一、数据分析的目的
1.验证产品模式是否可行
2.验证用户对产品功能的满意度
3.挖掘新的需求，帮助产品、运营进行迭代
二、数据分析流程
1.数据采集
友盟+事件埋点
2.数据清洗
Excel清洗
3.数据分析
Excel + SPSS
4.数据可视化
Excel图表
5.数据迭代
三、数据分析工具
四、数据分析指标
1.定性指标vs量化指标
2.探索性指标vs报告性指标
3.先见性指标vs后见性指标
4.相关性指标vs因果性指标
5.虚荣性指标vs可付诸行动指标
①整体
北极星指标：核心指标
一级指标：衡量公司战略和目标
二级指标：一级指标的路径
三级指标：二级指标的路径
AARRR模型：
A：用户获取
渠道相关：
渠道规模、访问量、访问用户量、拉新能力、新访问用户量、新访问用户量/访问用户总量、渠道质量、访问时长、每次会话浏览页面数、跳出率、用户注册转化率、用户其他转化率、渠道留存率
激活相关：
下载量：已下载应用的用户数量，以及应用商店排名和评分
安装激活量：安装并打开应用的设备数
激活率：激活设备数/安装设备数
新增用户数：新增设备的数量（激活数量，唯一）
注册用户数：所有激活用户中注册成功的用户占比
用户获取成本：每获取一个用户所需要的费用
抛出一个疑问：何为真正的激活？
安装之后打开就算激活吗？注册成功就算激活吗？还是必须得首次体验到产品核心功能才算激活？
A：用户活跃
产品使用规模：
日活、周活、月活跃用户量：一段时间内启动过应用的设备数，表示用户规模
访问量，启动次数：启动应用的次数
活跃系数：日活跃用户数/月活跃用户数（大于0.2比较合适）
平均使用时长：平均每个用户一天使用应用的时间
功能使用率：使用某功能的用户数占活跃用户的比例
新手引导效率：
新手任务完成率
新手任务完成耗时
用户活跃度：
活跃访次/全部访次
各模块用户活跃度
产品转化率：
核心流程转化率
核心转化步骤流失率
R：用户留存
N日留存计算：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。
次日留存率
7日留存率
30日留存率
产品留存率：
核心产品功能留存率
抛出一个疑问：当留存率非常低时，如何利用指标发现问题？
次日留存比较低时，说明用户对我们的产品不感兴趣，或者说我们的产品做得太差
7日留存比较低时，说明用户觉得我们的内容不耐玩，不好玩
30日留存比较低时，说明我们的版本迭代规划做得不够好，没有及时给用户更新内容
R：获取收入
销售额、转化率
R：用户传播
推荐用户数量
推荐用户/全部线索用户
NPS
K因子
口碑指数（百度，谷歌）
②局部
1.产品每一个具体功能的用户体验评估
heart模型：
2.产品每一个具体业务的指标
电商类：
UGC内容类：
游戏类：
平均同时在线人数（ACU: Average concurrent users）：即在一定时间段抓取一次数据，以一定周期为期限；周期内的ACU可取时间段的平均数据。[例如：系统每一小时抓取一次数据，全天24小时共24个不同时刻的在线数据，则每天的ACU是这24个数据的平均值（每个公司有每个公司的定义，一般ACU取平均值，若针对某一时刻，则直接在某时刻内直接统计用户数）
最高同时在线人数（PCU:Peak concurrent users）即在一定时间内，抓取最高在线数据。（例如：单天最高在线：系统每小时统计一次数据，全天24小时共24个不同时刻的在线数据，则24个时间段内最高的用户在线数据为PCU）
充值金额（RMB）：即在一定周期内充值总金额。
元宝消费金额（RMB）：即在一定周期内，玩家在游戏商城中的消费总金额（仔细看，充值金额与元宝消费金额有着明显区别，上者受活动影响，下者受商城道具需求影响。）
每付费用户平均收益（ARPPU: Average Revenue Per Paying User)：相似于下载游戏的消费比率，（国内很多人以“ARPU”称呼，个人定义不同），此类数据主要衡量付费用户收益（公式：月总收入/月付费用户数）
平均每活跃用户收益（ARPU: Average Revenue Per User）：主要衡量游戏整体贡献收益；毕竟除了付费收益，活跃用户也能产生收益，（一般国内以此数据为核心，各家算法不同）（公式：月总收入/月活跃用户）
平均生命周期：有新增账户在首次进入游戏到最后一次参与游戏的时间天数。比如记录某一个月，这个月里，每个新增用户的生命周期之和/MAU=平均生命周期。
LTV生命周期价值（LTV: Life Time Value）：约定一个计算的生命周期值(比如上个月的平均生命周期，或者约定为15日，即这个月有15日登陆记录的账户数)，符合这个生命周期条件的账户数中，充值金额的和/条件账户数。
