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。

产品不会说话，数据也不会说话，那么怎么知道你的产品表现如何？你的赠品价值如何？新品是否有潜力？是否有效果？产品线上的产品如何取舍，如何调整？

这就需要收集整理清晰一系列的产品表现数据来进行判断，如何分析产品数据主要分以下几个方面：一、分析新品潜力；二、分析新品效果；三、如何判断产品取舍；四、分析赠品价值

每一条都手把手教会你：

一、分析新品潜力

列出产品的评估维度，让顾客打分各维度得分。

比如某烤串前期研发产品，就把烤串的维度分为肉香味、韧性、多汁性三个，进行了共计25次盲测，最终确定了原料与调料。当时每次盲测都形成结果，然后最后选了综合得分最高的那次上市。

比如，化妆品的分析维度：

二、分析新品效果

产品上市一个月之后，得来一次销量与评价的评估，决定调整方向——

1、销量评估

将新品，与对应类目的典型旧品对应，然后比较销量、销售贡献率、平均购买件数、转化率、收藏次数、月销量提升空间。

数据来源：生意参谋-自助取数，调取各个品类新品的典型数据，然后，只要新品上市，都对比之前该品类上市的各项数据，

来综合评估新品的销量哪里有提升空间。

2、评价评估

在你的产品电商页面，抓取评价，通过固定维度，建立词云图或者雷达图，对新品期新品表现进行评估…

1、将你所有想评估的维度分解为加分、减分关键词，

比如精油浓稠指数的加分关键词是浓稠、挺稠、很稠、厚稠、黏黏的、粘稠的、比较稠、有点粘、有点稠、粘稠度很好、是浓稠型、有点黏黏的；

减分关键词是有点稀、稀稀的、比较稀、有些稀、很稀、稀了、这么稀、水似的。

看各关键词有多少条加分评论，减分评论，加分评论数-减分评论数就是最终指数。

需要自己动手一个一个词做，别指望别人能帮你完成。

三、分析产品取舍

原理是将线上产品销量占比，减去线下产品销量占比，得出线上下产品各自的销量上升空间。

比如你的产品某年年线上主推产品A，线下主推产品B， 因为线下A占比比线上多最多，而线上B占比比线下多最多。比如线上B占比40%，线下才10%，就是不合理,

——其实线下、电商、微商渠道的产品销量占比是应该大致相同的。尤其是你产品数少的时候。

四、分析赠品价值

原理是从每周评论中导出提及赠品的评论数，然后对比总评论数，长期监测赠品提及率。提及率高且稳定的继续用，提及率长期低的撤换。

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

答|百度派 @johnnywaiting

在做这些之前，一定先了解清楚，自己要做的是一个什么样的产品，最好能用一句话来描述清楚你的产品是什么。这是对一个产品的定位。

好了，定位好你的产品之后，你就可以着手写PPT或者是写一个分析报告文档了。下面是提纲，你可以参考，应该有的章节你最好都写上去，这很重要。

1、行业概述

结合产品所在行业，介绍互联网背景（可以展现大局观、战略思维，如果不清晰就不写）

介绍产品对应市场情况（市场规模、用户群体、产品组成及竞争情况、有何新趋势等）

2、产品概述

产品简单描述（可以按照why,what,where,when,who,how,how much的5W2H的思路来选择性简单描述）

产品定位与目标（定位：不是你对产品做的事，而是你对预期客户要做的事。换句话说，你要在预期客户的头脑里给产品定位，它的基本概念应包括在合适的环境中和合适的时间对合适的人说合适的话-即满足合适的需求；目标：实现什么效果）

产品形态（比如在终端类型、用户种类等等方面有多种已有的产品形式，为后面延伸思考还可以有哪些形式，或者已有形式之间的整合精简或者形成闭环等）

产品发展规划（产品的远景目标以及实施的战略过程。可以细写到产品各类别结构规划及定位，产品生命周期规划等）

3、用户需求分析

用户分析（用户地域分布、用户人群分布：性别、年龄、职业、学历等、用户使用客观场合和主观场景，这里个人觉得使用场景和使用所处的客观场合的分析很重要，可以保证你在思考的过程不脱离用户本身）

