作为产品经理，现如今对综合能力要求越来越高。根据产品使用情况做数据分析，以便不断改进产品。

一、数据分析的基本步骤

数据分析的前提，首先得有数据，所以须先采集数据，做为分析的数据源。那么问题接着来了，我们应该在采集什么数据，采集数据有很多类型和渠道，不同类型和渠道的数据对分析结果也有巨大影响，所以如何进行数据建模也是需要去考虑的。最终对数据进行整理、归类、统计和计算后，才得出最终的分析结果。

以下即是数据分析的基本步骤：

数据采集 > 数据建模 > 数据分析

二、数据采集

有时候在采集完成后，因为分析需求的人员不同，周期不同，分析的要求不同，以导致采集的数据只能满足当下的分析需求，如突然有人员需求增加一个分析维度（如访问浏览器的类型和版本等），才发现采集的结果不能满足其需求，那么数据是否需要重新采集呢？而这个时候其实已经错过了最佳时机，所以我们在采集之前，应做好采集规。

数据采集的常见问题：

• 不准确
• 不完备
• 不细致

特别指出，不准确，是采集数据首要避免的问题，采样错误，发生偏差，最终的分析结果可能毫无参考性，做了无用功，甚至根据错误结果而做了错误的决策。

数据采集的基本原则：

• 覆盖全面
• 完整细致

覆盖全面，应可能多渠道采集数据，不仅采集客户端积累的数据，还应采集服务器或数据库相关数据，以便分析数据之间关系。比如较短的周期内，发现用户注册量，急剧下降，检查数据发现，是由于当时服务器访问后台短信api出现连接失败，从而导致注册失败。
完整细致，是指数据的跨度应完整，1H4W（who when where what how），完整细致的数据以遍提供更全面的数据维度和指标。

数据采集的方法：

• 可视化埋点
• 代码埋点
• 导入数据

简单说明什么是埋点，引用了百度百科对埋点的解释：

埋点是，在产品、服务转化关键点植入统计代码，据其独立ID确保数据采集不重复（如购买按钮点击率）；植入多段代码，追踪用户在平台每个界面上的系列行为，事件之间相互独立。

导入数据，即是对无法直接采集的数据，通过其他工具和渠道导入的数据，在数据分析时，也做为数据源之一。

三、数据建模

数据建模是指建立事件属性，如用户购买的商品，注册的用户数等。这里有重要的两个点：维度和指标。

注册用户数据模型实例：

来理解下什么是维度和指标：

当我们查询北京地区有多少女性用户这样的数据，那么其中北京就是维度，女性用户数即是指标。
维度和指标通常都可以根据事件互换，具体根据分析需求即可，当然前提是先做好数据采集和数据建模。

四、数据分析

通过数据采集和数据建模，接下来就可以进行数据分析了，数据分析有哪些方法，这些不同的方法通常用于不同的分析需求和场景，所以都需要了解。

多维度分析

多维度分析，就是建立多个事件属性，设计维度，以分析最终数据指标，如数据建模中的注册用户数据模型，我们还可以根据注册来源查询用户数，查询注册渠道为iOS的用户数，那么这个维度就是注册来源，指标是统计出的用户数。

当然通过数据建模，我们还可以统计一段周期内，某个按钮的点击数等等，这些都可以通过建立维度和指标来进行统计和分析。

漏斗分析

漏斗分析用来统计关键业务路径的转化率。比如一个商城APP，核心业务即售卖商品，那么可统计一段时间内，用户从首页到购买行为完成的数量，可得出最终转化率。
由于路径的节点同比上个一个节点转化率通常是不断缩小的，所以图形类似漏斗，又大到小，所以叫漏斗分析。

漏斗分析通常需要建立一个窗口期，一个月、一周还是一天，可根据实际情况来决定。

窗口期：24小时

留存分析

留存分析，是指建立数据指标，可分渠道的在一定时间内，定义“留存”的指标。
比如7天内有访问过APP主页的用户数或3天内有登录过用户数，都可以表示当前留存的用户数，留存的指标一般根据产品整体或业务发展阶段有关。

行为序列分析

行为序列分析，是指分析用户操作先后行为，一般抽样出客单价值较高的用户进行分析，以遍分析该类型用户的操作异常而进行的用户召回。
行为序列分析，由于是统计用户先后操作行为，所以会形成直接的操作路径。对产品设计的关键路径是否跳出存在一定得指导意义，也可以确定我们产品设计的操作路径是否和用户实际操作预想一致，可用来修正操作产品关键路径。

AB测试

AB测试是产品改进和优化中，进行策略对比的常用方法。
将用户分为A和B两个组，在一定的时间周期内，对比核心指标来进行辅助决策。

用户分群

当用户沉淀到一定量级，产品可根据用户特征（或核心指标）予以分群，从而可对不同的用户采取不同的运营方式，区别对待。

结语

第一次用简书写文，第一次用markdown写了这么长的文，以后我便在这里停留，向更多智者学习，产品人，共勉。

2017-03-24 凌晨 05:26