数据分析能力对于一名产品经理来说是最基本的能力。

在面试的过程中，社招会有面试官会问你以往你负责的产品的相关数据，如何看待这些数据，如何通过这些数据来做接下来的产品优化；校招的面试官可能会问小伙伴们关于分析数据的思维；在产品经理的日常工作当中，要时长盯着数据的报表来分析产品的健康程度。本文不再对一些基本的数据定义再做描述，而是从分析的思路总结了一些心得，欢迎各位一起来讨论。

1.看数据的纬度

在对一款产品或者一款产品的其中的一个模块进行分析时，我们可以从两个大纬度去分析数据。

首先是从广阔的视角先去查看数据，这里需要对该产品所处的行业数据有一个清晰的了解，该产品所处的行业自己所处的市场占有率的排名，一般市场占有率指的是用户的占有量，一般从行业报告可以看出大概的数据。

然后接下来需要分析这款产品的总的数据情况，比如下载量、DAU、WAU、MAU等，以及该产品的最核心的数据是什么，并且如何有可能从侧面去了解这款产品的竞品的相关数据是什么。

当了解完以上这些总体的信息，我们心中应该对自己所负责的产品有了一个宏观的概念，自己在行业内所处的位置，以及现在最需要提升哪些数据指标都有了一个清晰的认识。接下来就可以从大纬度切入到小纬度，进一步去分析一些细节的数据。例如重要的数据信息，包括用户的基本的构成信息，每个模块自己建立的漏斗信息等。一般在做分析的时候应该注意的是数据的异常现象，出现局部的极值（包括极大值和极小值）都需要进行分析。

2.什么才是好的数据指标？

在做数据分析的过程中，我们需要了解什么样的数据才是好数据，如果单纯地去看一个数据是没有太大意义的，数据本身也具有相应的欺骗性，比如从运营同学那得到了日新增用户数1W，那么单纯看这个数据没有什么意义，我们可以说这个数据很好，因为看上去很大，但是你可能没有看到同期的数据，有可能昨天的数据达到了2W。

第一，好的数据一定是首先最好是以比率的形式存在的，不要绝对数，要相对数据。

比如上面的那个数据我们换成增长率，换成环比这个数据，我们就可以进一步的了解到这个数据的好坏。

第二，就是通过对比来判断数据的好坏。

我们将数据的日增长量做成一个折线图，从折线图我们就能看出这个数据是在高点还是在低点。通过对比，我们就会得知这个数据所处的位置是什么样的。另外，通过对比不同的渠道，对比不同的版本，对比不同的用户群等不同纬度的数据，都可以从侧面反映出这个数据的真实情况。

第三，数据不是一成不变的情况，要动态的去看数据。

单纯只看一个点的数据情况是没有意义的，我们要在数据中加入时间的纬度。引入一段单位的时间去看待数据整体的变化趋势，这样才能更为客观的判断产品的健康程度。

3.发现数据异常后将从几个纬度去分析？

有时候从总量的角度是无法洞察出一些问题的。比如在某段时间内，下载量出现了下跌，我们需要去找到这个当中问题出现在哪里。从总量的角度看，安卓的渠道要比IOS的总量大很多，这并不能说明问题。那么我们首先需要将时间的纬度引入到当中，将这几个月纬度的数据进行对比，一定可以看到在安卓当中有一个月份的数值相比其他较低。然后我们再去看这个月份的情况。一般情况下，在找到这个异常会先从渠道的角度去分析，查看是哪个渠道发生了异常的现象。在针对性的去对渠道进行优化。

然后我们还可以从版本的角度去分析，去查看最近近期是否有新版本的更新，如果有新版本的更新，是否设置了新的功能出现了BUG等问题无法解决，导致了用户出现卸载应用的情况。当然这些角度都要加入时间的纬度去判断。

另外，数据异常也不一定是坏事情。比如在分析用户行为的过程中，如果发现了某些类别的用户的关键指标表现良好，那么就一定要分析为什么这些用户的数据表现为什么十分良好，这也是增长黑客的分析思路。比如在facebook早期发现，如果一名用户在刚使用产品的早期可以快速添加10明好友以上的用户，这类的用户的活跃程度就明显高于其他的用户。在比如airbnb在早期发现那些放置的照片十分精美的住家的出租率较好，发现了这个特性后，内部产品技术团队又进行了一次AB测试，发现果然是存在这样的优化点。

