作者 | 陳明，growingio 聯合創始人 & 運營副總裁。畢業於史丹福大學，先後就職於 ebay、linkedin 資料分析部門，有豐富的商務分析經驗。
隨著人口和流量紅利的下降，網際網路行業必然會朝著精益化運營的方向發展。資料分析在很多網際網路人的工作中越發顯得重要，而對於產品經理來說，更是如此。
一、資料分析的基本思路
資料分析應該以業務場景為起始思考點，以業務決策作為終點。
基本思路為 5 步，首先要挖掘業務含義、制定分析計畫、從分析計畫中拆分出需要的資料、再根據資料分析的手段提煉業務洞察，最終產出商業決策。
接下來我們用乙個案例來具體說明這 5 步思路：
1.?挖掘業務含義
所以無論是 google 還是金山渠道，都要根據使用者群體的不同，優化相應使用者的落地頁，提公升轉化。
2.?制定分析計畫
以『發起借貸』為核心轉化點，分配一定的預算進行流量測試，觀察對比註冊數量及 roi 效果，可以持續觀察這部分使用者的後續價值。
3.?拆分查詢資料
根據各個渠道追蹤流量、落地頁停留時間、落地頁跳出率、**訪問深度以及訂單型別資料，進行使用者分群。
4. 提煉業務洞察
在不同渠道進行投放時，要根據 kpi 的變化，推測業務含義。比如谷歌渠道的效果不好，可能因為谷歌大部分的流量在海外，可能會造成轉化率低。而金山網路聯盟有很多展示位置，要持續監測不同位置的效果，做出最後判斷。
5. 產出商業決策
最後根據資料洞察，指導渠道的投放決策制。比如停止谷歌渠道的投放，繼續跟進金山網路聯盟進行評估，而落地頁要根據資料指標持續地進行優化。
二、常見的資料分析方法
（一）內外因素分解法
內外因素分解法是把問題拆成四部分，包括內部因素、外部因素、可控和不可控，然後再一步步解決每乙個問題。
社交招聘類**，一般分為求職者端和企業端，向企業端收費方式之一是購買職位的廣告位。業務端人員發現『發布職位』數量在過去的 6 個月裡有緩慢下降的趨勢。
對於這類某一資料下降的問題，從產品經理的角度來說，可以如何拆解？
根據內外因素分解法分析如下：
1.內部可控因素
產品近期上線更新、市場投放渠道變化、產品粘性、新老使用者留存問題、核心目標的轉化；
2.外部可控因素
市場競爭對手近期行為、使用者使用習慣的變化、招聘需求隨時間的變化；
3. 內部不可控因素
產品策略（移動端/pc端）、公司整體戰略、公司客戶群定位（比如只做醫療行業招聘）；
4. 外部不可控因素
網際網路招聘行業趨勢、整體經濟形勢、季節性變化；
（二）doss
doss 是從乙個具體問題拆分到整體影響，從單一的解決方案找到乙個規模化解決方案的方式。
按 doss 的思路分解如下：
1. 具體問題
**是否有可能幫助某一群組客戶購買課程。
2. 整體
首先根據這類人群的免費課程的使用情況進行資料分析，之後進行延伸，比如對整體的影響，除了計算機類，對其他型別的課程都進行關注。
3. 單一回答
針對該群使用者進行建模，監控該模型對於最終轉化的影響。
4. 規模化
之後推出規模化的解決方案，對符合某種行為軌跡和特徵的行為進行建模，將課程推薦模型加入到產品設計中。
三、資料分析的應用手段
根據基本分析思路，常見的有 7 種資料分析的手段。
（一）畫像分群
畫像分群是聚合符合某中特定行為的使用者，進行特定的優化和分析。
比如在考慮註冊轉化率的時候，需要區分移動端和 web 端，以及美國使用者和中國使用者等不同場景。這樣可以在渠道策略和運營策略上，有針對性地進行優化。
（二）趨勢維度
