数据分析模型框架_osm框架-CSDN博客

AARRR 模型（海盗模型）
- Acquisition 获取 → Activation 激活 → Retention 留存 → Revenue 变现 → Referral 裂变
- 👉 常用于整体增长路径拆解，判断问题出在哪个环节。
RFM 模型
- Recency 最近一次行为 → Frequency 行为频次 → Monetary 金额贡献
- 👉 用户价值分层，常用于精细化运营、会员分群。
用户生命周期模型（LTV & CAC）
- LTV（生命周期价值） vs CAC（获客成本）
- 👉 衡量用户增长是否可持续。
DAU模型（Daily Active Users）
- DAU = 新增用户 + 回流用户 + 留存用户
- 👉从用户生命周期角度拆解（新用户获取、老用户留存、沉睡用户唤醒）、从指标因子角度拆解（DAU = 访问流量 × 转化率 × 使用频次）、从漏斗模型拆解（看 DAU 的驱动环节是获取、激活还是留存）。

②产品与体验类

漏斗模型（Funnel Analysis）
- 曝光 → 点击 → 注册 → 下单 → 支付
- 👉 定位用户流失点，优化转化链路。
转化率拆解模型
- 例如 GMV = 流量 × 转化率 × 客单价
- 👉 分析 GMV 下滑究竟是“流量少”、“转化低”，还是“客单价下降”。
KANO 模型
- 基本型、期望型、兴奋型需求
- 👉 用于评估产品功能优先级。

③供需与生态类

供需平衡模型
- 核心：需求端用户数 / 供给端活跃度
- 👉 常见于外卖、出行、招聘等双边平台。
飞轮模型（Flywheel Model）
- 供给增长 → 用户体验提升 → 用户增长 → 供给增长
- 👉 强调正向循环，亚马逊、抖音常用。
供给端健康模型
- 平台要维持良性的增长，不仅要关注 需求端（用户、DAU、留存），也要监控 供给端（商家、骑手、主播、创作者、内容供给） 的“健康度”。
- 👉 强调供给规模和活跃度、供给质量（完成率、留存率等）、供给结构合理性（品类/区域覆盖率、长尾供给占比）和供给收益等。
流量分发效率模型
- 平台产生了很多流量（用户访问、曝光），这些流量是否被 高效地分发 给了最合适的供给方（商家/内容/创作者），从而产生 最大化的转化与价值。
- 👉 强调流量获取效率（曝光覆盖率、曝光集中度等）、流量转化效率（CTR 、CVR 、GMV/曝光量）和流量利用效率（曝光填充率、重复曝光率和流量冗余率等）。

④实验与因果推断类

AB 实验模型
- 显著性检验、功效分析、最小可检测效应 (MDE)
- 👉 验证策略/功能是否真的有效。
因果推断模型（DID、PSM、IV 等）
- 👉 用于在非严格随机实验条件下，分析策略对结果的真实因果影响。

⑤策略与管理类

北极星指标模型（North Star Metric）
- 找到能代表长期价值的唯一指标（比如 DAU、时长、GMV）。
- 👉 常结合拆解模型，定位短期目标。
OKR / OSM 框架
- 目标（Objective）、关键结果（KR）、指标树（OSM）。
- 👉 将战略目标拆解到指标和执行动作。

