? ? 數(shù)據(jù)的重要性毋庸置疑凄贩，所謂成大事者誓军，三觀要正。數(shù)據(jù)分析大致可以分為描述性數(shù)據(jù)分析疲扎、診斷性數(shù)據(jù)分析和預(yù)測性數(shù)據(jù)分析昵时。

????從分類不難看出，數(shù)據(jù)無非就是要有龐大的數(shù)據(jù)然后利用一定的技術(shù)進(jìn)行預(yù)測椒丧。

????那么數(shù)據(jù)常用的分析方法包括對比分析壹甥、平均分析、交叉分析等數(shù)壶熏。不同的人有不同的技巧和方法句柠，當(dāng)然目的是一致的。都是一定的方法（比如：機(jī)器學(xué)習(xí)）建立模型棒假，預(yù)測數(shù)據(jù)溯职。

????那么數(shù)據(jù)分析又有各種各樣的工具，常見的比如：Excel帽哑、SPSS谜酒、PYTHON、R還有其他的工具（比如：JMP妻枕、SAS僻族、ALstat等），當(dāng)然咯我最喜歡的事python屡谐。曾經(jīng)鬧出一個笑話述么，在做一個獎勵機(jī)制，我用python吭哧坑次搞了好久搞出來了愕掏，然后一同事說這個用Excel不是很簡單嗎碉输？仔細(xì)一想還真是，哈哈哈（這怕是python被黑比較慘的一次了）

??? 喲亭珍，扯遠(yuǎn)了敷钾，是說產(chǎn)品與數(shù)據(jù)糾纏不清的關(guān)系，“數(shù)據(jù)”這個詞肄梨，是產(chǎn)品經(jīng)理永遠(yuǎn)繞不過的話題阻荒，很多產(chǎn)品對數(shù)據(jù)的理解任然是一團(tuán)漿糊，甚至在做產(chǎn)品的時候從不考慮數(shù)據(jù)众羡。就會有很多的理所當(dāng)然的事情發(fā)生侨赡，最近發(fā)生了一件很有趣的事情，市場部門售賣一款產(chǎn)品，產(chǎn)品開始介入主導(dǎo)羊壹，做著做著發(fā)現(xiàn)業(yè)績不行了蓖宦，至于原因不得而知了，后來大佬調(diào)整油猫，說按照原來的模式吧稠茂，還是銷售部門的老套路，業(yè)績突然就上去了情妖。為啥睬关？產(chǎn)品部門造出來的產(chǎn)品為啥市場不買賬？（這里就不說原因了毡证，以后再說吧电爹，我想表達(dá)的意思是一定要有數(shù)據(jù)來支撐產(chǎn)品，不能瞎想料睛，胡編亂造）

??? 什么是數(shù)據(jù)分析丐箩？

數(shù)據(jù)分析就是提取有用的數(shù)據(jù)來指導(dǎo)實踐。

1恤煞、數(shù)據(jù)不要流于形式屎勘，要以結(jié)果為導(dǎo)向。

2阱州、數(shù)據(jù)可視化，這樣便于發(fā)現(xiàn)數(shù)據(jù)背后提供的信息法梯。

3苔货、提取有用的數(shù)據(jù)，不是自嗨立哑。

????舉個例子：互聯(lián)網(wǎng)金融都會有渠道推廣這個東西夜惭，比如有A B C D 四個渠道，可以統(tǒng)計從各個渠道過來的用戶數(shù)量和在投金額铛绰。站在老板的角度就會選擇花的錢最少诈茧，但是帶來收益最高的那個渠道，也就是ROI最高的那個渠道捂掰。

????如果再進(jìn)一步細(xì)分敢会，如果A渠道10個人帶來了200萬，B渠道300個人帶來了200萬这嚣，那么說明A渠道高凈值人群比較多鸥昏，如果和我們目標(biāo)用戶一樣的話，可以重點維護(hù)姐帚！加大宣傳投入成本吏垮，所以目的不一樣，看的數(shù)據(jù)也不一樣

1、入口分析

????用戶從哪些渠道進(jìn)入產(chǎn)品膳汪，對比運營策略分析量多或量少的原因唯蝶，提出優(yōu)化方案。例如遗嗽，你的app用戶有從app store來的粘我，有從不同的安卓市場來的，有從第三方渠道來的媳谁，有地推來的涂滴，有運營發(fā)布的文章來的，你需要分析從不同渠道來的用戶數(shù)量和質(zhì)量以及投入成本晴音，就像我上面舉得互聯(lián)網(wǎng)金融的例子柔纵，通過投入產(chǎn)出比來選擇渠道，同時通過每個渠道來的用戶貢獻(xiàn)程度锤躁，來分析出每個渠道的用戶質(zhì)量搁料。

