1、为什么要做数据的分析？
- 认清现状
- 了解趋势：产品发展健康
- 发现问题：埋点
- 认清用户
意义：用适当的统计分析方法对搜集来的大量数据进行分析，将他们加以汇总和理解和消化，以最大化地开发数据的功能，发挥数据的作用。
步骤：
- 明确复习目的和思路
- 数据收集
- 数据收集途径：数据库后台、评价数、热点图、评价模型、第三方统计、互联网、公开出版物、竞争对手财报、市场调查；
- 过程：数据清洗、数据转化、数据提取、数据计算等；
- 数据处理
- 数据分析
- 数据展现
- 报告撰写
数据分析法
常用的数据分析工具
常用的数据指标和术语
数据分析三字经
1.学习：先了解，后深入；先记录，后记忆；先理论，后实践；先模仿，后创新；
2.方法：先思路，后方法；先框架，后细化；先方法，后工具；先思考，后动手；
3.分析：先业务，后数据；先假设，后验证；先总体，后局部；先总结，后建议。
2、数据分析流程DMAIC
- Define.定义
- Measure.测量
- Analyse.分析
- Improve.改进
- Control.控制
3、常用数据指标
（1）站外推广类指标
- 曝光量：广告展示量；
- 点击量：实际点击；
- 点击率：CTR表示；点击量/曝光量
（2）流量类指标
[流量的质量取决于流量的来源，并不是流量越多越好，]
- 到达率：到达量/点击量
- IP:工具ip地址来判断用户属于哪个区域，二三线城市还是一线城市更加受欢迎；
- UV:独立访客数
- PV:页面浏览量、页面曝光量
- visit：访问（有一个时间戳，多久访问一次）
- 新访问占比：新访问量/总访问量
- 访问深度：看了多少页面=PV/访问量--->感兴趣（适当的深度）or不会用（太深）
- 网站停留时间：=最后一次请求的时间戳-第一次请求时间戳
- 跳出率：跳出的访问/落地页访问
- 退出率：页面推出的访问/页面总访问
- 实例数：每次检测的对象代码触发一次，则实例数加1；（判断哪个转化率大一点）
（3）目标类转化率
- 产品转换率=产品页面访问量.总访问量 = 产品页UV/总UV
- 加入购物车转换率 = 加入购物车访问量/总访问量 = 加入购物车UV/总UV
- 结算转化率 = 结算访问量/总访问量 = 结算UV/中UV
- 下载转换率=下载访问量/总访问量 = 下载UV/总UV
- 注册转化率 = 注册会员数/总UV数
- 购物车内转换率 = 提交订单的访问量/加入购物车的访问量 = 提交订单的UV/总购物车的UV
（4）销售类指标
- 订单量：计算逻辑去重后订单ID的数量
- 订单金额=商品销售金额+运费-优惠凭证-其它折扣
- 每订单金额 ：订单金额/订单量
- 商品销售量：订单商品的数量；
- 商品销售额，件单价件单价，订单转换率，支付转换率
（5）妥投类指标
有效订单量、有效订单金额、有效每订单金额、有效商品销售量、单有效率、废单率、有效商品销售额
、有效件单价、有效订单转化率
（6）商品运营指标
销售任务、已完成销售、销售完成比例、商家SKU数、浏览SKU数浏览、售卖SKU数（sku：商品的属性）、妥投SKU数、毛利=商品妥投销售额-商品批次进货成本、毛利率=毛利/商品妥投销售额
（7）产品会员指标
总注册会员数、总购买会员数、整体会员活跃度、可营销会员数、会员异动比（新增的）、会员流失率（流失的）
（8）控制成本类
- 总成本、成本占比、
- 流量类成本：CPM(每千)、CPD(每天）、CPC（每点击成本）、CPA（每个动作成本）、每uv成本=广告费用/UV、没访问成本=广告费/访问量；
- 销售类成本：每订单成本、没有笑订单成本
- 会员类成本
- 促销类成本：优惠券、积分、限价、现价、促销
（9）收益控制流指标
总收益、流量类收益、会员类指标、促销类指标；
（10）AARRR模型
（11）留存
-
承上启下
-
用户ID类型（eg访问用户）、时间范围（eg7日、14日等）、起始行为（eg新增用户）、回访行为（eg任意行为）
-
GrowingIO
（12）电商分析指标8大类
-
