1. 认识数据
数据的客观性
数据是量化事物的手段
数据的对比是相对性的
面对数据
（感悟）真正优秀的产品经理，既不是任由自己的感性思维天马行空，也不是让自己的理性思维控制自己，而是能够控制自己的感性和理性，在该发散的时候有巧妙的想法，在该聚焦的时候有思辨的逻辑。
（感悟）在接触数据的时候，对数据思维的养成和运用，反复的练习以及对各种数据的阅历会反过来让产品经理综合的“智慧”更加饱满
开始接触数据
第一，学习如何提出数据统计需求
提出数据需求的过程，是一个“界定产品目的和目标，根据目标提出假设、预判产品效果”的过程，要求对功能目标、功能预期效果有完整且清晰的掌握
第二，学习如何解读数据
对数据足够敏感，能够敏锐的发现数据当中的隐含信息，并通过逻辑推理，进一步提出好的追问和假设，然后通过数据或其他手段来验证。
一个完整的数据需求包括
- 功能设计方案
- 功能目的和目标
- 功能上线后需要跟踪的数据指标，及指标精确定义。
数据分析中的误区
忽略沉默用户
-
用户迫切需要的需求 不等于 产品的核心需求
你所听到的需求，或许是少部分用户迫切需要，而大部分用户并不在乎 -
结论：没有始终全盘的去考虑用户需求，听到用户声音的时候就做出了决策，而忽略了产品大部分目标用户的核心需求
过分依赖数据
-
过分依赖数据：一方面会让我们自己做很多没有价值的数据分析；另一方面也会限制产品经理本来应有的灵感和创意。
-
很多优秀甚至伟大的产品决策，并非通过数据发现的，而是一个PM综合智慧的体现
-
产品经理要有独立思考和灵活判断的智慧
产品数据误区
- 误判因果关系
- 警惕数据的表达技巧
大数据
-
三个要素：用全样本数据、注重相关关系、全新的计算方法
-
采用全部数据：就是当通过数据分析一个问题时候，涉及到所分析问题的所有数据都必须纳入到计算范围当中，无论是常规合理数据，还是一些异常的样本数据都必须包含。甚至传统数据分析中可能都完全忽略的数据，都需要包含在大数据分析中。
-
注重相关关系：即通过大数据分析，最终分析获得并关注数据当中的相关关系，并通过相关关系指导分析、决策、预测，但对因果关系的探索，将不再是这种数据分析所关注的核心内容。
-
全新的计算方法：即大数据分析，其计算过程不再是传统数据分析中，必须精确统计、不容许任何脏数据、错误数据的分析方法，而是包含了各类混杂数据的简单相关性计算
2.获取数据
网站数据指标
访问量
什么是访问？一次访问就是指一个人来到网站，然后浏览了一些内容之后离开网站的过程；这个过程也会被称为会话，也就是session。 访问量定义：一段时间的访问量就是这段时间的访问次数。
访客量
也称为独立访客数（UV），就是访问网站的人数。 如何识别一个用户？在网站分析系统中，会依据用户的浏览器、设备型号等信息，为用户分配一个编号，这个编号称为Cookie。 访客数就是访问网站的cookie数。如果同一人换了浏览器或设备访问网站，那么它的Cookie也就变化了。
浏览量
PV，浏览页面的数量
跳出率
常用的算法是网站的所有会话当中，来到网站之后没有任何动作就离开的比例，等于只访问了落地页面的访问量除以总访问量
页面停留时长
网站停留时长
退出率
- 退出率衡量从某个退出网站的比例，它等于从一个页面的退出次数除以访问次数
- 页面跳出率和退出率的区别？ 退出率是指无论从哪个页面进入网站，最终从这个页面退出的比例； 跳出率是指从这个页面进入网站，没有做任何事，就从这个页面退出的比例。
转化率
- 达成某种目标的访问量除以总的访问量，或达成目标的访客数占总访客的比例
