产品经理必会的 10 种数据分析方法
随着人口和流量红利的下降，互联网行业必然会朝着精益化运营的方向发展。数据分析在很多互联网人的工作中越发显得重要，而对于产品经理来说，更是如此。本文将为产品经理介绍数据分析的基本思路，并基于此，衍生出 2 个常见方法和 7 个应用手段，希望在数据分析的实际应用中能给大家带来帮助。
一、数据分析的基本思路
数据分析应该以业务场景为起始思考点，以业务决策作为终点。
基本思路为 5 步，首先要挖掘业务含义、制定分析计划、从分析计划中拆分出需要的数据、再根据数据分析的手段提炼业务洞察，最终产出商业决策。
接下来我们用一个案例来具体说明这5步思路：
某国内 P2P 借贷类网站，市场部在百度和 hao123 上都有持续的广告投放，吸引网页端流量；最近内部同事建议尝试投放 Google 的 SEM；另外，也需要评估是否加入金山网络联盟进行深度广告投放。在这种多渠道的投放场景下，产品经理该如何进行深度决策？
1.挖掘业务含义
首先要了解市场部想优化什么，并以此为核心的 KPI 去衡量。
渠道效果的评估，最重要的是业务转化：对P2P类网站来说，是否『发起借贷』远远比『用户数量』重要。
所以无论是 Google 还是金山渠道，都要根据用户群体的不同，优化相应用户的落地页，提升转化。
2.制定分析计划
以『发起借贷』为核心转化点，分配一定的预算进行流量测试，观察对比注册数量及 ROI 效果，可以持续观察这部分用户的后续价值。
3.拆分查询数据
根据各个渠道追踪流量、落地页停留时间、落地页跳出率、网站访问深度以及订单类型数据，进行用户分群。
4.提炼业务洞察
在不同渠道进行投放时，要根据 KPI 的变化，推测业务含义。比如谷歌渠道的效果不好，可能因为谷歌大部分的流量在海外，可能会造成转化率低。而金山网络联盟有很多展示位置，要持续监测不同位置的效果，做出最后判断。
5.产出商业决策
最后根据数据洞察，指导渠道的投放决策制。比如停止谷歌渠道的投放，继续跟进金山网络联盟进行评估，而落地页要根据数据指标持续地进行优化。
二、常见的数据分析方法 （一）内外因素分解法
内外因素分解法是把问题拆成四部分，包括内部因素、外部因素、可控和不可控，然后再一步步解决每一个问题。
案例：
社交招聘类网站，一般分为求职者端和企业端，向企业端收费方式之一是购买职位的广告位。业务端人员发现『发布职位』数量在过去的6个月里有缓慢下降的趋势。对于这类某一数据下降的问题，从产品经理的角度来说，可以如何拆解？根据内外因素分解法，『内部可控因素』：产品近期上线更新、市场投放渠道变化、产品粘性、新老用户留存问题、核心目标的转化；
『外部可控因素』：市场竞争对手近期行为、用户使用习惯的变化、招聘需求随时间的变化；
『内部不可控因素』：产品策略（移动端/PC端）、公司整体战略、公司客户群定位（比如只做医疗行业招聘）；
『外部不可控因素』：互联网招聘行业趋势、整体经济形势、季节性变化；
（二）DOSS
DOSS 是从一个具体问题拆分到整体影响，从单一的解决方案找到一个规模化解决方案的方式。
案例：
某在线教育平台，提供免费课程视频，同时售卖付费会员，为付费会员提供更多高阶课程内容。如果我想将一套计算机技术的付费课程，推送给一群持续在看C++免费课程的用户，产品经理应该如何辅助分析？
按DOSS的思路分解如下：
『具体问题』：预测是否有可能帮助某一群组客户购买课程。
『整体』：首先根据这类人群的免费课程的使用情况进行数据分析，之后进行延伸，比如对整体的影响，除了计算机类，对其他类型的课程都进行关注。
『单一回答』：针对该群用户进行建模，监控该模型对于最终转化的影响。
『规模化』：之后推出规模化的解决方案，对符合某种行为轨迹和特征的行为进行建模，将课程推荐模型加入到产品设计中。
三、数据分析的应用手段
根据基本分析思路，常见的有7种数据分析的手段。
（一）画像分群
画像分群是聚合符合某中特定行为的用户，进行特定的优化和分析。
比如在考虑注册转化率的时候，需要区分移动端和 Web 端，以及美国用户和中国用户等不同场景。这样可以在渠道策略和运营策略上，有针对性地进行优化。
（二）趋势维度
建立趋势图表可以迅速了解市场， 用户或产品特征的基本表现，便于进行迅速迭代；还可以把指标根据不同维度进行切分，定位优化点，有助于决策的实时性；
（三）漏斗洞察
通过漏斗分析可以从先到后的顺序还原某一用户的路径，分析每一个转化节点的转化数据；
所有互联网产品、数据分析都离不开漏斗，无论是注册转化漏斗，还是电商下单的漏斗，需要关注的有两点。第一是关注哪一步流失最多，第二是关注流失的人都有哪些行为。
关注注册流程的每一个步骤，可以有效定位高损耗节点。
（四）行为轨迹
行为轨迹是进行全量用户行为的还原。只看 PV、UV 这类数据，无法全面理解用户如何使用你的产品。了解用户的行为轨迹，有助于运营团队关注具体的用户体验，发现具体问题，根据用户使用习惯设计产品，投放内容；
（五）留存分析
留存是了解行为或行为组与回访之间的关联，留存老用户的成本要远远低于获取新用户，所以分析中的留存是非常重要的指标之一；
除了需要关注整体用户的留存情况之外，市场团队可以关注各个渠道获取用户的留存度，或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等。
（六）A/B测试
A/B测试是对比不同产品设计／算法对结果的影响。
产品在上线过程中经常会使用A/B测试来测试产品效果，市场可以通过A/B测试来完成不同创意的测试。
要进行A/B测试有两个必备因素：
1.有足够的时间进行测试；
2.数据量和数据密度较高；
因为当产品流量不够大的时候，做A/B测试得到统计结果是很难的。而像 LinkedIn 这样体量的公司，每天可以同时进行上千个A/B测试。所以A/B测试往往公司数据规模较大时使用会更加精准，更快得到统计的结果。
（七）优化建模
当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数据挖掘的手段进行建模，预测该商业结果的产生；
例如：作为一家 SaaS 企业，当我们需要预测判断客户的付费意愿时，可以通过用户的行为数据，公司信息，用户画像等数据建立付费温度模型。用更科学的方式进行一些组合和权重，得知用户满足哪些行为之后，付费的可能性会更高。
以上这几种数据分析的方法论，仅仅掌握单纯的理论是不行的。产品经理们需要将这些方法论应用到日常的数据分析工作中，融会贯通。同时学会使用优秀的数据分析工具，可以事半功倍，更好的利用数据，实现整体增长。
注：以上注：以上所有数据分析工具截图均来源于硅谷新一代用户行为数据分析工具 GrowingIO
作者 | 陈明，GrowingIO联合创始人&运营副总裁。毕业于斯坦福大学，先后就职于eBay、LinkedIn数据分析部门，有丰富的商务分析经验。
来源 | GrowingIO 2017年第3期电子书《产品经理数据分析手册 | 能力升级必备》
关键字：产品经理, 分析
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
