產品經理應該從哪裡做起學習數據分析？

01-06

產品經理在早期進行產品規劃和設計時，需要結合市場整體情況、企業經營目標、用戶需求和現有產品組合等方面綜合考慮。作為產品新人應該了解，產品經理要解決這幾個問題。

每當產品需要新版本迭代，都是產品經理熬夜加班之時，如何設計真正可以提高用戶體驗的產品新功能？怎樣才能達到老闆想要的監控指標數據？設計產品有諸多考驗，僅憑經驗無法做到精細化處理，浪費大量資源，結果卻難盡如人意。

樓樓有數據驅動思維與意識，這是讓產品管理走向正確方向。更重要的是，你要了解如何尋找到第一關鍵指標以及建立一整套數據驅動產品的方法。數據驅動思維方式每個產品必備，從而來確定產品的分析改進流程，常用的數據分析包括：事件分析、漏斗分析、留存分析、用戶分群、屬性分析等。其中事件分析是最常用的數據分析模型。

一、什麼是行為事件分析？

行為事件分析法來研究某行為事件的發生對企業組織價值的影響以及影響程度。企業藉此來追蹤或記錄的用戶行為或業務過程，如用戶註冊、瀏覽產品詳情頁、成功投資、提現等，通過研究與事件發生關聯的所有因素來挖掘用戶行為事件背後的原因、交互影響等。

在日常工作中，運營、市場、產品、數據分析師根據實際工作情況而關注不同的事件指標。如最近三個月來自哪個渠道的用戶註冊量最高？變化趨勢如何？各時段的人均充值金額是分別多少？上周來自北京發生過購買行為的獨立用戶數，按照年齡段的分布情況？每天的獨立 Session 數是多少？諸如此類的指標查看的過程中，行為事件分析起到重要作用。

二、行為事件分析的特點與價值：

行為事件分析法具有強大的篩選、分組和聚合能力，邏輯清晰且使用簡單，已被廣泛應用。行為事件分析法一般經過事件定義與選擇、下鑽分析、解釋與結論等環節。

事件定義與選擇。事件描述的是，一個用戶在某個時間點、某個地方、以某種方式完成了某個具體的事情。Who、When、Where、What、How是定義一個事件的關鍵因素。其中：

Who 是參與事件的主體，對於未登陸用戶，可以是 Cookie、設備

ID 等匿名 ID ；對於登錄用戶，可以使用後台配置的實際用戶ID；

When 是事件發生的實際時間，應該記錄精確到毫秒的事件發生時間；

Where 即事件發生的地點，可以通過IP來解析用戶所在省市；也可以根據 GPS 定位方式獲取地理位置信息。

How 即用戶從事這個事件的方式。用戶使用的設備、瀏覽器、 App 版本、渠道來源等等；

What 描述用戶所做的這個事件的所有具體內容。比如對於「購買」類型的事件，則可能需要記錄的欄位有：商品名稱、商品類型、購買數量、購買金額、付款方式等。

多維度下鑽分析。最為高效的行為事件分析要支持任意下鑽分析和精細化條件篩選。當行為事件分析合理配置追蹤事件和屬性，可以激發出事件分析的強大潛能，為企業回答關於變化趨勢、維度對比等等各種細分問題。同時，還可以通過添加篩選條件，可以精細化查看符合某些具體條件的事件數據。

解釋與結論。此環節要對分析結果進行合理的理論解釋，判斷數據分析結果是否與預期相符，如判斷產品的細節優化是否提升了觸發用戶數。如果相悖，則應該針對不足的部分進行再分析與實證。

三、行為事件分析應用場景

場景一：互金行業常見的行為事件分析

某互聯網金融客戶運營人員發現，4 月 10 日號來自新浪渠道的 PV 數異常標高，因此需要快速排查原因：是異常流量還是虛假流量？

企業可以先定義事件，通過「篩選條件」限定廣告系列來源為「新浪」。再從其它多個維度進行細分下鑽，比如「地理位置」、「時間」、「廣告系列媒介」、「操作系統」、「瀏覽器」等。當進行細分篩查時，虛假流量無處遁形。下圖為來源為「新浪」的各城市瀏覽頁面的總次數。

