笔者结合自己的用户增长活动经验，分享了以下内容——数据化思维的价值、行之有效的分析流程、项目中数据异常的监测、排查、处理。

一感到压力就想拖延，拿起手机刷朋友圈。大部分时间都在建活动群和管理志愿者，写文案。

特别注意，每次自己想拖延拿起手机刷朋友圈的话就把手机丢到抽屉里。梳理每个事件的流程+计时，优化建群的流程和志愿者管理协作流程。

一般数据分析中比较偏向静态，基于我们设计好的方案，去搭建数据分析模型；应用场景更多是从0到1，或者阶段性根据数据分析调整方向。异常处理是动态的，更多是基于项目中的实际问题出发去解决问题，中间也会有更多我们没有考虑到的点需要探索。

确定目的：你是想了解这些数据的情况呢（基础指标），还是想根据这些数据验证一些想法（复合指标，及指标背后的用户行为）明确目的才好定义要分析的指标。定义指标：一般数据指标分3种类型（维度，基础数据，复合数据）对于基础指标可以直接统计。拆解指标：复合指标则需要拆解（一般用户公式法和拆解影响因素）。构建模型：模型是指能够对事物产生重要影响的关键要素组合而数据模型就是你这样项目中需要的关键数据，一般我会先梳理用户路径的流程数据，然后再把其他的关键数据加上（如红包数据）。

可以直接看到的可以手动整理，当然这种是比较慢的。第二种是通过工具提高下效率（如建群宝，WeTool……），也可以通过渠道码统计到一些直接看，看不到的数据。最后就是数据埋点了，如果上一步构件好数据模型的话，这里直接把需要的相关数据给到技术就好了。