[[176168]]

上回說到，用戶行為數據的意義和價值《為什么要進行用戶行為分析?》，以及互聯網產品用戶模型的構建，這其中就包含了對數據的采集和分析兩大塊兒，本文將從數據采集的三大要點、如何讓分析更有價值更高效、以及數據分析思維三部分展開聊。

一、數據采集的三大要點

1、全面性

數據量足夠具有分析價值、數據面足夠支撐分析需求。

比如對于“查看商品詳情”這一行為，需要采集用戶觸發時的環境信息、會話、以及背后的用戶id，***需要統計這一行為在某一時段觸發的人數、次數、人均次數、活躍比等。

2、多維性

數據更重要的是能滿足分析需求。靈活、快速自定義數據的多種屬性和不同類型，從而滿足不同的分析目標。

比如“查看商品詳情”這一行為，通過埋點，我們才能知道用戶查看的商品是什么、價格、類型、商品id等多個屬性。從而知道用戶看過哪些商品、什么類型的商品被查看的多、某一個商品被查看了多少次。而不僅僅是知道用戶進入了商品詳情頁。

3、高效性

高效性包含技術執行的高效性、團隊內部成員協同的高效性以及數據分析需求和目標實現的高效性。

基于以上三點，我們看如何讓數據采集更準確、分析更有用以及團隊內部更高效。

二、數據分析價值性和高效性

step1：明確數據驅動目標

數據采集切忌大而全，數據分析需求也是隨著產品不斷迭代的，明確長遠和當前階段的分析需求，讓分析更有目的性，技術執行更高效。

場景舉例：

小葛是公司的產品經理，小諸是技術，最近兩人都認識到了數據在產品運營和決策中的重要性，經過幾個數據平臺的調研，***，選擇了諸葛io，并且已經明確了當前階段的數據需求...

小葛：“小諸忙嗎，文檔中那個，登錄流程、注冊轉化、購買轉化、分享轉化等是長遠需要關注的數據指標，務必埋上哦;對于發現功能呢，兩個禮拜后我們會提交一個新版本，先不埋了啦，辛苦啦。”

小諸：“小葛，你真棒，一會兒我就給你埋好了呢!”

小葛：“哦還有，注冊那個頁面我們有個推薦人選項，需要用戶輸入推薦人賬號，采集的時候別采賬號啊，我只想看注冊用戶是否有推薦人的分布，把那個屬性處理成判斷哦”

小諸：“這簡單。那今晚...”

看著小葛轉身要離開了，小諸欲言又止，默默地繼續敲代碼了...

step2：按需采集數據

帶著需求和分析目標去采數據，不僅避免了數據冗余帶來的無從下手，也避免了全量采集之后卻不知道要分析什么的尷尬。

圖示為埋點范例：

圖示文檔可由數據分析需求人員整理，表格梳理讓需求人員和技術人員協同更高效，也大大提升了后續的分析價值和效率

step3：多維交叉定位問題

對數據的應用可分為一般分析和探索性分析。一般分析包括對日常數據如新增、活躍、留存、核心漏斗的監測分析，也包括對各部門日常業務的數據監測。監測每日增長，分析異常情況，比如對注冊失敗、支付失敗事件的監控和及時優化。

探索性分析是對數據的高級應用。對核心事件的相關性分析、挖掘產品改進關鍵點等，如促進用戶購買的相關性分析、找到促進留存的Ahamoment等。

step4：優化產品、優化運營策略

基于數據反映的問題，做到實時監控和及時解決，基于分析得到的增長啟發，去做A/B測試、灰度測試、去MVP實踐。

step5：衡量

衡量是數據分析到實踐的***一步，當然，也可能是***步。有時候我們看似找到了增長點，但實驗發現，事實并不如預期，不要灰心，不要喪氣，更不要不吃飯，分析過程中對用戶的理解、對業務的深度挖掘可能會讓下一次優化產生累計價值。

三、數據分析思維

數據采集固然重要，數據分析的方法論也很重要，但不要迷信數據，因為更重要的，可能是人的創造力和想象力!數據分析也從來不是一勞永逸的，產品在不斷迭代，業務在不斷更新，從認知到決策，數據更多的是起到了輔助的作用，從梳理需求、到采集、到分析、到實踐、再到衡量，它是始終循環在企業增長的整個過程中的。

***，那些改變世界的程序猿，他們始終希望能用自己的技術創造更多的價值，很多時候，他們要的可能是明確的數據需求、明確的分析目標，以及一套高效協同的方法，畢竟，誰都認為：能準確解決問題、能驅動業務增長，更!重!要!