如何对产品进行数据分析

无论是产品还是运营、市场等岗位每次都会听到“数据分析”这四个字。然而每次分析过后，似乎每次成就感都不是很大。前期更多的是接入第三方数据中心。进行图标的收集整理，之后便无动于衷了。 （感谢阿里数据产品大神k总的指导。）分享大神是如何做数据分析的：

1、Query

这是一切搜索或者类似产品的质量提升源泉没有之一 。

看了Query你才能知道用户真的在你这里干什么，于是就会理解了“访谈里都是骗人的……”。

举个栗子，访谈用户十个里面9.9个会义正言辞的告诉你，自己使用翻译的时候是多么正经的看论文啦学英语，跟外国友人交流啦看美剧。看看query你就会发现各种杂七杂八少儿不宜的都冒出来了。

Query最简单的一个使用方法就是选取query=>分析用户目的=>评价结果质量，然后针对质量问题进行进一步分析，之后给出解决方案。

除此之外，query在合理的统计下可以看到相关的很多信息，虽然有不少用户疑神疑鬼以为隐私没了，但这些相关信息确实很大程度上进一步形象化了用户角色和真是场景，进一步协助了优化结果质量。

使用query前请务必让自己先搞清楚，自己拿到的query是什么时间什么渠道什么方式（随机or高频or其他方式）拿到的？该如何分析用户的请求目的？获得结果后当如何设计评价方式？

eg：每次进入一个产品的时候，用户在商品列表中没有找到想要的内容，基于习惯，会使用模糊搜素，除了之前的历史搜素足迹，产品的关键词推荐／产品推荐就会显得尤为重要。基于热门、兴趣……这时候分析用户的整体行为路径直至购买行为达成转化过程就会看出推荐产品的动机。

2、Visit

浏览行为在网页类产品的分析中是极为关键的，直接关系到这一页的所有功能被触发的可能性，最简单的用法就是可以分析某一个功能放在这一页的话有多大的可能被看到。

分析浏览量前，尽可能让自己先搞清楚，怎样算一个Visit（隔天的怎么算？一直没动但是刷了个新算一次吗？多久刷新的时候重记一个visit？浏览器关了再开继续浏览记不记一个Visit？）

其实在产品中从用户的每一步操作都是一个行为，行为起到行为止算一条完整的浏览行为。

3、Action

用户的操作行为有很多种，最常见的就比如click，同样最简单的应用方式是通过用户对功能的触发或者其他行为分析用户做同类触发或者进一步行为的 可能性，除此之外要结合visit分析当前页面是否有需要优化的点，例如不是纯浏览性质的页面，很高的visit伴随着很低的action这就是很可疑 的。

分析action前，也同样需要知道怎样算一次行为，这个行为是以什么样的标准记录到你可以查看到的数据表中的。

4、Time

time有可能是页面停留时间、访客停留时间、响应时间等很多种，可以直观得到你的用户在某行为上停留或者花费的时间。

停留时间长某些时候可能意味着用户认真在浏览网页，但有些时候则可能是遇到了使用障碍不得不花费时间继续，这里需要结合行为一起来看。

5、Source

来源反应了给当前页面带量的源头，同样是分析如果影响你当前页访问和用户量的关键数据。

关于source需要知道的是具体的来源是怎样的，来源的原始形态是什么样的，用户以什么样的形式才能触发进入你的页面。

6、Visitor/User

人数这个是任何平台的任何产品都最核心的数据，功能的用户数关系着这个功能会影响多少人，结合visit和action来看就会更加有意思，你可以 获得你的用户活跃程度、主动操作程度等信息。最简单的用法就是结合活跃程度推测与之相关的新功能可能涉及到什么量或的用户或者有多少用户可能会参与这个新 功能。

关于用户数需要弄明白的事情就更多了，用户数的记法有很多很多种：启动用户数、登陆用户数、活跃用户数、主动操作用户数、触发搜索用户数总之各种用户数。还是一样，需要问清楚这些个用户数到底是怎么记得，记得是浏览器信息？IMEI号？登陆名？还是其他什么？

怎么样算一个活跃用户？访问了就算（比如很多web产品）？启动了就算（比如杀毒只要启动了就在你后台工作了）？触发搜索才算（如果打开词典什么都 不干就关了好像不活跃啊）？主动操作一次算一个（打开个计算器什么都不点就关了好像也不活跃啊）？登陆了才算（打开个QQ都不登陆好像还是不活跃啊）？

7、走势。

这个地方我不太确定专业的叫法是什么，于是编了个名字，总之就是将你的数据可视化后，就能看到随着时间的变化数据会呈现一条有趣的曲线，这条曲线能非常清楚明白的看出一些特征。

比如在什么日子增什么日子降，什么时间峰值什么时间谷底，然后找出关键的时间点，就可以分析推测你的用户有什么特征。打个比方，你的用户要是6月 12月呈现出巨大的变化，那你的用户很大可能跟学生有密切关系，因为6月12月是考试月。又假如你的用户在早上11点左右有个峰值，那么也可以据此推测 11点哪些用户会有异常（比如IT民工陆陆续续都上班了）。

