数据分析需要懂什么

数据分析是什么，不懂的小伙伴们请自行了解哈。做运营的，不会数据分析，你可能就不知道自己应该往哪个方向发展，数据是检验你每一件的最终标准。

作为一个运营，你需要了解数据分析的以下几点：

1. 明确数据分析的目的

做数据分析，必须要有一个明确的目的，知道自己为什么要做数据分析，想要达到什么效果。比如：为了评估产品改版后的效果比之前有所提升;或通过数据分析，找到产品迭代的方向等。

明确了数据分析的目的，接下来需要确定应该收集的数据都有哪些。

2. 收集数据的方法

说到收集数据，首先要做好数据埋点。

所谓“埋点”，个人理解就是在正常的功能逻辑中添加统计代码，将自己需要的数据统计出来。

目前主流的数据埋点方式有两种：

第一种：自己开发。开发时加入统计代码，并搭建自己的数据查询系统。

第二种：利用第三方统计工具。

常见的第三方统计工具有：

网站分析工具：Alexa、中国网站排名、网络媒体排名(iwebchoice)、Google Analytics、百度统计......

移动应用分析工具：Flurry、Google Analytics、友盟、TalkingData、Crashlytics......

不同产品，不同目的，需要的支持数据不同，确定好数据指标后，选择适合自己公司的方式来收集相应数据。

3. 产品的基本数据指标

新增：新用户增加的数量和速度。如：日新增、月新增等。

活跃：有多少人正在使用产品。如日活跃(DAU)、月活跃(MAU)等。用户的活跃数越多，越有可能为产品带来价值。

留存率：用户会在多长时间内使用产品。如：次日留存率、周留存率等。

传播：平均每位老用户会带来几位新用户。

流失率：一段时间内流失的用户，占这段时间内活跃用户数的比例。

4. 常见的数据分析法和模型

这里主要科普下漏斗分析法和AARRR分析模型。

①漏斗分析法

用来分析从潜在用户到最终用户这个过程中用户数量的变化趋势，从而寻找到最佳的优化空间，这个方法被普遍用于产品各个关键流程的分析中。

比如，这个例子是分析从用户进入网站到最终购买商品的变化趋势。

从用户进入网站到浏览商品页面，转化率是40%;浏览商品到加入购物车转化率是20%等，那要找出哪个环节的转化率最低，我们需要有对比数据。

比如第一个，进入网站到浏览商品，如果同行业水平的转化率是45%，而我们只有40%，那说明这个过程，没有达到行业平均水平，我们就需要分析具体原因在哪里，再有针对性的去优化和改善。

当然，上面这是我们设计的一种理想化的漏斗模型，数据有可能是经过汇总后得出的。而真实的用户行为往往可能并不是按照这个简单流程来的。此时需要分析用户为什么要经过那么复杂的路径来达到最终目的，思考这中间有没有可以优化的空间。

②AARRR模型

这个是所有的产品经理都必须要掌握的一个数据分析模型。

AARRR(Acquisition、Activation、Retention、Revenue、Refer)是硅谷的一个风险投资人戴维 · 麦克鲁尔在2008年时创建的，分别是指获取、激活、留存、收入和推荐。

举个例子，用AARRR模型来衡量一个渠道的好坏。

如果单从数据表面来看，A渠道会更划算，但实际这种结论是有问题的，用AARRR模型具体分析如下：

渠道A的单个留存用户成本是60元，单个付费用户成本是300元；而渠道B的单个留存用户成本是20元，单个付费用户成本是33元，这样对比下来，明显B渠道的优势远远大于A渠道。

③交叉分析法

交叉分析法：通常是把纵向对比和横向对比综合起来，对数据进行多角度的结合分析。举个例子：

a. 交叉分析角度：客户端+时间

从这个数据中，可以看出iOS端每个月的用户数在增加，而Android端在降低，总体数据没有增长的主要原因在于Android端数据下降所导致的。

那接下来要分析下为什么Android端二季度新增用户数据在下降呢?一般这个时候，会加入渠道维度。

b. 交叉分析角度：客户端+时间+渠道

从这个数据中可以看出，Android端A预装渠道占比比较高，而且呈现下降趋势，其他渠道的变化并不明显。

因此可以得出结论：Android端在二季度新增用户降低主要是由于A预装渠道降低所导致的。

所以说，交叉分析的主要作用，是从多个角度细分数据，从中发现数据变化的具体原因。

5. 如何验证产品新功能的效果

验证产品新功能的效果需要同时从这几方面入手：

a. 新功能是否受欢迎?

衡量指标：活跃比例。即：使用新功能的活跃用户数/同期活跃用户数。

使用人数的多少还会受该功能外的很多因素影响，千万不可只凭这一指标判断功能好坏，一定要结合下面的其他方面综合评估。

b. 用户是否会重复使用?