需求分析（需求整理罗列，然后整理哪些被很好满足，哪些被很坏满足，哪些可以更好满足）

4、产品功能分析

（功能模块框架及简单描述、主要业务流程，产品界面布局交互等）

5、产品非功能分析

（安全性、软硬件环境、运营推广方面等等，可省略）

6、产品SWOT分析

内部条件分析--

S：优势分析（需求满足、交互、视觉、技术性能、资源平台等方面分析用户体验，可以结合竞品来考虑）

W：劣势分析（同上）

外部条件分析--

O：机会分析（新产品，新市场，新需求，市场发展趋势优势，竞争对手失误等）

T： 威胁分析（新的竞争对手，市场挑战，替代产品，行业政策，用户不稳定或改变，突发风险事件等）

7、改善建议及发展方向

改善建议：可针对上面提出的劣势或者功能、非功能分析提出具体的改进思路或方案，如果能有交互设计更好

发展方向：可借鉴第六个模块的SWOT分析，见下图（分析完了还是做个总结得出结论，要不然分析有些浪费-下图红色字体部分）

以上内容由百度派作者提供

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。

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 。

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

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊。

一、初创期

初创期的重点在于验证产品的核心价值，或者说验证产品的假设：通过某种产品或服务可以为特定的人群解决某个问题。这个阶段应当遵循MVP(Minimum Variable Product) 的思想，以最小的成本来验证创业的想法，并根据用户的反馈快速迭代以调整解决方案，最终在数据上得到验证。

案例：

拿之前做的某款国外移动端论坛社交应用为例，产品在idea时期(12,13年左右)发现了论坛用户经常在吐槽从移动端Wap页访问论坛速度慢、广告多、完全没有移动端适配，于是我们提出假设：做一个App，连接论坛系统与用户，让论坛用户在移动端也能享受流畅的论坛访问体验，并且用户愿意为了这种体验付费。

于是在初期，整个产品完全围绕看帖、发帖两个核心场景进行挖掘，在论坛里进行宣传，售价$18，发现有许多用户为之付费，且这些用户的留存率达到60%+(当然与用户付费了有关)，有一半的用户使用时长都超过了70分钟。当时没过多久陆续出来了一些竞品 (Vbulletin团队，当时最大的论坛系统，开发了一个移动端的App，意图解决同样的问题)，但是没过多久都远远落在了我们后面，就是因为整个团队遵循MVP的思想，按用户反馈专心反复打磨看帖、发帖的流畅体验，获得了非常好的用户口碑并领先市场，也获得了某著名硅谷投资机构的投资。

关键数据——目标人群画像

除此之外，初创期可以通过接入一些第三方的应用监测SDK来了解初期用户群体的画像，从侧面验证用户群体与假设的目标用户群体特征是否一致，常见的是人口学属性(性别、年龄、学历、地域)。

案例：

今年4月初在和国内某健身类的APP的产品经理聊到， 该APP最初是一款健身、运动记步的工具App，在产品前期新用户的次日留存处于业内平均水平，在其观察到目标用户群体的画像时，发现女性用户明显比男性用户要多，且女性用户留存明显比男性用户要高。于是决定在产品策略上向女性用户倾斜，主攻女性健身、减脂、美容方向的功能以及内容推荐，产品整体次日留存率相比之前增长近100%。

同样，最近服务了一个鹅厂内部客户，他们开发了一款新产品，意在面向年轻人群体，结果却发现其用户年龄分布以青少年和老年人居多：

这正好与他们的用户渠道相关，原来他们有一款面向青少年和老年人的产品，为了给产品带来第一批用户，他们直接从老的产品将用户引流过来，结果发现他们并非产品的目标用户。

关键数据——留存率

在当前用户符合目标受众特征时，核心关注这些用户的留存率、使用时长/频率、用户的黏性等指标，这里就留存率展开来讲。

留存率的维度分很多种(7日，双周，30日等)，依据产品特征来选择，若产品本身满足的是小众低频需求，留存率则宜选择双周甚至是30日;留存率高，代表用户对产品价值认可并产生依赖，一般来说，假设便能得到验证，通常低于20%的留存会是一个比较危险的信号。

介绍一个以数据为驱动的先行指标模型，可以通过找到先行性指标指导产品设计，从而提升留存率。先看下先行性指标的定义，先行性指标是指新用户在使用产品早期的一种产品行为，这个指标与用户的留存率指标之间存在着非常高的线性相关关系，可以预测用户是否会在产品中留存下来。

用自己总结的公式来描述，大致如下：

积极预测可能性(%)：表示用户执行了该行为，即可预测该用户留存活跃的可能性

消极预测可能性(%) ：表示用户如果不执行该行为，即可预测该用户不留存活跃的可能性

最终，先行性指标的可信度=积极预测可能性 X 消极预测可能性 ，我们直接看案例。

案例

拿之前的论坛社交App为假设，假设“用户在注册前10天内添加好友超过7个”为先行性指标，那么我们计算一组数据：

其中，用户前10天内添加好友超过7个，则其30日留存下来可能性为99%;若添加好友小于7个，则其30日不留存下来(流失)可能性为95%，综合指标可信度为0.9405。