总体运营指标（流量类、订单生产效率指标、总体销售业绩指标、整体指标）
-
网站流量指标（流量规模类、流量成本类指标、流量质量类指标、会员类指标）
- 销售转化类指标（每个流程都有指标需要分析：【流程（漏斗模型）】：推广渠道->进入网站->商品页面->购物车->创建订单->支付订单->完成订单）
- 客户价值指标（客户指标、新客户指标、老用户指标）
- 商品类目类指标（产品总数指标（sku、spu）、产品优势性指标、品牌存量、商家、首发）
- 营销活动指标（市场营销活动指标、广告投放指标）
- 风险控制指标（买家评价指标、投诉指标）
- 市场竞争指标（市场份额相关【市场占有率、市场扩大率、用户份额】、网站排名）
（13）移动数据分析的五大维度
- 用户规模和质量（新增用户指标、用户留存指标、活跃用户指标、用户构成指标、每个用户总活跃天数指标）
- 参与度分析（启动次数指标、使用时长、访问页面、使用时间间隔）
- 渠道分析：研究推广渠道所带来的用户是否是真的用户
- 功能分析（功能活跃指标、页面访问路径分析、漏斗模型）
- 用户属性分析（设备终端分析、网络及元以上分析、地域分析、用户画像分析）
4、数据分析思路方法和模型
分析思路：
- 时间维度：（eg年前、年中）xmind做
- 空间维度（eg生产能力、管理能力、营销能力、财务能力、其他能力等）
- 综合维度（eg用户行为轨迹：产生需求->吸收剂-->方案比对-->购买决策->购后行为），用5W1H分析用户行为
分析方法：
- 对比分析
- 分类分析
- 分布分析（分析一组客户）
- 相关分析（影响元素）
分析模型：
-
PEST：主要用于行业分析。
PEST，即政治（Political）、经济（Economic）、社会（Social）和技术（Technological）
P：构成政治环境的关键指标有，政治体制、经济体制、财政政策、税收政策、产业政策、投资政策、国防开支水平政府补贴水平、民众对政治的参与度等。
E：构成经济环境的关键指标有，GDP及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。
S：构成社会文化环境的关键指标有：人口规模、性别比例、年龄结构、出生率、死亡率、种族结构、妇女生育率、生活方式、购买习惯、教育状况、城市特点、宗教信仰状况等因素。
T：构成技术环境的关键指标有：新技术的发明和进展、折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度、国家重点支持项目、国家投入的研发费用、专利个数、专利保护情况等因素
- 波特五力模型： 竞争环境分析（直接竞争者、潜在进入者、购买者、替代品、供应商）
- 兰查斯特战略模式：
- SWOT模型：竞争对手分析
- GE矩阵：
- 德尔菲分析法：
- 回归分析：双方的影响方向是正向的还是负向的
- 时间序列（趋势、季节的波动、周期的变动、不规则的变动）
-
4P：主要用于公司整体经营情况分析。
4P，即产品（Product）、价格（Price）、渠道（Place）、促销（Promotion）
- 聚类分析：类内间距最小化。内间间距最大化。
- kano模型：需求功能排序
- PSM模型：定价模型
- 用户使用行为：用途较为单一，就是用于用户行为的研究分析。
用户使用行为，即用户为获取、使用物品或服务所采取的各种行动。
用户对产品首先需要有一个认知、熟悉的过程，然后试用，再决定是否继续消费使用，最后成为忠诚用户。
用户使用行为的完整过程：
可以利用用户使用行为理论，梳理产品分析的各关键指标之间的逻辑关系，构建符合公司实际业务的产品分析指标体系。
eg：仅作举例，不代表只考虑这几点因素
5、数据分析实例
（1）基于产品数据分析的生命周期
a 、清楚自己要分析什么很重要！！！（场景）
（2）用“用户画像”进行个性化运营
用户画像：基本属性、购买能力、行为特征、社交网络、心理特征、兴趣爱好
用户画像建立方法：标签体系的方法（标签的集合）
用户画像四个阶段：战略解读、建模体系、维度分析、应用流程
用户画像的意义：
