概述模型概念AARRR 是用户获取（Acquisition）、用户激活（Activation）、用户留存（Retention）、获得收益（Revenue）、推荐传播（Referral），这个五个单词的缩写，分别对应用户生命周期中的 5 个重要环节。AARRR 模型又叫海盗模型，是用户运营过程中常用的一种模型，解释了实现用户增长的 5 个指标：获客、激活、留存、收益、传播，整个 AARRR 模型形成了用户全生命周期的闭环模式，不断扩大用户规模，实现持续增长。 应用意义 Acquisition：获取用户 运营一款产品的第一步，毫无疑问是获取用户，也就是大家通常所说的推广。此时推广人员经验很就显得重要：首先要分析自己产品的特性以及目标人群，与渠道用户进行定位和匹配，要摸清楚每个渠道量级与用户质量，不同产品时期选择不同渠道，是前期铺量还是稳定期保质量。 渠道量级指标：曝光量、点击、下载、安装、激活（注册激活，主动激活、推送激活、交易激活）、累计新增。 渠道质量指标：CTR（点击率），激活率，安装率，CPA 等每用户成本、用户 LTV、1次/1日用户量，用户使用时长、留存率、付费率、ARPU（ ...

概述模型概念购物篮分析（Market Basket Analysis）是关联规则挖掘的应用场景，通过研究用户在一次购买行为中放入购物篮中不同商品之间的关联，研究顾客的购买行为，从而辅助零售企业制定营销策略的一种关联分析方法。 购物篮分析使用分析商品关联性可以用以下指标进行衡量： 指标 定义 概率描述 举例说明 支持度 支持度是指 A 商品和 B 商品同时被购买的概率，或者说某个商品组合的购买次数占总商品购买次数的比例。支持度说明了这条规则在所有事务中有多大的代表性，显然支持度越大，关联规则越重要。 物品集 A 对物品集 B 的支持度 P(A ∩ B) 今天共有 10 笔订单，其中同时购买牛奶和面包的次数是 6 次，那么 牛奶+面包 组合的支持度就是 6/10=60% 置信度 置信度是指购买 A 之后又购买 B 的条件概率，简单说就是因为购买了 A 所以购买了 B 的概率 物品集 B 对物品集 A 的置信度 confidence P(B|A) = P(A ∩ B) / P(A) 今天共有 10 笔订单，其中购买 A 的次数是 8，同时购买 A 和 B 的次 ...

概述模型概念电商转化作为电商运营重点关注的一个环节，是千万卖家最关注的，也是最难界定的指标。转化漏斗模型，是分析用户在使用某种业务的情景下，经过一系列步骤转化效果的方法，转化分析的本质是为了促进企业的核心业务的流通，最大化每个营销漏斗的转化率。 应用意义在理想的情况，用户会沿着产品设计的路径到达最终目标事件，但实际情况是用户的行为路径是多种多样的。通过埋点事件配置关键业务路径，可以分析多种业务场景下转化和流失的情况，不仅能够找出产品潜在问题的位置，还可以定位每个环节的流失用户，进而定向营销促转化。 实战基础数据这里选择 电商客户行为日志数据进行分析，数据字段为： event_time：事件时间 event_type：事件类型（view、cart、purchase） product_id：产品 ID category_id：产品分类 ID category_code：产品分类 brand：品牌 price：价格 user_id：用户 ID user_session：用户 Session 部分数据如下： event_time event_type product_id cate ...

概述模型概念波士顿矩阵（BCG Matrix），又称市场增长率--相对市场份额矩阵、波士顿咨询集团法、四象限分析法、产品系列结构管理法等，由美国著名的管理学家、波士顿咨询公司创始人布鲁斯·亨德森于 1970 年创作。 波士顿矩阵认为一般决定产品结构的基本因素有两个：即市场引力与企业实力，通过销售增长率（反映市场引力的指标）和市场份额（反映企业实力的指标）来分析决定企业的产品结构。 市场引力：包括整个市场的销售量（额）增长率、竞争对手强弱及利润高低等。其中最主要的是反映市场引力的综合指标--销售增长率，这是决定企业产品结构是否合理的外在因素。 企业实力：包括市场份额，技术、设备、资金利用能力等，其中市场份额是决定企业产品结构的内在要素，它直接显示出企业竞争实力。销售增长率与市场份额既相互影响，又互为条件：市场引力大，市场占有高，可以显示产品发展的良好前景，企业也具备相应的适应能力，实力较强；如果仅有市场引力大，而没有相应的高市场份额，则说明企业尚无足够实力，则该种产品也无法顺利发展。相反，企业实力强，而市场引力小的产品也预示了该产品的市场前景不佳。 通过以上两个因素相互作用，会出现四 ...