2、用戶分析

????分類用戶群體系羞，獲取用戶基本信息郭计，包括地區(qū)、性別椒振、職業(yè)等你的產(chǎn)品需要關(guān)心的元素昭伸；這一部分相當(dāng)于用戶畫像，你可以通過自己建立的power BI系統(tǒng)來進(jìn)行分析澎迎，也可以通過第三方提供的工具來進(jìn)行分析庐杨，可以根據(jù)這些數(shù)據(jù)信息來做你的用戶畫像。用戶畫像的五個維度夹供，可以參考我之前的文章《產(chǎn)品經(jīng)理如何進(jìn)行用戶畫像上》

????統(tǒng)計新增用戶灵份、活躍用戶、流失用戶數(shù)據(jù)哮洽，思考如何刺激轉(zhuǎn)化填渠；這就是用戶運營的工作，哪些是新增用戶鸟辅，哪些是活躍用戶氛什，哪些是流失用戶。重點考慮新增用戶的轉(zhuǎn)化和流失用戶流失的原因匪凉，以及定期做一些運營活動來促進(jìn)用戶的活躍屉更。

3、事件分析

????各個功能的使用情況洒缀，驗證功能設(shè)計時的想法瑰谜，有沒有出現(xiàn)與設(shè)計時相悖的數(shù)據(jù)欺冀，例如 PV、UV萨脑、頁面跳出率隐轩、頁面停留時長、轉(zhuǎn)化率這些指標(biāo)渤早。一件很有趣的事情职车，愛彼迎民宿剛上線的時候用戶多轉(zhuǎn)化率低，到后來轉(zhuǎn)化率大大提升就是數(shù)據(jù)分析起到了主導(dǎo)性的作用鹊杖。

4悴灵、漏斗分析

????也叫做漏斗模型，比如一個p2p購買流程骂蓖。

瀏覽標(biāo)的—-》查看標(biāo)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积瞒，你如有100個人瀏覽你的標(biāo)的，80個人查看詳情登下，60個購買茫孔，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被芳，需要重點優(yōu)化缰贝，這就是漏斗模型的作用。

????我覺得對于產(chǎn)品來說畔濒，有兩大流程需要進(jìn)行漏斗模型分析剩晴。一個就是注冊流程，這個決定了用戶會不會在你注冊環(huán)節(jié)流失侵状。另外一個就是主要流程赞弥。例如電商的支付流程，金融平臺產(chǎn)品購買流程和充值流程壹将。

5嗤攻、留存分析

????次日留存毛嫉、三日留存诽俯、月留存。所謂留存率承粤，就是指一組用戶在初始時間(比如首次打開應(yīng)用)之后第 N 天暴区，還在使用產(chǎn)品的用戶比例(即留存下來的用戶比例)，一般稱之為N 天留存率辛臊。對于留存率你要辯證的看仙粱，如果你是做的社交產(chǎn)品，那么留存率是一個很重要的指標(biāo)彻舰。如果你做的是旅游機(jī)票這種產(chǎn)品伐割，類似于攜程候味，可能有的用戶半年就買一次機(jī)票，買機(jī)票的時候才想起你隔心，這種低頻的使用產(chǎn)品白群，你再分析留存率就沒啥意思。

????總而言之硬霍，數(shù)據(jù)分析是一個很重要的產(chǎn)品需求來源帜慢，你自己提的想法可能不靠譜，老板的想法可能在天上唯卖，覺得運營提的需求太傻逼粱玲，但是數(shù)據(jù)永遠(yuǎn)不會說謊，