- 战略分析（业务经营收入、收入分析、竞争分析、用户维护）
- 完善产品运营，提升用户体验（业务运营监控、用户体验优化）
- 对外服务，提升盈利（精细化营销、数据服务）
用户构建的难度：
用户画像的微观事例：
用户画像的标签建模：
用户画像的数据架构：
用户画像的个性化运营：
- 用户画像的3种形态：
- 个性化运营的价值【增加长尾内容的曝光、提高站内用户体验、提高网站转化率、提高订客单价和销售额】
- 个性化推荐的在线应用（根据用户浏览数据的个性化推荐；根据购买数据的个性化运营；根据搜索数据的个性化运营；根据用户复合数据的个性化运营）
- 个性化网站运营的离线应用（根据在线事件的个性化触发、根据离线规则的个性化触发）
- 个性化网站运营的实现
- 个性化运营遇到的问题：底层系统绑架问题、内部利益协调问题、推荐系统本身存在的问题
（3）竞品分析---发现创新点
你的创意是否可行（伪需求还是真的需求）？
利用APP Store评估你的需求（1.类别和搜索； 2.从评论中找到未被满足的点；3.关注版本更新内容；4.精品推荐）
6、网站分析工具
工具的选择：
（1）整体解决方案的能力
（2）产品的易用性（IT部门、业务部门）
（3）功能的丰富性（基本维度、基本指标、APP跟踪、WAP跟踪、用户权限管理、热力图、Excel插件、下钻功能）
（4）自定义功能
（5）高级功能
增值服务价值：
推荐工具：
-
GrowingIO:用户行为、无埋点、多平台覆盖、全数据采集、自定义圈选、自定义维度、快捷制图、
7、数据可视化
（1）数据可视化图：
- 气泡图
- 堆栈图
- 地图
- 标签云
- 矩阵图
- 平行坐标轴
- 时间轴、折线图、赛点图、数据表、流程图等
- 热力图：密度、频率、温度
- 树图：总体占比
- 甘特图：任务进度、时间安排
- 雷达图：占比
（2）数据可视化工具：
（3）数据可视化步骤：
（4）图表呈现4步骤
- 柱状图：二维数据、小规模数据集、区分个体变量间的差异；
- 曲线图：二维、大数据集、变化趋势
- 饼状图：二维数据集、占比
- 散点图：两个变量、坐标点分布情况、判断变量间的关联或分布趋势；
- 气泡图：三或四个变量、散点图基础上、气泡大小代表第三位变量值、颜色深浅表示第四个变量；
- 雷达图：多维数据、单位可以不同但同比例分布、建议添加文字说明；
- 网络图：不同数据元素间的二元关系；
- 弦图：多个节点间的连接关系；
- 信息图：图标表现的形式
- 地图：空间位置的数据集
（5）制作图表
- 格式要完整（信息标题、图标标题、坐标标题、数字标签、单位、标签、图例、资料来源、脚注）
- 制作要真实
- 信息要清晰：（1）减少文字描述；（2）重点要突出；（3）图标要少而精
- 观点要明确
- 呈现要生动：（1）编故事，情绪共鸣；（2）打破惯性思维，令人眼前一亮；（3）加强喜剧效果
（6）数据报告
- 报告的准备
- 报告的结构
- 报告的论述
（1）数据可靠，界定严谨；（2）用词准确，论证合理；（3）概念一致，标准统一；（4）呈现直观，通俗易懂；（5）结论准确，建议合理；
数据分析易犯的错误：
1. 选取的样本容量有误
在做数据对比分析时，对于样本的选取，需要制定相同的抽样规则，减少分析结论的偏差性。
2. 忽略沉默用户
用户迫切需要的需求≠产品的核心需求
产品经理在听到部分用户反馈的时候就做出决策，花费大量的时间开发相应的功能，往往结果，可能这些功能只是极少部分用户的迫切需求，而大部分用户并不在乎。
忽略沉默用户，没有全盘的考虑产品大部分目标用户的核心需求，可能造成人力物力的浪费，更有甚者，会错失商业机会。
3. 错判因果关系
在分析数据的时候，正确判断数据指标的逻辑关系，是指导我们做出产品决策的前提。
4. 被数据的表达技巧所蒙蔽
在做数据分析时，我们需要警惕一些数据处理的小计俩，不要被数据的视觉效果所蒙蔽。
5. 过度依赖数据
过度依赖数据，一方面，会让我们做很多没有价值的数据分析；另一方面，也会限制产品经理本来应有的灵感和创意。
很多优秀甚至伟大的产品决策，并非通过数据发现的，而是一个产品经理综合智慧的体现。