⑥可视化分析框架

指标树/指标分解法：核心指标 → 次级因子 → 可控变量
雷达图评估法：多维度供给/运营健康度对比
漏斗/桑基图：转化路径直观呈现

✅二、数据分析模型对比表

分类	模型	核心逻辑	典型应用场景	典型指标
增长类	AARRR（海盗模型）	获取 → 激活 → 留存 → 收益 → 裂变	全链路增长拆解	DAU、激活率、留存率、付费转化率、裂变系数
	DAU 拆解模型	DAU = 新增 + 留存 + 回流	用户活跃结构分析	新增数、留存数、回流数
	转化率拆解模型	目标指标分解为流量 × 转化率 × 价值	电商 GMV 分析	GMV = UV × CVR × 客单价
留存与价值类	RFM 模型	最近一次消费 (R) + 频次 (F) + 金额 (M)	用户价值分层、精细化运营	高价值用户、沉睡用户、流失用户
留存与价值类	生命周期价值（LTV-CAC）	用户长期价值 vs 获客成本	增长可持续性	LTV、CAC、回本周期
供需与生态类	供给端健康模型	规模、活跃度、质量、效率、收益	外卖、出行、电商、内容社区	活跃商家数、履约率、差评率、SKU 丰富度
	流量分发效率模型	曝光 → 点击 → 转化 → 价值	电商推荐、内容分发、广告投放	CTR、CVR、GMV/UV、eCPM
	供需平衡模型	需求与供给匹配度	双边平台	供需比、订单满足率、峰值填充率
	飞轮模型（Flywheel）	供给-需求正向循环	平台长期增长	用户数 ↑ → 供给 ↑ → 体验提升 → 更多用户
实验与因果类	AB 实验模型	随机分流 + 显著性检验	功能/策略效果验证	样本量、P 值、Power、MDE
实验与因果类	因果推断模型（DID / PSM / IV）	在非随机条件下估算因果效应	策略评估、宏观政策效果	ATT、ATE、差分估计值
战略与管理类	北极星指标模型（NSM）	统一的长期价值指标	企业战略对齐	GMV、用户时长、付费用户数
战略与管理类	OKR / OSM 指标树	目标 → 关键结果策略 → 指标分解	战略落地执行	Objective、KR、拆解指标

✅三、实战案例：电商平台新用户增长与留存分析

①项目背景（Situation）

某电商平台近期 DAU 增速放缓，尤其是新用户增长乏力，留存下滑。领导要求分析原因，并提出优化方案，验证策略是否有效。

②分析目标（Objective – OSM 模型）

Objective：提升平台 DAU
Strategy：通过优化用户获取与留存来拉动增长
Metric：新增用户数、次日/7日留存率、DAU

👉 在 OSM 框架下，我们需要拆解 DAU 及相关影响因子。

③分析思路与方法论

1. DAU 拆解模型

DAU=新增用户+留存用户+回流用户DAU = 新增用户 + 留存用户 + 回流用户DAU=新增用户+留存用户+回流用户

数据结果发现：新增用户下滑，留存率也在下降 → 双重打击。
先锁定问题在 新增 & 留存。

2. AARRR 模型（增长路径分析）

Acquisition（获取）：渠道投放、自然搜索 → 新增下滑，说明获客效率低。
Activation（激活）：新用户注册转化率低，部分流失在注册/首单环节。
Retention（留存）：7日留存下降，说明用户未形成使用习惯。
Revenue（变现）：客单价稳定，说明问题不在变现。
Referral（裂变）：拉新活动参与率低。

👉 问题集中在 Acquisition & Retention。

3. RFM 模型（用户分层）

通过 RFM 分析，发现：
- 新注册用户多为低频低消费群体（F、M 都低）。
- 高价值用户仍保持良好活跃度。
说明新增用户 质量较差，渠道获客不精准。

4. 流量分发效率模型

曝光 → 点击 → 下单转化链路分析：
- 曝光充足，但 CTR 偏低 → 推荐系统没有给用户推送匹配的商品。
- CVR 稳定 → 说明点击后购买意愿没问题。

👉 确认 流量分发精准度不足，新用户冷启动时体验差，导致留存下降。

5. AB 实验模型（验证方案）

实验设计：
- 实验组：新用户进入首页时，推荐算法引入“基于人群画像的个性化推荐”。
- 对照组：维持原始推荐逻辑。
指标设定：
- 主指标：次日留存率、7日留存率。
- 次指标：CTR、CVR、新用户下单率。
结果：
- 实验组 CTR 提升 12%，7日留存提升 7%。
- 验证了优化推荐系统的有效性。

④结果与价值（Result – STAR 法则）

短期成果：新用户 7日留存提升 7%，DAU 恢复增长。
长期价值：结合 OSM 模型，建立了“DAU 目标 – 策略 – 指标”的分析框架。
复盘经验：
- 单看 DAU 无法定位问题，必须结合 DAU 拆解 + AARRR + RFM。
- 策略验证必须结合 AB 实验，才能确保因果关系。

⑤面试/汇报答题话术（简洁版）

“在一次电商平台 DAU 下滑的项目中，我先用 DAU 拆解模型确认问题来自新增和留存，再结合 AARRR 模型分析用户旅程，发现获客与留存环节有缺陷。随后用 RFM 模型分层，发现新增用户质量差；再通过 流量分发效率模型，定位推荐系统对新用户不够精准。最后设计 AB 实验，测试个性化推荐对新用户的效果，结果次日 CTR 提升 12%，7日留存提升 7%。整个过程用 OSM 模型串联目标、策略、指标，形成闭环。这让我不仅定位了问题，还推动了策略落地和业务增长。”