产品的生命周期中各个阶段都伴随着产品数据的变化，产品经理根据这些产品数据来判断产品所在阶段并对后期的产品演进进行合理的规划；在产品需求分析阶段，产品经理可以通过数据分析来鉴别用户需求的真伪；在产品上线后，产品经理可以通过数据验证产品的功能价值并且让数据指导版本迭代。

针对不同的产品的业务形态有所差异，产品的核心数据也有所不同：比如视频产品侧重的是播放类的数据，如播放时长；电商类产品侧重订单量、交易额等。所以我们可以说，产品的数据分析是产品经理日常工作中必不可少的一环。那么产品有哪些数据指标？具体又该如何分析呢？

一、 产品的基础数据

产品的基础数据一般都是与产品APP相关的整体性的数据，用于检测产品的整体趋势，主要的基础数据有以下几项：

APP/APK下载量：针对客户端产品的数据指标，也称为装机量，是指产品客户端被下载到手机、pad等终端的数量，一般以拥有的独立USERKEY/USERID为一个有效的下载。APP/APK激活量：指用户完成有效下载后，点击客户端并首次成功启动软件的用户数量。APP/APK访问量：指一段时间内用户点击进入客户端的次数。APP/APK访问用户数：APP/APK访问量的去重数据，指一段时间内点击进入客户端的不同身份标识的用户数。人均访问时长： 用户在客户端内停留时间的平均值。同时在线人数：实时数据，即在该时间点正在使用产品的用户数，有时也用并发量来表示，用以衡量客户端可承载的同时在线人数。渠道数据：不同的渠道来源的下载量、访问量等，用以评估不同访问路径以及渠道带来的效果差异。

二、 产品的付费数据

产品的付费数据主要是根据用户的付费行为定义的数据指标，付费指标可以看出用户对于产品的认可程度，产品的盈利价值等，主要的付费数据有以下几项：

付费收入金额：某时段内用户付费的总额。付费用户数：某时段内发生付费行为的用户的总数。新付费用户数：某时段内新增的付费用户的数量。付费转化率=付费用户数/XX用户数，根据产品的业务形态，“XX用户数”可以为视频产品的“点播用户数”。付费率=付费用户数/活跃用户数（日、月）。ARPPU值（付费用户的平均付费值）=日付费收入/日付费用户数。ARPU值（活跃用户的平均付费）=日付费收入/日活跃用户数。收入占比=某单项收入/总付费收入。收入曲线：每日、每周、每月的付费曲线，通过观察付费的高峰期，针对性地进行营销活动；付费路径：分付费路径进行付费收入和付费用户数的占比统计，对占比较大的付费入口进行营销活动的露出，占比较小的入口进行产品侧的优化。

三、 产品的页面数据

产品的页面数据主要是根据用户在页面中的行为作出埋点，从而获取的数据；页面数据对产品的功能优化有很大的指导意义，主要的页面数据有以下几项：

PV（page view）：即页面浏览量，针对网站产品而言，，通常是衡量一个网站流量的主要指标；针对客户端产品，则是衡量某个页面的流量的指标。UV：(unique visitor)：即页面独立访问量，有称为独立访问用户，是PV经去重后得到的数据。页面平均停留时长：用户在该页面内停留时间的平均值。人均页读数：用户在进入客户端后到达的页面数的均值。跳出率 ：指用户在只访问了入口页面（例如软件登录页、开机引导页等）就退出客户端的访问量与所产生总访问量的百分比。页面转化率：页面中某个功能的点击量和到达该页面的访问量的百分比，如电商产品的商品详情页中“立即购买”按钮的点击量与商品详情页的访问量的百分比，就是商品详情页-“立即购买”的转化率。

四、 产品的用户数据

产品的用户数据主要是根据用户在各个阶段的角色的不同为维度进行定义的数据，主要的用户数据有以下几项：

注册用户数：指用户下载运行，并且完成注册的用户数。登录用户数：登录应用后至当前时间，至少登录过一次的用户数；活跃用户数：登录用户数-新增用户数；新增用户数：在某个时间段（一般为第一整天）新登录应用的用户数；日活：当日访客/总用户数。周活：7日内访客(去重)/总用户数。月活：30日内访客(去重)/总用户数。流失率 ：是指用户的流失数量与全部用户数量的比例。转化率 ：正式成为用户的数量和未知意向的潜在型客户的数量的比率。二跳率(一跳、二跳、三跳)：漏斗模型，没进入一个层级用户的流失率。留存率=登录用户数/新增用户数*100%（一般统计周期为天）次日留存率：（当天新增的用户中，在第2天还登录的用户数）/第一天新增总用户数第3日留存率：（第一天新增用户中，在往后的第3天还有登录的用户数）/第一天新增总用户数，还可用7天，30为周期计算周留存率和月留存率。LTV（用户生命周期价值）=一段时间内的付费收入/一段时间内的新增用户数；一般指的是3日、5日、7日、14日、30日、60日、90日LTV，即用户首次登录到以上日期所带来的价值。

五、数据分析思路

有了上面提到的这些数据，仅仅是一个基础。更重要的如何利用这些数据，进行分析，从而获取对于产品的指导意义。要让这些数据有意义，首先要建立起产品的数据体系。做好客户端埋点，产品数据定义这些基本工作后，制定日常的数据监测机制。有了周期性的数据监测，才能从数据中发现问题，并深入分析问题，寻找解决问题的方法。

第一步，找到问题所在，我们要发现发生了什么问题？如一段时间内的用户留存率忽然降低。第二步，找到问题发生的原因，寻求为什么会发生这个问题？在用户层发现的问题，就需要下沉至功能层。如用户留存率降低的原因，是不是因为产品的功能无法满足用户的需求或者功能的改版增大了用户的学习成本。这个阶段中，要勇敢猜测，大胆求证。第三步，在可能的问题发生原因的基础上，通过产品或者运营的方式来尝试解决问题。第四步，在采取一定的解决问题的措施之后，要持续数据监测，通过数据观察措施的有效性；并及时调整措施，知道问题得到改善或解决。