圖 1 來源新浪的各城市瀏覽頁面的總次數

在剔除虛假流量後，運營人員可進行其他用戶行為分析。通過「投資成功」事件，查看各個時段的投資金額。若想知道每個產品類型的投資金額，此時再按照「產品類型」進行分組查看即可。如圖2。

圖2 不同產品投資成功的支付金額的總和

當用戶投資到期後，後續行為可能是提現或繼續投資，運營人員可以實時關注「提現率」的變化趨勢。

圖3 用戶投資到期後提現率的變化情況

值得強調的是，行為事件分析方法是多種數據分析模型之一，它與其他分析模型存在無法割裂的關係。只有各分析模型實現科學互動和配合，能夠科學揭示出用戶個人／群體行為的內部規律，並據此做出理論推導，不斷在工作實踐中優化商業決策和產品智能。

在用戶行為領域，通過數據分析方法的科學應用，經過理論推導，能夠相對完整地揭示用戶行為的內在規律。基於此幫助企業通過數據分析實現多維交叉分析，幫助企業建立快速反應、適應變化的敏捷商業智能決策。

的確篇幅有限，所以做了事件分析模型的講解，最近有朋友想了解更多的數據分析方法，我已經總結成一份《產品指數級增長的方法與實踐》的白皮書，可到神策數據官網Sensors Data - 國內領先的用戶行為分析產品，可以免費下載。

問題有點兒大…對產品同學來說一般你不太能用的上牛逼的數據分析技能，當然你要願意多了解一些統計學和會計知識什麼的絕對不吃虧。簡單聊兩句吧。

1、找個excel高級教程

萬能的excel，不會使煩死你，玩兒的轉能閃瞎老闆一隻眼。沒什麼難的邊用邊學就行了。當然，如果你團隊里有個萬能的表兒姐，直接磕了吧，包賺不賠。（曾經團隊里供俸過一位表兒姐，姐們兒除了excel以外什麼都不靈。但正是因為她的存在，我們可以隨便斃掉公司里牛逼哄哄的數據分析師們）

2、產品一般能接觸到的數據

產品基礎運營數據、用戶數據、用戶行為數據、推廣渠道數據、營收數據、用戶調研數據

3、產品一般會做的分析

基礎運營數據分析：

這是產品的心電圖和生命軌跡。這個模型很簡單，幾個關鍵指標一般會和你的kpi相關，可能比較複雜的是用戶活躍度，如何定義活躍用戶，需要點兒小智慧

用戶特徵分析：

這個也不難，用戶畫像越豐富越好。除了最大限度的了解你的客戶以外，還有一個重要的事情是要經常和你的目標用戶畫像做對比，以及時調整產品策略或推廣渠道

推廣渠道分析：

資源的珍貴性就不說了，推廣渠道拓展和維護是產品初期最重要的事兒沒有之一。如何評定優質渠道，如何最大限度的提高優質渠道的轉化率一切都是數據導向的。著重提一下一定要對每個渠道的用戶群做好分析，用戶質量比轉化率重要的多

用戶行為分析：

改進產品最重要的工具之一。這裡面有很多模型，比如提高註冊轉化率、提高用戶留存率、優化產品流程、提升基礎體驗、提高收入…這裡面倒是沒有什麼奧妙，具體問題具體分析。如果想不出來就多問問自己到底要解決什麼問題，再不然就去請教和產品運營前輩

營收不說了，一個需要學數據分析的產品同學恐怕離營收還比較遙遠，賺錢也是一很深的學問

用戶調研也不說了，這是一門兒相當牛逼的科學，不知道為什麼很多公司都喜歡讓沒什麼經驗的年輕人干這事兒，誤人誤己啊。

至於說該從哪裡做起？

當然是從你手裡最重要的項目做起。產品經理是經驗型職業，都是實戰出來的，不是學知識學出來的。

養成寫運營周報的習慣。沒人看就寫給自己看。

當你習慣從數據中發現問題，或利用數據去解決問題的時候，就算大功告成了。

產品經理在日常工作中學習數據分析，提高數據分析能力，最重要的是要建立數據分析的知識體系和方法論。

這兩年，隨著大數據、精益化運營、增長黑客等概念的傳播，數據分析的思維越來越深入人心。處於互聯網最前沿的產品經理們接觸了大量的用戶數據，但是卻一直困擾於如何做好數據分析工作。