- 采用访问量还是访客数作为分母？ 如果将访问作为分母，意味着将每次访问都认为是下单或购买的机会； 如果将访客数作为分母，则会认为一个访客在购买之前，多次访问是正常的。
移动应用类数据指标
用户获取
- 下载量
- 安装激活量
安装并打开的设备数 - 激活率
激活设备数/安装设备数 - 新增用户数
新增用户就是新增设备的数量 - 用户获取成本
每获取一个用户需要的费用
用户活跃与参与
- 日活跃用户数 月活跃用户数（数量指标）
一段时间内启动过应用的设备数，表明用户规模。 - 质量指标
活跃系数——日活跃用户数/月活跃用户数
平均使用时长
功能使用率——使用某功能的用户数占活跃用户数的比例。使用率越高表明功能越受欢迎
用户留存
次日留存率、7日留存率、30日留存率
N日留存计算指：统计日期新增的用户或活跃用户，在第N天又来使用的比例。可以参考行业值来对标自己应用的留存是否健康。
用户转化
付费用户比例
付费用户占总用户的比例。建议将付费用户和免费用户区别对待。
首次付费时间
用户激活后多久才会开始付费。有助于把握掌握用户的时间
用户平均每月营收
等于一个月的收入除以月活跃用户数
付费用户平均每月营收
等于一个月的收入除以月付费用户数
获取收入
收入金额
付费人数
新功能的使用
使用率与继续使用率
继续使用率：本周使用过功能A的用户，在下周继续使用的人数比例：代表功能的受欢迎程度
移动应用分析工具
国外
FLURRY、Google Analytics
国内
友盟、TalkingData
Crash分析工具
crashlytics
电商类数据指标
销售额
购买客户数
购买了商品的人数，会按照账号去重计算
老客户——统计当天之前就购买过商品的客户数
新客户——统计当天首次购买商品的客户数
客单价
每个客户购买的金额，销售额/购买客户数
-
客单价=人均购买件数 * 件单价
-
人均购买件数是指每个客户购买几件商品，这个指标也经常用来衡量关联销售的效果，也就是关联销售效果越好，人均购买件数就会越多
-
件单价是指商品的平均价格，等于销售额 除以 销售量，这个指标用来衡量网站上的商品价格高低
购买转化率
访客中购买了商品的比例，购买客户数/访客数
重点商品缺货率
爆款缺货的比例
妥投及时率
妥投到客户的订单中，按照约定时间妥投的比例
订单数
订单数关系到支付压力和仓库发货的任务量
详情页UV（IPV_UV）
访问商品详情页的人数
UV
访客数，来到网店的人数
销售额
销售额 = UV * 转化率 * 客单价
UV * 转化率（购买客户数）
转化率 * 客单价（访问价值）
UGC类数据指标
-
UGC产品特征
目标：让用户产出内容，包括-发表文章 -点赞 -订阅 -评论 -其它行为（分享） 访客——>产出内容（参于度逐渐加深） -
用户参与度指标
访客数
停留时长
产出内容
互联网产品指标思路
-
有多少访客，访客有什么特征
访客特征：访客访问的时间段、在哪些地域访问、用什么设备以及用什么网络 -
访客从哪些渠道获取，效果怎么样？
基本思路：带来多少新访客、浏览深度怎么样、是否留存下来了以及转化率情况。
web网站：新访客占比（代表渠道拓展用户的能力）、跳出率、浏览页面数、以及转化率。
移动应用：新设备占比、次日留存率以及转化率 -
访客的参与深度如何？
跳出率、浏览页面数、转化率 -
这些访客最终有没有转化，转化漏斗是否顺畅？
任何有意义的动作都可以认为是转化
用户分析基本框架
Markdown
获取指标的方式
-
分析日志
程序员记录日志—>分析师/产品经理给出计算逻辑—>程序员计算指标—>Excel分析或报表 -
分析工具
网站分析工具——自定义事件来分析功能使用率
移动应用分析工具——利用转化漏斗分析转化流程和参与深度