图片 | 摄图网

上一篇文章：产品后期数据分析如何做（上）？我们介绍数据分析中的一些“行话”及分析过程中一些指标像：网页指标、跳出率、退出率。今天我们继续看看还有哪些！平均访问时长

与用户的使用频率紧密挂钩的。是指在一定统计时间内，浏览网站的一个页面或整个网站时用户所逗留的总时间与该页面或整个网站的访问次数的比。访问总时长/访问次数。

比如一个网站在一定的时间内总逗留时间为1000秒，在这段时间内，总的访问次数是100次，那么这个页面或网站的平均访问时长就是1000秒/100=10秒。

它往往是用来衡量我们产品中用户粘性的一个重要标准。进而可以评估网站的用户体验，知道改善页面。一般来说，平均访问时长越短，说明网站对用户的吸引力就越差，可用的有效信息就越少，同时也说明网站需要优化或需要添加有趣信息了。转化率是指一个统计周期内，完成转化行为的次数占推广信息总点击次数的比率。转化率=（转化次数/点击量）*100%

比如：一群用户登录了A网站，如果每100次访问中，就有10个登录网站；那么此网站的登录转化率就为10%，而最后有2个用户订阅（登录后进行订阅操作行为了），则订阅转化率为2%；最后发现有一个用户下订单购买，则购买转化率为1%。

转化率是跟用户的行为息息相关的。转化率往往反映了网站的盈利能力，重视和研究网站转化率，可以有针对性的分析网站在哪些方面做的不足，哪些广告投放效果比较好，可以迅速的提升用户体验、节约广告成本，提升网络转化过程等。

重复购买率是衡量消费者对该品牌产品或者服务的重复购买的次数的标准（即回头客）。计算方式：以每个人为独立单元计算重复购买产品的次数。

比如有10个客户购买了产品，5个产生了重复购买，则重复购买率为50%。重复购买率越多，则反应出消费者对品牌的忠诚度就越高，反之则越低。

用户指标

是产品运营过程中反应用户的一个重要指标。看看包含哪些？

ARPUAverage Revenue Per User，即每用户平均收入。在一定时间内，ARPU=总收入/用户数，一般是计算长期的ARPU，比较有意义，如平均每月每个用户收入。而用户数可以是总平均在线用户数、付费用户数或者活跃用户数，不同产品标准可能也存在差别。

ARPU注重的是一个时间段内从每个用户所得到的收入，衡量互联网公司业务收入的一个指标（说明产品收入比较高）。ARPU值高说明平均每个用户贡献的收入就搞，当然收入高未必说明利润高，因为利润还需要考虑成本。ARPU的高低没有绝对的好坏之分，分析的时候需要有一定的标准。

用户流失率用户流失是我们做产品最不愿意看到的，是指那些曾经使用过的产品或服务，由于对产品失去兴趣等种种原因，不在使用产品或服务的用户。

用户流失率=总流失用户数/总用户数，而流失用户数依各个产品而定，并且有各自的不同标准。分析用户的流失情况可以找出流失的原因，可以针对产品所处的时期再找到解决办法；不同产品对于流失产品的定义是不一样的。

比如对于那些需要注册、提供应用服务的网站而言（像微博、邮箱、电子商务类网站）。对于流失用户的界定是依照产品服务不同而标准不同，对于微博和邮箱这类用户几乎每天登陆查看的网站而言，可能用户未登陆超过1个月，我们就会认定用户可能已经流失了。

但对于电子商务类的网站而言，可能3个月未登陆或者半年内没有任何购买行为的用户就被认定是流失用户了。因此这里是有个流失期限需要考虑的，不同领域是对这个标准界定不同。

活跃用户是相对于“流失用户”的一个概念，是指那些会是不是的光顾网站，并未网站带来一些价值的用户。活跃用户用于衡量网站的运营现状一个重要指标，而流失用户则用于分析网站是否存在被淘汰的风险，以及网站是够有能力留住新用户。

每个产品对于活跃用户的定义也是千差万别。比如像有登录账号的客户端产品（像游戏），通过以账号登录作为活跃标识。如果是某些工具类的软件，则是以启动作为活跃维度。还有的产品是以一些核心的操作作为衡量活跃的标准维度的（像拍照类的软件，至少是完成一张照片拍摄，才能算活跃）。

日活跃用户是活跃用户中的一个分支；Daily Active User，指某个自然日内启动过应用的用户，该日内的多次启动只记录一个活跃用户。

周活跃用户也是活跃用户中的一个分支；Weekly Active User，是指某个自然周内启动过应用的用户，该周内的多次启动只记录一个活跃用户。这个指标是为了查看用户的类型结构，如轻度用户、中度用户、重度用户等。

月活跃用户同样是活跃用户中的一份分支；Monthly Active User,是指某个自然月内启动过应用的用户，该月内的多次启动只记录一个活跃用户。是可以衡量一个产品的衰退周期的。

比如一个社交游戏：日活跃用户/月活跃用户是游戏的重要参数，一般最低的极限是0.2，才能保证这类游戏能够达到临界的规模、达到病毒式传播和用户粘性。

用户保存率用户有流失、有活跃必然就会有留存，留存就是用户的保有率（单位时间内符合用户条件的用户数在实际产生用户量的比例）。用户保有率的计算:保有量/实际量。

次日留存率

用的比较多了。次日留存率就是（当天新增的用户中，在第2天还登录的用户）/第1天次增总用户数。因为都是新用户，所以可以结合产品的新手引导设计和新用户转化路径来分析用户的流失原因。

