产品经理的九种数据分析方法
在产品经理的日常工作中，分析数据是必不可少的。利用分析结果进行产品决策和重新报价，已经成为产品经理的必备技能。
最近系统学习了产品经理的数据分析课程，发现“九大数据分析方法”非常实用。现在我总结一下，用自己的理解做一个总结。
“九种数据分析方法”是:
以下按照“比较什么”和“与谁比较”来解释:
通常有两种类型的每日数据值:
1)绝对值:数据本身具有参考价值，如电商销售金额、文章阅读数等。
2)比例值:你需要看比例值才能得到相关的值数据，比如留存率，活跃比例等等。
所以比较分析主要是分析比例值。通常我们有两种比较方式:
1)同比:指当前时间范围内某一位置的数值与上一时间范围内同一位置的数据的比较，英文:同期去年/月/日。例如，五月的第一周与四月的第一周相同。
2)环比:指当前时间范围的数值与上一个相邻时间范围的数值进行比较。例如，5月份的总销售额环比增长20%，这意味着5月份的总销售额比4月份的总销售额增长了20%。
1)和你自己。
在日常工作中，大部分的对比分析都是当前数据和以前数据的对比。可以从时间维度、渠道维度、业务线维度等不同角度进行比较。
2)与行业相比
做数据分析的时候，需要考虑行业的整体趋势。比如公司是在线教育行业，今年用户增长很快，团队认为是运营的作用。但如果对比行业数据，增长可能低于行业平均水平，增长是因为疫情导致的自然增长。这时候就需要调整操作策略了。
我们在分析数据的时候，会尽量从有限的数据中挖掘出最大的价值，得到更多隐藏的信息。这时候就需要从多个维度来拆解问题。
用一个实际案例来说明:
小明公司的产品是棋牌平台，包含棋牌资讯、棋牌视频、升级课程、问答社区等。平台里的金币是虚拟货币。用这个金币可以查看付费信息，付费视频，奖励等等。现在老板想知道金币消耗的数据指标。
接到任务后，小明根据实际业务场景，多维度拆解金币消费，梳理出以下维度:
A.时间。6月初平台大更新，玩法更加多样，所以本次数据分析只统计6月以后，按周统计。
b金币消费基础数据:消费总额、消费总人数、消费次数、充值次数等。
c金币的消费场景:分析所有的消费场景，期望按照金币的多少对消费场景进行排序，列出具体的消费内容来挖掘信息。
d金币的消费者:明确自己是消费者的画像，分析消费者的特点。
对单一指标进行多维度分析是一种常用的分析方法。
这种分析方法适用于“用户有明确的实现某个目标的路径”。比如分析一门课程的购买率。用户是否购买往往与前面的步骤息息相关，比如登录——点击首页广告——试用——提交订单——支付成功。
单看这种情况下购买率的高低是没有意义的。整个过程必须进行多维度的拆解，才能找到关键时刻进行改进。
漏斗，适合观察使用过程清晰的数据。漏斗是一系列前端影响后端的用户行为，这些行为在不同的层次上联系在一起。
比如某棋牌APP的课程购买，最终支付是最后一个漏斗，其漏斗路径为:
用户注册-查看推荐内容-点击课程-试用-提交订单-支付。其中，用户是否注册决定了推荐内容能否正常观看，用户观看推荐内容的数据影响点击课程链接的数据，等等。
我们在使用漏斗进行日常观察时，需要注意三个误区:
漏斗上一个工序影响下一个工序，所以漏斗的工序需要确定一个合理的时间。比如上面的棋牌APP的支付漏斗，用户的决策时间通常是当天，但买房的决策周期可能长达数月。
漏斗如:a-b-c-d-e .观察时不能直接a-c-e .这样观察各层转化率是不准确的。
有时，如果发现最终的勘测数据是错误的，则需要确定在统计一个目标的数据时是否遗漏了其他漏斗路径。
一个事件不仅仅是累积数据的指标，还可以从事件在不同维度的分布来分析。
比如通过分析用户总数，可以研究用户总数在不同性别、不同年龄、不同省份的分布情况。比如，通过分析某个页面的用户浏览数据，可以将总浏览量分布在不同时间、不同流量时段进行研究。
如图所示:
在留存分析之前，有必要了解留存的定义，不同的公司对留存的计算方法是不同的。
