? ? 數據的重要性毋庸置疑，所謂成大事者，三觀要正。數據分析大致可以分為描述性數據分析、診斷性數據分析和預測性數據分析。

????從分類不難看出，數據無非就是要有龐大的數據然后利用一定的技術進行預測。

????那么數據常用的分析方法包括對比分析、平均分析、交叉分析等數。不同的人有不同的技巧和方法，當然目的是一致的。都是一定的方法（比如：機器學習）建立模型，預測數據。

????那么數據分析又有各種各樣的工具，常見的比如：Excel、SPSS、PYTHON、R還有其他的工具（比如：JMP、SAS、ALstat等），當然咯我最喜歡的事python。曾經鬧出一個笑話，在做一個獎勵機制，我用python吭哧坑次搞了好久搞出來了，然后一同事說這個用Excel不是很簡單嗎？仔細一想還真是，哈哈哈（這怕是python被黑比較慘的一次了）

??? 喲，扯遠了，是說產品與數據糾纏不清的關系，“數據”這個詞，是產品經理永遠繞不過的話題，很多產品對數據的理解任然是一團漿糊，甚至在做產品的時候從不考慮數據。就會有很多的理所當然的事情發生，最近發生了一件很有趣的事情，市場部門售賣一款產品，產品開始介入主導，做著做著發現業績不行了，至于原因不得而知了，后來大佬調整，說按照原來的模式吧，還是銷售部門的老套路，業績突然就上去了。為啥？產品部門造出來的產品為啥市場不買賬？（這里就不說原因了，以后再說吧，我想表達的意思是一定要有數據來支撐產品，不能瞎想，胡編亂造）

??? 什么是數據分析？

數據分析就是提取有用的數據來指導實踐。

1、數據不要流于形式，要以結果為導向。

2、數據可視化，這樣便于發現數據背后提供的信息。

3、提取有用的數據，不是自嗨。

????舉個例子：互聯網金融都會有渠道推廣這個東西，比如有A B C D 四個渠道，可以統計從各個渠道過來的用戶數量和在投金額。站在老板的角度就會選擇花的錢最少，但是帶來收益最高的那個渠道，也就是ROI最高的那個渠道。

????如果再進一步細分，如果A渠道10個人帶來了200萬，B渠道300個人帶來了200萬，那么說明A渠道高凈值人群比較多，如果和我們目標用戶一樣的話，可以重點維護！加大宣傳投入成本，所以目的不一樣，看的數據也不一樣

1、入口分析

????用戶從哪些渠道進入產品，對比運營策略分析量多或量少的原因，提出優化方案。例如，你的app用戶有從app store來的，有從不同的安卓市場來的，有從第三方渠道來的，有地推來的，有運營發布的文章來的，你需要分析從不同渠道來的用戶數量和質量以及投入成本，就像我上面舉得互聯網金融的例子，通過投入產出比來選擇渠道，同時通過每個渠道來的用戶貢獻程度，來分析出每個渠道的用戶質量。

2、用戶分析

????分類用戶群體，獲取用戶基本信息，包括地區、性別、職業等你的產品需要關心的元素；這一部分相當于用戶畫像，你可以通過自己建立的power BI系統來進行分析，也可以通過第三方提供的工具來進行分析，可以根據這些數據信息來做你的用戶畫像。用戶畫像的五個維度，可以參考我之前的文章《產品經理如何進行用戶畫像上》

????統計新增用戶、活躍用戶、流失用戶數據，思考如何刺激轉化；這就是用戶運營的工作，哪些是新增用戶，哪些是活躍用戶，哪些是流失用戶。重點考慮新增用戶的轉化和流失用戶流失的原因，以及定期做一些運營活動來促進用戶的活躍。

3、事件分析

????各個功能的使用情況，驗證功能設計時的想法，有沒有出現與設計時相悖的數據，例如 PV、UV、頁面跳出率、頁面停留時長、轉化率這些指標。一件很有趣的事情，愛彼迎民宿剛上線的時候用戶多轉化率低，到后來轉化率大大提升就是數據分析起到了主導性的作用。

