加广告投放。
度量是评估策略效果和目标完成情况的关键。以提升产品新用户数为例，评估结果的指标可以是新增用户数。除了关注结果型指标，过程型指标同样重要，它们能够反映策略执行的各个阶段：
OSM模型通过将业务目标与评估指标紧密相连，确保了每个设定的指标都有明确的目的，即评估特定业务策略的效果，以及这些策略如何服务于整体业务目标的实现。这种清晰的关联性有助于企业更有效地监控业务进展，优化决策过程，并推动业务的持续改进和发展。
OSM模型是一个业务分析框架，不是算法模型。一般来说OSM模型有正向和反向使用两种用法：
1、正向使用：在项目开始前，分解大目标，明确行动和每个行动考核指标。这是正规买球的网站上边的例子所演示的工作流程。如果企业数据驱动氛围很好，理应这么工作。
2、反向使用：项目前期没有做啥筹备，事后复盘发现一堆问题。这时候想要检讨为啥做烂了，也能按这个思路，把项目中做的事一一梳理出来，看这些事能影响什么子指标，实际影响到了没有，这些子指标和大目标之间有啥联系。
UJM模型（User Journey Map，用户旅程地图模型）是用于描述和分析用户在使用产品或服务过程中与品牌、产品或服务互动的完整流程。
UJM模型的目的是深入理解用户体验的各个阶段，帮助设计更符合用户需求的产品和服务。它通常用于用户体验设计（UX）、市场营销、产品开发等领域。
UJM模型可以将业务策略拆解为若干个环节，这些环节串联起来就形成“业务流程”；同时设计若干指标衡量流程就形成了“过程指标”。
用户角色：定义目标用户群体，创建虚构但具有代表性的用户角色，以代表不同的用户类型。
阶段和触点：识别用户与产品或服务交互的各个阶段，包括用户接触的所有触点（如网站、移动应用、实体店面等）。
行为和活动：详细记录用户在每个阶段的行为和活动，包括他们如何与产品或服务互动。
情感反应：描述用户在不同阶段的情感体验，包括他们的满意度、挫折感或愉悦感。
用户目标和动机：理解用户在每个阶段的目标和动机，以及他们使用产品或服务的原因。
故事叙述：通过叙述用户的故事，将所有信息整合在一起，形成一个连贯的叙述，帮助团队成员理解用户旅程的全貌。
UJM是描绘用户在应用程序内行动轨迹的视觉表示。以电子商务平台为例，用户购买商品的整个行为路径可以通过UJM进行展示。
通过梳理完整的用户行为路径，我们可以针对每个环节设计相应的评估指标。例如，为了评价某项策略对用户从打开APP到将商品加入购物车的影响，我们可以监测并分析以下转化率：
从查看商品详情到加入购物车的转化率。 通过这些关键环节的转化率，我们能够全面评估策略的效果，确保数据指标设计既完整又科学。
这种方法使我们能够精确地识别和优化用户体验的每个阶段，从而提升整体的用户满意度和业务成效。
UE模型即Unit Economics，是指单体经济模型，是衡量一个单位产品或服务的收入和成本关系的工具。
单体是整体团队和业务的缩影，通过对单体和最小单位的分析，我们能更加简洁地看清问题，做到一叶知秋、以小见大、见微知著、窥知业务全貌。
单位经济模型是指一个商业体中，以能完成商业闭环的一个单位为视角，计算财务模型。
抽象来说，单位经济模型一般可以表述成：每1个单位下，X = f(a,b,c...)
举个例子，以网约车业务来说，每辆车（单位）全生命周期的收入（财务模型）可以作为一种UE模型，每辆车平均每小时（单位）的平均成本（财务模型）也可以作为一种UE模型。一个leads或一个用户的LTV（或者前N天的arpu），一个用户全生命周期的LTV减去CAC，一个产品固定周期内的毛利等等，都可以作为UE模型。
首先，我们需要确定业务的最小单元。在医疗器械行业，最小单元可能是一台特定的医疗设备。例如，对于生产心脏起搏器的公司来说，最小单元可以是一台心脏起搏器。
接下来，我们需要计算每个最小单元能为公司带来多少利润。这涉及到收入和成本的预测。
成本预测：包括直接成本（如材料费、人工费）和间接成本（如管理费、市场推广费）。
最后，我们需要计算盈亏平衡点，即最小单元需要达到多少利润才能覆盖固定成本。
通过UE分析，我们可以清晰地看到，每台血糖监测仪目前的利润远未达到盈亏平衡点。这提示我们可能需要调整销售策略、降低成本或增加产品附加值。
CDA认证小程序里面有很多数据分析模型的测试，感兴趣的可以扫码CDA认证小程序，测一测你对数据分析模型的掌握程度。 图片
RFM模型是衡量用户价值和用户创利能力的经典工具，依托于用户最近一次购买时间、消费频次以及消费金额。
R（Recency）最近一次消费时间：表示用户最近一次消费距离现在的时间。消费时间越近的客户价值越大。1年前消费过的用户肯定没有1周前消费过的用户价值大。
F（Frequency）消费频率：消费频率是指用户在统计周期内购买商品的次数，经常购买的用户也就是熟客，价值肯定比偶尔来一次的客户价值大。
M（Monetary）消费金额：消费金额是指用户在统计周期内消费的总金额，体现了消费者为企业创利的多少，自然是消费越多的用户价值越大。
