数据分析是咱们工作过程很重要的技能，就像茫茫荒野中的指南针。当我们做完一件事，需要评估成效的时候，数据能指导我们得出改进思路；当产品整体数据不佳时，数据也能很大概率帮助我们找出核心原因和问题。所以可以说数据分析是提出改进需求的一个重要渠道。
正片正片！
1.1 数据分析的意义
a、做完一件事后，评估产出和成效，得出改进思路
b、产品整体数据不佳，找出核心原因和问题所在，予以解决
c、拿到一款产品，评估其当前状态、发展阶段，得出下一步工作思路
1.2 数据分析的基本原则
a、一定先明确分析目的，再建立分析方法和思路
b、要围绕核心业务流程和重要结论来完成分析
1.3 互联网产品的两个指标
互联网产品就像一个“黑盒子”，回顾产品价值的定义，解决问题就是产品的核心价值，为用户创造价值，同时从用户那里获得报酬，这是产品存在的意义。
解读后两个指标就出来了，一个是为让用户满意的“产品指标”，一个是满足公司盈利的“商业指标”，产品指标对应的是产品数据模型，商业指标则对应的是商业数据模型
1.3.1 商业数据模型
商业数据模型一般都可以归纳为一个公式，也叫运营公式：
收入 = 用户总量 x 付费率 x ARPU值
这个公式比较官方，用产的角度翻译一点就是“收入 = 流量 x 转化率 x 客单价 ”，ARPU值就是每个用户消费总额，按商业产品来说，ARPU = 平均客单价 x 单位日期内平均购买单数。可以自行分析以下财报数据。
1.3.2 产品数据模型
产品数据模型一般来说有三个指标，基本上都是UV、PV的计算衍生，这三个指标是：
a、产品指标：流程、页面上的指标，说白了就是页面转化率之类，衡量一个产品的好坏
b、用户指标：行为、动作上的指标，说白了就是页面上用户量、发生功能交互的用户量等，衡量用户的活跃度、质量
c、转化指标（复合指标）：用户通过产品，所产生的数据。例如：用户下单、注册等，代表用户发生了转化行为
接下来，将会举几个栗子，找找感觉。数据分析这个东西，说简单也简单，说难也难，简单的是入门，难的是举一反三，不过基础技能都是很简单的。
2.1 从渠道到注册的用户转化模型分析
2.1.1 分析渠道优劣
a、按照页面流程图进行页面步骤拆解
b、不同访问源的用户，进入后发生点击注册按钮的动作所占比例，就是第一个转化率，一般第一步（用户进站到进入流程）的衰减程度是最大的，百分之几
渠道优劣的三个指标：
a、全站UV：多少个用户来了（一般用设备数统计）；越大越好
b、跳出率：用户来到网站，什么都没做就离开的用户比例；越小越好
c、人均PV量：每个人平均来到网站上，会浏览几个页面；越大越好
例如：这是某数据统计产品的渠道投放情况
2.1.2 分析产品内部
这里分析用户进入产品后的注册流程，动作逻辑：
注册按钮 -》 填写个人邮箱 -》 验证个人邮箱 -》 填写其他信息 -》 完成
针对产品分析，我们重点关注的指标就是UV，通过UV我们就可以得到各个环节的转化率，从而建立分析模型。
例如：
某网页的注册通道有两个：
a、页面右上角
b、页面正中，页面正中如图
通过数据统计，我们得到如下两个转化情况
图表中我们已经发现了问题，右上角注册按钮的用户点击率高于页面正中的注册按钮，其他节点相差不大。这里我们就可以认为当前情况下，页面正中的注册按钮的存在优化空间，咱们一起来看看这个按钮：
可见，当用户需要进行注册的时候，要填三个信息，“号码、邮箱、密码”，产品经理或许当初考虑的是为了先让用户填写帐号信息，进入后减少填写项让用户不会觉得落差过大。考虑到点击申请试用后续的流程是一样的，但是从数据来看用户对于这种方式的接受程度并不高，所以考虑优化此页面。
并且用户在右上方简单的“注册”按钮的转化率比较高，说明很大概率是由于页面正中的交互方式让部分用户较难接受。故最终设计如下：
2.2 APP留存分析
通过留存分析，找出用户的一些关键行为，这些用户的行为往往代表了高留存率。然后对这些行为从高到低做一个行为排序，然后优化产品，让用户更快接触这些行为，从而达到让用户更容易留存的目的。
APP留存分析中，我们需要关注的指标：
a、UV，这个不多解释了，前面说了产品分析基本上都是看UV的变化
b、观察一段时间内的UV，看走势；然后，换不同行为作为条件，看这些行为下的走势
2.2.1 音乐APP案例
某音乐APP的留存图和留存表如下图，用户进入APP后，每一天的留存情况
能看到大概趋势就成，情况大致是这样：
“新用户进来后，一半左右的人在第二天就不会使用了，一段时间稳定后，大致只有10%的用户会持续使用产品”
接下来，我们会进入行为猜测阶段，反复假设以及验证假设，最终得出可执行的优化策略和方案。
第一个行为猜测：产品中点击过喜欢的用户留存率会不会好一点
假设：这些用户中，点击喜欢三次的用户的留存情况怎么样
结论：我们发现点击大于三次的用户留存情况会好很多，效果提升很大
假设：既然点击喜欢三次的用户留存情况不错，那么点击喜欢小于三次的用户留存是怎么样的，感觉应该不太理想，看看数据验证一下
结论：假设成立，点击喜欢小于三次的曲线比原曲线惨。。所以，我们关于点击喜欢大于三次的用户留存率高的设想很有可能成立，接下来需要做A/Btest、交互行为分析法等进行进一步验证。
第二个行为猜测：加入了一个兴趣社区的用户是否会留存高一些
假设：加入至少一个兴趣社区的用户留存率会高一点么？
结论：曲线效果更好了一点，说明行为猜测方向正确，加入兴趣社区的用户留存率会更高一点
假设：加上第一个行为“点击喜欢大于三个”，同时点击喜欢大于三个且加入了一个兴趣社区的用户留存情况怎么样？
结论：假设的情况与最初的情况相比，留存效果大大提升。
分析到这里我们就可以大致猜测，我们后续就可以针对“用户点击喜欢大于3次”以及“加入一个兴趣社区”作为运营手段，让用户发生这些动作，然后有很大概率能够改善产品的留存情况。
最后，其实通过数据不断思考产品优化是一个不断发现问题，不断提出假设验证假设的过程，通过案例也能感觉到在这个过程中，数据不断指引我们方向，让我们知道可以努力的地方。
希望能够通过本次分享，让你明白数据分析其实并不难，并且能让你感兴趣。产品数据分析是一个不断猜测问题、验证问题、解决问题的过程，会让人很有成就感，产品经理的工作不就是挺有成就感的工作么。
想要更多干货分享就快来关注我的个人公众号吧！！
花名：馒头
个人公众号：我是馒头
座右铭：博学之，审问之，慎思之，明辨之，笃行之
