数据分析能力-产品经理必备

下文转载自一本书《产品经理的 20 堂必修课》

作为一名合格的产品经理，要对数据十分敏感，善于通过数据分析从大量的数据中挖掘出有用的信息，用来指导和改善自己乃至他人的工作，提升工作的效率，创造新的价值。

数据分析的步骤

数据分析的过程一般可以分为以下几个步骤：确定目标、收集数据、整理数据、分析数据、得出结论和制作信息图。

确定目标

进行数据分析前，我们首先要明确数据分析的目标。

明确数据分析目标就是要明确为什么进行这次数据分析，数据分析要研究的主要问题是什么，期望得到什么样的结果。比较常见的数据分析目标有：评估X项目的实际项目效果；调查近期产品使用用户数下降的具体原因；分析A网站的主要推广渠道、推广效果的差异及原因；描述A产品的使用用户的特征，包括用户属性特征和行为特征；制定团队的业绩考核目标……

明确数据分析目标是数据分析的必要前提。只有明确了数据分析的目标，我们才能够正确地收集数据；只有明确了数据分析的目标，我们才有清晰的方向去分析收集到的数据。

收集数据

明确了数据分析的目标，我们就可以根据目标有目的地收集相关的数据了。

收集数据的方法有很多种，我们可以通过在产品功能上添加统计代码、记录用户使用产品的日志、开展调研等方法来获得第一手数据，也可以通过权威报告、开放的数据查询平台等渠道来间接获得第二手数据。

在传统行业，收集用户数据是件非常痛苦的事情——很多信息只能从用户那里获取，用户的反馈率通常比较低，收集到的反馈信息还需要繁琐的人工录入，整个数据收集的过程效率低下，耗费时间长，不仅难以获得大批量的数据，而且无法对这些数据进行及时的更新。相较于传统行业，互联网行业收集数据就容易得多。具备一定规模的公司往往会自己开发一套强大的、完整的数据统计 与分析系统；而没这方面能力的公司也可以选择直接使用第三方提供的专业的数据统计服务，如Google的Google Analytics。部署了这些数据统计系统，我们就可以在用户使用产品的过程中获得我们想要的用户数据了。

那么该如何从大量的数据中选择每次数据分析所需要的数据呢？如果我们看到比较符合的数据就收集下来，那么收集到的数据就会越来越多，这样无疑会给后续数据整理的工作增加难度。收集数据的工作要紧密围绕数据分析的目标来进行。首先，根据数据分析的目标，我们可以确定和该目标最相关的关键数据指标，比如，数据分析的目标是“调查近期应用下载量下降的具体原因”，那么关键数据指标就是“应用下载量”。然后，我们再从不同纬度找出直接影响该关键数据指标的过程数据指标——应用下载量=人均应用下载量*应用下载人数，所以我们需要“人均应用下载量”和“应用下载人数”；应用下载量等于各类型应用下载量之和，所以我们需要“各类型应用下载量”……接着，我们再从不同纬度找出直接影响这些过程数据指标的过程数据指标……以此类推，直到我们认为收集到的数据已经足够支持这次的数据分析工作为止。

收集到的数据要符合两个基本要求：一要充分，数据要有一定的连贯性，同时还要有一定的时间跨度，以便我们能够准确地总结出其中的规律；二要真实，所有的数据必须可靠、准确。

其中，数据的真实性是至关重要的。如果数据不可靠、不准确，那么数据分析只会得出错误的结论。这样的数据分析不仅不能够为我们创造新的价值，而且可能影响我们的判断。因此，在收集数据的过程中，我们务必要确保收集到的数据是真实的，具有一定的准确性。如果我们是自己通过一些方式获取第一手数据的，那么我们要反复验证获取数据方式的科学性。例如，通过网上投票来收集数据，我们就要确定通过我们的方式收集到的样本是不是目标样本，样本是否足够分散，样本数量是否达到统计学要求，等等。如果我们获得的是第二手数据，那么我们要对这些数据提出必要的质疑，看看这些数据是否符合常理，是否和我们的经验数据相吻合；另外，最好能够从其他渠道获取同一数据来做比较，看看数据间的差异是否较大，如果数据比较一致，那么就能够佐证数据是准确的。

整理数据

收集到的数据往往还需要进行必要的整理加工，才能够真正地用于分析。

数据的整理加工通常包括：剔除不真实数据，对缺失的必要数据进行处理，对数据值进行转换，对数据进行拆分、合并、分组、排序，计算数据的基本描述统计量（均值、最大值、最小值等），绘制基本的数据统计图形，等等。