概述模型概念ABC 分类法（Activity Based Classification），全称为 ABC 分类库存控制法。又称帕累托分析法或巴雷托分析法、柏拉图分析、主次因分析法 、ABC 分析法、分类管理法、物资重点管理法、ABC 管理法、巴雷特分析法，平常我们也称之为“二八定律”，在任何一组东西中，最重要的只占其中一小部分，其余尽管是多数，却是次要的。 ABC 分类法是项目管理中常用的一种方法，它是根据事物在技术或经济方面的主要特征，进行分类排队，分清重点和一般，从而有区别地确定管理方式的一种分析方法。由于它把被分析的对象分成 A、B、C 三类，所以又称为 ABC 分析法。 在 ABC 分类法的分析图中，有两个纵坐标，一个横坐标，几个长方形，一条曲线，左边纵坐标表示频数，右边纵坐标表示频率，以百分数表示。横坐标表示影响质量的各项因素，按影响大小从左向右排列，曲线表示各种影响因素大小的累计百分数。一般地，是将曲线的累计频率分为三级，与之相对应的因素分为三类： A 类因素：发生累计频率为 0~80，是主要影响因素。 B 类因素：发生累计频率为 80~90，是次要影响因素。 C 类因素 ...

概述模型概念RFM 模型是衡量客户价值和客户创造利益能力的重要工具和手段。根据美国数据库营销研究所 Arthur Hughes 的研究，客户数据库中有 3 个神奇的要素： 最近一次消费时间（Recency）：客户距离最近的一次消费时间的间隔。 最近一段时间内消费频次（Frequency）：指客户在限定的期间内所消费购买的次数。 最近一段时间内消费金额（Monetary）：客户的消费能力，通常以客户单次的平均消费金额作为衡量指标。 这 3 个要素构成了数据分析最好的指标。 得到客户的特征向量值后，在 R、F、M 任意一项中的价值可被分为高（1）、低（0）两类，综合 R、F、M 三项的表现，用户可被划分为 8 种类型，详细类型及分类规则如下表所示： 客户类型 客户价值 分类说明 重要价值客户 (1 1 1) 最近消费时间近、消费频次和消费金额都很高（VIP） 重要发展客户 (1 0 1) 最近消费时间较近、消费金额高，但频次不高，忠诚度不高，很有潜力的用户，必须重点发展。 重要保持客户 (0 1 1) 最近消费时间较远，消费金额和频次都很高。 重要挽留客户 ...

字符串生成随机 ID12Math.random().toString(36).substr(2);// => "l10buc9ga8" 字符串翻转12'hello world'.split('').reverse().join('');// => 'dlrow olleh' 从 HTML 中获取内容12345function getTextInHTML (html) { return new DOMParser().parseFromString(html, 'text/html').body.textContent || '';}getTextInHTML('<h2>Hello World</h2>');// => 'Hello World' 数字转数1234567// 仅对 null、''、false、数字字符串有效 ...

#container { height: 500px; padding: 10px; background: white; border-radius: 12px; } var geoCoordMap = { '河北': [114.4995, 38.1006],//河北 石家庄 '山西': [112.3352, 37.9413],// 山西 太原 '内蒙古': [111.4124, 40.4901],// 内蒙古 呼和浩特 '辽宁': [123.1238, 42.1216],// 辽宁 沈阳 '吉林': [125.8154, 44.2584],// 吉林 长春 '黑龙江': [127.9688, 45.368],// 黑龙江 哈尔滨 '江苏': [118.8062, 31.9208],//江苏 南京 '浙江': [119.5313, 29.8773],// 浙江 杭州 '安徽': [117.29, 32.0581],// 安徽 合肥 '福建': [119.4543, 25.9222],// ...

#container { height: 500px; padding: 10px; background: white; border-radius: 12px; } var geoCoordMap = { '河北': [114.4995, 38.1006],//河北 石家庄 '山西': [112.3352, 37.9413],// 山西 太原 '内蒙古': [111.4124, 40.4901],// 内蒙古 呼和浩特 '辽宁': [123.1238, 42.1216],// 辽宁 沈阳 '吉林': [125.8154, 44.2584],// 吉林 长春 '黑龙江': [127.9688, 45.368],// 黑龙江 哈尔滨 '江苏': [118.8062, 31.9208],//江苏 南京 '浙江': [119.5313, 29.8773],// 浙江 杭州 '安徽': [117.29, 32.0581],// 安徽 合肥 '福建': [119.4543, 25.9222],// ...