4、漏斗分析

????也叫做漏斗模型，比如一個p2p購買流程。

瀏覽標的—-》查看標的詳情—》購買—》輸入支付密碼—》成功支付

????你可以分析用戶的每一個操作步驟，你如有100個人瀏覽你的標的，80個人查看詳情，60個購買，5個人購買成功。說明用戶在輸入支付密碼那一塊漏的比較厲害，需要重點優化，這就是漏斗模型的作用。

????我覺得對于產品來說，有兩大流程需要進行漏斗模型分析。一個就是注冊流程，這個決定了用戶會不會在你注冊環節流失。另外一個就是主要流程。例如電商的支付流程，金融平臺產品購買流程和充值流程。

5、留存分析

????次日留存、三日留存、月留存。所謂留存率，就是指一組用戶在初始時間(比如首次打開應用)之后第 N 天，還在使用產品的用戶比例(即留存下來的用戶比例)，一般稱之為N 天留存率。對于留存率你要辯證的看，如果你是做的社交產品，那么留存率是一個很重要的指標。如果你做的是旅游機票這種產品，類似于攜程，可能有的用戶半年就買一次機票，買機票的時候才想起你，這種低頻的使用產品，你再分析留存率就沒啥意思。

????總而言之，數據分析是一個很重要的產品需求來源，你自己提的想法可能不靠譜，老板的想法可能在天上，覺得運營提的需求太傻逼，但是數據永遠不會說謊，

附上基本術語：

埋點：一般意義上的埋點，是利用如友盟、Talkingdata等第三方公司的SDK，通過在App中嵌入一段SDK代碼，設定觸發條件，當滿足條件時，SDK會記錄日志，并將日志發送到第三方服務器進行解析，并可視化地呈現給我們。這一過程就叫埋點。埋點方式也分“簡單埋點”和“自定義埋點”，所謂“簡單埋點”就是直接拿到第三方key，寫到App代碼的配置文件中即可。而“自定義埋點”則對應一種叫“自定義事件”的功能，一般第三方統計工具都支持，我們可通過設置“自定義事件”查看App特定的操作行為數據，如點擊按鈕次數、打開指定頁面次數等，通常創建“自定義事件”都需要產品經理告知開發App的哪些條件下需要觸發“自定義事件”，以及觸發時要如何通過不同參數區分不同的點擊行為。如同樣是點擊按鈕事件，可通過設置參數“Action”，來區分Action=Yes和Action=No這兩個按鈕分別點擊的次數。

維度：維度就是指我們平時看事物的角度，也可理解成分析一個數據能從哪些方面去分析，這些“角度”都是有值且可被枚舉的。比如我們注冊用戶數有10萬，那可分析的維度有：用戶所在省份、用戶性別、用戶角色、用戶來源等。不同維度來觀察數據，可以得出不同結論，能否拓展觀察維度，也是評估數據分析能力的一個關鍵。

度量：度量和維度相輔相成，是指可量化的數值，用于考察不同維度觀察的效果，也可理解成“數據指標”。觀察度量值可總體查看，如App總用戶數，也可配合“維度”分層查看，如不同省份的注冊用戶數、活躍用戶數，不同來源的App啟動次數、平均日使用時長等。

渠道：指App的不同安裝來源，如通過第三方應用市場安裝，通過廣告點擊安裝，通過地推二維碼掃碼安裝，通過官網下載安裝等。互聯網公司的商務工作一般就是拓展渠道，觀察不同渠道帶來的數據表現，不斷優化渠道質量。