1)保留算法1=(第7天/第1天)*100%
2)留存算法2=(第二天到第七天所有用户加去权重)/第一天*100%
应采用哪种计算方法取决于我们计算和保留的目的。例如:
1)比较不同渠道的用户质量，采用算法1。因为所有渠道都是用初一和初七的数据，忽略的信息是一致的，所以可以公平比较。
2)如果你分析一个教人做饭的APP，这个APP的用户主要在周末打开。那么应该采用算法2。这样可以更真实的反映留存情况。
还需要注意的是，有些公司会把第一天称为第0天。这样做的好处是，在计算7天保留期时，可以比较同一个“星期几”。
根据具体的业务场景，需要选择不同的时间跨度来分析留存，比如:
1)要了解某个渠道的好坏，宜采用日留存(如7天留存)。
2)观察整个市场的数据，要采用周留存和月留存，这样才能宏观观察平台上用户的粘性。
我们讨论的用户画像有两种:
1)用户的详细标签。比如身份，年龄，婚姻，身高体重。通过识别用户的各类特征，给用户贴上各类标签，通过标签对用户进行组合和分类，针对不同群体进行精细化的产品/运营动作。
2)通过用户访谈等方式建立的代表性虚拟用户。在产品规划中使用虚拟用户时，团队可以很快达成* * *理解。
用户标签有很多种，大致可以分为四类:
1)基本属性:年龄、性别、生日、星座、学历、身高、收入、职业等。
2)社会属性:婚姻、子女、性取向等。
3)行为特征:注册时间、注册渠道、是否购买过某个产品、是否关注过某个问题等。
4)业务相关:比如健身类APP关心用户的睡眠质量、体脂率、高矮胖瘦等。
面对这么多标签，如何获取，通常有两种获取方式:
1)
对于我们一些常见的产品，注册时一定要填写相关信息。
2)用户行为的衍生和分析。
比如从手机型号推导出用户的消费能力，从购买的产品推导出性别，从他关心的话题推导出兴趣。
在实际工作中，一些明确的业务目标往往被归结为寻找实现目标的关键因素，并将有限的资源投入到关键因素中。
根据不同的业务场景，大致有三种归属方式:
1)最后归属
这种方法适用于转换路径短、事件间关联性强的场景。这种场景需要专注于达到目标之前的那一步。
以下实时奖励案例侧重于充值:
从案例分析中我们知道私信主播后充值的路径比较大，应该尽快改善私信体验。
2)递减归因
该方法适用于转化路径长、转化链中事件间差异小、不完全占优的事件。
3)首次归因
这种方式适合流量依赖性强的业务场景，用户的入口比什么都重要。比如借贷产品。
在漏斗分析中，整个过程往往非常清晰。但是在实际的业务场景中，我们并没有把用户的使用过程搞清楚，或者说过程是复杂随机的，没有强有序性。这个时候，更适合应用路径挖掘。
具体方法是找到流程中的所有事件，设置流程的流入流出页面，将所有事件放在这个流中，用数据工具进行分析。
在分析之前，有必要了解分析的目的，这一般适用于以下两种情况:
1)有一个清晰的开始场景。希望分析数据，观察这一幕之后发生了什么。
1)有明确的结果目标。想要分析数据，观察数据的用户是如何一步步实现目标的？
通过路径挖掘，可以找到我们关注的关键路径。只有找出关键路径上的关键行为，才能创造良好的体验。
路径挖掘是挖掘大量用户的行为路径，但有时我们更关注个体行为，想知道这个个体在使用产品时完整的事件时间轴。如下图所示:
挖掘单个用户的行为序列通常适用于以下两种场景:
1)找到统计所覆盖的信息，还原用户的具体使用场景。
2)找到个人行为特征和提高产品价值的机会。
案例:
在线象棋平台推出新功能，邀请象棋大师入驻，在线授课。该功能上线3天，* * * 1万用户体验了该功能。现在需要给两个销售人员分配任务，电话联系感兴趣的老师。
目前我们用个体行为序列分析来寻找重复使用某个功能且停留时间较长的用户。经过筛选，1000用户分配销售，大大提交了合作转化率。
以上是产品日常数据分析常用的九种分析方法。我是Tennoja Yige，产品领域的小学生，期待和大家多交流。