-
对于一个app说一个你最关注的指标? 为什么是这个指标而不是其他的 ?
视频类：
-
活跃用户（比例活跃用户占总用户的比例，日活，周活，月活）
这个指标是一个具有比较性定量指标，而且简单易懂。这个指标揭示了用户参与度。
而且对比下载量，用户总量来说，它是一个可以可付诸行动的指标。当产品做出调整时，该数字也会相应的变化，如果变化是积极的，表明调整是正确的
比如游戏类产品比较注重日活，可以把日活作为产品的核心指标，参考行业平均水平或者公司自己划定的一个目标值或正常值，就能清楚的了解到当前的产品状态了。
根据活跃增长情况，判断产品是否能进行大规模推广。比如某产品当前日活月活稳定在一个正常值，并且增长缓慢，从这里或许我们就能得出，用户增长稳定但增速变慢了，可以尝试进一步推广，扩大用户规模。
一个好数据指标是比较性的，简单易懂，最好是一个比率，可以指导行为。
指标的分类：定性指标和量化指标；虚荣指标和可付诸行动指标；探索性指标和报告性指标；先见性指标和后见性指标；相关性指标和因果性指标
-
-
如果日活用户有2000万 每日新增用户为50万 其第一天留存率一直加到365日留存率的和等于40 问365天之后日活能达到多少
- 2000+50x40=4000万
-
如果app里要上线一个广告位 你怎么设计方案验证要不要上线这个广告位 ？ 如果已知此广告位会带来100万的收益 ，CAC（Customer Acquisition Cost 用户获取成本）= 6 但是会使每日的留存率降低1% 用数学公式计算要不要上线此广告位 ？如果上线了此广告位 问哪一天日活达到最大 ？
-
留存率=新增用户中登录用户数/新增用户数*100%（一般统计周期为天）
新增用户数：在某个时间段（一般为第一整天）新登录应用的用户数；
登录用户数：登录应用后至当前时间，至少登录过一次的用户数；
次日留存率：（当天新增的用户中，在注册的第2天还登录的用户数）/第一天新增总用户数；
第7日留存率：（第一天新增的用户中，在注册的第7天还有登录的用户数）/第一天新增总用户数；
第30日留存率：（第一天新增的用户中，在注册的第30天还有登录的用户数）/第一天新增总用户数。
-
-
（找到正确的指标）如果让你做一个社交类的app你会关注哪些业务指标？ （当时我说了一堆 他都说是增长指标 我一直没搞懂这里业务指标指啥）
AARRR(获取用户，提高活跃度，提高留存率，获取营收，自传播)
微信：
-
获取用户：流量、提及量、CPC(每次点开费用)、用户获取成本等；
提高活跃度：日活跃量，新用户增速
提高留存率：用户参与度，距上次登录时间，日活月活，流失率
获取营收：先确定营收方式
自传播：邀请发送量、病毒式传播周期
微博:
-
如果一天日活（DAU, daliy active user）突然下降了 你要怎么寻找原因 为什么这么做 ？
-
http://www.woshipm.com/data-analysis/2467030.html
核心点：先做数据异常原因的假设，后用数据验证假设。
第一步：确认数据真实性
-
第二步：根据几个常见维度初步拆分数据
常见的几个维度：
拆用户：新老用户
拆登录平台：ios/安卓
拆版本：新老版本
拆入口：点击图标登入、push调起等
拆登录渠道：app，微信小程序，pc端，M端等
拆区域：省份国家等
拆时间：淡旺季、日夜、周期性产品等
计算影响系数：每一项数据都要和以往正常值做对比，算出影响系数。
影响系数=(今日量-昨日量)/(今日总量-昨日总量)
影响系数越大，说明此处就是主要的下降点
以上是几种常见的初步拆分维度，通过初步拆分，定位原因大致范围。
-
第三步：异常范围定位后，进一步做假设
除了上述，可以细分分析的维度实在太多，逻辑上说核心点在于一个假设得到验证后，在这个假设为真的基础上，进行更细维度的数据拆分。我们需要记住这种分析方式，当猜测是某种原因造成数据异常时，只要找到该原因所代表的细分对立面做对比，就可以证明或证伪我们的猜测，直到最后找到真正原因。