#container { height: 500px; padding: 10px; background: white; border-radius: 12px; } var geoCoordMap = { '河北': [114.4995, 38.1006],//河北 石家庄 '山西': [112.3352, 37.9413],// 山西 太原 '内蒙古': [111.4124, 40.4901],// 内蒙古 呼和浩特 '辽宁': [123.1238, 42.1216],// 辽宁 沈阳 '吉林': [125.8154, 44.2584],// 吉林 长春 '黑龙江': [127.9688, 45.368],// 黑龙江 哈尔滨 '江苏': [118.8062, 31.9208],//江苏 南京 '浙江': [119.5313, 29.8773],// 浙江 杭州 '安徽': [117.29, 32.0581],// 安徽 合肥 '福建': [119.4543, 25.9222],// ...

#container { height: 500px; padding: 10px; background: white; border-radius: 12px; } var geoCoordMap = { '河北': [114.4995, 38.1006],//河北 石家庄 '山西': [112.3352, 37.9413],// 山西 太原 '内蒙古': [111.4124, 40.4901],// 内蒙古 呼和浩特 '辽宁': [123.1238, 42.1216],// 辽宁 沈阳 '吉林': [125.8154, 44.2584],// 吉林 长春 '黑龙江': [127.9688, 45.368],// 黑龙江 哈尔滨 '江苏': [118.8062, 31.9208],//江苏 南京 '浙江': [119.5313, 29.8773],// 浙江 杭州 '安徽': [117.29, 32.0581],// 安徽 合肥 '福建': [119.4543, 25.9222],// ...

#container { height: 500px; padding: 10px; background: white; border-radius: 12px; } var geoCoordMap = { '河北': [114.4995, 38.1006],//河北 石家庄 '山西': [112.3352, 37.9413],// 山西 太原 '内蒙古': [111.4124, 40.4901],// 内蒙古 呼和浩特 '辽宁': [123.1238, 42.1216],// 辽宁 沈阳 '吉林': [125.8154, 44.2584],// 吉林 长春 '黑龙江': [127.9688, 45.368],// 黑龙江 哈尔滨 '江苏': [118.8062, 31.9208],//江苏 南京 '浙江': [119.5313, 29.8773],// 浙江 杭州 '安徽': [117.29, 32.0581],// 安徽 合肥 '福建': [119.4543, 25.9222],// ...

#container { height: 500px; padding: 10px; background: white; border-radius: 12px; } var geoCoordMap = { '河北': [114.4995, 38.1006],//河北 石家庄 '山西': [112.3352, 37.9413],// 山西 太原 '内蒙古': [111.4124, 40.4901],// 内蒙古 呼和浩特 '辽宁': [123.1238, 42.1216],// 辽宁 沈阳 '吉林': [125.8154, 44.2584],// 吉林 长春 '黑龙江': [127.9688, 45.368],// 黑龙江 哈尔滨 '江苏': [118.8062, 31.9208],//江苏 南京 '浙江': [119.5313, 29.8773],// 浙江 杭州 '安徽': [117.29, 32.0581],// 安徽 合肥 '福建': [119.4543, 25.9222],/ ...

#container { height: 500px; padding: 10px; background: white; border-radius: 12px; } var geoCoordMap = { '河北': [114.4995, 38.1006],//河北 石家庄 '山西': [112.3352, 37.9413],// 山西 太原 '内蒙古': [111.4124, 40.4901],// 内蒙古 呼和浩特 '辽宁': [123.1238, 42.1216],// 辽宁 沈阳 '吉林': [125.8154, 44.2584],// 吉林 长春 '黑龙江': [127.9688, 45.368],// 黑龙江 哈尔滨 '江苏': [118.8062, 31.9208],//江苏 南京 '浙江': [119.5313, 29.8773],// 浙江 杭州 '安徽': [117.29, 32.0581],// 安徽 合肥 '福建': [119.4543, 25.9222],// ...

#container { height: 500px; padding: 10px; background: white; border-radius: 12px; } var data = [ { 'name': '日期', 'data': [ '2021-01-01', '2021-01-02', '2021-01-03', '2021-01-04', '2021-01-05', '2021-01-06', '2021-01-07', '2021-01-08', '2021-01-09', '2021-01-10', '2021-01-11', '2021-01-12', '2021-01-13', '2021-01-14', '2021-02-01', '2021-02-02', '2021-02-03 ...