每个维度分可为高低两种情况，我们构建出了一个三维的坐标系。RFM模型是根据这三个指标得到一个三维的空间，三个指标的值映射到8个象限中，根据查看客户所在象限确定其价值程度。
RFM模型是一种常用的客户分群方法，它基于客户的购买行为数据，通过三个指标来评估客户的价值：购买频率（Recency）、购买频次（Frequency）和购买金额（Monetary）。
1.数据收集：收集客户的购买数据，包括每个客户的购买日期、购买次数和购买金额。
2.数据处理：将数据进行归一化处理，使不同指标的数据在同一尺度上进行比较。
4.分数计算：将每个指标的值转换为分数，通常分数范围为1到5，分数越高表示客户价值越高。
5.客户分群：根据客户的RFM分数，将客户分成不同的群体，例如高价值客户、中价值客户和低价值客户。
6.策略制定：根据不同客户群体的特点，制定相应的营销策略，以提高客户的忠诚度和购买频率。
AARRR模型因其掠夺式的增长方式也被称为海盗模型，是Dave McClure 2007提出的，核心就是AARRR漏斗模型，对应客户生命周期帮助大家更好地理解获客和维护客户的原理。
哪怕前期获取用户的成本比较高，只要用户生命周期价值（LTV），大于用户获取成本与经营成本之和，就意味着产品能够实现良性增长。
AARRR海盗模型为企业提供了一个全面的用户增长框架。通过分析用户生命周期的五个关键阶段，企业可以深入理解用户行为，识别潜在问题，并制定针对性的策略。该模型尤其适用于希望快速见效的企业，在资源有限的情况下帮助实现用户增长。
随着各行各业进行数字化转型，数据分析能力已经成了职场的刚需能力，这也是这两年CDA数据分析师大火的原因。和领导提建议再说“我感觉”“我觉得”，自己都觉得心虚，如果说“数据分析发现……”，肯定更有说服力。想在职场精进一步还是要学习数据分析的，统计学、概率论、商业模型、SQL，Python还是要会一些，能让你工作效率提升不少。备考CDA数据分析师的过程就是个自我提升的过程。
▷想了解CDA考试含金量，点击“CDA含金量”了解CDA考试详情；
▷想了解CDA院校合作，点击“院校合作”了解咨询CDA院校合作；
金融行业的运营风险贯穿业务全流程，涵盖交易欺诈、操作违规、流程漏洞、合规偏差、客户信用异常等多元场景，是银行、保险、证券 ...
财产保险作为金融行业的核心板块，涵盖车险、家财险、责任险、企财险等多元品类，是个人与企业抵御财产风险、经营风险的重要保障 ...
很多数据分析师能熟练写SQL、做透视表，但当被问到“数据是从哪里来的？经过哪些加工才进入数据仓库？ETL具体做了什么？”时 ...
【核心关键词】模块、餐饮、客户、门店、企业、订单、供应链、多样化、产品、生产计划、数据分析、生产管理、物料管理、业务分 ...
在数字化分析时代，原始数据本身不具备业务价值，只有通过科学的统计学方法加工、拆解、验证与解读，才能挖掘数据背后的规律、差 ...
很多数据分析师能熟练地写SQL、做透视表、算描述性统计，但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
在描述性统计分析、数据预处理、异常值排查与多组数据分布对比工作中，箱线图（Box Plot）是应用最广泛的可视化与统计工具之一。 ...
在企业数据存储、业务统计与数据分析工作中，绝大多数业务数据都带有时间维度属性，例如订单创建时间、用户注册时间、支付完成时 ...
很多数据分析师拿到数据就开始清洗、建模，但当被问到“这批数据属于什么类型——结构化还是非结构化？分类变量还是数值变量 ...
【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主，例如用户性别、年龄分层、 ...
很多数据分析师画过趋势图、做过业绩预测，但当被问到“这个月销售额增长20%，到底是长期趋势自然增长，还是促销活动的短期 ...
在数据分析、业务效果验证、AB实验扩展、行业对比等场景中，我们经常需要对比三组及以上样本的均值差异，例如不同区域的客单价对 ...
在互联网产品运营、用户生命周期管理与商业化数据分析中，留存指标是判断产品价值、用户满意度与商业模式健康度的核心基准。常规 ...
很多数据分析师做过按月份的销售额趋势图，画过按天的流量折线图，但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
在互联网运营、产品设计、市场营销与商业数据分析领域，所有转化、成交、复购行为的底层逻辑，都依托于用户决策流程。用户从产生 ...
很多数据分析师能熟练地计算指标、搭建标签体系，但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
数据透视表是数据分析中最常用、最高效的汇总分析工具，具备快速分组、聚合计算、维度拆解、数据可视化等优势，能够轻松完成求和 ...
在统计学、CDA数据分析、机器学习与商业数据研究中，正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...