你可能在工作中碰到过类似的问题：
1）这个季度需要提升阅读用户比例，但是又不知道从何入手
2）目前我们业务的留存率太低了，需要通过一些优化来提升留存率，做做数据分析
3）下个季度整体的产品方向需要确定，具体是以哪个方向为核心呢
如果当你遇到以上问题，你的反应是从数据中去寻找答案的话，说明你的产品思维中已经融入了数据驱动的思想，而不再是抓瞎式的出功能需求了。这很好。
但随即你会发现，这要比你线上验证一个功能这样的数据分析工作，要痛苦得多。原因是因为无论是验证一个线上的功能效果，它是一个清晰的命题。你做了什么，你希望用户有什么行为，最后有什么数据表现，这些假设都是你在设计功能时都想好了的。你只需要去分析与验证就行。而数据挖掘式的工作，它本身并没有那么清晰的假设，也就是说，你需要在分析的过程中把整套数据分析的流程都走若干遍，而且其中很可能大多数的结果，是无法验证你的假设的（假设是错误或部分错误的）。所以做数据挖掘时，你需要不断建立构思，又不断否定自己，再重新建立新的假设，过程就会很痛苦。甚至有时候你会觉得分析无从下手。
所以这就回到之前第一部分说的，需要你的业务理解力。
那么业务理解力，理解的是什么呢？理解的是：
1）你业务的增长公式
2）业务的价值链
3）用户的场景
拿直播业务举例。直播业务本质上是让内容与用户匹配，随后产生用户付费。而付费产生的收入，又平台、主播、公会等均分。而整体业务的公式是：流水=DAU x 付费率 x 客单价。于是你就知道了，作为一个产品如果需要提升流水，我们需要想尽办法提升DAU，付费率和客单价。
有了这个公式，你再去对比其他竞品在类似环节的数据，你就知道自己需要在哪个环节做优化了。当然很多人会说，我们没有竞品的数据怎么办？竞品的数据你可以从网上搜，上市公司的财报有时候会披露一部分，或者去结实一些同业的同行，打听一下，都可以。
而当你得知自己业务是付费率相对比较低的时候，怎么去提升呢？这时你需要模拟一个新用户从启动app，到产生付费行为整个过程，可能会有哪些流程的拆解。比如用户会逛推荐页，我们需要有各种方法让他被一个主播吸引并且点进去；而为了提升他喜欢这个主播的概率，我们需要做个性化推荐；而当他观看直播内容超过多少分钟后，可以对其进行免费或低门槛付费道具的引导等等等等。
说完理论，我们回到具体的数据分析。其实对于绝大多数的产品而言，数据分析工作面对的对象，往往是一个不那么大的问题，但有时就是无从着手。比如，需要分析app内的货币体系是否健康。其实对这个问题进行拆解之后你会发现，需要回答这个问题，你需要先知道以下几点：
1）什么是健康的经济体系？
2）整个体系相关的流程，如果用数据来表示的话，会涉及到哪些业务数据？
3）现在这些数据有没有统计？如何提取？
4）数值多少算健康？
1）什么是健康的经济体系？
这是整个问题思考的关键。你需要先对该体系有一个深入的思考。它的作用到底是为了什么？如果没有这些的话会是什么样？你希望用户去做什么？如果你是用户，面对这套体系，会怎么做？等等
随后你可以开始用大白话来描述健康的经济的特征，比如用户最终是为了用货币来进行抽奖、兑换现金券、或购买道具，那当他每获得100金币之后，他会消耗多少？分别用来做什么？如果用户消耗了大部分的金币，那么他有没有为了获得金币，再次去完成金币发行所需要的任务？如果有，那这些都完成后，他是不是又会开启下一个循环，有没有因为这个循环让用户更活跃了？把这些问题和环节用结论的形式来表达就是：
a）用户会从获得的金币中消耗绝大部分金币用到……场景
b）为了再次获得货币，用户能持续完成系统给他的活跃任务
c）这样的循环对用户是否可持续，对整体活跃是否有提升
2）关联的业务流程的数据表达
比如消耗/产出的比例，比如每消耗m货币，用户会获得什么，而获得的东西是否让用户觉得值得从而持续发生行为，这可以用功能的留存来体现；而因为这些，用户会不会想再获得该货币，从而去完成更多你希望他完成的事情，这可以用任务的完成比例来体现
3）数据提取与统计
这一个步骤就需要你对业务数据的统计有比较清晰的了解。所谓数到用时方恨少，很多业务数据当你需要进行分析的时候，你才会发现啊呀，我没投递统计。所以功能在设计的时候，需要尽可能提前想好统计的数据与维度，至少保留生日志，以便实在不行，能从头开始统计。到这一步结束，你应该已经能看到所有相关流程的数据了。
4）数值多少算健康
这其实是很多面对该问题的产品的痛点。实际上这个问题不是绝对的，也不需要马上回答。消耗/产出=50%健康么？如果不健康，那70%健康么？如果在分析的一开始就确定一个阈值的话，那本质上和拍脑袋没什么区别。但是好在你是按照4步的方法在走，于是你其实已经还原了，什么样的经济体系是健康的白话表述，数据表征。你需要的是去看每个环节实际的折损情况。所以这个问题的答案其实是动态的。可能你每周都需要去监控这些数据，可能每周都在变化。真正重要的，不是最终多少比例才是健康的数字，而是你能知道为了变得更健康，你需要从哪个环节去优化。等你需要优化的环节数据已经不再是短板的时候，再重新评估，哪里是新的短板。持续这样做分析与优化，不久你就会发现，你希望的消耗的数值与用户的留存正在不断地变好。而变好之后的是健康的么？是，也可以不是。因为它可以更健康。
回到数据挖掘的问题。总结下来，数据挖掘实际上就是在知道业务的价值链、增长公式后，去不断还原用户在不同场景下使用的环节数据，寻找短板，给出优化建议。
网友评论