当然也可以通过不断的修改和调整设计方案、引流的策略来降低用户流失，提升次日的留存率；行业里一般认为这个数字如果达到了40%就表示这个产品非常的优秀了。

周留存率（第1天新增用户中，第7天任然登录的用户数）/第1天新增用户总数。在这个时间段里，用户通过会经理一个完整的使用和体验周期，如果在这个阶段用户能够留下来，就有可能成为忠诚度较高的用户。

月留存率相信大家对计算方法已经有感觉了。（第1天新增用户中，第30天任然登录的用户数）/第1天新增用户总数。

为什么要统计月活跃呢？通过是因为移动app的迭代周期为2~4周一个版本，所以月留存率是能够反映出一个版本的用户留存情况的。一个版本的更新，总是会或多或少影响用户的体验。US哦一通过比较月留存率能够判断出每个版本更新是够用户有影响。

比如：投入广告费用200元，有10000人浏览过这个广告，则CPM=（200/10000）*1000=20元。CPM取决于产品的印象，不是评价广告效果的单一指标，是对不同媒体进行衡量而制定的一个相对指标。通过是用来比较不同渠道的广告收入找出效果最好的渠道。如果你想更多的覆盖用户范围，往往就会用CPM作为一个衡量指标。

CPAcost per action，是按照用户行为进行付费的。对于用户行为的定义依据不同的产品而定。可能是一次交易、获得一个注册用户、下载一次软件或是填写一次有效问卷等。这些统称为用户行为转化。

CPA=广告费用/有效转化次数。说到这不得不说，这个指标让人又爱又恨，因为CPA方式收钱比较困难（用户看到未必会点击，点击了未必会注册，注册了未必会下载等），相对转化次数的统计比较困难。对于广告平台商而言不大受欢迎。

CPCcost per click，是按照点击量付费；跟CPA想比，CPC更加的明确。就是以用户点击行为作为付费标准，以点击量作为衡定的标准。

比如：对于同一个IP，在一个时间段内重复点击，统计为1次，也可以忽略IP的限制，直接统计总点击量。

分享职场技能知识｜应聘高薪掘金岗位

　　数据产品经理需要具备的素质：

　　首先，数据产品经理必须了解不同的公司，在不同的阶段，需要哪些数据产品，并能够制作出来，这是此职位的核心要求。

　　其次，数据产品经理必须有足够的数据分析能力，如果有了数据分析的思维，再跟公司业务结合就会比较容易。

　　最后，数据产品经理是产品经理的一种，所以要同时具备产品经理的能力：了解用户，需求调研，方案设计，协调技术、测试、设计等。

　　数据分析师需要具备的素质：

　　理论要求及对数字的敏感性，包括统计知识、市场研究、模型原理等。

　　工具使用，包括挖掘工具、数据库、常用办公软件(excel、PPT、word、脑图)等。

　　业务理解能力和对商业的敏感性。对商业及产品要有深刻的理解，因为数据分析的出发点就是要解决商业的问题，只有理解了商业问题，才能转换成数据分析的问题，从而满足部门的要求。

　　汇报和图表展现能力。这是临门一脚，做得再好的分析模型，如果不能很好地展示给领导和客户，成效就大打折扣，也会影响到数据分析师的职业晋升。

　　2017年1月13日线上产品经理说明会带你入门了解产品经理的工作职责与发展前途，成为年薪50W起的优秀产品经理，你·还差一场入门说明会。报名地址：http://form.mikecrm/riZQwJ

做好数据分析和数据可视化已经成为越来越多的公司对业务人员的基本要求，但是现实应用中，往往存在这样那样的问题：

市场上现有数据分析工具对使用人员要求高，为了做好一次数据分析，业务人员预计需要花费的时间成本和学习成本都超出了正常工作范围！企业内部现有数据类型多样且复杂，进行数据整合的工作量过大！企业IT基础设施情况复杂，数据平台如何接入每个企业都有不同的要求：或独立部署或要求支持 SaaS 版本。

……

是否有一款数据分析产品能够解决上述所有问题呢？

答案是肯定的！

为帮助业务人员更容易地查看数据、理解数据、分析数据，进而改进业务，DataHunter 数据可视化分析系统横空出世！它为用户提供了简单快捷的建模工具，数十种丰富组件，拖拉拽一键完成数据可视化分析场景搭建，快速帮助用户查找分析背后的原因。

七大核心功能，让数据分析不止于简单！

异构数据源快速无缝接入整合

为什么要将异构数据源进行整合？因为每个企业的不同从属部门产生的数据类型不尽相同，根据数据文件的格式、存储系统、存储本地源、存储机器等不同，数据源的划分更是五花八门。

以往，如果决策层想总览全局，获取一致、全面的公司信息，就需要技术人员将各部门的数据进行提取、清洗、转换，载入到一个统一标准的结构中去。

现在，DataHunter 支持接入所有这些不同的数据源。CRM、ERP 及其他系统存储的数据，Excel、CSV 等各格式数据文件都可以快速无缝整合！同时还支持接入第三方互联网数据（微博数据、微信数据）和公共数据（如天气、股票汇率等信息）！

海量数据秒速处理万亿级也不会卡

当技术跨过提取、清洗数据的门槛，就可以快速为有价值的信息清理路障，DataHunter 可以轻松处理万亿级别的数据量，处理结果秒速到达用户眼前。

快捷动态数据关联洞察潜在关系

大数据时代，相关关系的实际价值要大于因果关系!而 DataHunter的动态数据关联功能，就可以帮助业务人员迅速洞察两个变量之间的潜在相关关系。

举个例子，某农产品批发市场想看看天气对自己农产品销售情况有什么影响，于是使用 DataHunter 数据分析平台进行了农产品订单和天气数据表的数据关联，将日期作为关联字段，就会快速发现什么样的天气情况下哪些种类的农产品销售情况比较好。