衡量指标：重复使用比例。即：第N天回访的继续使用新功能的用户数/第一天使用新功能的用户数。

c. 对流程转化率的优化效果如何?

衡量指标：转化率和完成率。转化率即：走到下一步的用户数/上一步的用户数。完成率即：完成该功能的用户数/走第一步的用户数。

这个过程中，转化率和完成率可以使用(上)篇中提到的漏斗分析法进行分析。

d. 对留存的影响?

衡量指标：留存率。用户在初始时间后第N天的回访比例，即：N日留存率。常用指标有：次日留存率、7日留存率、21日留存率、30日留存率等。

e. 用户怎样使用新功能?

真实用户行为轨迹往往比我们设想的使用路径要复杂的多，如果使用的数据监测平台可以看到相关数据，能引起我们的反思，为什么他们会这么走，有没有更简便的流程，以帮助我们作出优化决策。

6. 如何发现产品改进的关键点

产品改进的关键点，是藏在用户的行为中。

想要找到这些关键点，除了通过用户调研、访谈等切实的洞察用户外，在产品中设置相关数据埋点记录用户的行为，观察其行为轨迹，不能完全替代洞察用户的行为，不过也可以有助于决策产品改进点。

操作步骤：

7. 写在最后

数据分析这个领域，需要学习的内容，还不止这些，如果对数据分析很感兴趣的小伙伴，也可以看看这两个网站：

A、网站分析在中国

http://chinawebanalytics

B、蓝鲸的网站分析笔记

http://bluewhale.cc

数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律。几年前, 数据分析还是一个比较鲜见的职业。而今天，无论各行各业，它无处不在的闪烁着耀人的光芒。那么做数据分析需要掌握哪些技能呢?

数据分析师如何理解？

数据分析师能洞悉一个方程式的商业意义。他们知道如何提出正确的问题，非常善于数据分析，数据可视化和数据呈现。不管是给另一个数据分析师还是C级执行做演讲，数据分析师都是数据提取，模式识别以及从大量数据中洞察问题方面的能手。

数据分析师需要会什么？

理解数据库

还以为要与文本数据打交道吗？答案是：NO！进入了这个领域，你会发现几乎一切都是用数据库来存储数据，如MySQL，PostgreSQL，CouchDB，MongoDB，Cassandra等。理解数据库并且能熟练使用它，将是一个基础能力。

数据和数据仓库数据是数据分析的基础，数据库是数据的承载，数据仓库是有主题的数据库。效率高的数据仓库不那么容易设计出来的。

数据管理

数据管理与数据库的结构有关，这些数据库可以对谁有权访问不同的信息给予复杂的规定。尽可能有效地存储数据有许多的不同方法。 需要数据管理技能的常见工作是数据库管理员。

商业智能

商业智能是通过收集数据来影响业务决策的做法。 例如，一家使用直邮和Facebook广告来推销其产品的公司,可以使用商业智能软件以帮助了解每种营销策略的运作情况。 业务分析师，商业智能开发人员和客户洞察分析师是几项需要商业智能技能的工作。

数据分析

真的，不开玩笑，“数据分析”是数据分析师最需要的技能。 除了知道如何使用特定的编程语言和工具之外，雇主需要你了解数据中的模式是否有意义，以便你可以得出准确和可行的结论。

数据可视化

信息的质量很大程度上依赖于其表达方式。对数字罗列所组成的数据中所包含的意义进行分析，使分析结果可视化，这是对于数据科学家来说十分重要的技能之一。

将数据与设计相结合，让晦涩难懂的信息以易懂的形式进行图形化展现的信息图最近正受到越来越多的关注。

在网络，移动设备，传感器，社交媒体，交易应用程序，日志文件，大数据等实时数据泛滥的情况下，发现了大量垂直市场应用程序，从诈骗检测到科学研究。无论涉及重大隐私问题或企业困难的挑战如何，仅在2017年，大数据投资就获得超过570亿美元的增长势头。预计未来三年的投资将以约10％的年增长率进行增长。

大数据分析所需的基本资源

大数据咨询已成为软件开发服务提供商的可行选择。无论是营销还是品牌实施的新产品，公司都不会轻易作出决定。当提到任何重大举措时，企业都会寻找他们客户提供的数据，以确保公司正朝着观众遵循的方向发展。

从点击流数据到购物车上的信息，都有大量的材料需要筛选，这就是为什么企业支付高价值的大数据咨询服务才能理解这一切。对于新职业市场的人来说，大数据分析是一个不错的选择。 当然，必须熟悉开始处理数字所需的技能和工具。

