讲师：邱岳
1. 什么是数据分析，以及为什么要数据分析
- 通过对数据进行整理加工获得信息和知识，从而了解产品的生存情况、发现潜在机会、引导和支撑产品与运营决策、验证策略效果。
- 数据是互联网产品经理的福音，也是改变互联网产品经理与传统软件产品经理 / 消费产品经理工作性质的核心元素。实时 - 精确 - 完善 - 结构化
- 用数据而非直觉：避免决策视角狭窄、避免无依据决策。让决策变宽、变扎实
- 立场和逻辑之争永无止境，数据加逻辑聊天 一招毙命。
2. 几个与数据分析有关的故事
- 半小时之内撤下对用户转化率有影响的特性；
- Google 的 41 种蓝色和 $200 Million的收益
- 按钮颜色也能带来收益区别？
3. 数据分析的常见工具
- GoogleAnalytics / MixPanel / Growing IO / Sensors Data / 友盟
- 小程序：小程序数据助手 / 阿拉丁
- Tableau / Excel / Python / Google Sheets / SQL
- R / MatLab …
重新认识Excel几个关键词： Excel 公式、透视表、VBA、Google Script、Python Excel
4. 数据分析的执行过程
- 数据规划（设定目标）
- 数据埋点 / 记录 （技术支持与实现）
- 数据收集与整理（原始数据 --> 结构化数据）
- 数据统计与分析（从数据 --> 信息 / 知识）
- 结论或行动（信息 --> 决策 / 行动）
5. 数据规划 --> 设定目标
- 反应产品 / 功能的运转情况
☞ 选定关键指标，每天盯住 - 寻找流程瓶颈点或新的产品机会
☞ 行为路径，流量漏斗 - 提供产品、运营决策支撑
☞ 进行 A / B 测试
☞ 设定策略水位数值（双十一晚上大促的时候，发大红包，促成交易。根据数据给指定用户发红包） - 对具体的产品运营策略提供效果追踪
4.1 如何选关键指标
- 小心虚荣指标 （比如某个大V的推广）
- 与利益相关者的价值有关系吗？（产品经理看功能的使用频率，投资人或老板看 GMV）
- 这个数字变好就等于产品变好吗？（某个功能多弹了一个界面，使PV增加）
- 大家能交流吗？（关注指标的变化）
- 提前发现问题还是滞后发现问题？（用户试用频率降低，就说明产品开始走下坡路）
- 有信息吗？能撬动吗？（比如把用户拉回来，用优质的文章吸引用户）
5. 数据埋点
- 一般说到数据埋点，都指的是行为数据的收集；
- 本质上是一个带了各种各样线索的记录请求，是无状态的；
- 数据埋点需求，与其描述埋点的方案，不如告诉 BI 或工程师你想干什么；
- 大部分的数据埋点需求基于事件（页面访问也算事件），列出想要的时间列表和分类即可；
- 很难一次埋点，就全埋对，从小事开始埋，比如一个按钮，然后逐渐研究更大的故事；
- 若公司存在完善的埋点和数据收集流程与规范，以上都不算。
6. 数据收集与整理
- 将原始的异构数据，整理为可以进行筛选 / 统计 / 处理的结构化数据；
- 这里的大部分工作都是数据工程师 / 数据工具完成的，这一步产品经理介入不多；
6.1 怎么收集竞争对手的数据？ 怎么收集行业数据？
- 用QuestMobile
- 注册用户id
- Job Description
- 竞争对手的员工过来面试
报告：
7. 数据统计与分析
- 指标：某一件事情的度量数值，比如用户量、访问量、访问时长、转化率等，通常与具体业务的中间目标或最终目标直接相关。
- 维度：对指标进行不同细分的方式，比如用户量可以分为新用户、老用户、安卓用户、iOS用户、付费用户免费用户等，不同的细分方式，代表了不同的分析角度。
8. 结论或行动
- 数据分析要指向一个目标，信息 / 知识 / 决策 / 原则；
- 【目标】是数据分析的起点，也是终点；
- 对外：数据报告、数据洞察、业务策略结论；
- 对内：行业认知、做事的经验和原则；
9. 数据分析的思路和框架
- 偏向以用户、行为为核心：用户是谁、从哪里来、到哪里去；
- 偏向流量：流量成本、变现效率、可持续性；
- 偏向卖货：流量、转化、毛利；
- 偏向 Saas： 客户分类、留存与激活、收入规模与效率；
- 平台型产品：各角色利益博弈、货币化率；
10. 数据分析对象
- 用户属性数据：一组画像；
- 用户行为数据：一张地图；
- 业务数据：一堆图标；
- 财务数据：钱；
- 行业数据：几个数字；
- 宏观数据；
11. 数据分析常见指标与释义
- 用户属性数据 - 技术参数、地理位置、年龄、性别、地区…
- 用户行为数据 - PV、UV、(PV/UV)、VV、UPV、DAU、MAU、(DAU/MAU)、WAU、AAC、MAC、WAC、CTR、留存、来源、访问时长…
- 业务数据 - （跟你相关）如：课程数量、训练营数量、订单数、发帖量、包裹数…
- 财务数据 - GMV、ARPU、LTV、客单价、复购率、转化率、Take Rate…
- 行业数据 - TAM、CAC、TAC…
- 宏观数据 - 行业时长规模、GDP 占比。
GMV 包括了下单但未付款的数据，下单但是退货的也算。行业惯例。
12. 数据分析常见指标与释义
- 最重要的是，有你自己的指标定义，而不是一个业界通行的【虚荣指标】。
- 所有的指标应该在脑海中组成一张【数据大图】，知道它们之间的关系；
- 让数据成为自己的语言，用数据重构直觉，而不是用情绪和好恶来构建直觉；
13. 不是作业的作业
- PDD 的财报，对比京东和阿里，关注 AAC、MAC、MAU、GMV、Take Rate.
- 财报查看券商，sec --> https://en.wikipedia.org/wiki/U.S._Securities_and_Exchange_Commission
- https://sec.report/