科技猎两个案例，聊聊产品经理如何设计数据分析方案
最近工作中，做了一些数据分析相关的工作，结合几次经验说说作为一个low逼的产品经理，怎样设计数据分析方案。
一、数据分析的用途
目前，我能想到的用途有：摸底调研，产品优化。换句话说就是了解过去，放眼未来。
二 、设计数据分析方案的方法
在明确数据分析目的的前提下，我会按照『四步走』的思路设计数据分析的方案。即确定三大维度、大维度拆解成小维度，小维度的分析指标，添删改查。
- 确定三大维度： 任何数据分析问题我都会先拆解成三个大维度：物，人，物+人，拿资讯流来说，物就是资讯，人就是分析对象（用户/作者等），物+人就是资讯和对象之间发生的交互。
- 大维度拆解成小维度： 结合目标，分别从物，人，物+人的角度去看，你想了解哪些情况。还说资讯流，物的角度比如：资讯的质量分布，时效性分布，来源评估等，人的角度比如有：有多少用户，用户的活跃情况，用户的统计特性分布，用户什么时候来（来不是看，来了不一定看，看即点击，是和资讯发生了交互）等；物加人的角度比如：不同类别的用户爱看什么类别的资讯，用户在某类资讯下的转化和核心数据表现等。
- 小维度的分析指标： 要想得到这个维度下的结论，你需要看哪些统计指标；
- 添删改查： 根据你的目标，结合实际资源，对上述的维度和指标进行筛选，修改，补充。
三、举例说明
举例1：
对公司厕所的使用情况进行摸底
1.确定三个大维度： 马桶，职员（还有清洁工，维修工和访客，主要使用的是职员），马桶+职员
2. 大维度拆解成小维度：
- 马桶：马桶的数量及楼层分布；马桶的使用寿命分布；马桶常见故障问题。
- 职员：职员的统计特征。
- 马桶+职员：职员每天使用马桶的流量分布；员工单次使用马桶的时间分布。
3. 小维度的指标：
- 马桶的数量及其分布： 楼层、男马桶数量、女马桶数量； 马桶使用寿命分布： 马桶使用寿命，楼层，男马桶数量、女马桶数量； 马桶常见故障分布： 故障原因，男马桶故障次数，女马桶故障次数。
- 职员的统计特征： 职员id，职员年龄，职员性别，职员平均在公司时间（工作日）；
- 职员每天使用马桶的流量分布 ：日期，时间段（每隔15min？），男马桶使用个数，女马桶使用个数； 员工单次使用马桶的时间分布： 职员id，职员年龄，职员性别，日期，职员单次使用时间，使用时间长度。
4. 添删改查
针对上述的分析，对数据进行一些修正，例如，上述的分析中男马桶和女马桶的类型是不一样的（捂脸，别问我怎么知道），是否有必要进行细化。还有上述只给出了统计指标，但并没有给出统计方法和统计时间等。
举例2：
我在小区门口开了个小卖部，想分析一下近一个月内各商品的销售情况，以决定明天的进货量（假设我每个月进一次货）。
1.确定三个大维度： 这里也就是商品，顾客，商品+顾客。
2.大维度拆解成小维度
A.商品：
- 一个月内商品的周转情况(进了多少货，卖出了多少)；
- 一个月内，不同商品的盈利情况；
- 此外，我还想从局部看下每天的盈利分布是怎样的。（总体+局部）
B.顾客：
- 顾客的人口统计特征分布（顾客都是些什么人）；
- 单顾客创造的营业额、利润分布（顾客花多少钱，我能赚多少）；
- 单天客流量及访问时间段的分布（大家都什么时候来）；
C.商品+顾客：
- 不同属性的用户，购买每类产品（零食，生鲜，日用品等）的转化，购买数量及分布（不同类别的人都最爱买什么）;
- 不同（统计特征）属性的用户，不同商品类别带来的营业额、利润及其分布（不同类别的人都爱买什么，哪类人可以给我带来最高利润）；
- 利润最高的用户，不同类别下购买时段的分布（利润最高的用户，都是什么时候来买东西）。
- 利润最高的用户，购买商品的分布（利润最高的用户，都爱买什么）。
3. 小维度的指标
A.商品：
- a&b的统计指标： 商品ID，商品名称，商品单价，商品大小（特大/大/中/小四档），总进货量，总销售量，总营业额，总成本，总净利润；统计时间：近一个月，按月统计。
- c的统计指标： 商品ID，商品名（筛选后），日期，销售量，营业额，净利润；统计时间：近一个月，按天统计。
B.顾客：
- a&b的统计指标： 顾客ID，性别，年龄，身份，月访问次数，月购买次数，月营业额，月利润；统计时间，近一个月，按月统计。
- c的统计指标： 顾客ID，日期，访问时间段，访问次数；统计时间，近一周，按天统计。
C.顾客&商品：
- a&b的统计指标： 用户属性类别，商品类别，月访问次数，月购买数量，月营业额，月利润；统计时间：近一个月，按月统计。
- c的统计指标： 用户属性类别，商品类别，日期，购买时间段，购买次数；统计时间，近一周，按天统计。
- d的统计指标： 用户属性类别，商品类别，商品名称，购买次数。统计时间，近一个月，按月统计。
4. 添删改查
根据实际需求，投入产出比，优先级等，对上述的维度进行筛选和修改；
根据业务需求，对上述维度进行补充。
例如：上述分析第三部分主要分析了高利润用户的特性和习惯，但对未购买的用户，购买次数多但利润不高的用户分析较少。更好地满足高利润用户的需求，转化低（无）贡献的用户是两种不同的思路。
总结
上述数据如果能够结合模型和机器学习等智能分析手段，可以分析出更多更有价值的内容。
例如不同商品间的关联性（喜欢买A,B的人，都会喜欢买C），如不同类别用户之间的特性，大量购买XXX保健品的用户，一个月后都会大量购买婴儿产品（XXX保健品为孕期的常用保健品），如时间和气候对商品的影响，XXX季节，XXXX天气下，XXX和XXX商品的销量会激增。
题图来自 Pexels ，基于 CC0 协议
本文由 @nangelC 原创发布于人人都是产品经理。未经许可，禁止转载