同理，计算以下两个先行性指标可信度：

最终，我们得到对比：

以上只是假设的数据，实际上，我们需要对比十几个甚至是二十几个行为指标才能找出先行性可信度最高的行为。

这个模型中第一条“新用户在注册后的10天内添加好友超过7个”，也就是Facebook一个经典的“aha moments”，所谓”aha moments”即当用户意识到产品的核心价值的时刻，也就是我们的“先行指标”。

(Facebook，Instagram推荐好友截图)

除此之外，先行性指标应当满足以下条件：

二、快速成长期

经过了产品打磨的初始阶段，产品有了较好的留存率了，这个时候产品开始进入自发增长期。自发增长期的产品阶段，仍需要关注用户留存、用户时长、用户画像的变化等数据，但可以将侧重点关注在用户的整个生命周期的管理，其中以新用户的增长、激活、触发“aha moments”到产品稳定活跃用户的整个漏斗分析为主。

新用户的增长和激活

其中新用户的增长和激活一般有两种方式，第一种是构建产品的病毒性传播系数, 让产品自发增长，《精益运营数据分析》书中有提到的几个用户病毒式传播分类很有趣：

原生病毒性，即通过App本身的邀请好友功能而传播吸引的新用户的方式;

口碑病毒性，即通过口碑传播，用户主动通过搜索引擎成为的新用户;

人工病毒性，即通过人工干预，如有奖邀请等激励措施来鼓励用户进行邀请行为。

这里关注的一个指标称之为“病毒式传播系数”，感兴趣的同学可以自行深入了解。

新用户下载->激活->‘Aha Moments’->产品稳定活跃

产品开始进入自发增长期后，需要关注用户从新用户到活跃用户(留存后)、到核心用户的生命周期，并将每个过程的关键指标提炼并精细化。

案例

以之前的论坛社交APP为例，新用户进入产品会看到一个欢迎页(如左下图)，经过注册、登录后会看到产品的首页(如右下图的Feed流页面)，多数App都有类似的流程：

一个新用户从进入App欢迎页到最终成为核心用户大概是以下流程：新用户(探索发现产品价值中)-> 旁观者(逐渐认知产品价值并有一定的参与感)->生产者(认同产品价值并积极参与)：

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊：

此时，对各个阶段的用户行为进行指标分解：

新用户&探索发现者：

欢迎页跳出率新用户注册率新用户引导流程转化率初始看到Feed页跳出率搜索结果转化率推送权限开通率

旁观者(路过者)：

平均每个用户关注板块数平均每个用户关注其他用户数平均每个活跃用户赞/分享数Feed卡片展示数Feed卡片点击数订阅内容推送点击率

内容生产者：

· 平均每个活跃用户发帖数

· 平均每个活跃用户发照片、视频数

· 平均每个用户在论坛内使用时长

· 活跃用户在论坛内行为分布

精细化的拆分用户生命周期前中期的行为指标，在产品快速增长期帮助了产品不断打磨细节，将用户从新进到成为核心用户体验不断完善。与此同时，在各节点数据提升并稳定后，产品运营的同学则开始进行各种推广、投放的宣传以扩大盘子、占领市场。

三、成熟期

随着用户快速增长，产品不断完善，产品在进入成熟期前后，数据运营关注的重心开始从用户生命周期的前半段(吸引、激活、留存)往后半段(流失、回流)开始偏移。

这里分享一个在增长期和成熟期关注的数据模板 Daily Net Change (应用自John Egan@Pinterest)，区别于只关注DAU、MAU数据，只关注活跃用户数的增减很多时候都是取悦自己，而这个模型能帮助直观地观察到用户增长的因子是什么，或者用户盘子变化的情况，通过一张图展示了产品的新增、回流和留存情况。

其中Net Change = 新增用户 + 回流用户 – 流失用户。

新增用户即当天有多少新用户加入

回流用户即多少老用户连续28天没有使用，今天又开始使用

流失用户即有多少已有用户刚好最后一次使用应用是在28天前

流失与回流

在关注流失回流的过程中，数据会揭示当前用户盘子的一个变化情况，具体分析流失原因则可以参考下方流程：

核心思路即，通过回访定性+数据验证为主要手段，确定流失原因，改变产品运营策略以预防用户流失或拉回用户，促进回流。

除此之外，对于一些稳定的投放渠道，普通的改善方法可能提升转化有限，此时可以进行更精细化的渠道分析来优化提升ROI：

案例：

提升ROI

四、衰退期

最终，产品进入衰退期，一般在进入衰退期前可以采取两种方式：

1、规模化

常出现在零售业中，如开一家按摩养生店，在一定范围内收获好评，那产品成熟的时候则可以开启连锁加盟模式，通过迅速而广泛的扩大市场形成品牌效应，以形成壁垒，此时衰退的风险则被抵御。

