干货丨一步步教你如何入门精益数据分析！

[目录]

一、认识数据——产品经理与数据分析

1.1 数据的客观性

1.2 面对数据的智慧

1.3 数据分析中的误区

二、获取数据——产品分析指标和工具

2.1 网站数据指标

2.2 移动应用类数据指标

2.3 电商类数据指标

2.4 UGC类数据指标

三、分析数据——产品数据分析框架

3.1 基本分析方法

3.2 数据分析框架——AARRR

3.3 数据分析框架——逻辑分层拆解与漏斗分析

3.4 数据会说谎

四、利用数据——数据驱动产品

4.1 数据应用的场景

4.2 数据驱动产品的方法

4.3 如何培养数据分析能力

[正文]

一、认识数据——产品经理与数据分析

1.1数据的客观性

数据是量化事物的手段，投射到不同的人身上又会导致解读的结论偏差，因此我能需要“求证”地分析第三方网站提供的调研数据（网站改版案例）。

大量的数据如何为我们所用呢。大概包含以下几点：明确问题本质；了解产品业务；大量深入的产品实践。

1.2培养面对数据的“智慧”

好的产品经理需要学会控制自己的思维，感性的发散，理性的聚焦需要同时具备。基本是靠反复的练习和大量的数据阅历练成的吧。

产品经理开始有意识的学习数据分析的时候应该从以下两点开始：

第一、学习如何提出数据统计需求

提出数据需求的过程，是一个“界定产品目的和目标，根据目标提出假设、预判产品效果”的过程，要求对功能目标、功能预期效果有完整且清晰的掌握。

一个完整的数据需求包含功能设计方案、功能目的和目标、功能上线后需要跟踪的数据指标及指标精确定义。

网站注册流程需求案例

第二、学习如何解读数据

对数据保持敏感，并能通过逻辑推理，进一步提出好的追问和假设，然后再通过数据或者其他手段来验证。

分清楚因果关系和相关关系，提出好的追问假设，在不同的维度拆分数据。

电商网站案例

1.3数据分析当中的“误区”

a.忽略沉默用户

b.用户迫切需要的需求≠产品核心需求

c.过分依赖数据会限制产品经理的灵感

d.错判因果关系和相关关系

e.警惕表达数据的技巧（控制折线图纵坐标范围混淆结论）

f.不要妄谈 大数据 (大数据特征——要用全部数据、注重相关关系、全新的计算方法)