那麼產品經理該如何搭建自己的數據分析知識體系？數據分析的價值又在哪裡？產品經理做數據分析有哪些具體的方法？又如何學習數據分析？本文將和大家分享一下這些問題。

Part 1 | 數據分析體系：道、術、器

「道」是指價值觀。產品經理要想是做好數據分析，首先就要認同數據的意義和價值。一個不認同數據分析、對數據分析的意義缺乏理解的人是很難做好這個工作的。

「術」是指正確的方法論。現在新興的「Growth Hacker」（增長黑客）概念，從 AARRR 框架 ( 獲取、激活、留存、變現與推薦五個環節）入手進行產品分析，這是一個非常好的分析方法。

「器」則是指數據分析工具。一個好的數據分析工具應該能幫助產品經理進行數據採集、數據分析、數據可視化等工作，節省產品經理的時間和精力，幫助產品經理更好理解用戶、更好優化產品。

Part 2 | 數據分析的價值

產品經理不能為了數據分析而分析，而要將落腳點放到產品和用戶上。數據分析應該幫助產品經理不斷優化產品設計和迭代，驅動產品和用戶增長。

當我們上線了一個新的產品（product）或者功能時，需要對其進行數據監控和衡量（measure）。然後從監控中採集到產品的用戶行為數據（data），並對這些數據進行分析和總結（learn）。最後從分析中得出結論和觀點（idea），如果數據證明我們的新產品/功能是優秀的，那麼可以大力推廣；如果數據說明我們的產品還存在問題，就需要對產品進行新一輪的優化（build）。

在「產品——數據——結論」的不斷循環中，我們不斷用數據來優化我們的產品，加快產品迭代的步伐、提升用戶體驗。

Part 3 | 數據分析的方法

1. 流量分析

a. 訪問 / 下載來源，搜索詞

網站的訪問來源，App 的下載渠道，以及各搜索引擎的搜索關鍵詞，通過數據分析平台都可以很方便的進行統計和分析，分析平台通過歸因模型判斷流量來源，產品經理在分析這些流量時，只需要用自建或者第三方的數據平台追蹤流量變化即可，第三方平台如 Google Analytics 、GrowingIO 等；

b. 自主投放追蹤

平時我們在微信等外部渠道投放文章、H5 等，許多產品都會很苦惱無法追蹤數據。

分析不同獲客渠道流量的數量和質量，進而優化投放渠道。常見的辦法有 UTM 代碼追蹤，分析新用戶的廣告來源、廣告內容、廣告媒介、廣告項目、廣告名稱和廣告關鍵字。

c. 實時流量分析

實時監測產品的訪問走勢，尤其要關心流量異常值。舉個例子，某互聯網金融平台因為一個產品 Bug 導致用戶瘋狂搶購造成的流量峰值，產品經理髮現實時數據異常後迅速下線該產品修復 Bug，避免了損失擴大。

2. 轉化分析

無論是做網站還是 App，產品裡面有很多地方需要做轉化分析：註冊轉化、購買轉化、激活轉化等等。一般我們藉助漏斗來衡量用戶的轉化過程。

影響轉化率的因素很多，我們總結了三個大的方面：渠道流量、用戶營銷、網站 / APP 體驗。以渠道流量為例，通過優選渠道並且量化分配我們的投放資源，可以有效提升總體的轉化率。

更詳細的轉化分析方法，可以參考我之前的這篇回答如何提升轉化率？ - 張溪夢的回答。

3. 留存分析

在互聯網行業里，通常我們會通過拉新把客戶引過來，但是經過一段時間可能就會有一部分客戶逐漸流失了。那些留下來的人或者是經常回訪我們公司網站 / App 的人就稱為留存。

在一段時間內，對某個網站 / App 等有過任意行為的用戶，稱之為這個網站 / App 這段時間的活躍用戶，這個任意行為可以是訪問網站、打開 App 等等。

現在大家經常會用到所謂的「日活」（日活躍用戶量，DAU）、「周活」（周活躍用戶量，WAU）來監測我們的網站，有的時候會看到我們的「日活」在一段時期內都是逐漸地增加的，以為是非常好的現象，但是如果沒有做留存分析的話，這個結果很可能是一個錯誤。