#container { height: 500px; padding: 10px; background: white; border-radius: 12px; } var data = [ { 'name': '日期 (月)', 'data': [ '2020-01', '2020-02', '2020-03', '2020-04', '2020-05', '2020-06' ] }, { 'name': '采购数量', 'data': [ 279818, 279426, 279034, 278642, 278250, 255716 ] }, { 'name': '入库数量', 'data': [ 246930, 242620, 238700, 234 ...

#container { height: 300px; padding: 10px; background: white; border-radius: 12px; } var data = [ { 'name': '时间', 'data': [ '2021-01', '2021-03', '2021-05', '2021-07', '2021-09', '2021-11', '2022-01' ] }, { 'name': '地点', 'data': [ '地点1', '地点2', '地点3', '地点4', '地点5', '地点6', '地点7' ] }, { 'name': '标题', 'data': [ '标题1标题1标题1', '标题2标题2标题2 ...

前言本文教程主要针对 Hexo Butterfly 主题博客，在 Butterfly 主题中，文章标签页和标签侧边栏都有文章标签的词云图，但仅仅用字体大小表示某个标签下的文章数量是不明显的，可以在这个基础上加上表示某个标签下文章数的上下标，其中 <sup> 表示上标，<sub> 表示下标。 修改 page.js 打开 \themes\butterfly\layout\includes\page\tags.pug 文件和 \themes\butterfly\layout\includes\widget\card_tags.pug 文件，发现绘制彩色标签云都是使用了 cloudTags 函数。 另外一个绘制标签云的 tagcloud 函数是 hexo 自带的，有兴趣的可以到 \node_modules\hexo\lib\plugins\helper\tagcloud.js 研究，这里不多介绍。 搜索 cloudTags 函数，可以在 \themes\butterfly\scripts\helpers\page.js 找到绘制标签云的代码，增加 <sup&g ...

什么是 Elasticsearch？Elasticsearch 是一个分布式的 RESTful 风格的搜索和数据分析引擎。 查询：Elasticsearch 允许执行和合并多种类型（结构化、非结构化、地理位置、度量指标）的搜索，搜索方式随心而变。 分析：找到与查询最匹配的十个文档是一回事。但是如果面对的是十亿行日志，又该如何解读呢？Elasticsearch 聚合让您能够从大处着眼，探索数据的趋势和模式。 速度：Elasticsearch 很快。真的，真的很快。 可扩展性：可以在笔记本电脑上运行。也可以在承载了 PB 级数据的成百上千台服务器上运行。 弹性：Elasticsearch 运行在一个分布式的环境中，从设计之初就考虑到了这一点。 灵活性：具备多个案例场景。数字、文本、地理位置、结构化、非结构化。所有的数据类型都欢迎。 在 ElasticSearch 中，集群（Cluster），节点（Node），分片（Shard），Indices（索引），replicas（备份）之间是什么关系？ Cluster：集群，一个 ES 集群由一个或多个节点（Node）组成，每个集群都有一个 cl ...

表情与情感 表情 名称 表情 名称 表情 名称 😀 嘿嘿 😃 哈哈 😄 大笑 😁 嘻嘻 😆 斜眼笑 😅 苦笑 🤣 笑得满地打滚 😂 笑哭了 🙂 呵呵 🙃 倒脸 😉 眨眼 😊 羞涩微笑 😇 微笑天使 🥰 喜笑颜开 😍 花痴 🤩 好崇拜哦 😘 飞吻 😗 亲亲 ☺️ 微笑 😚 羞涩亲亲 😙 微笑亲亲 😋 好吃 😛 吐舌 😜 单眼吐舌 🤪 滑稽 😝 眯眼吐舌 🤑 发财 🤗 抱抱 🤭 不说 🤫 安静的脸 🤔 想一想 🤐 闭嘴 🤨 挑眉 😐 冷漠 😑 无语 😶 沉默 😏 得意 😒 不高兴 🙄 翻白眼 😬 龇牙咧嘴 🤥 说谎 😌 松了口气 😔 沉思 😪 困 🤤 流口水 😴 睡着了 😷 感冒 🤒 发烧 🤕 受伤 🤢 恶心 🤮 呕吐 🤧 打喷嚏 🥵 脸发烧 🥶 冷脸 🥴 头昏眼花 😵 晕头转向 🤯 爆炸头 🤠 牛仔帽脸 🥳 聚会笑脸 😎 墨镜笑脸 🤓 书呆子脸 🧐 带单片眼镜的脸 😕 困扰 ...