每日注册并登陆的用户数（DNU: Daily New Users）：这个言简意赅，就不详谈了，直接从后台抓取即可。
新登用户中只有一次会话的用户（DOSU: Daily One Session Users）：这个也很简单，此类数据主要衡量新用户的质量，买量的可以参考一下。
每日登陆过游戏的用户数（DAU: Daily Active Users）：直接从字面就能了解了，一般从后台抓取。
七天内登陆过游戏的用户数（WAU: Weekly Active Users）：这个还是很好理解，就不废话了，此类数据主要衡量周变化。
30天内登陆过游戏的用户数（MAU: Monthly Active Users）：浅显易懂，主要衡量产量的粘性以及用户的稳定性。
四、数据分析中的误区
1.忽略沉默用户
2.过度依赖数据
3.错判因果关系
4.通过数据表达方式欺骗
5.妄谈大数据
五、数据分析方法
从统计学的角度看：
按照难易程度分为：基础统计分析、高级统计分析、数据挖掘方法。
常见的分析方法有如下：
①画像分群：聚合符合某种特定行为/画像的用户，聚类分析
②趋势分析：实时快速了解多维度趋势，便于进行产品、市场迅速迭代
③对比分析：与竞争对手比，与过去的自己/版本比
④交叉分析：多维度交叉分析
⑤漏斗分析：按照已知转化路径，分析每一步骤转化情况
⑥回归分析：预测性的建模技术，研究因变量和自变量之间的关系
⑦聚类分析：物以类聚，人以群分，将相似或距离相近的对象/数据归为一类
⑧相关性分析：对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度
⑨行为事件分析/用户路径分析：探索性了解某组用户的行为轨迹
⑩留存分析：了解行为/行为组与回访之间的关联
⑩①A/B测试：对比不同产品设计/算法对结果的影响
⑩②优化建模：建立预测模型优化商业结果
六、数据分析框架/思维
①AARRR模型
不解释了。
②逻辑分层拆解
七、数据应用的场景
产品设计前：通过数据分析发现问题
产品设计中：辅助决策，判断思路（A/B测试）
产品设计后：数据验证方案
数据驱动产品闭环
所谓的数据驱动，其实就是一套量化的发现问题和解决问题的流程，在产品设计的重要环节，数据都在发挥着主观臆断无法替代的作用。
八、回归实际，解决重要的三个问题
①数据如何科学的采集？（关于埋点方式的探讨）
目前市面上有的埋点方式主要是三种：
a.可视化/全埋点
所谓全埋点，就是在产品中嵌入一段SDK，做一个统一的埋点，也叫“无埋点”。
优势：
可视化展示宏观指标，满足基本的数据分析需求；技术门槛较低，使用与部署较简单；用户友好性强
缺陷：
只能采集到用户交互数据，自定义的某些属性无法采集；无埋点兼容性有限，同一按钮可能出现不同名称，造成混乱；属于前端采集的方式，有天然的缺陷，如数据采集不全面、传输时效性差、数据可靠性无法保障等。
b.代码埋点
又分为前端代码埋点和后端代码埋点。前端类似全埋点，所不同的是，对于每一个关键行为，都需要调用SDK，将必要的事件名、属性字段写入代码；后端代码埋点则将相关的事件、属性等通过后端模块调用SDK的方式，发送到后台服务器，这种方式更适合安全性要求高、精细化分析的场景，如金融服务。
c.导入辅助工具
还可以采用日志、数据库的方式生成数据，然后对数据进行转换，通过实时或批量工具完成数据的导入。
那么，如何选择合适的采集方式呢？因企而异。
一般三种都是结合起来用的，只不过看全埋点是用第三方现成的，如友盟、神策数据、growthingio等，还是用官方自己搭建数据分析平台，这要根据公司具体业务来定。
②一款产品在什么时期就要开始做埋点工作了？（尤其是早期冷启动产品）
建议在早期就要有数据分析体系搭建的意识，可能暂时还用不上，如果产品验证还不错，公司资源又跟的上，那建议尽早去做。
③数据深度挖掘算法
现在大家都在谈大数据，大数据该怎么做？怎么智能化？有以下几个方向：
a.决策树模型
b.神经网络
c.机器学习
因为涉及的领域太深、太难，此处不做过多分析。
九、扩展：如何培养数据分析能力
①心法层面
1.好奇心
2.求知欲
宽广的胸怀，敢于打破常规和局限。
②基础层面
基础指标：pv、uv、跳出率、转化率、点击数等
学习网站：
http://bluewhale.cc/
书籍：
《统计数据会撒谎》
《深入浅出数据分析》
《谁说菜鸟不会数据分析》
《赤裸裸的统计学》
《深入浅出统计学》
《MySQL必知必会》
《流量的秘密》
《数据之美》
《精益数据分析》
《利用Python进行数据分析》
③对业务足够了解
④重视数据，保持敏感
时刻关注数据，时刻反思优化
网友评论