附上基本術(shù)語：

埋點：一般意義上的埋點拜轨，是利用如友盟抽减、Talkingdata等第三方公司的SDK，通過在App中嵌入一段SDK代碼撩轰，設(shè)定觸發(fā)條件胯甩，當(dāng)滿足條件時，SDK會記錄日志堪嫂，并將日志發(fā)送到第三方服務(wù)器進(jìn)行解析偎箫，并可視化地呈現(xiàn)給我們。這一過程就叫埋點皆串。埋點方式也分“簡單埋點”和“自定義埋點”淹办，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恶复。而“自定義埋點”則對應(yīng)一種叫“自定義事件”的功能怜森，一般第三方統(tǒng)計工具都支持，我們可通過設(shè)置“自定義事件”查看App特定的操作行為數(shù)據(jù)谤牡，如點擊按鈕次數(shù)副硅、打開指定頁面次數(shù)等，通常創(chuàng)建“自定義事件”都需要產(chǎn)品經(jīng)理告知開發(fā)App的哪些條件下需要觸發(fā)“自定義事件”翅萤，以及觸發(fā)時要如何通過不同參數(shù)區(qū)分不同的點擊行為恐疲。如同樣是點擊按鈕事件，可通過設(shè)置參數(shù)“Action”套么，來區(qū)分Action=Yes和Action=No這兩個按鈕分別點擊的次數(shù)培己。

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(shù)據(jù)能從哪些方面去分析胚泌，這些“角度”都是有值且可被枚舉的省咨。比如我們注冊用戶數(shù)有10萬，那可分析的維度有：用戶所在省份玷室、用戶性別零蓉、用戶角色笤受、用戶來源等。不同維度來觀察數(shù)據(jù)敌蜂，可以得出不同結(jié)論感论，能否拓展觀察維度，也是評估數(shù)據(jù)分析能力的一個關(guān)鍵紊册。

度量：度量和維度相輔相成比肄，是指可量化的數(shù)值，用于考察不同維度觀察的效果囊陡，也可理解成“數(shù)據(jù)指標(biāo)”芳绩。觀察度量值可總體查看，如App總用戶數(shù)撞反，也可配合“維度”分層查看妥色，如不同省份的注冊用戶數(shù)、活躍用戶數(shù)遏片，不同來源的App啟動次數(shù)嘹害、平均日使用時長等。

渠道：指App的不同安裝來源吮便，如通過第三方應(yīng)用市場安裝笔呀，通過廣告點擊安裝，通過地推二維碼掃碼安裝髓需，通過官網(wǎng)下載安裝等许师。互聯(lián)網(wǎng)公司的商務(wù)工作一般就是拓展渠道僚匆，觀察不同渠道帶來的數(shù)據(jù)表現(xiàn)微渠，不斷優(yōu)化渠道質(zhì)量。

新增用戶：安裝App后咧擂，首次啟動App的設(shè)備數(shù)逞盆，需要按“設(shè)備號”去重。新增用戶主要為了衡量推廣效果松申，以及當(dāng)前產(chǎn)品在整個生命周期所處階段云芦。

活躍用戶：時間段內(nèi)，啟動過App的設(shè)備數(shù)攻臀，需要按“設(shè)備號”去重焕数∩疵粒活躍用戶主要為了衡量運營效果刨啸，以及產(chǎn)品使用情況。

啟動次數(shù)：時間段內(nèi)识脆，啟動App的次數(shù)设联，無需去重善已。啟動次數(shù)主要為了衡量推送效果，以及App的內(nèi)容是否足夠吸引人离例。

留存率：時間段內(nèi)的新增用戶换团，經(jīng)過一段時間仍啟動App的用戶，占原新增用戶的比例宫蛆∷野“時間段”的劃分方式有：按日、按周耀盗、按月想虎，對應(yīng)指標(biāo)還可細(xì)分為“日留存率、周留存率叛拷、月留存率”舌厨。而“經(jīng)過一段時間”的劃分方式有：次日、7日忿薇、14日裙椭；次周、+2周署浩；次月揉燃、+2月等。一般一款A(yù)pp的次日留存率為30-40%筋栋，次月留存率為20%你雌，已經(jīng)算是不錯的成績了。

使用時長：時間段內(nèi)二汛，從啟動到結(jié)束App使用的總時長婿崭。所謂“結(jié)束App”，通常指殺掉進(jìn)程肴颊，或者將App退到后臺超過30秒氓栈。一般會按“人均使用時長、次均使用時長婿着、單次使用時長”分析授瘦，衡量產(chǎn)品粘性和活躍情況。

使用頻率：用戶上次啟動App的時間竟宋，與再次啟動的時間差零聚。使用頻數(shù)分布，可觀察到App對用戶的粘性瞬矩，以及運營內(nèi)容的深度攒磨。

介紹幾個常用的數(shù)據(jù)分析思路：

對比：字面上理解，就是非孤立地看數(shù)據(jù)蜗字，而是多個數(shù)據(jù)提取進(jìn)行比較打肝。根據(jù)對比方法不同脂新，分為“橫向?qū)Ρ取焙汀翱v向?qū)Ρ取薄?/p>