-
-
如果抖音上的搜索按钮换成了搜索框 搜索量和日活分别会怎么变换为什么 怎么去验证 ？
-
了解头条的产品吗？评价一下有哪些需要改进的地方？
相比传统媒体的核心——记者、编辑、运营，今日头条主打工具，核心是机器推荐算法，也就是一款用机器推荐算法给用户推荐新闻的工具。没有复杂样式的内容，用简单的信息展现形式，展现出丰富的内容，满足用户看资讯的需求。
主要特点：1.不主观编辑 – 只提供客观内容；2. 主要内容为机器爬取或自媒体上传。3.个性化，根据用户兴趣推荐内容。类似于淘宝的千人千面。
-
改进：版权问题
内容审核机制
-
用户刚进来APP的时候会选择属性，但是会就是很多新用户，怎样在保证有完整用户信息的同时让用户流失减少。
采用技术接受模型（TAM）来分析，影响用户接受选择属性这件事的主要因素有：
<pre class="md-fences md-end-block ty-contain-cm modeLoaded" lang="" style="box-sizing: border-box; overflow: visible; font-family: var(--monospace); font-size: 0.9em; display: block; break-inside: avoid; text-align: left; white-space: normal; background-image: inherit; background-position: inherit; background-size: inherit; background-repeat: inherit; background-attachment: inherit; background-origin: inherit; background-clip: inherit; background-color: rgb(248, 248, 248); position: relative !important; border: 1px solid rgb(231, 234, 237); border-radius: 3px; padding: 8px 4px 6px; margin-bottom: 15px; margin-top: 15px; width: inherit;" spellcheck="false" mdtype="fences" cid="n120">1）感知有用性： a. 文案告知用户选择属性能给用户带来的好处 2）感知易用性： a. 关联用户第三方账号（如微博），可以冷启动阶段匹配用户更有可能选择的属性，推荐用户选择 b. 交互性做好 3）使用者态度：用户对填写信息的态度 a. 这里需要允许用户跳过，后续再提醒用户填写 b. 告知用户填写的信息会受到很好的保护 4）行为意图：用户使用APP的目的性，难以控制 5）外部变量：如操作时间、操作环境等，这里难以控制</pre>
-
APP激活量的来源渠道很多，怎样对来源渠道变化大的进行预警。
如果渠道使用时间较长，认为渠道的app激活量满足一个分布，比较可能是正态分布。求平均值和标准差，对于今日数值与均值差大于3/2/1个标准差的渠道进行预警
对于短期的新渠道，直接与均值进行对比。
-
(找到正确的指标)如果头条做一个类似的短视频APP，你认为值得关注的有哪些指标？
-
西瓜视频推出初期，希望通过push来引导更多的用户参与答题。现在如果需要你确定哪个时间段进行push推送能更好地引流，你怎么做？（给出思路）
-
抖音界面的搜索位置如果做一个产品功能迭代，将搜索按钮更改为搜索框，请你预测一下搜索量和视频播放量这两个指标的影响？为什么?