DataHunter 数据可视化分析系统支持不同来源的数据关联，动态调整数据关联关系，同时支持 Left Join 、 Right Join 、Inner Join、Full Out Join 等常用数据关联方式，帮助用户快速建立数据关联分析模式，发现各因素间出现的规律或模式。

智能数据分析拖拉拽10秒配置图表

DataHunter 基于智能分析技术，在用户数据可视化分析建模场景中，快速推荐合适图形，还可以根据用户要分析的数据特点，推荐匹配的可视化分析方式，同时支持可视化组件之间的随意切换。

技术小白，只需要通过拖拉拽就可10秒钟配置图表，5分钟制作出企业每天需要看的业务看板。

交互式数据展示探索式分析的魅力

随时改变展示方式，不同的用户可以自行配置不同的展示场景。支持用户只查看自己关心的数据，分层次凸显细节分析查找。用户不必事先建模及作出预计算，就可以随时对数据和看板上的图表进行协同过滤，全维度自由数据钻取。

举个简单例子，某饮料生产公司最近在四川的销量不太好。老板希望通过数据分析找到问题的答案。业务人员小明通过 DataHunter 数据可视化分析系统轻松搞定：

首先，小明拿到此公司本季度所有类型饮料的销量信息表，其中包含省市、时间、饮料类型等维度的销量信息，将这些销量信息表做关联，并按省市生成柱状图。

接下来，小明点击四川的柱子，按饮料类型进行下钻，发现四川可乐卖的好，而茶饮料卖的不好。从而可以得出结论：茶饮料的销量影响了公司产品的整体销售量。

继续按时间维度进行下钻，就显示出了四川茶饮料每个月的销售量趋势。从图形中可以看到茶饮料销量从5月中旬起就呈下滑趋势了。再结合产品数据，发现原来是因为5月份推出的茶饮料新品不被四川消费者认可，销售渠道进货量逐渐减少。

于是小明便可以向老板汇报，四川的哪类饮料销量减少，滞销原因在哪里，为老板决策提供关键信息。

多屏幕同步分享随时随地查看数据

从 PC、投影、电视到平板、手机，DataHunter 支持多种终端屏幕进行可视化内容的浏览分析，让查看数据成为一件随手可得的事情。无论你是在办公室、家里，还是在路上，都可以及时查看业务数据。同时系统还可以跟企业的实时数据库进行连接，从而实时更新和展示企业的最新业务数据。

SaaS、独立部署、嵌入式集成三种部署方式任性选

DataHunter 数据可视化分析系统支持SaaS、独立部署以及嵌入式集成三种不同部署方式。SaaS 服务使用云端解决方案，降低企业 IT 投入，真正实现开箱即用。独立部署可以在防火墙内部或私有云上部署整套解决方案，保证企业数据的绝对安全。嵌入式集成部署方式可以与企业原有系统无缝集成，深度定制界面确保带给用户平滑的体验。

DataHunter 数据可视化分析系统还支持私人空间和团队空间的划分，建立不同项目 Team，随时分享自己的看板，保证信息数据共享性与时效性。最为重要的是，所有用户数据都可云端存储，永不丢失，保证数据的安全。

数据可视化分析技术对于企业来说，创建了更高效、更快捷地处理分析数据的方式，更容易识别和应对实时性能和市场指标的变化。目前就国内市场而言，DataHunter 基于对用户分析习惯及业务逻辑思维的深入了解，研发出的数据可视化分析系统，不仅兼顾数据探索式分析的功能性需求，还为用户打造出最美观便捷的的数据查看方式 。

1.什么是数据分析？

数据分析的目的是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律。在实际工作中，数据分析能够帮助管理者进行判断和决策，以便采取适当策略与行动。比如：企业的高管希望通过市场分析和研究，把握当前产品的市场动向，从而制定合理的产品研发和销售计划，这就必须依赖数据分析才能够完成。

简单的说，就是对数据进行分析，比较专业的说法是，数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，未提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。以求最大化地开发数据的功能，发挥数据的作用。

数据分析包含“数据”和“分析”两个方面一方面包括加工和整理数据，另一方面也包括分析数据，从中提取有价值的信息并形成对业务有帮助的结论。

数据分析的成果通常以分析报告的形式呈现。对于数据分析报告，分析就是论点，数据就是论据，两者缺一不可。

2.数据分析类别

其中，探索性数据分析侧重于在数据中发现新的特征，而验证性数据分析则侧重于验证已有假设的真伪证明。

数据分析的划分：描述性数据分析、探索性数据分析、验证性数据分析。

1）描述性数据分析：属于初级数据分析，常见的分析方法有对比分析法、平均分析法、交叉分析法。

2）探索性数据分析：侧重于再数据之中发现新的特征

3）验证性数据分析：侧重于验证已有假设的真伪证明

其中探索性数据分析和验证性数据分析属于高级数据分析，常见的分析方法有相关分析、因子分析、回归分析等等。

3.数据分析的作用

数据分析在日常企业运营中主要有三大作用：

1.现状分析

简单的说就是告诉你过去发生了什么。

具体表现在：

第一，告诉你企业现阶段的整体运营情况，通过各个经营指标的完成情况来衡量企业的运营状态，以说明企业整体运营是更好了还是坏了，好的程度是如何，坏的程度又到哪里。

第二，告诉你企业各项业务的构成，让你了解企业各项业务的发展及变动情况，对企业经营状况有更深入的了解。

现状分析一般通过日常通报来完成，如日报、周报、月报等形式。

2.原因分析

简单的说就是告诉你某一现状为什么发生。经过第一阶段的现状分析，我们对企业的运营情况有了一个基本的了解，但是不知道运营情况具体好在哪里，差在哪里，是什么原因引起的。这时候我们就需要开展原因分析，以进一步确定业务变动的具体原因。