大数据分析所需的五个资源如下：

1.完成MATLAB Mastery Bundle

MATLAB或Matrix是一个多范型数字计算空间和编程语言。用外行人的话来说，它是一种工具，它使得编写代码，运行脚本以及执行数据分析和可视化等任务变得轻松易懂，从而解决复杂问题，而这些代码还不那么复杂。

2. Python Power Code BONUS Bundle

市场上有许多重要的编程语言可供选择，数据分析师使用其日常任务和职责中的很多。但是，如果有人要先学习，那就是Python。 Python语言被誉为用户友好型以及直观性。此外，它拥有众多的功能，这使它能够处理数据争夺。 70小时的培训通过展示如何下载，提取，清理，汇总，分析和可视化数据，开始了编程教育。

3.大数据和分析主工具包

数据分析师和高级分析咨询人员使用大量的语言和工具来获取角色，这并不足为奇。这四个模块集合为数据库添加了四个重要的分析工具，即Minitab，SPSS，SAS和R Studio。

4.使用Tableau Desktop 9 Bundle进行数据可视化

通过交互式仪表板分析和呈现数据以完全挖掘信息的主要工具之一是Tableau 9.这个收集将使您了解Tableau。因此，可以开始创建自己的可视化数据。

5.完整介绍R编程包

R的核心是一种统计编程语言，它非常适合挖掘和分析数据。但是，它也具有高级图形和机器学习功能，在数据可视化和集成复杂算法方面提供了一些独特的优势。在五门课程和三本电子书中，收集指导通过要点使用R来充分发挥潜力。

大数据优势

大数据应用程序可让数据科学家，统计人员和其他分析专业人员分析越来越多的结构化数据以及其他形式的数据，而这些数据往往不被传统的商业情报和分析程序所利用。这涵盖了非结构化和半结构化数据的组合，例如互联网点击流数据，网络服务器日志以及来自客户电子邮件的文本，机器数据，社交媒体内容和通过连接的传感器到事物互联网的呼叫细节记录。

在更大的范围内，数据分析技术迎合数据集分析的手段，并最终帮助企业做出充分知情的决策。商业智能查询回答关于业务绩效和操作的基本查询。大数据是一种高级分析，涉及复杂的应用程序元素，如预测模型，统计算法等。

用数据咨询创造新的增长机会

数据分析可以创造大量新的增长机会。此外，它甚至可能会产生一个新的业务类别，例如分析和汇总行业数据的类别。大多数企业将处于大量关于服务和产品，供应商和买家，消费者偏好和意图以及更多信息流的信息中。

各行各业的企业都应该开始大力创造数据功能。除了广泛的数据外，数据的高频率和实时性也是至关重要的。通过数据分析，实践被更广泛地使用。

今天的大数据和分析应用市场真是巨大。世界各地的软件开发服务提供商提供了大量的数据咨询工作。现在，大数据体验意味着更有可能从软件开发组织获得有利可图的工作。市场很大，有一系列的项目，交易，服务和合作关系。咨询服务可能会有所不同，具体取决于组织的特定要求，以及需要利用数据分析和解决方案的功能，这些功能可以简化业务流程。

数据分析是什么，不懂的小伙伴们请自行了解哈。做运营的，不会数据分析，你可能就不知道自己应该往哪个方向发展，数据是检验你每一件的最终标准。

作为一个运营，你需要了解数据分析的以下几点：

1. 明确数据分析的目的

做数据分析，必须要有一个明确的目的，知道自己为什么要做数据分析，想要达到什么效果。比如：为了评估产品改版后的效果比之前有所提升;或通过数据分析，找到产品迭代的方向等。

明确了数据分析的目的，接下来需要确定应该收集的数据都有哪些。

2. 收集数据的方法

说到收集数据，首先要做好数据埋点。

所谓“埋点”，个人理解就是在正常的功能逻辑中添加统计代码，将自己需要的数据统计出来。

目前主流的数据埋点方式有两种：

第一种：自己开发。开发时加入统计代码，并搭建自己的数据查询系统。

第二种：利用第三方统计工具。

常见的第三方统计工具有：

网站分析工具：Alexa、中国网站排名、网络媒体排名(iwebchoice)、Google Analytics、百度统计......

移动应用分析工具：Flurry、Google Analytics、友盟、TalkingData、Crashlytics......