整理加工数据的目的是为了将原本复杂、混乱、零散的原始数据变得简单、形象、系统，并初步地反映数据的分布特征，为进一步深入分析打下基础。少了这个环节，数据分析的效率就会大打折扣，甚至还会走上一些弯路。例如，由于统计系统出错，本周某天某个数据虚高，如果我们没能将这个错误数据剔除掉，分析时就很可能得出“该数据本周均值较上周均值提升了N个百分点”的错误结论。再比如，不同领域、不同公司、不同产品对同一数据的定义也可能是不一致的，像不同产品对“活跃用户数”的定义就千差万别，所以如果没把不同来源的数据进行必要的转化，统一成一个定义，而是强行地将它们放在一起对比，那么也会得出错误的结论。

分析数据

整理好数据以后，我们就可以进入整个数据分析工作的核心环节——数据分析了。

数据分析就是运用适当的统计方法对数据进行分析，从一大批看似杂乱无章的数据中找出其内在的规律。

数据分析可以分为两个层次：第一个层次是用描述统计的方法对数据进行整理，然后加以简化或绘制成图表，用以描述数据的特征及分布规律，例如用数据说明公司近几个季度的营收情况；第二个层次则是用推断统计的方法对数据进行处理，分析数据之间的关系或以样本信息推测总体的特征和规律，例如分析产品使用用户数下跌的主要原因。

我们收集好数据后，即使这些数据经过了简单整理，我们仍然无法一下子看出 其中的规律。这时候，我们首先可以通过对数据进行计算、生成图表等手段来尝试着分析，找出揭示隐含在数据中的规律的可能方向和可能方法；其次在这个基础上，选择几种分析方法对数据进行探索性的反复分析；然后从中选择最佳的分析方法进一步深入分析，得出分析结果；最后还要对分析结果的可靠性和准确度进行必要的验证。当然这仅仅只是一个粗略的数据分析过程，不同的数据分析任务，所采用的数据分析思路和方法也千差万别，并没有固定的公式可循。

而且现实情况通常都非常复杂，各种因素纠缠交错在一起，如果仅仅只是对看到的数据进行分析，那么最后得出的结论往往不够全面、不够准确。如下图所示，从表面数据上看，10-1那一周游戏下载量明显高于前三周，日均提升了27％。但是游戏下载有个特点，即节假日及节假日前一天用户下载游戏的热情会远高于普通工作日，所以周五、周六、周日的下载量会高于周一到周四，而9-30到10-7是中秋节和国庆节放假时间，下载量自然也会高于普通工作日。如果我们没有考虑到这个放假的因素，就很可能得出“用户下载活跃度明显提升”的错误结论。因此，数据分析不能只关注数据本身，还要结合方方面面的背景信息。只有这样，数据分析工作才能更高效，得出的结论才能更准确。

得出结论

通过数据分析，最后我们要能够得出结论，从数据中提炼出有价值的信息。没有结论，整个数据分析的过程就等于在做无用功。

同时，我们最好要对分析结果进行必要的解读，给出富有建设性的建议和措施。

制作信息图

如果数据分析结论的受众较广泛或较重要，那么我们最好还要制作相关的信息图，通过信息图来更直观地传达数据分析结论。

所谓信息图，就是将复杂的数据视觉化，通过视觉化的图形展示数据中蕴含的不清晰、不明显的有价值的信息（我们通过数据分析得出的结论）。

用信息图来传达数据分析结论的好处主要有两方面：一是图形能够帮助人们更轻松地理解数据和文字内容，更直接快速地传达结论；二是图形比生硬的数据、文字更加有趣，更易于给读者留下深刻的印象。

一张信息图应该符合以下几个要求。

主题明确——信息图的主题要明确。一张信息图应该只解决一个问题，不能面面俱到地传达过多的结论。

结论准确——信息图要能够向读者传达正确的结论信息，不存在歧义。

内容简洁——信息图的内容要足够简洁，所有的视觉元素只是用于帮助读者更好地理解信息，要做到让读者一看就明白信息图所要表达的意思。

设计美观——信息图的设计要比较美观。可以综合运用一些方法，如插入合适的插图，设计配色方案，有条理的排版等，让信息图更加吸引读者。

关注公众号：Aaron聊产品（Aaron-notes）