一、指标体系搭建

OSM 是一套目标 - 策略 - 度量的结构化思考框架，常和 AARRR 模型结合，用来搭建完整的业务指标体系。

1、1 OSM框架

1、o 目标

要明白我们最终要达成的、清晰可衡量的业务结果

2、s 策略

为了达成目标，拆解用户旅程后制定的行动方向

典型结合：用 AARRR 海盗模型 （漏斗模型）拆解用户全生命周期，作为策略落地的路径：

AARRR 模型

• Acquisition（获取）：怎么让更多人知道并注册？

• Activation（激活）：怎么让新用户快速体验核心价值？

• Retention（留存）：怎么让用户持续回来使用？

• Revenue（变现）：怎么让用户开始付费转化？

• Referral（推荐）：怎么让用户主动分享拉新？

3、m 度量

1、2 术语

1、GMV、DAU

GMV = 流量 * 转化率/成交率 * 客单价 = DAU * CVR * 客单价（在一定周期内所有的订单的标价总额---卖了多少，卖的好不好）
DAU （一天内登陆或使用产品的去重用户数---当天有多少活人用户）

2、次日留存率

当日新增用户中，在次日再次打开 / 使用产品的用户占比。

3、新用户生命周期 LTV

一个新用户从注册到流失的整个生命周期内，为企业创造的累计总收入（或利润）

一个新用户从注册到流失，预计能给"快购"带来多少总收入?

4、K因子

每个活跃用户平均能带来的新用户数量，反映产品的自传播能力

二、异动分析

1、定义问题

2、数据验证

3、维度拆解

3、1 时间维度

3、2 用户维度

3、3  行为维度

4、原因假设

5、数据验证

6、根因定位

补充：

1、统计显著性

核心含义：判断样本中观察到的差异 / 效应，是真实存在，还是仅由随机波动 / 抽样误差导致的统计方法。

• 判断逻辑：通过假设检验（如 t 检验、卡方检验）计算 p 值：
  • 若 p < 显著性水平（通常 0.05）：拒绝 “无差异” 的原假设，认为差异具有统计显著性，即差异大概率不是偶然。
  • 若 p ≥ 0.05：无法拒绝原假设，认为差异可能由随机因素导致，不具备统计显著性。
• 业务意义：在 A/B 测试、用户行为分析中，避免把 “偶然波动” 误判为 “策略有效”，保证决策的可靠性。

2、对比分析

3、辛普森悖论

核心含义：在分组数据中呈现的趋势，在合并数据后会完全反转的统计现象。

• 典型场景：
  1. 分组时：A 组的某项指标（如转化率、成功率）优于 B 组；
  2. 合并后：整体数据却显示 B 组优于 A 组。
• 成因：混杂变量（Confounding Variable） 的存在，不同组的样本构成 / 权重差异极大，掩盖了真实的分组趋势。
• 经典例子：
  • 某医院两种治疗方案：
    • 分组看：轻症患者中，方案 A 治愈率 > 方案 B；重症患者中，方案 A 治愈率 > 方案 B。
    • 合并看：方案 B 整体治愈率 > 方案 A。
    • 原因：方案 A 多用于重症患者（样本占比高、基础治愈率低），方案 B 多用于轻症患者（样本占比高、基础治愈率高），导致整体数据被样本结构误导。
• 业务警示：分析数据时必须关注分组结构和样本分布，避免被汇总数据误导，要拆解到合理的细分维度（如用户分层、渠道、场景）再下结论。

两者在数据分析中的关联

• 统计显著性：帮你判断 “差异是不是真的”；
• 辛普森悖论：提醒你 “差异的方向可能被数据结构误导”。两者结合，才能避免数据分析中的常见陷阱，得出更可靠的业务结论。

三、AB实验入门

随机分流

AB实验关键要素

实验方案概述

实验方案细节

补充

1、置信区间

置信区间不是给出一个 “精确结果”，而是一个包含真实效应的范围，并附带置信水平（最常用的是 95%）。

• 例：实验结果显示 “转化率提升了 5%，95% 置信区间为 [3%, 7%]”
  • 含义：我们有 95% 的把握认为，真实的提升幅度在 3% 到 7% 之间，5% 只是样本观测到的点估计值。
  • 意义：体现了数据的不确定性，避免把样本结果当成绝对真理。

2. 关键判断规则

• 区间不包含 0（如 [3%,7%]）：说明结果在统计上是显著的，即这次提升大概率不是随机波动导致的。
• 区间包含 0（如 [-2%, 8%]）：说明结果不具备统计显著性，无法确定真实效应是正向还是负向，实验结论不