隨著人口和流量紅利的下降，互聯網行業必然會朝著精益化運營的方向發展。數據分析在很多互聯網人的工作中越發顯得重要，而對于產品經理來說，更是如此。本文將為產品經理介紹數據分析的基本思路，并基于此，衍生出 2 個常見方法和 7 個應用手段，希望在數據分析的實際應用中能給大家帶來幫助。

一、數據分析的基本思路

數據分析應該以業務場景為起始思考點，以業務決策作為終點。基本思路為 5 步，首先要挖掘業務含義、制定分析計劃、從分析計劃中拆分出需要的數據、再根據數據分析的手段提煉業務洞察，最終產出商業決策。

接下來我們用一個案例來具體說明這 5 步思路：某國內 P2P 借貸類網站，市場部在百度和 hao123 上都有持續的廣告投放，吸引網頁端流量;最近內部同事建議嘗試投放 Google 的 SEM;另外，也需要評估是否加入金山網絡聯盟進行深度廣告投放。在這種多渠道的投放場景下，產品經理該如何進行深度決策?

1. 挖掘業務含義

首先要了解市場部想優化什么，并以此為核心的 KPI 去衡量。渠道效果的評估，最重要的是業務轉化：對 P2P 類網站來說，是否『發起借貸』遠遠比『用戶數量』重要。

所以無論是 Google 還是金山渠道，都要根據用戶群體的不同，優化相應用戶的落地頁，提升轉化。

2. 制定分析計劃

以『發起借貸』為核心轉化點，分配一定的預算進行流量測試，觀察對比注冊數量及 ROI 效果，可以持續觀察這部分用戶的后續價值。

3. 拆分查詢數據

根據各個渠道追蹤流量、落地頁停留時間、落地頁跳出率、網站訪問深度以及訂單類型數據，進行用戶分群。

4. 提煉業務洞察

在不同渠道進行投放時，要根據 KPI 的變化，推測業務含義。比如谷歌渠道的效果不好，可能因為谷歌大部分的流量在海外，可能會造成轉化率低。而金山網絡聯盟有很多展示位置，要持續監測不同位置的效果，做出***判斷。

5. 產出商業決策

***根據數據洞察，指導渠道的投放決策制。比如停止谷歌渠道的投放，繼續跟進金山網絡聯盟進行評估，而落地頁要根據數據指標持續地進行優化。

二、常見的數據分析方法

(一) 內外因素分解法

內外因素分解法是把問題拆成四部分，包括內部因素、外部因素、可控和不可控，然后再一步步解決每一個問題。

社交招聘類網站，一般分為求職者端和企業端，向企業端收費方式之一是購買職位的廣告位。業務端人員發現『發布職位』數量在過去的 6 個月里有緩慢下降的趨勢。對于這類某一數據下降的問題，從產品經理的角度來說，可以如何拆解?根據內外因素分解法分析如下：

1. 內部可控因素

產品近期上線更新、市場投放渠道變化、產品粘性、新老用戶留存問題、核心目標的轉化;

2. 外部可控因素

市場競爭對手近期行為、用戶使用習慣的變化、招聘需求隨時間的變化;

3. 內部不可控因素

產品策略(移動端/PC端)、公司整體戰略、公司客戶群定位(比如只做醫療行業招聘);

4. 外部不可控因素

互聯網招聘行業趨勢、整體經濟形勢、季節性變化;

(二) DOSS

DOSS 是從一個具體問題拆分到整體影響，從單一的解決方案找到一個規模化解決方案的方式。

某在線教育平臺，提供免費課程視頻，同時售賣付費會員，為付費會員提供更多高階課程內容。如果我想將一套計算機技術的付費課程，推送給一群持續在看 C++ 免費課程的用戶，產品經理應該如何輔助分析?

按 DOSS 的思路分解如下：

1. 具體問題

預測是否有可能幫助某一群組客戶購買課程。

2. 整體

首先根據這類人群的免費課程的使用情況進行數據分析，之后進行延伸，比如對整體的影響，除了計算機類，對其他類型的課程都進行關注。

3. 單一回答

針對該群用戶進行建模，監控該模型對于最終轉化的影響。

4. 規模化

之后推出規模化的解決方案，對符合某種行為軌跡和特征的行為進行建模，將課程推薦模型加入到產品設計中。

三、數據分析的應用手段

根據基本分析思路，常見的有 7 種數據分析的手段。

(一) 畫像分群

畫像分群是聚合符合某中特定行為的用戶，進行特定的優化和分析。

比如在考慮注冊轉化率的時候，需要區分移動端和 Web 端，以及美國用戶和中國用戶等不同場景。這樣可以在渠道策略和運營策略上，有針對性地進行優化。

(二) 趨勢維度

建立趨勢圖表可以迅速了解市場， 用戶或產品特征的基本表現，便于進行迅速迭代;還可以把指標根據不同維度進行切分，定位優化點，有助于決策的實時性;

(三) 漏斗洞察

通過漏斗分析可以從先到后的順序還原某一用戶的路徑，分析每一個轉化節點的轉化數據;

所有互聯網產品、數據分析都離不開漏斗，無論是注冊轉化漏斗，還是電商下單的漏斗，需要關注的有兩點。***是關注哪一步流失最多，第二是關注流失的人都有哪些行為。關注注冊流程的每一個步驟，可以有效定位高損耗節點。

(四) 行為軌跡

行為軌跡是進行全量用戶行為的還原。只看 PV、UV 這類數據，無法全面理解用戶如何使用你的產品。了解用戶的行為軌跡，有助于運營團隊關注具體的用戶體驗，發現具體問題，根據用戶使用習慣設計產品，投放內容;

(五) 留存分析

留存是了解行為或行為組與回訪之間的關聯，留存老用戶的成本要遠遠低于獲取新用戶，所以分析中的留存是非常重要的指標之一;

除了需要關注整體用戶的留存情況之外，市場團隊可以關注各個渠道獲取用戶的留存度，或各類內容吸引來的注冊用戶回訪率，產品團隊關注每一個新功能對于用戶的回訪的影響等。

(六) A/B 測試

A/B 測試是對比不同產品設計/算法對結果的影響。

產品在上線過程中經常會使用 A/B 測試來測試產品效果，市場可以通過 A/B 測試來完成不同創意的測試。要進行 A/B 測試有兩個必備因素：

• 有足夠的時間進行測試;
• 數據量和數據密度較高;

因為當產品流量不夠大的時候，做 A/B 測試得到統計結果是很難的。而像 LinkedIn 這樣體量的公司，每天可以同時進行上千個 A/B 測試。所以 A/B 測試往往公司數據規模較大時使用會更加精準，更快得到統計的結果。

(七) 優化建模

當一個商業目標與多種行為、畫像等信息有關聯性時，我們通常會使用數據挖掘的手段進行建模，預測該商業結果的產生;

例如：作為一家 SaaS 企業，當我們需要預測判斷客戶的付費意愿時，可以通過用戶的行為數據，公司信息，用戶畫像等數據建立付費溫度模型。用更科學的方式進行一些組合和權重，得知用戶滿足哪些行為之后，付費的可能性會更高。以上這幾種數據分析的方法論，僅僅掌握單純的理論是不行的。產品經理們需要將這些方法論應用到日常的數據分析工作中，融會貫通。同時學會使用優秀的數據分析工具，可以事半功倍，更好的利用數據，實現整體增長。