不同产品，不同目的，需要的支持数据不同，确定好数据指标后，选择适合自己公司的方式来收集相应数据。

3. 产品的基本数据指标

新增：新用户增加的数量和速度。如：日新增、月新增等。

活跃：有多少人正在使用产品。如日活跃(DAU)、月活跃(MAU)等。用户的活跃数越多，越有可能为产品带来价值。

留存率：用户会在多长时间内使用产品。如：次日留存率、周留存率等。

传播：平均每位老用户会带来几位新用户。

流失率：一段时间内流失的用户，占这段时间内活跃用户数的比例。

4. 常见的数据分析法和模型

这里主要科普下漏斗分析法和AARRR分析模型。

①漏斗分析法

用来分析从潜在用户到最终用户这个过程中用户数量的变化趋势，从而寻找到最佳的优化空间，这个方法被普遍用于产品各个关键流程的分析中。

比如，这个例子是分析从用户进入网站到最终购买商品的变化趋势。

从用户进入网站到浏览商品页面，转化率是40%;浏览商品到加入购物车转化率是20%等，那要找出哪个环节的转化率最低，我们需要有对比数据。

比如第一个，进入网站到浏览商品，如果同行业水平的转化率是45%，而我们只有40%，那说明这个过程，没有达到行业平均水平，我们就需要分析具体原因在哪里，再有针对性的去优化和改善。

当然，上面这是我们设计的一种理想化的漏斗模型，数据有可能是经过汇总后得出的。而真实的用户行为往往可能并不是按照这个简单流程来的。此时需要分析用户为什么要经过那么复杂的路径来达到最终目的，思考这中间有没有可以优化的空间。

②AARRR模型

这个是所有的产品经理都必须要掌握的一个数据分析模型。

AARRR(Acquisition、Activation、Retention、Revenue、Refer)是硅谷的一个风险投资人戴维 · 麦克鲁尔在2008年时创建的，分别是指获取、激活、留存、收入和推荐。

举个例子，用AARRR模型来衡量一个渠道的好坏。

如果单从数据表面来看，A渠道会更划算，但实际这种结论是有问题的，用AARRR模型具体分析如下：

渠道A的单个留存用户成本是60元，单个付费用户成本是300元；而渠道B的单个留存用户成本是20元，单个付费用户成本是33元，这样对比下来，明显B渠道的优势远远大于A渠道。

③交叉分析法

交叉分析法：通常是把纵向对比和横向对比综合起来，对数据进行多角度的结合分析。举个例子：

a. 交叉分析角度：客户端+时间

从这个数据中，可以看出iOS端每个月的用户数在增加，而Android端在降低，总体数据没有增长的主要原因在于Android端数据下降所导致的。

那接下来要分析下为什么Android端二季度新增用户数据在下降呢?一般这个时候，会加入渠道维度。

b. 交叉分析角度：客户端+时间+渠道

从这个数据中可以看出，Android端A预装渠道占比比较高，而且呈现下降趋势，其他渠道的变化并不明显。

因此可以得出结论：Android端在二季度新增用户降低主要是由于A预装渠道降低所导致的。

所以说，交叉分析的主要作用，是从多个角度细分数据，从中发现数据变化的具体原因。

5. 如何验证产品新功能的效果

验证产品新功能的效果需要同时从这几方面入手：

a. 新功能是否受欢迎?

衡量指标：活跃比例。即：使用新功能的活跃用户数/同期活跃用户数。

使用人数的多少还会受该功能外的很多因素影响，千万不可只凭这一指标判断功能好坏，一定要结合下面的其他方面综合评估。

b. 用户是否会重复使用?

衡量指标：重复使用比例。即：第N天回访的继续使用新功能的用户数/第一天使用新功能的用户数。

c. 对流程转化率的优化效果如何?

衡量指标：转化率和完成率。转化率即：走到下一步的用户数/上一步的用户数。完成率即：完成该功能的用户数/走第一步的用户数。

这个过程中，转化率和完成率可以使用(上)篇中提到的漏斗分析法进行分析。

d. 对留存的影响?

衡量指标：留存率。用户在初始时间后第N天的回访比例，即：N日留存率。常用指标有：次日留存率、7日留存率、21日留存率、30日留存率等。

e. 用户怎样使用新功能?

真实用户行为轨迹往往比我们设想的使用路径要复杂的多，如果使用的数据监测平台可以看到相关数据，能引起我们的反思，为什么他们会这么走，有没有更简便的流程，以帮助我们作出优化决策。

6. 如何发现产品改进的关键点

产品改进的关键点，是藏在用户的行为中。

想要找到这些关键点，除了通过用户调研、访谈等切实的洞察用户外，在产品中设置相关数据埋点记录用户的行为，观察其行为轨迹，不能完全替代洞察用户的行为，不过也可以有助于决策产品改进点。

操作步骤：

7. 写在最后

数据分析这个领域，需要学习的内容，还不止这些，如果对数据分析很感兴趣的小伙伴，也可以看看这两个网站：

A、网站分析在中国

http://chinawebanalytics

B、蓝鲸的网站分析笔记

http://bluewhale.cc