你應該了解的數據分析入門知識
你應該了解的數據分析入門知識
我特別不喜歡裝的產品經理，看文章也一樣不喜歡華而不實的。所以督促自己寫文章時，把懂的、經歷過的能細就寫的盡量詳細；不懂的就去學，然後把整理的筆記分享出來，數據分析方面我涉入不多，內容由於缺少實戰經驗，會比較基礎和理論，希望同樣對你有幫助。
1、明確分析的目標
做數據分析，必須要有一個明確的目的，知道自己為什麼要做數據分析，想要達到什麼效果。比如：為了評估產品改版後的效果比之前有所提升；或通過數據分析，找到產品迭代的方向等。
明確了數據分析的目的，接下來需要確定應該收集的數據都有哪些。
2、收集數據的方法
說到收集數據，首先要做好數據埋點。
所謂「埋點」，個人理解就是在正常的功能邏輯中添加統計代碼，將自己需要的數據統計出來。
目前主流的數據埋點方式有兩種：
第一種：自己研發。開發時加入統計代碼，並搭建自己的數據查詢系統。
第二種：利用第三方統計工具。
常見的第三方統計工具有：
網站分析工具
Alexa、中國網站排名、網路媒體排名（iwebchoice）、Google Analytics、百度統計
移動應用分析工具
Flurry、Google Analytics、友盟、TalkingData、Crashlytics
不同產品，不同目的，需要的支持數據不同，確定好數據指標後，選擇適合自己公司的方式來收集相應數據。
3. 產品的基本數據指標
新增：新用戶增加的數量和速度。如：日新增、月新增等。
活躍：有多少人正在使用產品。如日活躍（DAU）、月活躍（MAU）等。用戶的活躍數越多，越有可能為產品帶來價值。
留存率：用戶會在多長時間內使用產品。如：次日留存率、周留存率等。
傳播：平均每位老用戶會帶來幾位新用戶。
流失率：一段時間內流失的用戶，占這段時間內活躍用戶數的比例。
4. 常見的數據分析法和模型
這裡主要科普下漏斗分析法和AARRR分析模型。
漏斗分析法
用來分析從潛在用戶到最終用戶這個過程中用戶數量的變化趨勢，從而尋找到最佳的優化空間，這個方法被普遍用於產品各個關鍵流程的分析中。
比如，這個例子是分析從用戶進入網站到最終購買商品的變化趨勢。
從用戶進入網站到瀏覽商品頁面，轉化率是40%；瀏覽商品到加入購物車轉化率是20%等，那要找出哪個環節的轉化率最低，我們需要有對比數據。
比如第一個，進入網站到瀏覽商品，如果同行業水平的轉化率是45%，而我們只有40%，那說明這個過程，沒有達到行業平均水平，我們就需要分析具體原因在哪裡，再有針對性的去優化和改善。
當然，上面這是我們設計的一種理想化的漏斗模型，數據有可能是經過匯總後得出的。而真實的用戶行為往往可能並不是按照這個簡單流程來的。此時需要分析用戶為什麼要經過那麼複雜的路徑來達到最終目的，思考這中間有沒有可以優化的空間。
AARRR模型
這個是所有的產品經理都必須要掌握的一個數據分析模型。
AARRR（Acquisition、Activation、Retention、Revenue、Refer）是矽谷的一個風險投資人戴維 · 麥克魯爾在2008年時創建的，分別是指獲取、激活、留存、收入和推薦。
舉個例子，用AARRR模型來衡量一個渠道的好壞。
如果單從數據表面來看，A渠道會更划算，但實際這種結論是有問題的，用AARRR模型具體分析如下：
渠道A的單個留存用戶成本是60元，單個付費用戶成本是300元；而渠道B的單個留存用戶成本是20元，單個付費用戶成本是33元，這樣對比下來，明顯B渠道的優勢遠遠大於A渠道。
交叉分析法
通常是把縱向對比和橫向對比綜合起來，對數據進行多角度的結合分析。
舉個例子：
a. 交叉分析角度：客戶端+時間
從這個數據中，可以看出iOS端每個月的用戶數在增加，而Android端在降低，總體數據沒有增長的主要原因在於Android端數據下降所導致的。
那接下來要分析下為什麼Android端二季度新增用戶數據在下降呢？一般這個時候，會加入渠道維度。
b. 交叉分析角度：客戶端+時間+渠道
從這個數據中可以看出，Android端A預裝渠道佔比比較高，而且呈現下降趨勢，其他渠道的變化並不明顯。
因此可以得出結論：Android端在二季度新增用戶降低主要是由於A預裝渠道降低所導致的。
所以說，交叉分析的主要作用，是從多個角度細分數據，從中發現數據變化的具體原因。
5. 如何驗證產品新功能的效果
驗證產品新功能的效果需要同時從這幾方面入手：
a. 新功能是否受歡迎？
衡量指標：活躍比例。即：使用新功能的活躍用戶數/同期活躍用戶數。
使用人數的多少還會受該功能外的很多因素影響，千萬不可只憑這一指標判斷功能好壞，一定要結合下面的其他方面綜合評估。
b. 用戶是否會重複使用？
衡量指標：重複使用比例。即：第N天回訪的繼續使用新功能的用戶數/第一天使用新功能的用戶數。
c. 對流程轉化率的優化效果如何？
衡量指標：轉化率和完成率。轉化率即：走到下一步的用戶數/上一步的用戶數。完成率即：完成該功能的用戶數/走第一步的用戶數。
這個過程中，轉化率和完成率可以使用（上）篇中提到的漏斗分析法進行分析。
d. 對留存的影響？
衡量指標：留存率。用戶在初始時間後第N天的回訪比例，即：N日留存率。常用指標有：次日留存率、7日留存率、21日留存率、30日留存率等。
e. 用戶怎樣使用新功能？
真實用戶行為軌跡往往比我們設想的使用路徑要複雜的多，如果使用的數據監測平台可以看到相關數據，能引起我們的反思，為什麼他們會這麼走，有沒有更簡便的流程，以幫助我們作出優化決策。
6. 如何發現產品改進的關鍵點
產品改進的關鍵點，是藏在用戶的行為中。
想要找到這些關鍵點，除了通過用戶調研、訪談等切實的洞察用戶外，在產品中設置相關數據埋點記錄用戶的行為，觀察其行為軌跡，不能完全替代洞察用戶的行為，不過也可以有助於決策產品改進點。CDA數據分析師
操作步驟：
推薦閱讀：
