问题：数据分析如何指导产品优化？实用的数据分析方法有哪些？
作为产品设计师，我们做出的决策要逻辑自恰。尽量避免“我认为”或“我觉得”这类主观拍脑袋的决策，用数据驱动产品迭代是一个产品设计方法论
一、如何做数据分析驱动产品迭代
1.明确数据分析的目的，包括了解产品或指定功能表现、验证假设。
验证假设的数据需要根据具体情况来设计；
了解产品或指定功能的数据主要有5个维度：
a.产品规模，如：DAU/MAU,付费；
b.产品健康度，如：新增，留存，使用时长；
c.用户属性，如：用户画像属性，终端数据属性
d.用户行为，如：用户使用产品的路径
e.渠道质量，如：各个渠道的新增留存
我们可以自建后台收集以上数据，这是自由度最大化的做法，但成本较高。也可以利用第三方数据分析平台的SDK快速构建，如：友盟或神策。对于竞品数据，我们可以通过艾瑞，易帆进行查询。
*注意：数据分析一定要有目的性的去做。对于每一个收集的数据要问自己，我们可以做些什么优化的事情吗？如果不能回答这个问题，可能这个数据本身就没有太多意义。比如我们收集了日活数据，一定要考虑如何提升日活，日活需要提升到多少，相应的我们需要做哪些事。单纯盯着日活数据毫无意义。
2.确定收集的数据指标
明确数据分析的目的后，我们需要收集相关的数据来帮助我们决策。数据指标的选择要有重点，尽量选择当下对产品具有建设意义的，不要为了收集数据而收集。
参考《Lean Analytics》一书中，Alistair和Benjamin提出的用户生命周期AARRR的5个阶段，根据每个阶段确定相应的重点数据指标
a.A：acquisition-获取，如何获取用户。数据有推广点击量，单个用户获取价格等。
b.A：activation-激活，如何激活用户。数据有新增，注册成功率等。
c.R：retention-留存，如何留住用户。数据有留存，活跃，使用时长等。
d.R：revenue-付费，如何让用户付费。数据有付费金额，付费评率等。
e.R：referral-推广，如何让用户推广。数据有分享量，点击量等。
3.选择合适的分析方法
针对不同的目的和场景，我们需要选择合适的分析方法。最常用的就是“埋点”，对不确定的事件进行埋点。比如：预埋一个功能的用户量，使用频率，付费数量等。从而判断该功能的表现如何，或者判断功能优化后是否起到了作用。
其次，对若干套无明显区别的方案，我们可以使用A/B Test，让用户投票哪一种方案更好。
二、举例
1..产品首页的游戏模块布局优化
a.分析目的：了解功能优化效果；
b.收集数据：产品留存和游戏模块使用时长；
c.分析方法：埋点，取上线前后一周时间对比。
2.连击礼物2种动效的选择
a.分析目的：验证哪一种连击礼物动效更能促进付费；
b.收集数据：礼物的赠送数量；
c.分析方法：A/B test，根据送礼玩家的UID（User Identification用户身份证明）对2取模分为A/B组，取每组的礼物赠送数量平均数。结果需要考虑统计显著性（两个群体之间的任何差异是由于系统因素而不是偶然因素的影响）和置信区间。
3.语音房小程序个流程优化
a.分析目的：数据驱动产品模块优化；
b.收集数据：每个漏斗阶段用户转化率，使用时长，分享转化率；
4.根据用户行为进行精细化运营
a.分析目的：产品策略优化
b.收集数据：最先使用的功能，功能日活，好友数，留存
c.分析方法：埋点，发现导致留存差异的明显数据区别强化关键数据，如：引导用户加好友，通过最先使用的功能给其他功能导流，重点优化日活高的功能。
总结：数据分析作为一种方法论，可以在产品设计的各个阶段发挥作用。设计产品时要常问三个问题：这个需求值得解决吗？设计方案能解决需求吗？如何用数据验证我们的假设？
从概率论的角度而言，样本量足够大的数据接近于真理。