橫向?qū)Ρ龋?/b>指空間維度的對比。相當(dāng)于一個指標(biāo)粗梭，在不同條件下的對比争便，但每個條件都屬于一個層級。舉個例子断医，App功能的A/B測試數(shù)據(jù)對比滞乙，各個渠道的新增用戶對比，都屬于橫向?qū)Ρ取?/p>

縱向?qū)Ρ龋?/b>指時間維度的對比鉴嗤。一般的對比方法有：同比酷宵、環(huán)比。同比一般指是指本期數(shù)據(jù)與上年同期數(shù)據(jù)對比躬窜，環(huán)比則是本期統(tǒng)計數(shù)據(jù)與上期比較浇垦。觀察時間軸上的數(shù)據(jù)折線圖來判斷產(chǎn)品運營狀態(tài)也是一種縱向?qū)Ρ取?/p>

拆分：分析這個詞，從字面意義上理解荣挨，就是“拆分”和“解析”男韧，當(dāng)某個維度對比后發(fā)現(xiàn)問題需要找原因時，就需要進(jìn)一步“拆分”了默垄。舉個例子此虑，如果發(fā)現(xiàn)某日的銷售額只有昨日的50%，就需要對銷售額指標(biāo)拆分為：成交用戶數(shù) x 客單價口锭，而成交用戶數(shù) = 訪客數(shù)x 轉(zhuǎn)化率朦前。那么我們接下來就可分別針對：訪客數(shù)、轉(zhuǎn)化率鹃操、客單價韭寸，觀察今日和昨日相比的數(shù)據(jù)變化，找出原因荆隘。

降維：當(dāng)維度太多時恩伺，我們不可能全部分析，這時就要篩選出有代表性的關(guān)鍵維度椰拒，去除掉那些無關(guān)數(shù)據(jù)晶渠，這就是“降維”。比如“成交用戶數(shù) = 訪客數(shù) x 轉(zhuǎn)化率”燃观，當(dāng)同時存在這三個指標(biāo)時褒脯，其實我們只要三選二就能得出結(jié)論了。

增維：增維和降維是相對的缆毁，如果當(dāng)前觀察的維度無法解釋當(dāng)前問題番川，就需要對數(shù)據(jù)進(jìn)行運算，多增加一個指標(biāo)。在可視化分析領(lǐng)域爽彤，也可將不同類型的圖表嵌套使用，能達(dá)到增加信息展現(xiàn)維度缚陷，擴(kuò)展分析廣度的目的适篙，如下圖所示：（將環(huán)形圖和折線圖進(jìn)行增維嵌套）。

分組：也可叫聚類箫爷，合適的分組能更好地理解業(yè)務(wù)和場景嚷节。例如用戶畫像過程，就是一個按不同維度對數(shù)據(jù)分組的過程虎锚。通過用戶畫像硫痰，可以很清晰地知道產(chǎn)品的用戶地區(qū)、用戶興趣窜护、用戶年齡效斑、用戶性別等屬性占比，產(chǎn)品經(jīng)理可通過畫像進(jìn)一步了解用戶需求柱徙。

漏斗分析：主要用于分析產(chǎn)品使用的關(guān)鍵路徑缓屠，通過設(shè)定一系列操作步驟，統(tǒng)計每一步中的操作用戶數(shù)护侮，并將用戶數(shù)以柱狀圖縱向排列敌完，就可形成用戶流失漏斗，我們可分析漏斗每個環(huán)節(jié)的流失率羊初，并觀察改進(jìn)環(huán)節(jié)交互體驗后滨溉，流失用戶的變化情況，以此來驗證改動效果长赞。

漏斗分析模型

AARRR模型：該模型一般用于游戲數(shù)據(jù)分析晦攒，是Acquisition、Activation得哆、Retention勤家、Revenue、Refer柳恐，這五個單詞的縮寫伐脖，分別對應(yīng)一款移動應(yīng)用生命周期中的5個重要環(huán)節(jié)。AARRR本身是一個循環(huán)乐设，使用者需觀察每個環(huán)節(jié)的數(shù)據(jù)情況讼庇，以此來分析產(chǎn)品是否在執(zhí)行一個正循環(huán)過程。這其中的任一環(huán)節(jié)除了問題近尚，都會導(dǎo)致產(chǎn)品數(shù)據(jù)的異常蠕啄。

AARRR模型

最近迷上了python做數(shù)據(jù)分析，發(fā)現(xiàn)這東西越來越有意思。有沒有感興趣的一起學(xué)習(xí)一下