-
手机上最常用的APP有哪些？你觉得这些APP有哪些可以优化的点？
-
说一下你经常用的app （微信 b站 知乎 微博） ， 给他介绍一下b站这个app ，说一下b站都有什么缺点和优点 ， b站和爱奇艺对比 有什么差异？
-
如果次日用户留存率下降了 5%该怎么分析；
-
对今日头条的看法。
17.卖玉米如何提高收益，价格提高多少才能获取最大收益；类比到头条的收益，头条放多少广告可以获得最大收益，不需要真的计算，只要有个思路就行；
- 收益 = 单价*销售量，那么我们的策略是提高单位溢价或者提高销售规模。
提高单位溢价的方法：品牌打造获得长期溢价，但缺陷是需要大量前期营销投入；加工商品占据价值链更多环节，如熟玉米、玉米汁、玉米蛋白粉；重定位商品，如礼品化等；价格歧视，根据价格敏感度对不同用户采用不同定价。
销售量=流量*转化率，上述提高单位溢价的方法可能对流量产生影响，也可能对转化率产生影响。
那么 收益 = 单价流量转化率，短期内能规模化采用的应该是进行价格歧视，如不同时间、不同商圈的玉米价格不同，采取高定价，然后对价格敏感的用户提供优惠券等
- 收益 = 出价流量点击率*有效转化率，放广告的数量会在提高流量，但会降低匹配程度，因此降低点击率。最大收益是找到这个乘积的最大值，是一个有约束条件的最优化问题。
同时参考价格歧视方案，可以对不同的用户投放不同数量的广告。
18.男生点击率增加，女生点击率增加，总体为何减少?
- 因为男女的点击率可能有较大差异，同时低点击率群体的占比增大。 如原来男性20人，点击1人；女性100人，点击99人，总点击率100/120。 现在男性100人，点击6人；女性20人，点击20人，总点击率26/120。 即那个段子“A系中智商最低的人去读B，同时提高了A系和B系的平均智商。”
19.如何识别作弊用户（爬虫程序， 或者渠道伪造的假用户）
分类问题可以用机器学习的方法去解决，下面是我目前想到的特征：
<pre class="md-fences md-end-block ty-contain-cm modeLoaded" lang="" style="box-sizing: border-box; overflow: visible; font-family: var(--monospace); font-size: 0.9em; display: block; break-inside: avoid; text-align: left; white-space: normal; background-image: inherit; background-position: inherit; background-size: inherit; background-repeat: inherit; background-attachment: inherit; background-origin: inherit; background-clip: inherit; background-color: rgb(248, 248, 248); position: relative !important; border: 1px solid rgb(231, 234, 237); border-radius: 3px; padding: 8px 4px 6px; margin-bottom: 15px; margin-top: 15px; width: inherit; color: rgb(51, 51, 51); font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: 400; letter-spacing: normal; orphans: 2; text-indent: 0px; text-transform: none; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; text-decoration-style: initial; text-decoration-color: initial;" contenteditable="true" spellcheck="false" mdtype="fences" cid="n183">1）渠道特征：渠道、渠道次日留存率、渠道流量以及各种比率特征 2）环境特征：设备（一般伪造假用户的工作坊以低端机为主）、系统（刷量工作坊一般系统更新较慢）、wifi使用情况、使用时间、来源地区、ip是否进过黑名单 3）用户行为特征：访问时长、访问页面、使用间隔、次日留存、活跃时间、页面跳转行为（假用户的行为要么过于一致，要么过于随机）、页面使用行为（正常用户对图片的点击也是有分布的，假用户的行为容易过于随机） 4）异常特征：设备号异常（频繁重置idfa）、ip异常（异地访问）、行为异常（突然大量点击广告、点赞）、数据包不完整等</pre>
20.怎么做恶意刷单检测?
