某在线教育平台，提供免费课程视频，同时售卖付费会员，为付费会员提供更多高阶课程内容。如果我想将一套计算机技术的付费课程，推送给一群持续在看C++免费课程的用户，产品经理应该如何辅助分析？

　　按DOSS的思路分解如下：

　　『具体问题』：预测是否有可能帮助某一群组客户购买课程。

　　『整体』：首先根据这类人群的免费课程的使用情况进行数据分析，之后进行延伸，比如对整体的影响，除了计算机类，对其他类型的课程都进行关注。

　　『单一回答』：针对该群用户进行建模，监控该模型对于最终转化的影响。

　　『规模化』：之后推出规模化的解决方案，对符合某种行为轨迹和特征的行为进行建模，将课程推荐模型加入到产品设计中。

　　根据基本分析思路，常见的有7种数据分析的手段。

　　画像分群是聚合符合某中特定行为的用户，进行特定的优化和分析。

　　比如在考虑注册转化率的时候，需要区分移动端和 Web 端，以及美国用户和中国用户等不同场景。这样可以在渠道策略和运营策略上，有针对性地进行优化。

　　建立趋势图表可以迅速了解市场， 用户或产品特征的基本表现，便于进行迅速迭代；还可以把指标根据不同维度进行切分，定位优化点，有助于决策的实时性；

　　通过漏斗分析可以从先到后的顺序还原某一用户的路径，分析每一个转化节点的转化数据；

　　所有互联网产品、数据分析都离不开漏斗，无论是注册转化漏斗，还是电商下单的漏斗，需要关注的有两点。第一是关注哪一步流失最多，第二是关注流失的人都有哪些行为。

　　关注注册流程的每一个步骤，可以有效定位高损耗节点。

　　行为轨迹是进行全量用户行为的还原。只看 PV、UV 这类数据，无法全面理解用户如何使用你的产品。了解用户的行为轨迹，有助于运营团队关注具体的用户体验，发现具体问题，根据用户使用习惯设计产品，投放内容；

　　留存是了解行为或行为组与回访之间的关联，留存老用户的成本要远远低于获取新用户，所以分析中的留存是非常重要的指标之一；

　　除了需要关注整体用户的留存情况之外，市场团队可以关注各个渠道获取用户的留存度，或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等。

　　A/B测试是对比不同产品设计／算法对结果的影响。

　　产品在上线过程中经常会使用A/B测试来测试产品效果，市场可以通过A/B测试来完成不同创意的测试。

　　要进行A/B测试有两个必备因素：

　　1.有足够的时间进行测试；

　　2.数据量和数据密度较高；

　　因为当产品流量不够大的时候，做A/B测试得到统计结果是很难的。而像 LinkedIn 这样体量的公司，每天可以同时进行上千个A/B测试。所以A/B测试往往公司数据规模较大时使用会更加精准，更快得到统计的结果。

　　 当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数据挖掘的手段进行建模，预测该商业结果的产生；