有数据不会做分析？那是因为你还没有掌握这些知识！

数据分析，是近年来互联网行业被提到最多的词。很多商业大佬都曾在公开场合提到过，拥有数据分析能力的人将会是未来十年最抢手的稀缺人才！

“在快速逼近的技术新时代，核心是数据。与数据和数据分析有关的技能将变得非常有价值。”——马云（接受美国财经媒体CNBC采访）

数据分析是年轻人最应该学习的顶级职业技能。——埃里克-施密特(谷歌母公司Alphabet的执行董事长)

但很遗憾，大多数人对数据分析的能力还停留在，做数据统计、表面分析上。真正会使用数据分析能力驱动业务增长的人，少之又少。

那做为数据分析小白，如何对产品进行数据分析呢？该从何入手数据分析呢？思维方式决定行动结果。

一、什么是数据分析

所谓数据分析，就是利用一些数据分析工具、手段、方法或者思维，从海量或异常的数据中发现规律，从而找出数据背后的真相，为我们提供决策的依据，指导业务发展。

二、为什么要做数据分析

随着互联网行业的迅猛发展，流量获取的成本在不断提高，企业运营效率却在不断下降，曾经依靠人口红利和流量红利的粗放型经营模式已经不再可行。

互联网企业迫切需要通过“数据分析”来实现精细化运营，在降低成本的同时提高效率。

如果你是产品经理：

上线新产品或新功能时，你需要通过数据来检测用户行为，测试产品功能，并对数据进行深度分析，挖掘用户真实需求，促进产品优化和迭代。

比如有位同学负责公司网站，有段时间网站注册转化率有了大幅提升，虽然并没有查出原因在哪，但产品经理很高兴呀。

谁想到过了一段时间，才通过用户行为数据分析发现，增长的原因居然是——“找回密码”功能出bug了，很多老用户忘记密码无法找回，只能重新注册一个账号。

你看，尽管表面看起来网站注册转化率提高了，但对于产品来说并不是什么好事情，如果没有通过数据分析发现bug，就会产生错觉，陷入“转化率提升”的陷阱里。

如果你是运营：

当老板要你做活动时，活动上线前，可以利用A/B test测试快速验证，通过数据决定使用哪一个版本。

活动上线后，可以实时监控数据，一旦出现任何问题，立马定位问题出现在哪里，尽快找到解决方案，再落地执行，确保活动正常进行。

比如今年618，一位同学在自家APP内做了banner位广告投放，活动上线当天看数据时，发现中午12点-1点之间，活动参与人数和兑奖人数明显不成比例，只有0.23%。

怎么办呢？他马上拉数据进行分析，同步进行检查和测试，发现是奖品概率设置出了问题，导致参与活动的用户中奖却无法兑奖。

找到问题后，马上对活动中阶概率进行调整，当天晚上数据就正常了。

如果你是市场人:

老板可能要求“花的每一分钱都体现再用户增长数据上”，可你要怎么达成这个目标呢？

这时，你是否需要进行一个最优成本策略：先测试-优化-放量-再优化-全量投放。

“测试-优化”的过程中，就需要通过数据去分析每个渠道的ROI，再多维度对比不同渠道对主营业务带来的影响和效果，从中找出Top3的渠道进行投放。

这么梳理一下，就会发现，无论你是做产品、运营，还是市场，未来一定要拥有的关键能力就是——数据分析能力。

三、如何做数据分析

▍数据建模

明白了数据分析动机，究竟什么样的数据指标才能达到期望的效果呢？那么首先必须解决数据指标的定义，个人认为搭建数据指标模型大致要考虑以下三大要素：

综合考虑商业模式与业务场景

聚焦数据指标背后的最初动机

多维度考虑数据可行、简约、易比对

当然，也不能凭空瞎造数据吧？！数据指标模型一般有以下三个途径设计：

对现有指标进行优化性改造，数据指标之间合理交叉或许会带来意想不到的惊喜；

不同行业交叉借鉴其他行业制定的数据指标；

潜心修行、发掘更多有价值有意义的数据指标（这一点有点扯...）

数据分析目标的调整，必然伴随数据指标的变动。尊重事实、实事求是，了解数据指标的调整的意义及可能给产品带来的后续影响，我觉得这是一种可取的改变态度。如果说只是为了改变而改变，无视事实、较低期望，这样的调整还有何意义呢？

▍数据来源

数据分析的对象是数据，数据从哪来？数据本身的准确性从根本上影响着分析结果的有效性，所以确保有效、靠谱的数据来源至关重要。本人认为数据来源无非以下三种：

自有数据分析系统：

公司自有的数据是最源质化的数据，也是最可靠、最全面的。一般而言，有条件的情况下都是以内部数据为准；当然，创业型的微型公司大多都直接数据库导出数据，还是要依赖产品经理二次加工的。

定量/定性调研：

没有全面的数据咋办？或者说想要分析的数据无法统计？那么，拿起电话、走上街头、发放问卷都不失为一种可行的办法。定量数据排斥主管因素，定性数据吸纳主管因素。事实上，定性数据存在诸多不确定性，但也存在一个其他数据指标不具备的优势——那是与真实用户交流所得，有血有肉。

专业调研机构：

知名调研机构，比如：艾瑞咨询、百度统计、易观智库、199IT-互联网数据中心。一般而言，权威结构统计调研的数据还是具有极强的参考性的，但也不能完全免于主观因素。

▍数据分析

单纯的数据并不能为给我们带来太多结论性的东西，还是要借助一定的方法和手段将数据变得更加生动和有意义。

集成开发数据分析系统：

将所需的数据指标以技术手段直接设计成产品功能，可以定期定量地直接生成导出BI报表。

手动数据加工：

面对元数据而不是现成的结论性数据，产品经理只能亲自操刀借助EXCEL各种函数。面对海量数据，心态很重要！

委托分析机构：

有钱、任性、够叼，请人分析。如果事事都依靠别人，那么产品经理就瞬间失去价值了...

▍分析方法

有效的数据分析方法能够深度挖掘数据的价值，精益数据分析中大致介绍以下三种分析方法。

市场细分（Segmentation）：

市场细分就是一群拥有某种共同特征的划为一个样本，市场细分不尽可以应用于互联网产品，对任何行业、任何形式的产品都具有积极的参考意义。

同期群分析（Coghort Analysis）：

比较相似群体随时间的变化，同期群分析给我们提供了一个全新的视角。能够观察处于生命周期不同阶段用户的行为模式，而非忽略用户的行为的过程性。

多变量测试（Multivariate Testing）：

同时对多个因素进行分析，用统计学的方法剥离出单个影响要与结果中的某一项指标提升的关联性。同时改动产品的多个方面，看哪个与结果的相关性最大。

小结

数据分析的核心并不在于数据本身，而在于设计有意义、有价值的数据指标，通过科学有效的手段去分析，进而发现问题优化迭代。数据分析因价值而存在，数据分析本就是一个价值增量的过程。无论分析给出的结果是积极还是负面，都是价值承载体，必须以客观的态度面对。数据分析是检验产品设想的最具说服力的工具，但忽略数据分析背后人性的思考，那数据分析也就在根本上失去了意义。

管理学大师彼得.德鲁克说过：你无法衡量的东西，你也无法管理。数据分析可以有效的制衡产品经理本身的那种内在妄想，通过数据分析能帮助我们找到更加合适的产品和市场，甚至说缔造出一个更加可持续、可复制、持续在增长的商业模式