一篇文章让你看懂数据分析的目的、方法、工具及实际应用

　　我特别不喜欢装逼的产品经理，看文章也一样不喜欢华而不实的。所以督促自己写文章时，把懂的、经历过的能细就写的尽量详细;不懂的就去学，然后把整理的笔记分享出来，数据分析方面我涉入不多，内容由于缺少实战经验，会比较基础和理论，希望同样对你有帮助。

1. 明确数据分析的目的

　　做数据分析，必须要有一个明确的目的，知道自己为什么要做数据分析，想要达到什么效果。比如：为了评估产品改版后的效果比之前有所提升;或通过数据分析，找到产品迭代的方向等。

　　明确了数据分析的目的，接下来需要确定应该收集的数据都有哪些。

2. 收集数据的方法

　　说到收集数据，首先要做好数据埋点。

　　所谓“埋点”，个人理解就是在正常的功能逻辑中添加统计代码，将自己需要的数据统计出来。

　　目前主流的数据埋点方式有两种：

　　第一种：自己研发。开发时加入统计代码，并搭建自己的数据查询系统。

　　第二种：利用第三方统计工具。

　　常见的第三方统计工具有：

　　网站分析工具

　　Alexa、中国网站排名、网络媒体排名(iwebchoice)、Google Analytics、百度统计

　　移动应用分析工具

　　Flurry、Google Analytics、友盟、TalkingData、Crashlytics

　　不同产品，不同目的，需要的支持数据不同，确定好数据指标后，选择适合自己公司的方式来收集相应数据。

3. 产品的基本数据指标

　　新增：新用户增加的数量和速度。如：日新增、月新增等。

　　活跃：有多少人正在使用产品。如日活跃(DAU)、月活跃(MAU)等。用户的活跃数越多，越有可能为产品带来价值。

　　留存率：用户会在多长时间内使用产品。如：次日留存率、周留存率等。

　　传播：平均每位老用户会带来几位新用户。

　　流失率：一段时间内流失的用户，占这段时间内活跃用户数的比例。

4. 常见的数据分析法和模型

　　这里主要科普下漏斗分析法和AARRR分析模型。

　　漏斗分析法

　　用来分析从潜在用户到最终用户这个过程中用户数量的变化趋势，从而寻找到最佳的优化空间，这个方法被普遍用于产品各个关键流程的分析中。

　　比如，这个例子是分析从用户进入网站到最终购买商品的变化趋势。

　　从用户进入网站到浏览商品页面，转化率是40%;浏览商品到加入购物车转化率是20%等，那要找出哪个环节的转化率最低，我们需要有对比数据。

　　比如第一个，进入网站到浏览商品，如果同行业水平的转化率是45%，而我们只有40%，那说明这个过程，没有达到行业平均水平，我们就需要分析具体原因在哪里，再有针对性的去优化和改善。

　　当然，上面这是我们设计的一种理想化的漏斗模型，数据有可能是经过汇总后得出的。而真实的用户行为往往可能并不是按照这个简单流程来的。此时需要分析用户为什么要经过那么复杂的路径来达到最终目的，思考这中间有没有可以优化的空间。

　　AARRR模型

　　这个是所有的产品经理都必须要掌握的一个数据分析模型。

　　AARRR(Acquisition、Activation、Retention、Revenue、Refer)是硅谷的一个风险投资人戴维 · 麦克鲁尔在2008年时创建的，分别是指获取、激活、留存、收入和推荐。

　　举个例子，用AARRR模型来衡量一个渠道的好坏。

　　如果单从数据表面来看，A渠道会更划算，但实际这种结论是有问题的，用AARRR模型具体分析如下：

　　渠道A的单个留存用户成本是60元，单个付费用户成本是300元;而渠道B的单个留存用户成本是20元，单个付费用户成本是33元，这样对比下来，明显B渠道的优势远远大于A渠道。

5. 常见的数据分析法和模型

　　在上篇提到的漏斗分析法和AARRR模型外，这里再补充一个：交叉分析法。

　　交叉分析法：通常是把纵向对比和横向对比综合起来，对数据进行多角度的结合分析。

　　举个例子：

　　a. 交叉分析角度：客户端+时间

　　从这个数据中，可以看出iOS端每个月的用户数在增加，而Android端在降低，总体数据没有增长的主要原因在于Android端数据下降所导致的。

　　那接下来要分析下为什么Android端二季度新增用户数据在下降呢?一般这个时候，会加入渠道维度。

　　b. 交叉分析角度：客户端+时间+渠道

　　从这个数据中可以看出，Android端A预装渠道占比比较高，而且呈现下降趋势，其他渠道的变化并不明显。

　　因此可以得出结论：Android端在二季度新增用户降低主要是由于A预装渠道降低所导致的。

　　所以说，交叉分析的主要作用，是从多个角度细分数据，从中发现数据变化的具体原因。

6. 如何验证产品新功能的效果

　　验证产品新功能的效果需要同时从这几方面入手：

　　a. 新功能是否受欢迎?

　　衡量指标：活跃比例。即：使用新功能的活跃用户数/同期活跃用户数。

　　使用人数的多少还会受该功能外的很多因素影响，千万不可只凭这一指标判断功能好坏，一定要结合下面的其他方面综合评估。

　　b. 用户是否会重复使用?

　　衡量指标：重复使用比例。即：第N天回访的继续使用新功能的用户数/第一天使用新功能的用户数。

　　c. 对流程转化率的优化效果如何?

　　衡量指标：转化率和完成率。转化率即：走到下一步的用户数/上一步的用户数。完成率即：完成该功能的用户数/走第一步的用户数。

　　这个过程中，转化率和完成率可以使用(上)篇中提到的漏斗分析法进行分析。

　　d. 对留存的影响?

　　衡量指标：留存率。用户在初始时间后第N天的回访比例，即：N日留存率。常用指标有：次日留存率、7日留存率、21日留存率、30日留存率等。

　　e. 用户怎样使用新功能?

　　真实用户行为轨迹往往比我们设想的使用路径要复杂的多，如果使用的数据监测平台可以看到相关数据，能引起我们的反思，为什么他们会这么走，有没有更简便的流程，以帮助我们作出优化决策。

7. 如何发现产品改进的关键点

　　产品改进的关键点，是藏在用户的行为中。

　　想要找到这些关键点，除了通过用户调研、访谈等切实的洞察用户外，在产品中设置相关数据埋点记录用户的行为，观察其行为轨迹，不能完全替代洞察用户的行为，不过也可以有助于决策产品改进点。

　　操作步骤：

　　这一部分的实际案例，小伙伴们可以下载该电子书，查阅第四章的内容。

　　下载地址：

　　http://pan.baidu.com/s/1skJR4LZ

8. 写在最后

　　数据分析这个领域，需要学习的内容，不仅仅只有我写的这些，如果对数据分析很感兴趣的小伙伴，也可以看看这两个网站：

　　网站分析在中国

　　http://www.chinawebanalytics.cn

　　蓝鲸的网站分析笔记

　　http://bluewhale.cc

来源：互联网分析沙龙