App Store Connect是Apple提供给开发者用来管理app信息、提交app审核、查看app数据等统一的平台。我们可以通过网页版使用Apple ID登陆访问,Apple也提供了移动端app可直接在手机端使用,不过目前移动端app功能还比较简单,通过网页版使用相比更方便些。近期Jefferson正好使用过App Store Connect,就来简单介绍下其功能吧。

一、功能模块

App Store Connect包含7大功能模块,但因为权限问题,你账号下可能只能看到其中部分功能模块,所有这些功能模块都以大icon形式显示在首页。下面简单介绍下这些大功能模块: Read More →

一、背景

在很多公司,每到年底或年初,领导层就会给产品制定新的一年里要达到的DAU目标,而负责产品DAU增长的同学需要算好要达到这个DAU,需要做出哪些努力和得到怎样的支持,比如需要多大新增量,对应多少预算支持;需要怎样的留存水平,做些什么样的事情去提高留存。预算下拨通常年初就会确定下来,为了让预算下拨的数额能足以支持产品达成DAU目标所需的新增,也不与实际所需的预算相差过大,我们就需要一种方法来估算下产品达成目标DAU所需新增量。

本文介绍一种基于新用户数和次日留存率来预估DAU的方法,整个操作直接在Excel就可以完成,同时可以根据已经过去的那些天的数据,不断更新接下来所需的新增和次留率,最终使年底达到目标DAU。

二、基本思路

在已经过去的时间里,选取一天作为基准日,比如选取2018.1.25作为基准日。要预估年底的DAU,这里将年底2018.12.31称作目标日,可以这样考虑:目标日的DAU由两部分构成,一部分是基准日之后每天的新增用户在目标日的留存,这里称为新用户留存;另一部分就是基准日当天及基准日之前的用户在目标日的留存,这里称为老用户留存。 Read More →

Python 的sklearn库包含许多可用于机器学习的工具,本文以经典的泰坦尼克号问题为例,来说明在Python中使用sklearn做机器学习的一般流程。由于本人对机器学习了解还不深,对于本文内容如有任何建议或意见,欢迎提出!闲话少说,咱们立即进入主题。

1. 读取并查看数据

泰坦尼克号问题,Kaggle上提供了较为详细的数据说明和下载地址,本文这里不再赘述。有需要了解的同学请移步这里

首先,我们导入需要用到的库文件,为之后工作做准备:

 # 导入后续需要用到的库文件
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pylab as plt
from sklearn.preprocessing import StandardScaler
from sklearn.cross_validation import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report 

然后读取数据并查看:

# 读取数据并查看
data = pd.read_csv("train.csv")

data.head()

可以看到数据长这样的: Read More →

一、间歇性404问题的解决

上周开始,手机就频繁收到报警通知,一会儿提示博客异常HTTP返回状态码为404,一会儿又提示恢复正常HTTP返回状态码为200,简直烦不胜烦。

当时工作很忙而且判断这个问题并不容易解决,索性就没花时间去研究,等到这周双休再拿出大块时间来研究解决下。今天早上起来后,Jefferson终于准备看下这个问题。

1. 重现404问题,根据log排查原因

Read More →

一、Jupyter Notebook是什么

Jupyter Notebook ,源自IPython Notebook,是一个交互式、支持多种编程语言的笔记本(以下简称Jupyter)。Jefferson目前只用它写过Python代码,因此下文相关叙述均可认为是Jupyter for Python。

二、Jupyter可以做什么

不同于Notepad++、Sublime Text、Vim等工具,Jupyter是基于Web浏览器工作的。也就是说我们将代码写在浏览器打开的一个页面里,然后在页面上发送代码执行命令,代码执行结果依然会显示在这个页面上,同时Jupyter Notebook会将所有的代码、数学公式、图表、输出结果等都保存起来。

三、怎么用Jupyter

Jupyter使用IPython解释执行Python代码,因此如果你想使用Jupyter,你得安装IPython。官方推荐 安装Anaconda,Jefferson也是安装的Anaconda,安装完之后,在终端输入:

ipython notebook

即会在浏览器中打开Jupyter的页面。 Read More →

上一部分简单介绍了GA 中标准报告的组成以及最常用的报告,这篇我们简单介绍下如何通过GA 中的自定义报告来帮助我们找到想要的数据。

本文分两部分,分别介绍自定义报告的创建和自定义报告的使用。

一、创建自定义报告

在讲创建自定义报告之前,我们先来解释GA 中两个非常重要的概念——维度和指标。

Read More →

刚接触GA的童鞋,可能都有个烦恼,就是在GA 里想要找到某个基础的指标都很困难,根本不知道在哪……这里原因可能在于,GA 的报告非常多,某个指标在其他工具有,在GA里似乎没有同样的名称。本文将简单介绍下GA 里与报告有关的问题,希望你看完后再也不会出现一些基础数据都找不到的尴尬……

以下内容分为三部分,第一部分简单介绍下标准报告的组成,第二部分介绍下自定义报告的配置,第三部分是与报告有关的最常见问题的解答。

一、标准报告

标准报告一词似乎并非官方说法,是我为了和自定义报告区分开取的一个名字,指的是Google Analytics报告下的所有的页面,如图所示:

报告下的各种页面,就是GA 默认提供的各种报告,包括但不限于概览报告、典型报告、flow报告。这里要介绍的标准报告,指的是其中的典型报告。典型报告我指的哪种呢,放个图你就知道了:

Read More →

不管你是否用过GA 这样的网站流量分析工具,或多或少你可能都看到过UTM参数。如果你订阅了知乎的每周精选,点击其中链接最终打开的页面URL应该是是类似这种形式的:

https://www.zhihu.com/question/51459956/answer/130299367?utm_campaign=weekly239&utm_source=weekly-digest&utm_medium=email

可以看到上边url 问号后边带了些小尾巴,即utm_campaign=weekly239&utm_source=weekly-digest&utm_medium=email,这种utm_开头的就是网站流量分析中常说的UTM参数,其主要用来跟踪流量的来源。

UTM参数的含义

Read More →

Google Analytics ,一般直接简称GA(后续使用简称),是目前使用较为广泛的网站流量分析工具(其实也支持移动app和其他联网设备数据的收集),包括我们熟知的知乎、豆瓣、携程等大流量站点都有使用GA来做网站流量数据的收集。

本文将介绍如何给网站加GA 代码,并以此作为《Google Analytics 教程》系列文章的第一篇。 Read More →