所以在早期一个关键的指标就是如何能快速提高用户添加其他好友的数量。这里需要我们从底层数据分析当中要注意对用户进行分层的处理，从不同的纬度分层找到数据异常的族群，找到共性，归纳表现良好的用户的共性，然后将其作为优化的指标进行优化。

4.不同阶段制定的关键指标应该随着产品的阶段性变化发生变化的

在做数据分析的之前，需要我们对我们分析的目标进行确认，每个阶段的目标也存在着不同的目标，是为了增强用户粘性，还是为了提升营收，或者是为了提高病毒传播系数。

比如在对渠道的判断中，不能只关心拉过来的新用户量，最重要的是我们要关心这些新拉过来的用户对产品的关键指标的影响，比如在社区产品，相比新进用户的数量更应该关心这些用户的活跃度，发布帖子的数量，点赞的数量等关键指标。换句话说更应该关注的是漏斗模型最下方的那个量，关注转化率的最底层的那个数据。

接下来还会发出下篇，欢迎大家一起来讨论关于数据分析的思路~

产品数据的作用是什么？

我个人认为产品数据的作用主要有两个：首先，产品数据可以监控我们的产品设计（包括迭代和改版）、运营活动、市场活动（包括渠道推广和广告投入）收入水平，看它们处于什么状态，是否正常，是否达标，是否有飞跃等等，也可以为后续的产品设计和发展提供参考帮助；第二，通过对数据的分析和挖掘，我们可以发现新的商业机会或是产品爆发点，也就是这两年比较热门的数据增长概念。

不同阶段所关注的数据不一样

大家都知道产品有不同的生命周期，在不同生命周期我们所采取的产品设计和运营活动都会不一样，那么自然而然地不同阶段我们所关注的数据也不一样。

MVP阶段

这一阶段最重要的是第一批种子用户对于产品的使用情况和反馈。这个时候需要产品经理更多地去做定性分析，去做用户访谈，直接确定产品是否满足用户需求，因此这个阶段我们可以暂时不用在数据分析上投入更多精力；

成长期

成长期对于一个产品来说最重要的是什么？是拉新和留存！那么我们数据关注的重点自然也是要放在拉新和留存之上。

拉新要关注推广数据和推荐数据。推广数据就是我们所采取的所有推广活动和行为的指标数据，不同推广方式（线上+线下）的到达率，点击率，转化率，二次访问率，流失率；比如我们做了一场地推活动，现场到了多少人，多少人是目标用户，多少人不是目标用户，目标用户有多少人参与或接受了我们的地推形式，有多少人当场下载了APP或试用了我们的产品，又有多少人在活动后下载了APP等等。通过这些数据的对比和分析，我们要不断调整我们的推广方式和手段，试验不同的渠道组合。

推荐数据则是用户是否愿意将产品推荐给他的朋友、同事和同行的行为数据分析。一个好的产品是会说话，最直接的就是口碑的力量。这一块我们在数据上可以关注整个分享环节的链路。比如你有100个种子用户，他们中有多少人只是自己用产品，有多少人是第一时间就向朋友推荐，有多少人是在公开场合给了好评或是差评，又有多少人是在私下分享呢？他们的推荐行为带来了多少新用户？这些数据会告诉我们产品在用户和用户的圈子里的比较真实的位置。

留存则是要做用户的留存分析。主要有用户的次日留存率，7日留存率，日活和月活用户数据，用户页面访问深度，退出率等。要注意的是这些指标不能孤立地看，既要彼此结合起来看，也要联系运营活动市场推广综合地看。说白了留存就是要提升目标用户在核心场景之上的反复出现次数和时间。

成熟期

产品进入成熟期，我们所关注的重点就转移到了用户价值上面。这里的用户价值是指用户对于公司和产品的商业价值，和我们通常所说的用户侧的用户价值有些不同。这个阶段我们要根据用户的情况进行用户分层。抓大放小——尽可能提高高价值用户的活跃度，对于低价值用户可以适当地减少投入精力。这时除了对于用户活跃度的关注以外，还建议重点关注核心场景的用户行为数据和高价值用户的流失率。

比如你的产品总的来看日活周活都很不错，但是核心场景上的点击率或是停留时间都很低，核心场景关系到公司的商业目标和价值的实现，用户在这一块的行为很少，那可能是要么你的用户不是目标用户，要么你的核心场景存在比较大的缺陷让用户不满意。高价值用户的流失率也是一个道理，都是值得引起我们警惕的数据指标。