二、获取数据——产品分析指标和工具

2.1网站数据指标

网站排名工具：Alexa、中国网站排名、网络媒体排名

网站监测工具：Google Analytics、百度统计、CNZZ

关键网站分析指标：访问量、访客数、浏览量、跳出率、页面停留时长、网站停留时长、退出率、转化率

访问量：Session

访客数：Unique Visitor，依据用户的设备、浏览器分配Cookie

浏览量：PageViews

页面停留时长：该页面的总停留时长除以该页面的访问量

网站停留时长：指访问一次会话的时间长度，等于网站所有访问量的总停留时长除以访问量

跳出率：网站的重要指标。等于只访问了落地页面的访问量除以总访问量。

退出率：等于从一个页面的退出次数除以访问次数

转化率：达成某种目标的访客数占总访客数（访客数换成访问量也是同样成立的）

Google Analytics操作介绍

4大模块：受众群体分析、流量获取分析、用户行为分析、用户转化分析

掌握对数据的宏观分析思路，避免陷入到数据细节中，如下：

a.访客数和访问深度

查看GA上的受众群体概览页来了解网站的访客数和访问深度。

b.访客来源，渠道效果

查看GA上的流量获取的概览页

Referral：引荐网站，如博客、联盟等等

Direct：直接进入网站

Organic Search：自然搜索

Paid Search：付费搜索

c.分析用户在网页的行为

关注流量最大的着陆页，降低跳出率

关注浏览最大的其他页面，与着陆页对比

页面点击热图

主要流程的转化漏斗

2.2移动应用类数据指标

移动应用主要指标

从获取用户到获得收入基本会经历以下几个过程：用户获取、用户活跃与参与、用户留存、用户转化、获取收入。下面依次介绍各个阶段的主要指标：

用户获取阶段：

下载量（商店评分和排名）、安装激活量、激活率、新增用户数（一般就是新增设备数）、用户获取成本

用户活跃与参与阶段：

日活跃用户数、月活跃用户数（可表示用户规模）、活跃系数（日活除以月活）、平均使用时长、功能使用率

用户留存阶段：

次日留存率、7日留存率、30日留存率

用户转化阶段：

付费用户比例、首次付费时间、用户平均每月营收（月收入除以月活跃用户数）、付费用户平均每月营收（月收入除以月付费用户数）

获取收入阶段：

收入金额，付费人数

使用数据指标评价版本迭代效果的方法

留存率对比

核心功能使用率

使用率和继续使用率（代表功能的受欢迎程度）

对核心功能的促进效果（核心贡献的概念——举例：使用过功能A的听歌人数比例减去未使用过功能A的听歌人数比例）

移动应用分析工具

国内分析工具：友盟、TalkingData

国外分析工具：Flurry，Google Analytics

Crash分析工具：Crashlytics

2.3电商类数据指标

电商类关键指标

销售额、购买客户数、客单价、购买转化率、UV、详情页UV、重点商品缺货率、妥投及时率

销售额：网站的收入（UV*转化率*客单价）

购买客户数：新老客户

客单价：销售额除以购买客户数

购买转化率：购买客户数除以访客数（UV）

详情页UV（IPV_UV）

分析数据指标方法

流量增长因素：

PC/WAP端（不同媒体），APP端（iOS&Android）

客单价增长因素：

客单价等于人均购买件数*件单价

件单价（热销商品价格变动）

人均购买件数（组合装/单件装比例、推荐效果）

转化率因素：

转化漏斗

详情页来源分析

电商网站的详情页来源一般分为：直接落地到详情页、从首页进入详情页、从频道进入详情页、从分类页进入详情页面、从品牌页进入详情页、通过关联销售进入详情页面

2.4 UGC类数据指标

UGC产品参与度指标

访客数、登陆访客数及占比、沉默用户数及占比、平均停留时长、产出内容访客及占比（Lofter案例）

访客数：Web端访客数+移动端访客数

登陆访客数及占比：登陆的访客数占总访客的比例

沉默用户数及占比：超过7天未产生内容的账号数占总账号数的比例

平均停留时长：总停留时长除以访客数

优质内容评分

热度=分享次数+推荐次数+点赞次数

互联网产品指标思路

访客数和特征、获取渠道及渠道质量、访客参与深度、转化率和转化漏斗是否流畅

访客数和特征：访问时间段、访问地域、设备、网络

获取渠道及渠道质量：

a.基本思路：带来多少新访客、浏览深度如何、留存率和转化率

b.Web端：新访客占比（代表渠道拓展用户的能力）、跳出率、浏览页面数以及转化率

c.移动端：新设备占比、次日留存以及转化率

访客参与深度：跳出率、浏览页面数、转化率

转化率和转化漏斗是否流畅：

转化漏斗

获取指标的方式

分析日志、分析工具获取（自定义时间、自定义转化漏斗）

三、分析数据——产品数据分析框架

3.1基本分析方法

对比分析：

横向对比，纵向对比（保证对比指标之外其他因素尽可能保持一致，比如通常在做新旧版本分析的时候会尽量选择两个版本发布初期的新用户）

趋势分析：

整体趋势、周期变化、极值点

象限分析

案例：渠道评估和优化（质量--数量）

象限分析

交叉分析法：

案例：多维度的数据分析（ios和安卓下载数分析）

交叉分析

3.2数据分析框架——AARRR模型

数据分析 框架的作用

保证结果的准确性、可靠性、针对性

常见的分析框架（宏观，适用于管理和运营）

PEST分析框架：

Political（政治），Economic（经济）、Social（社会）、Technological（科技），用于企业所处宏观环境的分析。

5W2H分析框架：

What+Why+When+Where+Who+How+How Much,常用于决策和执行性的活动措施

SWOT分析

Strengths（内部优势）， Weaknesses（内部劣势） Opportunities（外部机会） Threats（外部威胁）

运用这种方法，可以对研究对象所处的情景进行全面、系统、准确的研究，从而根据研究结果制定相应的发展战略、计划以及对策等。

SMART原则

Specific（具体的）， Measurable（可衡量的），Attainable（可达到的），Relevant（相关的），Time-Bound（有明确结束期限的），常用于目标管理。

4P理论

Product（产品），Price（价格），Place（渠道），促销（Promotion），用于制定营销策略。

AARRR分析框架

Acquisition（获取）Activation（激活） Retention（留存） Revenue（收入） Refer（推荐）

AARRR模型

AARRR分析思路

AARRR模型应用

提升AARRR各环节指标的对应操作（渠道分析案例）

渠道分析案例

渠道分析案例

3.3数据分析框架——逻辑分层拆解与漏斗分析

逻辑分层拆解

逻辑拆解【相关指标和核心指标存在逻辑关联】

分层拆解【同一层指标不相关】

逻辑分层拆解

漏斗分析法

关键路径的转化率、转化率对比分析、Google Analytics行为流

3.4数据会说谎

改变坐标轴：添加趋势线及其公式

样本量的误差：决定样本量大小的因素（总体大小、总体内部差异程度）

平均数的数据谎言：当数据呈现正态分布，平均数才能近似代表整体的情况

辛普森悖论：数据集中的变量被分组，其相关性被降低或不存在相关性（注意不用混淆变量分组数据）

四、利用数据——数据驱动产品

4.1数据应用的场景

需求分析阶段：

对用户层面的需求，通过数据去伪存真。对公司层面的需求，通过数据验证并提供证据（网易考拉海购退出率案例）

产品设计阶段：

设计前——发现问题，设计中——辅助决策，判断思路（A/B test），设计后——验证方案（对比核心指标）

4.2数据驱动产品的方法

通过数据发现问题：

对导出率、跳出率、满意度、各端用户占比进行对比分析

确定改版数据指标：

综合用户需求和数据反映问题拟定核心指标

产品设计：

品牌调性（用户调研）、首页架构和陈列样式、展现形式

上线后的数据验证：

对之前的数据核心指标进行对比认证，并发现新问题

4.3如何培养数据分析能力

心法层面：

好奇心、求知欲、观察生活

基础层面：

核心基础概念、基本统计原理

实战层面：

数据驱动产品闭环，熟悉业务，时刻关注数据、保持敏感

注：内容整理于网易产品经理微专业

作者：Summer先生_

责任编辑：王培