原因分析一般通过专题分析来完成，根据企业运营情况选择针对某一现状进行原因分析。

3.预测分析

简单来说就是告诉你将来会发生什么。

在了解企业运营现状后，有时候还需要对企业未来发展趋势做出预测，为企业制定经营目标以及提供有效的策略参考与决策依据，以确保企业的可持续健康发展。

预测分析一般通过专题分析来完成，通常在制定企业季度、年度等计划时进行，其开展的频率没有现状分析及原因分析高。

什么时候开展什么样的数据分析，需要根据自身的需求及目的来确定。

分享 IT 技术和行业经验，请关注-技术学派。

数据分析是产品经理必须具备的一项能力，在产品需求阶段可以通过数据分析对用户的需求去伪存真，在产品上线运营阶段，又可以通过数据验证产品的可行性并且进行迭代。那么，什么才是数据分析的正确姿势呢？这里给大家按数据分析的步骤来讲一讲这方面的基础知识。

一.确认分析目标

进行数据分析工作一定要有目的性，不要为了分析而分析。当我们遇到问题时要先去，要先去考虑我们做数据分析是为了解决哪些问题。

二.采集数据

当我们确定了分析目标之后，就要开始收集数据，数据来源一共有三种：

产品本身—产品运营数据和用户反馈

竞争产品—网站流量和公司财报

行业内—行业分析报告和热点大数据

提供行业数据的网站非常多，这里给大家介绍几个常用的

百度指数，友盟；艾瑞咨询，易观智库，CNNIC，比达咨询，DCCI互联网数据中心，Alexa;

移动应用：Google Analytics

三.数据分析

数据分析数据分析阶段可以说是最重要的一个环节在这里我要给大家介绍两个内容，一是数据分析框架，二是数据分析方法。

（一）数据分析框架

数据分析框架可以说是数据分析的思路，可以帮助我们了解到底是哪些数据出现了问题这里介绍几个最常用的分析框架

AARRR模型

AARRR模型可以告诉我们在产品的几个阶段分别需要重点关注哪些数据。AARRR是几个英文字母的缩写，分别是获取、激活、留存、收入、推荐

获取（指产品推广，告诉我们用户从哪来）需要关注的数据为：曝光数、打开率、点击率、下载量、安装量、用户获取成本。

激活（指用户使用了产品）需要关注的数据为：设备激活量、新注册用户数、日活跃、浏览数、订阅数。

留存（指用户持续使用产品）需要关注的数据为：次日留存率、7日留存率、距离上次使用时长。

收入（指产品获得利润）需要关注的数据为：付费率、付费频次、客单价、用户价值。

推荐（指用户推荐他人使用我们的产品）需要关注的数据为：转发数、邀请数、评论数。

2. 逻辑分析框架

核心指标出现了问题一定是有相关指标出现了问题。

如销售额=访客数UV*转化率*客单价，销售额下降的原因要在这三个指标里找原因

如流量增长因素：PC端、APP端、WAP端、友盟等

3.漏斗分析框架

用于分析开始用户到最终用户的数量变化趋势

4.还有一些管理营销方面的分析框架

如SWOT分析、4P理论、5W2H、SMART分析等等就不一一说明了，以上三个分析框架已经是比较常用的了。

（二）数据分析方法

说完了分析框架，再说说数据分析方法，通过数据分析的方法，我们可以了解哪些数据有问题，出现了什么问题。数据分析方法也有几个比较常用的

1.对比分析

最常用的分析方法，通过对比的方式来找出差异，对比的对象可以是其他竞品也可以是自己的产品，对比的时间可以采用同比与环比

2.趋势分析

通过折线图的方式发现问题（数据下降或是上升等等）

3.交叉分析（通过多个维度去分析数据）

4.象限分析

4.总结与改善

当我们知道哪些数据出现了问题和到底出现了什么问题的时候，我们就可以根据这些问题来改善自己的产品了。数据虽说是客观的，但人却是主观的。同样的数据在不同的人眼里得到的结论也有可能是不一样的，数据分析也有几个常见的误区。

忽略了沉默用户，只在乎少量用户的数据忽视了整体

不要过分依赖数据，做一些没有价值的数据分析。

错判因果关系，商品评论多商品卖的就一定多吗？

警惕数据表达的技巧

总结

数据分析可以说是一门非常专业的学问，里面所涉及的内容非常的多，产品经理应该有对数据的敏感性。这里给大家讲了互联网数据分析的基本内容，希望能够给大家一些帮助。

道家强调四个字，叫“道、法、术、器”。

层次区别：

“器”是指物品或工具，在数据分析领域指的就是数据分析的产品或工具，“工欲善其事，必先利其器”；

“术”是指操作技术，是技能的高低、效率的高下，如对分析工具使用的技术（比如用Excel进行数据分析的水平）；

“法”是指选择的方法，有句话说“选择比努力重要”；

“道”是指方向，是指导思想，是战略。

在数据分析和产品、运营优化方面，数据分析方法是其核心，属于“法”和“术”的层次。

那么如何做好数据分析呢，今天我们来讲讲互联网运营中的十大数据分析方法。

01 细分分析

细分分析是分析的基础，单一维度下的指标数据的信息价值很低。

细分方法可以分为两类， 一类逐步分析， 比如：来北京市的访客可分为朝阳，海淀等区； 另一类是维度交叉， 如：来自付费SEM的新访客。

细分用于解决所有问题。

比如漏斗转化，实际上就是把转化过程按照步骤进行细分，流量渠道的分析和评估也需要大量用到细分的方法。

02 对比分析

对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值， 通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。

