litlit023的专栏

在认识数据要素之前，我们先来回顾一下“传统数据”的概念，传统数据是在业务活动中产生的副产品，主要用于数据查询、分析，支撑企业的业务运行。数据要素是数字经济时代的生产要素，与土地、劳动力、资本、技术并列为五大生产要素，由此可见数据要素在社会生产经营活动中的重要性。数据要素具备以下三大特征：1. 可复用：数据流通使用的越多，其价值可能就越大，不像石油被使用一次就被消耗殆尽。2. 可增值：通过对数据进行整合、分析，可以催生新知识、新洞察，应用到商业活动中，创造新价值。

支付架构的演进与发展

数据分析常见的5个步骤

1. 计算留存1.1 首选圈定一批用户假设以开始日期-结束日期的新注册用户作为新用户，首先找出新用户：select user, login_date from where login_date betweed xxx and yyy。select user_id, str_to_date(login_time,'%Y/%m/%d') login_timefrom user_infogroup by 1,2; -- 为了去重，只取用户某个日期的一条数据，以user_

参考资料SQL项目：淘宝用户行为数据分析 - 知乎数据集-阿里云天池

1. 用户活跃度定义将××天未访问的用户定义为流失用户，将××天内活跃×次的用户定义为高活跃用户2. 活跃度标签分类活跃度标签类型有：高活跃>中活跃>低活跃>流失3. 构建用户活跃度模型的步骤Step01.需要确定用户的流失周期在流失周期内，根据用户的活跃情况进一步将其划分为高活跃、中活跃、低活跃。业务上划分用户流失周期的方法：（1）根据用户方回访率来划分圈定的一批首次访问用户，一段时间后仍有访问的数量占最开始用户的比例。曲线出现明显下降时，可划分为流失周

目录1. 概述2. 构建FRM维表3. 层次划分 4.根据RFM高低层次表，生成RFM价值分类标签数据 5.查询用户RFM价值信息-进行验证6. 参考资料1. 概述用户价值类标签 RFM，流程总结2. 构建FRM维表从订单表中找出近一年中以下3个维度的数据R-最近一次消费时间- last_payid_dateF-最近一年中订单次数- last_1y_ordersM-最近一年中消费金额 last_1y_order_amount3. 层次划...

目录1. 基于hive数仓存储标签数据1.1 不同维度的标签，分表存储1.2 标签聚合处理：将同一用户的标签聚合成一个字段（map类型）2. ID-MAPING（缓慢变化维-拉链表处理方式）3. 参考资料1. 基于hive数仓存储标签数据1.1 不同维度的标签，分表存储人口属性、行为属性、用户消费、风险控制、社交属性等维度分别建立对应的标签表进行分表存储对应的标签数据。例如下面的基于人口属性的标签表dw.userprofile_attribute_all示例1

目录1、数据指标体系分类2、建立的用户标签分类3、标签主题（维度）：用户属性维度的标签4、标签主题（维度）：用户行为维度的标签5. 标签主题-购买品类（用户消费维度）6. 标签主题-风险控制（风险控制维度）7. 标签主题-社交属性（基于社交维度标签）8. 用户标签指标体系5大分类维度总结9. 通过引用场景对标签进行归类10. 标签ID命名规范11. 参考资料1、数据指标体系分类企业建立用户画像时，基于的一级维度分类。（用户/设备）（1）基于用户维度建立

1. 概述记录支付领域的基本专业术语1.1 学习资料总结Ping＋＋支付学院-支付系统设计白皮书.pdf 微信支付开发文档 https://github.com/Wechat-Group/WxJava/wiki/%E5%BE%AE%E4%BF%A1%E6%94%AF%E4%BB%98%E5%BC%80%E5%8F%91%E6%96%87%E6%A1%A3https://max.book118.com/html/2019/0225/6153142032002012.sh...

总结一些和数据分析相关的学习资料和网站 ，内容会不断更新1、爱数据（数据分析从这里开始）http://www.itongji.cn/2、用户画像从0到100的构建思路http://www.itongji.cn/detail?type=999934873、Tableau 入门套件https://www.tableau.com/zh-cn/learn/starter-kitshttps://help.tableau.com/current/guides/get-start..

目录1. TGI（目标群体指数）2. 特征池3. 参考资料1. TGI（目标群体指数）TGI是用来识别哪些特征是突出特征的重要方法。相对于个人用户画像，TGI可用于评估人群的画像。2. 特征池所谓特征池，可以理解成标签范围。比如选定【用户地域】、【用户年龄】、【用户购买偏好】……等200个标签作为特征池。开放式的特征池是不切实际的。特征池的选择可以基于业务需求来选。3. 参考资料原文地址：http://www.woshipm.com/user-research/.

目录1. 正向应用（做分析）1.1 用户透视分析1.2 单人标签分析，实现用户管理2. 逆向应用2.1 进行人群圈定、做定向投放2.2 以标签为索引，进行人群分组3.接口化流式动态应用3.1风控系统，判定用户风险3.2个性化推荐、个性化页面，实现千人千面4. 参考资料1. 正向应用（做分析）正向应用的定义：是指确定好一个人或者一群人，针对这些（个）人，进行的落地应用。通俗点讲，就是我已经有了一群现成的人群，想对这群人，做点什么。1.1 用户透视分析...

这篇文章对自定义标签，如何让使用者自建标签，进行了一个概念层面的描述原文请参考这里：http://www.woshipm.com/pd/4271202.html

目录1. 概述2. 市面上BI工具分类3. 参考资料1. 概述（1）位于BI分析师和业务人员之间的一个系统，业务人员可以使用BI系统自主的分析业务。以往业务人员都是直接将需求丢给BI分析师。（2）降低了业务和分析之间的巨大沟通成本2. 市面上BI工具分类免费和付费两大阵营免费阵营为首的当然是GA（也就是谷歌分析）、PowerBI，但是由于有墙的限制，很多公司没法使用前者；付费阵营近两年比较火的主要就是神策数据了，传统的就是Tableau。3. 参考..

1. 众数（M）定义指在统计分布上具有明显集中趋势点的数值，代表数据的一般水平。也是一组书中出现次数最多的数值。众数（Mode）用M表示别名：范数、密集数特点：（1）有时会有多个众数，在一组数中，众数可以有多个，例如{1,2,3,3,4,5,5}，则该组数据的众数是3和5。（2）如果所有的数据出现次数都一样，那么这组数据没有众数。优缺点平均数：需要全组所有数据来计算；易受数据中极端数值的影响。中位数（Median）：仅需把数据按顺序排列后即可确定；不易受数据中极端...

目录1. 概述2. 参考资料1. 概述ROI(Return On Investment）是指通过投资而应返回的价值，即企业从一项投资活动中得到的经济回报，通俗点来说就是我们获得的收益和投入成本的比值。2. 参考资料http://www.pm28.com/878.htmlhttps://www.cifnews.com/article/45646...

在人人都是产品经理APP看到一篇文章，链接如下http://www.woshipm.com/data-analysis/4337716.html

1. 概述主要总结关于产品经理，数据运行方面的学习资料和书籍2. GrowingIO 官网电子书下载中心https://www.growingio.com/ebook