留存是產品增長的核心，用戶只有留下來，你的產品才能不斷增長。一條留存曲線，如果產品經理不做什麼的話，那麼用戶就慢慢流失了。

這是一個常見的留存曲線，我把它分成了三個部分：第一部分是振蕩期，第二部分是選擇期，第三部分是平穩期。

從產品設計的角度出發，找到觸發留存的關鍵行為，幫助用戶儘快找到產品留存的關鍵節點。之前我們發現我們產品裡面，使用過「新建」功能用戶的留存度非常高；於是我們做了產品改進，將「新建」按鈕置於首頁頂部刺激用戶使用，效果非常好。

矽谷流行的 Magic Number（魔法數字）也是留存分析的一部分，比如 Facebook 發現「在第一周里加 10 個好友」的新用戶留存度非常高。作為產品經理，我們也需要通過數據分析來不斷探索我們產品裡面的魔法數字，不斷提高用戶留存度和活躍度。

更詳細的留存分析方法，可以參考這篇文章你能找到的最深入的留存分析文章 - 留存 · 增長 · Magic Number 。

4. 可視化分析

用戶體驗，是一個非常抽象的概念，我們可以對其進行形象化。目前一個普遍的方法就是對用戶的數據進行可視化，以熱圖的形式呈現。

藉助熱圖，產品經理可以非常直觀了解用戶在產品上的點擊偏好，檢驗我們的產品設計或者布局是否合理。

熱圖的概念、原理、類型和應用，可以參考這個回答熱力圖是什麼原理? - 張溪夢的回答。

5. 群組分析挖掘用戶需求、改進及優化產品

千人千面，產品經理對用戶精細化的分析必不可少。不同區域、不同來源、不同平台甚至不同手機型號的用戶，他們對產品的使用和感知都可能存在巨大的差異。產品經理可以對不同屬性的用戶進行分群，觀察不同群組用戶的行為差異，進而優化產品。

之前我們做過一次分析，網站的總體註冊轉化率是 6%；但是使用 Chrome 瀏覽器的新用戶註冊轉化率高達 12%，使用 IE 瀏覽器的新用戶註冊轉化率才 1%。這樣一分的話，問題就很明顯了，極有可能是瀏覽器兼容性的問題，產品經理應該關注一下這個問題。

詳細的群組分析操作流程，可以參考這個回答產品經理一般是怎麼搜集產品不好用之處的？ - 張溪夢的回答。

Part 4 | 數據分析的書籍

做好數據分析，不是一朝一日就可以的，需要在產品規劃設計、產品升級迭代中不斷實踐。下面的這些書籍對於產品經理學習數據分析都有一定的幫助：

推薦 1： @范冰XDash 的《增長黑客》

這是國內對於增長黑客的第一本詳細介紹，作者從AARRR的視角切入，描述了大量產品優化、產品增長的案例，對於產品經理非常有益。

推薦 2：埃里克·萊斯的《精益數據分析》

在這本書裡面，作者介紹數據分析的相關指標、不同行業的數據分析要點，並且有大量的數據分析案例和翔實數據。如果想要把數據分析落地，這本書對產品經理是非常有幫助的。

推薦 3：我們一直在做互聯網行業數據分析知識的普及，目前我們已經做了 14 期「GrowingIO 數據分析公開課」，面向產品經理、運營等等，這裡是 GrowingIO 的產品和分析師寫的《互聯網增長第一本數據分析手冊》

這裡面彙編了我們一年多來數據分析、產品優化的實戰案例，裡面不少文章被被大號轉過，例如《如何成為一個優秀的數據產品經理》等等。

下載電子版的分析手冊，請參考這裡互聯網增長的第一本數據分析手冊。

推薦 4：埃里克·萊斯的《精益創業》

作者提出了最小可行性產品（MVP）、小步快跑，快速迭代等產品設計和優化的理念，影響深遠。

| 結語

數據分析是一門多學科、多領域的交叉學問，涉及到的東西非常多。產品經理要想做好數據分析，應該有一套完整的思維體系，在價值觀、方法論和工具三個層面上儲備相關知識。同時立足於產品和用戶，用數據來打磨產品，用數據來檢驗迭代，不斷提升用戶體驗。