常见的对比方法包括： 时间对比，空间对比，标准对比。

时间对比有三种： 同比，环比，定基比。

例如： 本周和上周进行对比就是环比；本月第一周和上月第一周对比就是同比；所有数据同今年的第一周对比则为定基比。通过三种方式，可以分析业务增长水平，速度等信息。

03 漏斗分析

转化漏斗分析是业务分析的基本模型， 最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。

漏斗帮助我们解决两方面的问题：

在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。

在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。

04 同期群分析

同期群（cohort）分析在数据运营领域十分重要，互联网运营特别需要仔细洞察留存情况。 通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。

同期群分析深受欢迎的重要原因是十分简单，但却十分直观。 同期群只用简单的一个图表，直接描述了用户在一段时间周期（甚至是整个LTV）的留存或流失变化情况。

以前留存分析只要用户有回访即定义为留存，这会导致留存指标虚高。

05 聚类分析

聚类分析具有简单，直观的特征， 网站分析中的聚类主要分为：用户，页面或内容，来源。

用户聚类主要体现为用户分群，用户标签法；页面聚类则主要是相似，相关页面分组法；来源聚类主要包括渠道，关键词等。

例如： 在页面分析中，经常存在带？参数的页面。 比如： 资讯详情页面，商品页面等，都属于同一类页面。简单的分析容易造成跳出率，退出率等指标不准确的问题，通过聚类分析可以获取同类页面的准确数据用于分析场景。

06 AB测试

增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。 快速验证，那如何验证呢？主要方法就是AB测试。

比如： 你发现漏斗转化中中间有漏洞，假设一定是商品价格问题导致了流失，你看到了问题-漏斗，也想出了主意-改变定价。但主意是否正确，要看真实的用户反应，于是采用AB测试，一部分用户还是看到老价格，一部分用户看到新价格，若你的主意真的管用，新价格就应该有更好的转化，若真如此，新价格就应该确定下来，如此反复优化。

07 埋点分析

只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。

通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，即可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为。

如： 重度交互（注册，邀请好友等）和交易事件（加购物车，下订单等）则通过SDK批量埋点的方式来实施。

08 来源分析

流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。

传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。

09 用户分析

用户分析是互联网运营的核心， 常用的分析方法包括：活跃分析，留存分析，用户分群，用户画像，用户细查等。

可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标；通过用户行为事件序列，用户属性进行分群，观察分群用户的访问，浏览，注册，互动，交易等行为，从而真正把握不同用户类型的特点，提供有针对性的产品和服务。

用户画像基于自动标签系统将用户完整的画像描绘清晰，更有力的支撑运营决策。

10 表单分析

填写表单是每个平台与用户交互的必备环节，优秀的表单设计，对转化率的提升起到重要作用。

用户从进入表单页面之时起，就产生了微漏斗，从进入总人数到最终完成并成功提交表单人数，这个过程之中，有多少人开始填写表单，填写表单时，遇到了什么困难导致无法完成表单，都影响最终的转化效果。

以上是常见的数据分析方法，更多应用方法需要根据业务场景灵活应用。

图片 | 摄图网

很多朋友会问，我们做产品数据分析要分析哪些呢？当然就是分析数据指标。那是不是首先要先熟悉数据分析中的术语有哪些，其次要知道针对这些指标数据有哪些分析维度。今天我们就来学习这方面的内容，请耐心看完哦！

一、数据分析“行话”

每个领域都有它的专业术语，先来扫扫盲吧！

平均数；数据分析中最普通的一个数据分析术语。

绝对数和相对数；绝对数指到底有几个，而相对数是指相对于之前数据的一个 对比值。

百分比和百分点；百分比是指标最常用的表现形式，通过用“%”表示。百分点是指不同时间以百分比数表示的变动幅度。

频数和频率；频数是一个比较直观的数量，频率就是频数与总数之间的比值。

比例和比率；比例是指在总体中各数据占总体的比重，通常反映总体的构成和比例，即部分与整体之间的关系。比如：某公司部门由男生10人，女人30人。则男生比例1/4，女生比例就是3/4。比率是指总体中某些数据之间的比值。反应了整体汇总部分与部分之间的关系，以上面列子说：男女比例为1:3。

倍数和番数；部数是指两个数据成倍关系，我们经常会表达“今天是昨天3倍”；通过是用一个数据除以另一个数据获得的。倍数一般用来表示上升、增长幅度，一般不表示减少幅度。而番数最容易误解，指原来数量的2的n次方。比如：今天利润比去年翻一番，就是今天利润是去年的2倍（2的1次方），那今年利润比去年翻两番，就是今年的利润是去年的4倍（2的2次方）。很多人最容易搞混的就是这两个，翻倍远远比不上翻番。

同比；指的是历史同期相比较而获得的比值，反应事物发展的相对性。比如：某公司今年第一季度海产品产量比去年第一季度的海产品产量增加了40%，这就是同比。通俗的理解就是：同比=2017年4月/2017年4月。

环比；指的是与上一个统计时期的值进行对比获得值，主要反应事物的逐期发展的情况。例如：某公司今年第2季度海产品产量环比增长20%，表示某公司今天第2季度海产品比今天第1季度海产品增长了20%.通俗的理解：环比=2017年2月/2017年1月

二、数据分析指标

网页指标

是我们在产品运营过程中谈及最多的指标，但这里要强调的是网页指标是web端的一个指标概念。当然随着移动互联网爆发，现在也应用到移动端上。

PV我们天天听别人说PV，那是什么呢？就是指的页面浏览量（page view），用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。在一定的统计周期内用户的每次双薪网页一次也被计算一次。可通过后台运营获得数据；当然也可以通过相关统计工具获得，如公开的：Alexa、百度统计、Google Analysis、友盟等，一般来说PV与来访者的数量成正比，但是PV并不是直接决定页面的真实来访数量；例如：同一个来访者通过不算的刷新页面，也可以制造出非常高的PV。所以往往看PV的时候也要对比的看看UV。