建立趨勢圖表可以迅速了解市場， 使用者或產品特徵的基本表現，便於進行迅速迭代；還可以把指標根據不同維度進行切分，定位優化點，有助於決策的實時性；
（三）漏斗洞察
通過漏斗分析可以從先到後的順序還原某一使用者的路徑，分析每乙個轉化節點的轉化資料；
所有網際網路產品、資料分析都離不開漏斗，無論是註冊轉化漏斗，還是電商下單的漏斗，需要關注的有兩點。第一是關注哪一步流失最多，第二是關注流失的人都有哪些行為。
關注註冊流程的每乙個步驟，可以有效定位高損耗節點。
（四）行為軌跡
行為軌跡是進行全量使用者行為的還原。只看 pv、uv 這類資料，無法全面理解使用者如何使用你的產品。了解使用者的行為軌跡，有助於運營團隊關注具體的使用者體驗，發現具體問題，根據使用者使用習慣設計產品，投放內容；
（五）留存分析
留存是了解行為或行為組與回訪之間的關聯，留存老使用者的成本要遠遠低於獲取新使用者，所以分析中的留存是非常重要的指標之一；
除了需要關注整體使用者的留存情況之外，市場團隊可以關注各個渠道獲取使用者的留存度，或各類內容吸引來的註冊使用者回訪率，產品團隊關注每乙個新功能對於使用者的回訪的影響等。
（六）a/b 測試
a/b 測試是對比不同產品設計/演算法對結果的影響。
產品在上線過程中經常會使用 a/b 測試來測試產品效果，市場可以通過 a/b 測試來完成不同創意的測試。
要進行 a/b 測試有兩個必備因素：
1.有足夠的時間進行測試；
2.資料量和資料密度較高；
因為當產品流量不夠大的時候，做 a/b 測試得到統計結果是很難的。而像 linkedin 這樣體量的公司，每天可以同時進行上千個 a/b 測試。所以 a/b 測試往往公司資料規模較大時使用會更加精準，更快得到統計的結果。
（七）優化建模
當乙個商業目標與多種行為、畫像等資訊有關聯性時，我們通常會使用資料探勘的手段進行建模，**該商業結果的產生；
例如：作為一家 saas 企業，當我們需要**判斷客戶的付費意願時，可以通過使用者的行為資料，公司資訊，使用者畫像等資料建立付費溫度模型。用更科學的方式進行一些組合和權重，得知使用者滿足哪些行為之後，付費的可能性會更高。
以上這幾種資料分析的方**，僅僅掌握單純的理論是不行的。產品經理們需要將這些方**應用到日常的資料分析工作中，融會貫通。同時學會使用優秀的資料分析工具，可以事半功倍，更好的利用資料，實現整體增長。
growingIO《產品經理資料分析》
資料產品三段式 分析 策略 測試 該文主要傾向於如何做分析 目錄 一 為什麼產品經理要做資料分析 大致原因都差不多，沒有太過出彩的新理論 gmv萬歲，kpi萬歲.二 14年資料分析經驗總結出來的三點精華 技術活兒的經驗之談 三 推薦書單 按照段位不同推薦不同的書，很有層次感 四 7大工具 五 10大...
產品經理二十章 資料分析能力
作為一名合格的產品經理，要對資料十分敏感，善於通過資料分析從大量的資料中挖掘有用的資訊，用來指導和改善自己乃至他人的工作，提公升工作的效率，創造新的價值。一 資料的作用 資料對於產品的重要性，就相當於全球定位對於現代戰爭的重要性一樣。資料就是產品的眼睛，也是產品的榮辱。具體的說，資料究竟可以起到哪些...
資料分析師常用的十種資料分析思路
隨著網際網路的發展 業務邏輯越來越複雜，資料的分析也就變的越來越重要。對資料的分析可有效避免邏輯的混亂，防止在繁雜的業務理解上邏輯不清 判斷錯誤。下面就給大家分享資料分析師常用的十種資料分析思路。道家曾強調四個字，叫 道 法 術 器 層次分別為 器 是指物品或工具，在資料分析領域指的就是資料分析的產...