- 分类问题用机器学习方法建模解决，我想到的特征有： （1）商家特征：商家历史销量、信用、产品类别、发货快递公司等 （2）用户行为特征：时间、用户信用、下单量、转化率、下单路径、浏览店铺行为、支付账号 （3）环境特征（主要是避免机器刷单）：地区、ip、手机型号等 （4）异常检测：ip地址经常变动、经常清空cookie信息、账号近期交易成功率上升等 （5）评论文本检测：刷单的评论文本可能套路较为一致，计算与已标注评论文本的相似度作为特征 （6）图片相似度检测：同理，刷单可能重复利用图片进行评论
20.假如我们有三个营收渠道，每个渠道的流水都在上涨，每个渠道的佣金率是固定没有变的，但是我们平均佣金率下降了，你能分析一下吗？
21.2019年7月，天猫宠物用品购买用户数增长率比前半年有下降，应该从哪几个方面分析原因？
22.介绍一款产品，这款产品有哪些需要改进的地方，为什么产品没做这款改进？
23.估计一袋瓜子有多少颗，可以用任意工具任意办法
24.假如我是广告主，你是微博的数据分析师。我现在找微博投鞋子的广告，给了200w，2星期用完。2星期后需要你给我一份广告的效果评估报告，你会怎么分析？
25.发现新用户登录后下单量不理想，进行发券测试，两种券，满20减2和满30减3
①不考虑成本，比较两种券优劣，考核指标？如何做测试？②考虑成本呢？
26.建立一个防止用户流失的模型
发展一个新客户的成本是维护一个老客户的3-8倍，一个老客户贡献的利润是新客户的10倍以上。”用户参与度每下降5%，则企业的利润将下降25%。获得新用户的代价要远高于保留住现有用户，而重新获得已经流失的用户代价更高。事实上，经过一系列的测试以及研究证实，用户流失是对公司利润的最大破坏
-
流失用户是什么？
运营在精准防范用户流失时，要做的第一步就是先明确流失用户定义，需要根据自身产品的类型、调性以及用户画像来定义流失用户的概念。
如果是针对特定活动的用户流失，则需要从活动举办的目的和意义出发去定义用户流失概念。
比如，社交APP的价值在于解决沟通的问题，通常会以距离上次登陆的时间长短来定义流失用户。
再比如，电商APP通过用户购买来盈利，尤其是在双十一、双十二这种看销量的特殊日子，通常以购买的活跃程度来定义流失用户。
如果用户两个月不进行操作，则可以认为用户已经流失。这里有一点要注意，QQ和微信属于强社交的软件，即使我们不用，但还会安装在手机上。
-
用户流失预测？
-
如何建立用户流失模型？
可以根据指数法来构建一个用户流失模型：
标准1 ：针对社交类产品，以DAU/MAU的指标定义流失用户，DAU/MAU的数值是一个介于0.03-1之间数字，数字越高，活跃度越高（DAU取当月的每日DAU的平均值）。
标准2： 针对电商类产品，以购买活跃度的指标定义流失用户
产品的使用场景决定了它基础的使用频次，并不是所有的东西都要每天使用才算有价值的。在另一端还有一些产品虽然使用是偶尔使用的，但每一次互动都具有很高的价值，针对这些产品DAU/MAU就不是合适的指标。
淘宝的活跃度只有0.29，平均活跃度基本上是一周三天左右，但是淘宝是一个电商应用，本就不可能让用户每天打开浏览，其购买活跃度才是更重要的指标。
应用于参考不同频次的用户的行为特征来构建行为模型的做法，为流失用户进行行为特征的拆解，找到对于流失用户的关键性指标。
建立模型的一大便利是可以清晰地看出流失用户具体的临界值，我们都知道DAU/MAU的值越高越好，但是低于多少才算是流失呢？
而且从图中还可以看出：用户在激活后的两周内流失率是比较高的，如果熬过这两周，流失的用户也大大降低。
接下来，就是细分这批流失用户画像，包括他们和活跃用户的行为差异、进入app的渠道、在流失之前对app的访问频次、在app的使用行为（如：是在哪个环节跳走后而流失），从而推断用户流失的原因。
举个例子：对用户行为进行分析，发现用户A在流失前访问频次很高，每周会访问3-5次，但是几次从app跳走的页面都是支付页，那么极有可能支付环节出了大问题。