註：本文中熱圖、實時等產品功能均來自 GrowingIO 官網矽谷新一代數據分析產品。

搬運下在另一個問題的回答：作為產品經理，你每天會觀察哪些數據？ - 知乎

大意是說產品經理數據分析主要看四類數據：

產品的運營數據，包括 規模數據 和 質量數據
產品核心場景的用戶行為數據
新功能上線後的反饋數據
行業數據

數據運營強答一發

產品的哪些數據需要被分析？

這個問題需要基於產品來回答。一個產品經理需要做數據分析的場景，大部分都是因為上了新功能、新模塊。

那麼正確的問題應該是「這個新功能、新模塊最關注的核心數據指標是什麼？」

常見的數據指標，有流量類（PV / UV），點擊類（一般需要做數據埋點），漏斗類（滲透率、轉化率），轉化類（二跳、跳出、收益）

基於新功能、新模塊所實現的業務目標，就可以確定需要關注的核心指標。

栗子1：如果我做了一個新頁面，我最關心的是——這個頁面每天多少人看（PV、UV）

栗子2：如果我給一個頁面加上了新按鈕，我最關心每天有多少人點擊它（點擊人數）

栗子3：如果我做了一套註冊流程，我肯定想知道「第一步→第二步→第三步→第四步」每一步有多少人順利到達。（漏斗，滲透率）

2. 什麼時候開始考慮數據分析的問題？

產品需求一旦確認，就可以開始考慮數據分析的問題了。甚至，在功能、交互設計的階段，就可以引入數據分析的思維。

這主要是因為，你需要去對新功能、新模塊的「效果」進行評估。這個新功能、模塊就像你新出生的孩子一樣，你肯定希望了解他是否健康，是否有出息。那麼我建議你在孕期就開始考慮，怎麼去衡量你孩子的有出息程度

待需求確認後，建議產品經理找到數據運營（如果有的話），討論該功能的數據評估方案。以儘早確定數據評估的「核心指標」，以及數據分析的方式。運營會判斷為了拿到這些數據，是否需要做特殊的處理，例如進行事件打點、相關數據上報等。（數據基礎建設）

請注意，數據基礎建設，也是建議你提早考慮數據分析的原因之一，這件事兒一般需要開發階段就引入。一旦產品上線，再追加打點就需要發新版了。

3. 如何做數據分析？

你是否覺得，就算拿到了那麼多數據，也一臉懵逼。數據分析都在分析些什麼？

首先，要闡述一下數據分析的本質——找出差異。

要找差異，意味著你需要找一個參照系。比如，你可以和你哥比身高，比體重，但如果只有你自己，就沒法比了。「你哥」就是你的參照系。

一般來說，在比較之前，需要先對數據做一些簡單的處理。從茫茫的數據中選出少數的幾個數字來對比。

你可以選的有：平均值、累計值、極高值、極低值、趨勢

栗子1: 5月份的平均UV，和6月份的平均UV進行比較。這樣我就可以知道，6月我對頁面的優化是不是有效的

栗子2：通過觀察曲線，發現9月份以來，按鈕的點擊人數呈上升趨勢，證明這個按鈕很受歡迎

栗子3：對註冊流程進行了改版，通過對比改版後的滲透率，和改版前的滲透率，發現提高了最終註冊成功的滲透率，證明註冊流程的改版非常成功

（當然，並不是每一次產品改版都是成功的）

4. 數據分析的結果如何應用？

根據前三步的工作，產生了數據分析的結果，那麼然後呢？

首先，你應該把這些數據結果分享出來，以數據報告，或者簡單的郵件形式，同步給和這個項目相關的所有人，業務方、老闆、開發人員等。讓大家知道，經過了這麼長時間的工作，成果是如何的。

並且，通過數據分析，可以得出下一步的大致計劃。這樣，你的計劃會顯得有理有據，證據充足。

這就是數據分析結果最重要的作用：證據。證據在手，你想做什麼，就少有人bb了。

其次，你應該把數據分析的結果歸檔、記錄、備查。今後一旦有涉及到該模塊的新產品、功能規劃，這部分數據，也許可以作為重要的參照數據，對未來的產品規劃，產生深遠的影響。

如果你失敗了，也不要丟棄掉數據。萬一將來有個新的PM打算重蹈覆轍，你就可以拿出這份數據丟他臉上：瞧瞧，老子當年做這麼完美都不行，你小子還想試試？

（入門篇完）

學數學就對了，你把微積分線性代數概率論與統計學好，所謂的數據分析都不是問題。