2、生态化

在产品增长或接近完善时，单一的产品很容易存在需求过于垂直、用户无法形成依赖的问题，可以开发具有协同能力的新产品以搭建完整的产品生态，使得在当前产品上无法被得到满足或失去兴趣的用户被引流到新产品，作为新产品的新用户;同时新产品的用户也能在新产品上被引流回老产品，产品之间形成互相依赖的链条，最终用户有效流转，形成生态。

　　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;

行业市场分析的主要分析要点包括如下内容：

1、整体行业分析

（1）、宏观环境分析

自然环境——-自然资源短缺、环保费用上升、公众生态需求增加，环保立法加强；经济环境——-消费者收入水平、消费倾向、消费结构；人口环境——-人口总量、人口结构、人口分布、婚姻家庭变化、教育与职业；社会文化环境——人们的生活方式、社会阶层的构成、社会文化特征；科学技术环境——-平均产品寿命周期缩短、微电子技术与网络技术发展、专利技术和知识产权的保护加强、知识经济出现；政治法律环境——-法律及政策法规、法律的地位、政策导向；

（2）、行业数据：市场规模、市场增长态势、市场占有率

市场规模：不管是企业家还是投资人，都非常关注市场规模的问题，这个直接决定了企业可以获得多大的收入，可以容得下多少公司；增长率：这一块要说明一下平均增长率和复合增长率，相对来说复合增长率的数据更适合了解企业一段时间的发展情况，这里解释一下：复合增长率就是按几何级数增长，以上一时期增长后的总数作为下一年计算的基数，依此类推。（算法：譬如一个行业第一年的增长率为5％，第二年的增长率为6％，第三年为7％，年均增长率=（0.05+0.06+0.07）/3＝6％，复合增长率＝三次根号下（1.05*1.06*1.07）－1＝5.99％）；市场占有率：一般来说，行业领先的公司大约可以占据20%左右的市场占有率，不过，有些行业的商业规律很难形成20%的占有率，比如离散度非常高的打印、货运行业，当然，有些行业则很容易形成垄断，比如石油、电力等，行业里商业模式的可复制性，在做这部分分析的时候往往也能凸显出来。行业基础竞争态势：行业领导者在做什么、用什么模式、发展动向如何行业其他传统企业怎么做是否有创业团队在该领域做的不错国外该领域的发展情况有哪些衍生品如周边产品或同类产品（智能硬件）等行业壁垒与进入门槛

（3）、行业产业链和价值链

产业链就是将一个行业里负责不同工作的部分聚合在一起，目的是为了理解其中各个环节参与者的联系、结构和价值。传统方式的产业链分析非常复杂，涉及供需、价值、空间等等，一般的行业分析，只要把握准产业链的上中下游就可以。价值链，顾名思义，要找出链条中不同部分的价值体现，很多时候和产业链是重合的，而且在分析产业链的过程中，可以基本了解到关于价值链的信息点。商业上的价值链分析，主要把握利润价值和重要性。

（4）、行业生命周期

行业生命周期分为初创期、成长期、成熟期、衰退期，具体每一个期代表什么意思？当然企业在不同期间也需要实行新的策略。

启动期：解决用户认知的问题，重点在于传播成长期：解决用户转化的问题，重点在于运营成熟期：解决用户留存的问题，重点在于品牌建设衰退期：解决产品转型和创新的问题

2、细分市场分析

两大原则。细分市场足够大且有利可图、通过自身经营可高效触达的市场真正的细分市场。有自身特点、和最大行业里其他细分形成有效区隔。

每个行业细分领域都要按照行业数据中提到的三个步骤方法进行分析，另外还包括：细分市场特点、市场和产品所处的生命周期、行业的主要竞争因素。

3、用户研究

目标用户是谁目标用户群体特质用户使用场景中有哪些需求场景中的问题、痛点与不爽针对这些痛点与不爽，用户目前的解决方案现有解决方案有什么不爽有没有更好的方案众多需求中，着重解决用户的哪方面需求与期望

4、自身swot分析

SWOT分析模型主要分析企业的

优势（Strengths）劣势（Weaknesses）机会（Opportunities）威胁（Threats）

也就是企业外部形势和内部条件相结合进行分析。

5、市场机会分析

行业细分领域中的某处颠覆式方法将原先需求满足中的一个环节改写借鉴国外或其他行业的经验使用场景重构利用线下衍生需求做突破口

6、市场预测-发展趋势

行业发展方向市场发展方向产品研发方向

7、结论与定位

所有的分析工作与数据采集都是信息收集，目的是形成解决方案与建议。针对新领域尤其是新产品的研发，要明确：

行业机会在哪里，从哪点进行切入用户群体特征怎样，用怎样的形式去满足怎样的需求在众多竞品中怎样做到差异化如何利用好资源发挥优势，从哪些角度入手