新增用戶：安裝App后，首次啟動App的設備數，需要按“設備號”去重。新增用戶主要為了衡量推廣效果，以及當前產品在整個生命周期所處階段。

活躍用戶：時間段內，啟動過App的設備數，需要按“設備號”去重。活躍用戶主要為了衡量運營效果，以及產品使用情況。

啟動次數：時間段內，啟動App的次數，無需去重。啟動次數主要為了衡量推送效果，以及App的內容是否足夠吸引人。

留存率：時間段內的新增用戶，經過一段時間仍啟動App的用戶，占原新增用戶的比例。“時間段”的劃分方式有：按日、按周、按月，對應指標還可細分為“日留存率、周留存率、月留存率”。而“經過一段時間”的劃分方式有：次日、7日、14日；次周、+2周；次月、+2月等。一般一款App的次日留存率為30-40%，次月留存率為20%，已經算是不錯的成績了。

使用時長：時間段內，從啟動到結束App使用的總時長。所謂“結束App”，通常指殺掉進程，或者將App退到后臺超過30秒。一般會按“人均使用時長、次均使用時長、單次使用時長”分析，衡量產品粘性和活躍情況。

使用頻率：用戶上次啟動App的時間，與再次啟動的時間差。使用頻數分布，可觀察到App對用戶的粘性，以及運營內容的深度。

介紹幾個常用的數據分析思路：

對比：字面上理解，就是非孤立地看數據，而是多個數據提取進行比較。根據對比方法不同，分為“橫向對比”和“縱向對比”。

橫向對比：指空間維度的對比。相當于一個指標，在不同條件下的對比，但每個條件都屬于一個層級。舉個例子，App功能的A/B測試數據對比，各個渠道的新增用戶對比，都屬于橫向對比。

縱向對比：指時間維度的對比。一般的對比方法有：同比、環比。同比一般指是指本期數據與上年同期數據對比，環比則是本期統計數據與上期比較。觀察時間軸上的數據折線圖來判斷產品運營狀態也是一種縱向對比。

拆分：分析這個詞，從字面意義上理解，就是“拆分”和“解析”，當某個維度對比后發現問題需要找原因時，就需要進一步“拆分”了。舉個例子，如果發現某日的銷售額只有昨日的50%，就需要對銷售額指標拆分為：成交用戶數 x 客單價，而成交用戶數 = 訪客數x 轉化率。那么我們接下來就可分別針對：訪客數、轉化率、客單價，觀察今日和昨日相比的數據變化，找出原因。

降維：當維度太多時，我們不可能全部分析，這時就要篩選出有代表性的關鍵維度，去除掉那些無關數據，這就是“降維”。比如“成交用戶數 = 訪客數 x 轉化率”，當同時存在這三個指標時，其實我們只要三選二就能得出結論了。

增維：增維和降維是相對的，如果當前觀察的維度無法解釋當前問題，就需要對數據進行運算，多增加一個指標。在可視化分析領域，也可將不同類型的圖表嵌套使用，能達到增加信息展現維度，擴展分析廣度的目的，如下圖所示：（將環形圖和折線圖進行增維嵌套）。

分組：也可叫聚類，合適的分組能更好地理解業務和場景。例如用戶畫像過程，就是一個按不同維度對數據分組的過程。通過用戶畫像，可以很清晰地知道產品的用戶地區、用戶興趣、用戶年齡、用戶性別等屬性占比，產品經理可通過畫像進一步了解用戶需求。

漏斗分析：主要用于分析產品使用的關鍵路徑，通過設定一系列操作步驟，統計每一步中的操作用戶數，并將用戶數以柱狀圖縱向排列，就可形成用戶流失漏斗，我們可分析漏斗每個環節的流失率，并觀察改進環節交互體驗后，流失用戶的變化情況，以此來驗證改動效果。

漏斗分析模型

AARRR模型：該模型一般用于游戲數據分析，是Acquisition、Activation、Retention、Revenue、Refer，這五個單詞的縮寫，分別對應一款移動應用生命周期中的5個重要環節。AARRR本身是一個循環，使用者需觀察每個環節的數據情況，以此來分析產品是否在執行一個正循環過程。這其中的任一環節除了問題，都會導致產品數據的異常。

AARRR模型

最近迷上了python做數據分析，發現這東西越來越有意思。有沒有感興趣的一起學習一下