UVunique visitor，即独立访客，这里用户会按照用户维度进行划分，一个用户一天内访问多次我们只记录1次，也真实反映了一天内到底覆盖多少用户量。使用独立用户作为统计量，可以更加准确的了解单位时间内实际上有多少个访问者来到了相应的页面。

跳出率指用户到达你的网站上并在你的网站上仅浏览了一个页面就离开（此时用户就做出了跳出的行为）的访问次数与所有访问次数的百分比。这里的访问次数其实就是指的PV。浏览单页即推出的次数/访问次数。

举一个例子：在一个统计时间内，一个网站有1000个不同访客从某一链接进入，并且其中有50个人没有二次浏览行为，是直接推出网站的，则针对这个链接的网站跳出率为50/1000=5%。

但是有些行为虽然跳出了，但不能算作真实的跳出率。例如：页面中加入有导出的链接（合作伙伴、支付页面、二三级页面等），都不算是负面的跳出。所以我们要根据不同的情况统计有效的数据才能得出可靠的跳出率。

尤其重要的指标：它说明了网站用户体验做的不好，用户进去就跳出去了。网站没有满足用户的期望与需求或者是人群定位不精准，反之如果跳出率较低，说明网站用户体验做的不错，用户能够找到自己的需要的内容。而且以后他还可能还会在来光临你的网站，提高了用户粘性。慢慢的可以积累大量的网站用户。退出率再看一个跟跳出率相似的指标：退出率。就是指对某一个特定的页面而言，从这个页面离开网站访问数占所有浏览到这个页面的访问数的百分比。从该页面退出的页面访问数/进入该页面的访问数，可采用访问的统计工具（像：Google Analylics）进行统计。

它从某些方面就反映网站对于访客的吸引力，如果退出百分比很高。说明访客仅浏览少量的页面便离开了，因此当你的网站退出百分比很高的时候就要想办法改善你网站的内容来吸引访客了。跳出率与退出率对比大家肯定觉得他们有相似的地方，但它们衡量标准不一样。所以我觉得还是要讲一下两个关系对比！跳出率适用于访问的着陆页（就是用户访问的第一个页面），而退出率则适用于人和网访问的退出的页面（就是用户访问过程中在你的网站上访问的最后一个页面）。

退出率是对于特定的页面来说的，对于网站整体来说并无意义，因为来到网站的访问必然最终都会离开网站，对于网站整体来说其退出率必然是100%。而跳出率则可以适用于着陆页面，也可适用于网站整体。

跳出率只能衡量着陆页的访问，跳出率分母等于最后访问的数量，而分子则是跳出的访问数量。退出是针对全部的访问页面，不限于着陆页（任和页面都有退出率）。退出率的分子=退出的次数（包括一次访问过程中的用户浏览单页即跳出的次数，也包括浏览多页后从该页面退出的次数）。今天分享就到这里，明天我们继续！

分享职场技能知识｜应聘高薪掘金岗位

产品运营三大核心指标：拉新、活跃、留存。相信每一个小伙伴都不陌生。

不同的产品阶段可能运营策略重心会有所不同，但肯定对于各种拉新活动并不陌生，例如H5活动、广告投放、软文扩散、渠道换量等。

每一轮的投放活动都需要衡量投入产出比ROI，每一次活动结束都需要进行复盘讨论，每一轮迭代投放都可能在验证一些猜想。

我们的目标是：用合理的投入成本，通过各类途径优化，最大化效果产出。

但实际的运营投放中，往往会遇到各式各样的投放方式：

这个渠道说，我们不能实现不了直接跳转下载；

那个渠道又说，我们是做品牌的，高曝光才是我们的优势，转化不关我事；

还有的时候，一个渠道上，就有3个不同的位置x3种素材x3种跳转方式，跳转应用市场之后到底下载了木有，打开APP了木有，效果怎么衡量，头有点晕……

但其实，我们关心的是以下几个方向：合理投入、优化路径、最大化产出。简而言之，我们关心的是：投入产出比。

（在不同的渠道进行拉新）

如何找到最大化的投入产出比，这是每一个负责拉新业务的小伙伴都曾经或者正在头疼的事情。

从上图的流程上看，我们可以优化的就是几个环节：产品是否吸引人、渠道是否优质、投放的方式是否高效、效果是否符合预期。

这里暂时不讨论产品定位，我们只讨论丰富多彩的渠道投放的效果优化。

我有100种投放姿势，就问你敢不敢试~

这里，我们虽然是以APP拉新为例，讨论的是一种多渠道效果数据分析体系，但其实适用于每一个就算不是APP产品，或者你的拉新不是以增加APP用户为核心，都可以复用这套数据分析框架。

设定预期目标

首先，对于任何一次投放活动，我们都必须界定它的目标产出。只有在清晰的效果衡量体系下，渠道数据的对比才有意义，多渠道的ROI才有可比性。

对于APP拉新的投放活动来说，常见的预期效果可能是：

提高对APP的认知（以传播广泛为目的）

成为APP用户（APP下载并激活）

在APP内完成特定行为（如购买、身份验证或者领取礼包）

我们以常见的拉新——“APP下载并激活”为例，先搭建一个数据漏斗，看看我们效果环节上需要观察哪些数据。

如果我们希望监控的是上述内容中③的效果数据，我们就在激活之后继续添加下一层级的漏斗，统计例如加入购物车、确认下单、付款这样的流程。

在这样的漏斗流程之上，我们可以搭建监控指标，有时候监控的数据可能无法实现理想的统计指标，我们可能会需要补充其他监控指标，有时候也无需如此精确的数据粒度。

我们最后监控的数据指标如下（表1）：

而效果数据部分，则可以通过MTA的新增报表——安装来源分析实现。

为什么这里增加了“下载所用网络占比”？

原因是在下载完成到安装，这两个事件属于APP应用市场的原生事件，开发者无法主动采集，但我们依然关心这其中的转化步骤，主要是担心用户如果处于较差网络环境下，下载行为可能会被终止，因此这里用了“所用网络占比”这样的辅助字段数据。