衰退期

此时用户会逐渐流失，用户被其他的新产品形态吸引。应该关注用户流失后使用的产品， 流失速度。 尽快拓宽产品边界，寻找新的切入点。

数据从哪里来？

说了那么多，我们的数据从哪里来呢？通常情况下，我们会采取埋点的方式去获取数据。现在也出现了growing io 、神策这样的数据分析工具，用起来很方便，每次新增埋点也不用客户端新发版本，数据可视化也做的不错。

当然，这些只是手段和工具，我们要更好地运用数据就要注意以下几个原则：

1、明确数据指标的定义、口径和使用场景

产品经理（目前数据分析师不是每个公司都有的）要能清楚地和开发人员描述数据指标到底是什么，有哪些维度，在哪个页面或哪个场景之下发生……

2、层层剥离，穷举指标

产品经理为了保证数据的准确性，要尽可能地将指标拆解，拆解到不能拆解为止。同时也要分清哪些是核心指标，哪些是主要指标，哪些是次要指标。

3、数据指标和用户结合

新用户做了什么？老用户做了什么？付费用户做了什么？非付费用户又做了什么？流失用户在流失之前做了什么？要回答这些问题就要将数据指标和不同的用户结合起来分析；

数据模型

因为这两年增长黑客概念的流行，数据模型也被越来越多的关注。常见的数据模型有海盗指标，增长黑客三级漏斗，增长引擎说和关隘模型。这四个模型的具体介绍网上有很多文章，我就不再赘述。这里就和大家分享一下个人的工作经验。

我个人会采取“还原用户使用过程——建立漏斗——逐层分析”的模型。例如这一阶段主要是要提高用户的分享行为。那就可以先整理出用户在当前产品中分享行为的主要路径。假设是“打开APP-点击商品详情页-浏览商品-触发分享按钮-选择分享渠道-写分享语（非必经）-完成分享-返回或离开APP”，然后就把这个流程路径设为漏斗进行观察分析。

数据分析的注意点

在这个人人开口“数据增长”，闭口“数据驱动”的时代，我们确实要积极关注数据，留心数据给我们带来的讯息，但同时也要注意以下几点：

1、数据不是心血来潮看看就有发现的，数据需要长期的观察和分析。别指望你看几天数据就能有什么重大发现。产品经理要养成每天看数据和记录数据的习惯；

2、数据不是光光用来看的，还要多问为什么。产品经理要有数据敏感性，要问为什么，为什么这个指标今天波动这么大，为什么留存率这段时间有好转。数据不是用来看的，要明白数据带给我们的信息，然后才能去改进和优化我们的产品；

3、不要只盯着自己的一亩三分地，竞品和行业数据都要关注。光看自己的数据不够，竞品的数据也要尽可能去关注。为什么A产品的付费率比我们高，他们做了什么改动？行业数据也不能忽视，大环境会影响单个产品的表现，结合大环境更能全面分析产品，并作出决策；

4、不要忽略沉默的数据。二战时英国空军为了降低飞机的损失，决定给飞机的机身进行装甲加固。由于当时条件所限，只能用装甲加固飞机上的少数部位。他们对执行完轰炸任务返航的飞机进行仔细的观察、分析、统计。发现大多数的弹孔，都集中在飞机的机翼上；只有少数弹孔位于驾驶舱。从数据上说, 加固机翼的性价比最高. 但实际情况缺恰恰相反, 驾驶舱才是最应加固的地方, 因为驾驶舱被击中的飞机几乎都没飞回来；

5、数据不是万能的，也不是绝对客观的。数据也会骗人，数据也不会把信息完整地展现给你，这需要你结合实际的用户使用行为去分析和解读。比如你看数据发现这个按钮用户点击次数很低，但是为什么低？是按钮不明显？还是功能有BUG？还是别的什么？这些数据都不会告诉你，需要你沉到用户使用行为中去发现真实的情况。另外，同样的数据完全可以有两份不同的解读。

如上图，完全一样的数据源，只是调整了数轴的起点，在第一眼里面是否让你感觉到了不同的增长速度。而实际上，通过调整竖轴的标度，还可以使得这张图呈现出更加有趋向性的走向。

6、光说不练假把式。数据分析了，数据解读了，这样就够了吗？不，我们需要根据数据付诸行动，去改进，去优化，然后再用数据进行检验和分析，如此反复，才是数据的正确运用之道。

来源；pm28