走势的分析就要注意的是基本的统计知识了，随便一搜一大把我这里不罗嗦了。

8、各种率

比如残留率、召回率、流失率、成交率。计算方法很多，能直接反应你的各种特征，类似于残留可以反应出你的用户还愿不愿意来，成交率反应出你的用户对你展示的商品满不满意等。需要了解的同样是详细的各种率是什么比什么。

9、其他各种特征。

比如设备特征、地域特征、版本号、浏览器等特征，以此可以根据这些特征结合常见的普遍网络人口特征进行对比，比如比起普遍特征来说你的用户群体里IE用户特别特别多，那么可以结合ip地址分布推测自己的用户是不是二三线城市的特别多。

（转 https://zhuanlan.zhihu.com/p/21408625）

------------------------------------------------

产品数据分析常用方法

作为产品经理，常常会遇到数据分析相关的工作，常见场景有：产品规划前要分析什么数据？数据要怎么看？数据波动怎么解释？上线前如何预估收益？最近读了潘一鸣的《产品逻辑之美》，其中对于数据分析方法的介绍很常用，下面将结合书上的内容和我的一些项目经历进行介绍。

一、数据分析的核心方法

1.可信度分析，无论是统计自己产品线的数据还是评估别人提供的数据，一定要先去分析这个数据的实验条件是否可靠：持续时间长否？数据量大否？ab测试了吗？

在某视频产品的项目里，我们经常采用ab测试的方法对方案进行验证，但是经常有一些实验的数据波动比较大，后来经过分桶空跑，功能完全一样的两个组各项数据差别和波动都不稳定，仔细一查发现是ab实验平台分桶不均，改进后在实验前增加了分组校验，然后再对功能进行分组实验。

2.趋势分析，不仅需要表示出数据的变化，还要对关键的转折点进行标注，常用分析参数如环比、同比、定基比。趋势可以基于时间也可以基于其他维度。

这个由于涉及产品方向比较敏感，暂不展开。

3.数据拆分，拆分纬度如分时间、分渠道、分用户、分地区、分版本。

这个方法在做归因时比较常用到，比如关注率上涨了，可以对比各个入口的变化，如果某个页面变化很明显，那么可以深入看一下是否最近新上了某个相关的功能，或者是是否有什么比较火的内容上线了？对于前者通过拆分页面验证，后者通过拆分内容id验证（注意⚠️：平时写需求文档的时候千万注意这些id啊位置啊页面啊的埋点，不然后面要分析数据还得重新补充埋点上线后再看数据会很麻烦）。

4.数据对比，孤立数据不能说明任何问题，数据对比就是给出合理的参考系，在分析中有可以判断的基准，可以对比基准面，也就是常说的“大盘数据”，还有同纬度的数据、历史数据。对比时可能有些不可控的干扰因素，可以人为地设置参考系，进行ab实验。

数据波动归因一般会用数据对比的方法，比如某频道数据上涨或下跌，首先看大盘，dau或pv等数据是否也有同样的波动趋势，如果不一致，那可以对比同频道，如果其他频道没有类似变化，那么就可以猜测是该频道自身的问题了，是否该频道的埋点有问题？是否功能有什么bug？是否内容不好？诸如此类。

5.转化漏斗分析，找到用户的行为路径和数据分析的核心目标，确认整个流程中有问题的部分进行优化，提高整体转化。期间可以同时使用趋势分析、数据拆分和数据对比对数据进行进一步研究。

常用于交易系统、广告系统等有明显递进关系的路径。比如某酒店管理系统的新客推广，对于推广成功，我们的定义是用户在系统里填写了客房信息（注意‼️这个定义很关键，根据你的业务目标设定一个具体的目标行为，并保证这个目标行为确实能帮助你达到业务目标。），那么我们会对新用户的路径进行研究和确认，推广过程包括线上和线下两种，线上我们可以选定官网引流的路径进行研究，看每一个页面的关键操作的转化率，如今日官网，到注册账号，然后是打开管理系统，设置酒店信息，然后设置房间信息，每一步的转化率如何，折损原因是什么，有什么提升空间，从分析中发现问题，比如是否操作路径不清晰，是否内容不充分无法帮助用户决策，是否价格问题等等，然后根据问题输出对应的解决方案。

6.集群分析，把相似数据进行归并分析，探索事物的普遍规律，这个方法常用于搜索领域。

在某搜索模块优化项目中，对高pv搜索词的搜索结果进行标注，发现瘦小腹、郑多燕、波比跳、燃脂等词的搜索结果满意度低，具体原因是相关内容少，那么可以得出健身类内容不足的结论，那么对应的解决办法就是增加这类内容，可以通过抓取、签约作者、创作活动运营等方式来补充健身类的内容，扩展产品的内容品类。

二、数据预估常见方法

在正式开发前一般需要提前预估产品方案上线之后的效果。常用预估方法有：极限分析法和类比法。

1.极限分析法，即在理想假设下分析产品方案效果的上下限。

2.类比法，找到和产品类似模式的其他产品功能的数据，通过假设数据之间的相关性来预估上线后的数据。

由于缺少参照物、或者领导没有要求，做数据预估的情况比较少，但建议尽量做或者思考可以如何预估，提升自己的数据敏感度。

产品方向的决策是决定产品成败的重要因素，学会用数据发现问题、发现需求、验证猜想、为方案设计提供参考，才能做出更合理的决策。

（转 https://zhuanlan.zhihu.com/p/382360212）