网站分析工具
免费的网站排名工具：Alexa、中国网站排名、网络媒体排名
免费的网站监测工具：Google Analytics、百度统计、CNZZ网站分析
分析数据
数据分析更多的是基于业务背景来解读数据、把隐藏的数据背后信息提炼和总结出来，发现有价值的内容
基本分析方法
-
对比分析
横向对比
纵向对比 -
交叉分析法
对数据在不同维度进行交叉展现，进行多角度的结合分析
交叉分析的主要作用就是从多个维度细分数据，从中发现最为相关的维度来探索数据变化的原因
数据分析框架
-
数据分析框架：像是分析思路，在面对产品问题时，告诉我们如何去开展数据分析的工作
-
作用：数据分析框架可以帮助我们把较为抽象的问题具体化，基于业务特征和数据指标来构建相关的分析体系，保证分析结果的准确性、可靠性、和针对性。
-
常见的分析框架：PEST分析框架、5W2H分析框架、SWOT分析、SMART分析、4P理论
-
常见的分析框架：PEST分析框架、5W2H分析框架、SWOT分析、SMART分析、4P理论
-
AARRR分析框架
AARRR模型：用来分析新公司和新产品的可行性，提出赢得客户的需要经历的五个阶段
获取（Acquisition）：曝光数、点击数、打开率、下载量、安装量、用户获取成本
激活（Activation）：设备激活量、新注册用户数、订阅数量、事件达成数、浏览数、日活跃率
留存（Retention）：次日留存率、7日留存率、距离上次使用时长、DAU/MAU（日活跃/月活跃）、7日回访率
收入（Revenue）：付费率、付费频次、客单价、用户价值
推荐（Refer）：转发数、邀请数、评论数、k因子
逻辑分层拆解
-
逻辑拆解
逻辑，即寻找跟核心指标有逻辑关系的相关指标
找到的指标一定是能够影响核心指标变动，他们之间对应要存在强烈的逻辑关联，选用这些相关指标之前，我们必须清楚的了解他们是如何影响核心指标的。 -
分层拆解
第一层：直接解释核心指标变动的大方向
第二层：针对这个大方向的细分，从而能够将问题定位的更加准确和可操作性
原则：同一层里面的各个相关指标都是代表了一个寻找的方向，所以他们之间不能有相关性。
漏斗分析
利用数据
数据应用的场景
一般互联网公司产品开发流程：需求分析—>产品设计—>开发测试—>产品上线—>迭代升级—>需求分析
-
需求来源：用户层面：普通用户、产品经理自身，公司层面：高层想法、战略目标
来自用户层面的需求——>数据去伪存真
来自公司层面的需求——>验证并提供证据；tips：面对某些高层需求，从数据入手，验证观点，并提供合理化建议 正确的态度很重要
退出率：访问了某个页面即离开网站的访问次数占页面总访问次数的比例 -
产品设计阶段：设计前——>设计中——>设计后
设计前：通过数据分析发现问题
设计中：辅助决策，判断思路；小tips：A/B test
设计后：数据验证方案；1、未达到目标通过数据对比预期找原因 2、达成目标总结经验教训，提升团队成就感
数据驱动产品的方法
- 数据驱动产品闭环：发现问题——>确定目标——>产品设计——>开发测试——>产品上线——>数据验证——>发现问题
- 导出率：下级页面的浏览量/本级页面的浏览量
培养数据分析能力
- 求知欲、好奇心
- 基础层面
核心基础概念：PV、UV、跳出率、转化率、访问数、点击数等
基础统计原理：cookie、访问请求、日志等 - 推荐网站
网站分析在中国、蓝鲸的网站分析笔记 - 推荐书籍
流量的秘密、精通web Analytics 2.0 - 培养数据分析实战
数据驱动产品的思维方式
对业务足够了解
重视数据，保持敏感：关注数据、活用数据
网友评论