彼得·德魯克曾經說過很有名的一句話，他說：如果一個事情，你不能衡量它的話，那么你就不能增長它。
事實上，越來越多的互聯網公司開始了數據驅動產品及運營增長的工作，典型如硅谷的著名幾家公司：
- ?Facebook 早期通過「博客小掛件」的展示獲得了每月數十億次展示、千萬次點擊和
百萬人注冊;
- ?Twiter 通過引導用戶在注冊時「關注 10 個人」極大的提升了留存率和活躍度;
- ?LinkedIn 通過推薦新用戶「邀請 4 個好友」獲得了最高的邀請轉化率;
??
然后，硅谷的極客們還給這件事情取了一個很酷的外號，叫做?Growth?Hacker ，中文名譯作“增長黑客”。這些公司在組織架構內部搭建了一個增長團隊，整個團隊的目標就是圍繞著公司的增長去不斷地確立目標，分析現狀，提出改進的想法，實施并開始測試反饋。
產品經理在整個互聯網團隊中扮演著承上啟下的橋梁角色，自然也要掌握數據分析這項神秘的強大技能，尤其是隨著整個人類互聯網歷史進程的不斷發展，互聯網產品之間的競爭加劇、大數據時代的到來，對產品經理的數據分析能力提出了更高的要求。
一個懂數據分析的產品經理可以利用數據驅動產品設計優化，并高效提升用戶體驗。
那么，產品經理究竟該如何入門數據分析，為自己的產品職業生涯發展增加一定的籌碼呢，我認為可以從以下幾個方面著手學習。
1、了解什么是數據分析
很多產品經理其實都對數據分析有一種淡淡疏遠的心理，特別的是非技術的產品經理更是對數據敬而遠之，好比一談到數據分析，就是要會什么高大上的數據分析工具，什么抽象的建模、函數之類的。
事實上，通常意義上的產品數據分析用不了多少專業的數據知識，用到的都是非常簡單的加減乘除。但是要注意到，其實加減乘除也是非常強大的，可以解決大部分的問題，而且成本非常低，你使用了復雜的算法，可能精確度也只能上升不到5個百分點。所以，產品經理不要對數據分析有太多的畏難情緒，所謂的數據分析就是指從數據中提取有用的信息，并指導實踐。比如說結合數據優化產品的用戶體驗，通過數據來進行用戶畫像，通過數據發現產品改進的關鍵點，以及產品改版、迭代是否在一個正確的方向上。而這些事情，在經過實踐之后，都會變的簡單且容易上手。
但是在做數據分析前，一定要先確定好目標，這樣后面的每一步才能不偏離大方向，我們才能清楚地知道究竟該采集什么樣的數據，要分析哪些指標。那么，你做數據分析的目的是什么：
是檢測用戶對新功能的喜愛程度？
是優化用戶在使用過程中的槽點？
還是提升某個產品頁面的轉化率？
...
2、數據從哪里獲取
產品經理在分析數據之前，就必須得有數據供我們分析，所以我們就得拿到數據，怎么拿到呢？
數據的來源渠道主要有三種：
自有數據分析系統 ——?企業內部使用的數據產品，如自建 BI 和推薦系統。公司自有的數據是最原始的數據，也是最可靠、最全面的。一般而言，有條件的情況下都是以內部數據為準；
第三方數據分析工具 ——?這個是借助外部工具獲得數據，如友盟、百度統計、cnzz統計等；
行業指數數據等 ——?如用戶均可使用的 Google Trends 和淘寶指數等等。
鑒于大部分互聯網創業公司都不可能自建數據分析系統，雖然自己開發的數據分析工具，可以對每個數據進行實時跟蹤，并快速做出產品的調整，但是需要足夠的開發人員及成本，比較適合大型公司或者成熟型產品；
這里還是重點介紹幾款第三方數據分析工具，供大家參考選擇：
a、友盟
支持iOS、Android應用數據統計分析，可快速接入，節省成本，比較適合創業型公司及剛上線的產品，但是無法對關鍵數據在突發異樣時進行跟蹤；
b、百度移動統計
支持ios和android平臺。另外，開發者在嵌入統計SDK后，可以對自家產品進行較為全面的監控，包括用戶行為、用戶屬性、地域分布、終端分析等；
c、諸葛io
是一款基于用戶洞察的精細化運營管理工具。以用戶跟蹤技術和簡單易用的集成開發方法，幫助移動應用及pc網站的運營者們挖掘用戶的真實行為與屬性，可以將其用于iOS、Android應用及網站；
d、Growing io
強大的地方在于無需埋點，就可以獲取并分析全面、實時的用戶行為數據，以優化產品體驗，實現精益化運營。
3、基本的產品分析概念
產品經理在做數據分析的時候，一些基本的產品分析概念還是需要厘清的，比如最基本的AARRR模型，也就是說產品經理要了解什么是新增、活躍、留存、流失等，這些基本的概念都是需要去了解和掌握的，不然真碰到數據分析的問題，也只能兩眼一抹黑了，更別談分析出一個什么所以然來了。
比較簡單的一些概念，在這里普及下：
一些網頁指標：
PV（page view），即頁面瀏覽量，用戶每1次對網站中的每個網頁訪問均被記錄1次。用戶對同一頁面的多次訪問，訪問量累計。在一定統計周期內用戶每次刷新網頁一次也被計算一次。
一般來說PV與來訪者數量成正比，但是PV并不直接決定頁面的真實來訪者數量，例如，同一個來訪者通過不斷的刷新頁面，也可以制造出非常高的PV。
UV（unique visitor），即獨立訪客，訪問網站的一臺電腦客戶端為一個訪客。
