产品经理必备的数据分析入门三技能

脱离了业务的数据分析都是耍流氓，所以在写这篇数据分析技能类文章之前，我先假定一个业务场景：某日化类电商产品经理想要通过2020年9月份的销售数据，找找看可以从哪些方面降本增效，在月度汇报的时候，根据数据分析结果制定接下来的战略方向。

那么根据这三个技能要怎么做呢？下面我们一一展示。

01 技能一：取数

作为一个产品经理，你可能会纳闷为什么要学会取数？这等小事随便找个数据组的人去干好了。

这么说也没错，但是想象一下，你不可能只有这一次的需求，后边会遇到各种各样的需求，诸如：

• 产品上线一个新功能，想要查看用户对于该新功能的使用情况；
• 数据异常值排查，进行产品上线前后归因；
• 新老版本产品，用户使用情况数据对比；
• 不同画像用户对某功能的渗透情况、功能留存等；
• 不同产品的数据报表需求，监控产品数据情况。

想要解决这些问题，你自以为提取数需求就一切搞定，然而并不是，你会遇到以下困难：

第一：很多你提的数据需求都是较个性化且一次性的，对于数据同学来说，除非你是个很重要的业务部门，或者数据部门就是为你这个部门服务的；那么数据组同学必须要实现你提出的需求，不然很多这样的需求对他们来说没什么提升，久而久之也会厌烦。

第二：一个公司或者一个团队，不只是有你一个产品有取数需求，还会有多个运营组同学或者多个产品组同学都有取数需求，而且问到紧急程度，大家都会说很急。

这时候就会涉及到需求排期，你也急他也急，好一些的数据组同学肯定会说你们内部协商好了我再来做，脾气不好的就说都不做了。如果你的需求可能确实并没有那么急，但是对于你验证一个问题或者产品接下来的规划至关重要，难道你要一直等着么？你能等，市场可不等你。

第三：提数需求只是属于业务支撑，对于数据组同学来说并不会有什么产出，也体现不出数据分析师的价值，人家年终汇报也没什么体现。

有人说，跟数据组同事搞好关系，关键时刻能够帮你一把，如果你总是这样有事没事耽误人家工作时间，时间浪费了，也没什么切实利益，就随便请人家吃一两顿饭、喝一两杯奶茶就解决了？人都是将心比心的，人家会帮你也是想有一天你能反过来帮他，不要总想着做一个只会吸取不会给予的吸血虫。

所谓技多不压身，学会取数不仅与人方便，也与己方便；你可以和数据组同学搞好关系，拜个师啥的，让数据同学教你一些快捷入手的取数技巧，这样在你遇到重要且求助无门的取数需求时，就可以自行解决，也不耽误工作效率。

在取数技能中，我们最需要修炼的是SQL技能，取数时，基本利用SQL的一些基础语法，就足够我们实现大部分的操作。

SQL基础语法包括Select、From、Where，基本的函数语法包括分组、统计、加减乘除的计算，能看懂英语单词就能明白SQL语法的含义。

以前言中说到的业务场景为例，首先需要到数据库中查询到2020年9月份的销售数据，SQL代码以及查询结果如下图：

02 技能二：用数

用数之前，需要对数据的整体质量做评估，对于大数据量的情况，这一步还有专门的数据质量产品来完成；例如：Informatica的DataQuality、IBM的QualityStage、袋鼠云DataValid、网易EasyDQC等，感兴趣的同学可以自行搜索了解。

对于有明显数据质量问题的数据就需要进行数据清洗。数据清洗是指将取出来的数据中的脏数据，例如：空值、异常值、错误值等使用ETL工具清洗或者让数据开发工程师协助处理，如果数据量少的也可使用Excel处理。

清洗之后的数据可使用Excel、python或者专业的BI工具，如tableau、fineBI等做数据可视化，将取出来的数据转换成可通俗易懂的图表。

有句俗语：十表不如一图。当我们取出来数据之后，单看数据很难发现其中有什么问题，处理成我们需要的图表后，能够很直观的反映出现阶段业务的情况。

在这个技能中，需要学会Excel、Python、BI等一些数据分析工具，来帮助我们处理数据以及将数据可视化；基本上学会这三个对于产品经理来说做数据分析，已经是绰绰有余了，不用一味沉迷于丰富工具的学习中。

python数据可视化：

BI工具tableau数据可视化：

Excel数据可视化：

经过第一步取数并清洗之后，利用Excel、python等工具作图表，如下图：

03 技能三：析数

“析”是指解析的析；经过取数，用数，处理之后，要结合业务情况能分析出来数据给我们展现出的意思。

前面两部分都是讲做数据分析需要用到的工具有哪些，以及对应的工具干了什么事，这部分是讲如何利用数据指导业务、助力增长。

通过对第二步得到的图表分析，结合最初业务场景的目的，可以得出一些降本增效的结论：

根据用户地域分布图，可以看出用户群体在浙江、上海等长三角区域，广州深圳珠三角区域以及中西部重庆地区分布较多，那么可选择在这些地方创建发货基地，减少发货成本；

根据商品相关属性图，可以看出颜色越深的代表商品相关性越高，例如口红和面膜的相关系统是0.79，那么可以将这两样商品进行捆绑销售，或者在展示其中一件商品时，附带同时推荐另外一件商品，增加购买率。

根据男女用户转化率和销售额对比图分析，发现女生的转化率普遍高于男生，且销售额的高低受女生转化率高低的影响较大，可以选择多举办几次主要针对女性的活动，提升转化率。

根据用户年龄分布图和用户学历分布图分析，消费用户普遍在20-40岁，学历是本科和硕士人群较多，那么我们就可以有针对性的选择这样的区间用户投放广告，用来拉新。

等等……经过数据分析之后，针对业务场景目标中的增效降本已经有了初步的方案，那么就可以针对产品、运营、销售等做一些调整和规划。

数据分析的目的包括：

• 探索性分析（从数据中找出一些特点并得出结论）；
• 诊断性分析（分析发生某件事之后的原因）；
• 预测性分析（预测发生某件事之后的影响是什么）；
• 验证性分析（更新产品功能或者运营活动之后验证和猜想是否一样）。

在这个业务场景中，分析的目的是探索性分析，即从数据中找出一些特点并得出一些可验证的结论，使得整个业务的发展有方向性；所以我们做数据分析之前一定要先明确目的，带着目的去分析，确定适合的数据、适合的工具、适合的方法、适合的分析模型。

不只是做数据分析要明确目的，干什么事都要有针对性。就像前面两项的技能学习，首先要明确为什么要学？学会之后拿来做什么？学习起来才会事半功倍，而不是胡子眉毛一把抓。

每个行业的数据分析流程相似，但是分析的模式和内容差别很大，做好数据分析除了数据分析基础能力，还需要拥有对行业的认知。

不论我们学习什么样的分析工具，都是辅助我们高效工作的一个途径，最值钱的还是分析逻辑和思维。

作为产品经理，数据分析技能重要的还是“析”，如何从数据中寻找到让产品变得更好、让业务获得增长的方向是我们最应该着重去培养的技能；希望大家能够在高效工作的同时，还需要去着重锻炼自己的数据分析思维。

加油学习吧！老铁们。

本文作者 @金豌豆 

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！