这里的辅助字段数据主要是为了优化转化效果所做的准备。确定了目标，我们第二步就可以做投放过程的数据记录了。

投放过程记录

做这一部分的数据记录，主要的目的，一是为了复盘的时候方便做分析对比，二是为了优化迭代的时候更有方向。

根据埃里克·莱斯的《精益创业》中的观点：每一次的实验迭代，其实都是为了得到一个经证实的认知。

应用在推广投放体系下，每一次投放策略的设计，都是为了验证一个投放策略的有效性，是为了提升效果产出。

这个环节是一个多路分支，我们需要做一些版本记录，以便更好的定位问题。过程图大致如下：

记录过程表2为：

（表2 广告投放策略记录）

*根据投放方式的不同，可能记录的方式也会略有不同

**具体的策略信息可以在详表中展开记录

然后把表1的效果数据映射在表2之后，得到一条投放活动的完整记录。然后就可以通过数据来验证具体的投放策略的有效性了。

验证目标是怎样的投放策略，这一点需要在投放开始前就规划好，这样数据分析的时候才能得到有效的结论。

分析与优化效果

对于搜集到的众多详细数据，我们接下来就可以做一些数据上的结果分析了。

首先，我们可能想验证的是投放素材对渠道1的banner-1的影响，那么，我们把表2中渠道1单独拿出来，可以得到如下表格：

（表3.投放素材对渠道1的banner-1的影响）

如果我们想比较渠道1上Banner和Feeds流的差别，我们可以得到：

我们也可以针对人群定向投放效果、不同的投放时间，乃至渠道效果质量对比等多个维度进行数据分析，通过数据来验证我们的策略，优化投入产出比。

所以，虽然说投放的姿势有千千万，但效果路径总是相似的。

如果你有丰富多彩的投放策略，不用急，不要慌，把路径理出来，控制策略的版本，采用A/B TEST等加快验证迭代速度，最终得到有效的投放策略与最大化的ROI效果。

以上是关于投放效果上的数据指标体系分享，相似的分析思路可以复用在不同需求的投放方案中，包括一些线上、线下的运营活动，其实也可以复用这个框架。

来源：pm28

　　大家都知道，对于产品经理的岗位要求的能力还是比较多的，如果我们对这些能力，按照硬技能和软技能进行分类的话，就有且不止以下这些能力：

　　软技能：沟通能力、决策能力、逻辑分析能力、执行力、项目管理能力等;

　　硬技能(工具能力)：文档能力、Visio、Axure、Mindmanger等;

　　那么，产品经理的另一种非常重要的能力---数据分析能力，你有吗?蓝鸥资深产品经理讲师为大家整理了答案。

　　何为数据分析?

　　现在的软件开发，都讲究小而美，单点突破，快速迭代。那么我们在快速迭代时，就要用到数据分析，通过用户使用数据来分析产品的优缺点，甚至方向的正确与否。因此，数据分析，就是产品迭代时的眼镜和耳朵，产品经理也是通过数据分析，来说服开发做功能，说服老板投入资源。

　　数据分析的概念：

　　数据分析是指用适当的统计方法对收集来的大量第一手的资料和第二手的资料进行分析，以求最大化地开发数据资料的功能，发挥数据的作用。通过对数据的详细研究和概括总结以提取用户信息和形成结论。

　　数据分析使用场景列举：

　　1、如果某款游戏下载量高，注册率低;是否因为服务器登录问题或者注册流程繁琐，是否近期网络出现故障?

　　2、如果某款游戏数据一直良好，某段时间数据突然跌落;是否因为市场宣传力度减弱，是否因为用户生命周期上线，还是说其他精品的冲击?

　　我们必须了解的一点，是数据分析不在于数据本身，而在于分析的能力。数据只是参照物，只是标杆，分析才是行为，通过分析数据，我们发现问题的所在，再改进它。

　　需要分析哪些数据?

　　基础数据：下载量、激活量、新增用户量、活跃用户等;

　　社交产品：用户分布、用户留存(次日、3日、7日、次月、3月)等;

　　电商：淘宝指数、网站流量、跳出率、页面访问深度等;

　　内容类：内容转化率(内容下载量/内容浏览量)、留存量;

　　工具类：功能点击量、应用商城排名;

　　其他：竞品数据(下载、激活等);

　　数据分析的工具：

　　1、第三方数据分析工具，如友盟，可快速接入，节省成本，比较适合创业型公司及刚上线的产品，但是无法对关键数据在突发异样时进行跟踪;;

　　2、自己开发的数据分析工具，可以对每个数据进行实时跟踪，并快速做出产品的调整，需要足够的开发人员及成本，比较适合大型公司或者成熟型产品;

　　如何进行数据分析?

　　对于这个问题，我想作为产品的工作人员，我们还不用达到数据分析师的高度，因此也不用说要先对数据建模，再对实际分析数据，看是否与模型吻合。但是，我们却需要要有一个产品数据分析的思路，这个思路可以这样展开：

　　1、我为什么分析?即就是明白，我分析的目的是什么，是寻找付费用户下降的原因?还是注册用户减少的原因?

　　2、我分析想要达到什么效果?是通过分析付费用户，找到问题，解决问题从而提升收入?

　　3、我该分析哪些数据才能达到这个效果?即需要什么数据才能达到分析的目的;

　　4、我又该如何采集这些数据?是直接通过第三方数据分析工具或者我们自己开发的工具就可获得?还是说要从数据库调取再交给程序猿哥哥?

　　5、我该如何整理这些数据?即我们常说的数据可视化，这样可以便于我们进行分析;

　　6、如何分析?即通过分析，找出问题的所在，给出你的结论;

　　7、怎么解决问题?给出你的解决方案;