可能是支付经常提示错误造成用户厌烦，可能是支付流程复杂让用户觉得困扰。不好的体验造成了用户A流失的主要原因。
再举个例子：
某产品在经过一次更新以后发现用户流失率增加，经过用户属性分析发现：其中女性流失用户占比较大，那么可能是产品改版以后UI界面不讨女性用户喜爱。
或者经过行为分析发现：新注册用户流失比例很大，那可能是改版以后的新手引导没有做好。
-
如何挽回流失用户？巩固客户？
根据不同类型用户来指定挽回策略。
购买频次和金额
- 根据用户的生命周期
1次也没购买过的（可派发大额度优惠券、大促活动或超低价商品吸引回访成为首单新客）。
购买1－2次且客单价较低（可精准推送优惠专场或在这个客单水平的好货）。
购买3次及以上（可推送用户偏好的品牌或品类，额外增加会员专属优惠券等形式）。当然，这些只是一个思路供参考。
-
八次曝光策略
广告有一个法则叫“八次曝光策略”，意思是说，品牌多次曝光，才能逐渐走进你的内心，加深印象，多次的展示在你面前，才更有可能让用户对品牌认知度提升
将用户划分之后，就看下营销工具了。常见的有：短信、email、push等。我个人觉得短信是最直接的，效果会比其他两种工具好。
市场上的流失用户回访率平均水平在5％-10%之间；
27.用户等级驻留场景分析
28.某一渠道入口流量下降该如何分析
31.你的朋友说最近咨询的人变多了，但是他做的是小本生意，没有能力再去请多一个客服，所以导致自己回复用户速度下降，很多人就走了没有下单，请你帮他想一下解决方案。
32.你的朋友按照你的建议去做，生意变好了，他赚钱了，然后他一下子请了5个客服，请你设计指标去考核客服的KPI。
34.广告投放渠道的选择，如何降低成本的同时提高用户召回率？
首先做渠道选择，减少需要考虑的维度，具体为观测用户分布的情况，选择最高的20个
指标分析，比如有些渠道用户分布密度高，那其找回率第一点也没事，单有的虽然召回率很高但 是分布相 对较小，需要作出决策具体的分配策略。
修改以及调整，在投入后不断地修正投入方案
35.对拼多多的理解，对拼多多产品提一提看法
新用户金额是随机的（小于当前商品价格），老用户金额是固定的（如老用户固定只能帮砍1块钱）。
你怎么验证刚刚提到的砍价策略是有效的，需要哪些数据指标（我提到了砍完价之后的成交率）
随机金额 = 当前金额 ÷（总共的刀数-已经帮砍刀数）× 系数
当前金额：商品已经砍到了多少钱了，如￥49.00的砍了3刀砍成了￥28.6，那么￥28.6就是当前金额。 总共的刀数：就是前面说的固定可以砍几次，但也许是不固定的，我猜可能跟商品价格有一定关系，比如价 越高砍得刀数越多，并且每次帮砍金额就越大。具体怎么个算法目前还没有了解（如果你知道我们可以交流学习一下，非常感谢）。 已经帮砍刀数：就是已经砍了几刀了， 系数：这个系数是一个介于0~1之间的随机小数，它其实决定了新用户的帮砍金额尽量是随机的并且小于等于当前金额。
砍价的成交率越高越好还是越低越好（这里发现了我对拼多多业务理解的盲点，成交率越低越好，因为每成交一单都会增加平台的成本，这里边只有成本，没有利润空间，拼多多主要赚的不是商品利润，而是流量）
https://blog.csdn.net/qq_32618817/article/details/80395752
https://blog.csdn.net/u013382288/article/details/80390324
https://www.jianshu.com/p/1431daad2c62
https://www.jianshu.com/p/84de25b9e7f5
http://www.woshipm.com/data-analysis/2467030.html
http://www.woshipm.com/data-analysis/2589190.html
https://www.jianshu.com/p/51c205d7b07b
https://blog.csdn.net/u014748818/article/details/79738450