PR（pagerank），即網頁的級別，一個PR值為1的網站表明這個網站不太具有流行度，而PR值為7到10則表明這個網站非常受歡迎(或者說極其重要)。
跳出率，指用戶到達你的網站上并在你的網站上僅瀏覽了一個頁面就離開的訪問次數與所有訪問次數的百分比。這里的訪問次數其實就是指PV。是評價一個網站性能的重要指標，跳出率高，說明網站用戶體驗做得不好，用戶進去就跳出去了，網站沒有滿足用戶的期望與需求或是人群定位不精準，反之如果跳出率較低，說明網站用戶體驗做得不錯。
轉化率，指在一個統計周期內，完成轉化行為的次數占推廣信息總點擊次數的比率。轉化率=（轉化次數/點擊量）×100%。以用戶登錄為例，如果每100次訪問中，就有10個登錄網站，那么此網站的登錄轉化率就為10%，而最后有2個用戶訂閱，則訂閱轉化率為2%，有一個用戶下訂單購買，則購買轉化率為1%。轉化率反映了網站的盈利能力，重視和研究網站轉化率，可以針對性的分析網站在哪些方面做的不足，哪些廣告投放效果比較好，可以迅速的提升用戶體驗、節約廣告成本，提升網絡轉化過程。
重復購買率，指消費者對該品牌產品或者服務的重復購買次數。重復購買率越多，則反應出消費者對品牌的忠誠度就越高，反之則越低。
活躍度指標：主要衡量產品的粘性、用戶的穩定性以及核心用戶的規模，觀察產品在線的周期性變化。
AU（Active Users）活躍用戶：用戶登陸產品記為一次登錄
DAU（Daily Active Users）日活躍用戶：每日登陸過的用戶數
WAU（Weekly Active Users）周活躍用戶：七天內登陸過的用戶數
MAU（Monthly Active Users）月活躍用戶：30天內登陸過的用戶數
AT（Daily Avg. Online Time）日均使用時長：活躍用戶平均每日在線時長
PCU（Peak Concurrent Users）最高同時在線用戶人數：統計周期內，同一時點（通常精確至分）的最高在線人數
ACU（Average Concurrent Users）平均同時在線用戶人數：統計周期內，每個時點（通常精確到分）的平均在線人數
流失、留存指標：觀察流失用戶的狀態、流失前行為來判斷產品可能存在的問題。
ULR（Users Leave Rate）用戶流失率：統計當日登錄過產品的用戶，但在隨后N日內未登錄的用戶數/統計日DAU
日流失率：統計當日登陸過產品的用戶，次日未登陸的用戶數/統計日DAU
周流失率：統計當周登陸過產品，之后下一周未登陸的用戶數/WAU
月流失率：統計當月登陸過產品，下一月未登陸的用戶數/MAU
日留存率：統計當日登錄過產品的用戶，在之后N日內至少登錄一次的用戶數/統計日DAU
周留存率：統計當周登錄過產品的用戶，且下一周至少登錄一次的用戶數/WAU
月留存率：統計當月登錄過產品的用戶，且下一月至少登錄一次的用戶數/MAU
次日留存率：統計當日登錄過產品的用戶，次日依舊登錄的用戶數/統計日DAU
回歸率：曾經流失，重新登錄產品的用戶數占流失用戶的比例
回歸用戶：曾經流失，重新登錄產品的用戶數
流失用戶池：過去一段時間內流失的用戶數
4、掌握常見的數據分析模型
產品經理在進行數據分析的過程中，需要運用到一些分析模型，我們一起來看看具體需要用到哪些數據分析模型：
a、用戶行為統計
用戶行為統計，就是對用戶在產品中的行為發生的次數或人數進行簡單的統計，統計結果一般以折線圖和表格的方式呈現，這是用戶行為分析的最基本的方法。
b、漏斗分析
漏斗分析也叫漏斗模型，可以幫你分析使用過程的成功和失敗率(也叫轉化和流失)，以分析用戶在使用產品時是否順暢。進行漏斗分析，首先需要您結合產品目標，從用戶的使用過程抽取出常見流程，比如常見的電商產品，我們可以簡單梳理出一個漏斗流程便是：
瀏覽首頁----》查看商品詳情---》加入購物車---》生成訂單---》進行支付---》成功支付
c、留存分析
留存分析是一種衡量產品「黏性」的分析方法——它能夠幫您分析用戶會長期持續使用您的產品，還是使用一次后便一去不復返。用戶留存的情況一般用留存率來衡量。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。
留存分析的結果一般用表格方式呈現，稱之為用戶留存表。如下圖所示:
5、開始實踐
我一直以來有一個觀念，那就是做事情不需要等到萬事俱備才能真正開始，好比產品經理做數據分析，事實上，并不需要等到我們把所有的數據分析知識都熟練掌握，我們才能開始進行動工實踐。
這本身也是互聯網思維“小步快跑，不斷迭代”的一個實踐，我們可以先拿手上的產品實踐起來，等到碰到問題，我們再去針對具體問題學習相應的解決辦法，這種學習效率才是最高的，比如說：
-? 產品新版本馬上就要發布了(或者已經發布)，那好，我們來看看數據，分析一下新版本的表現如何?
- ?或者，我們正在規劃或設計產品的改版，那好，看看數據研究一下之前的用戶行為，看看能不能為產品設計帶來點兒新思路?
這些都是我們在日常工作中，可以嘗試著用數據分析這個工具去切入產品設計與分析的點，看了這篇文章的你，還等什么呢，開始實踐吧！
