1. 明確數據分析的目的

做數據分析，必須要有一個明確的目的，知道自己為什么要做 數據分析 ，想要達到什么效果。比如：為了評估產品改版后的效果比之前有所提升;或通過數據分析，找到產品迭代的方向等。

明確了數據分析的目的，接下來需要確定應該收集的數據都有哪些。

2. 收集數據的方法

說到收集數據，首先要做好數據埋點。

所謂“埋點”，個人理解就是在正常的功能邏輯中添加統計代碼，將自己需要的數據統計出來。

目前主流的數據埋點方式有兩種：

第一種：自己研發。開發時加入統計代碼，并搭建自己的數據查詢系統。

第二種：利用第三方統計工具。

常見的第三方統計工具有：

• 網站分析工具
  Alexa、中國網站排名、網絡媒體排名(iwebchoice)、Google Analytics、百度統計
• 移動應用分析工具
  Flurry、Google Analytics、友盟、TalkingData、Crashlytics 不同產品，不同目的，需要的支持數據不同，確定好數據指標后，選擇適合自己公司的方式來收集相應數據。

3. 產品的基本數據指標

新增：新用戶增加的數量和速度。如：日新增、月新增等。

活躍：有多少人正在使用產品。如日活躍(DAU)、月活躍(MAU)等。用戶的活躍數越多，越有可能為產品帶來價值。

留存率：用戶會在多長時間內使用產品。如：次日留存率、周留存率等。

傳播：平均每位老用戶會帶來幾位新用戶。

流失率：一段時間內流失的用戶，占這段時間內活躍用戶數的比例。

4. 常見的數據分析法和模型

這里主要科普下漏斗分析法和AARRR分析模型。

漏斗分析法

用來分析從潛在用戶到最終用戶這個過程中用戶數量的變化趨勢，從而尋找到最佳的優化空間，這個方法被普遍用于產品各個關鍵流程的分析中。

比如，這個例子是分析從用戶進入網站到最終購買商品的變化趨勢。

從用戶進入網站到瀏覽商品頁面，轉化率是40%;瀏覽商品到加入購物車轉化率是20%等，那要找出哪個環節的轉化率最低，我們需要有對比數據。

比如第一個，進入網站到瀏覽商品，如果同行業水平的轉化率是45%，而我們只有40%，那說明這個過程，沒有達到行業平均水平，我們就需要分析具體原因在哪里，再有針對性的去優化和改善。

當然，上面這是我們設計的一種理想化的漏斗模型，數據有可能是經過匯總后得出的。而真實的用戶行為往往可能并不是按照這個簡單流程來的。此時需要分析用戶為什么要經過那么復雜的路徑來達到最終目的，思考這中間有沒有可以優化的空間。

AARRR模型

這個是所有的產品經理都必須要掌握的一個數據分析模型。

AARRR(Acquisition、Activation、Retention、Revenue、Refer)是硅谷的一個風險投資人戴維 · 麥克魯爾在2008年時創建的，分別是指獲取、激活、留存、收入和推薦。

舉個例子，用AARRR模型來衡量一個渠道的好壞。

如果單從數據表面來看，A渠道會更劃算，但實際這種結論是有問題的，用AARRR模型具體分析如下：

渠道A的單個留存用戶成本是60元，單個付費用戶成本是300元;而渠道B的單個留存用戶成本是20元，單個付費用戶成本是33元，這樣對比下來，明顯B渠道的優勢遠遠大于A渠道。

交叉分析法

交叉分析法：通常是把縱向對比和橫向對比綜合起來，對數據進行多角度的結合分析。

舉個例子：

a. 交叉分析角度：客戶端+時間

從這個數據中，可以看出iOS端每個月的用戶數在增加，而Android端在降低，總體數據沒有增長的主要原因在于Android端數據下降所導致的。

那接下來要分析下為什么Android端二季度新增用戶數據在下降呢?一般這個時候，會加入渠道維度。

b. 交叉分析角度：客戶端+時間+渠道

從這個數據中可以看出，Android端A預裝渠道占比比較高，而且呈現下降趨勢，其他渠道的變化并不明顯。

因此可以得出結論：Android端在二季度新增用戶降低主要是由于A預裝渠道降低所導致的。

所以說，交叉分析的主要作用，是從多個角度細分數據，從中發現數據變化的具體原因。

5. 如何驗證產品新功能的效果

驗證產品新功能的效果需要同時從這幾方面入手：

新功能是否受歡迎?

衡量指標：活躍比例。即：使用新功能的活躍用戶數/同期活躍用戶數。

使用人數的多少還會受該功能外的很多因素影響，千萬不可只憑這一指標判斷功能好壞，一定要結合下面的其他方面綜合評估。

用戶是否會重復使用?

衡量指標：重復使用比例。即：第N天回訪的繼續使用新功能的用戶數/第一天使用新功能的用戶數。

對流程轉化率的優化效果如何?

衡量指標：轉化率和完成率。轉化率即：走到下一步的用戶數/上一步的用戶數。完成率即：完成該功能的用戶數/走第一步的用戶數。

這個過程中，轉化率和完成率可以使用(上)篇中提到的漏斗分析法進行分析。

對留存的影響?

衡量指標：留存率。用戶在初始時間后第N天的回訪比例，即：N日留存率。常用指標有：次日留存率、7日留存率、21日留存率、30日留存率等。

用戶怎樣使用新功能?

真實用戶行為軌跡往往比我們設想的使用路徑要復雜的多，如果使用的數據監測平臺可以看到相關數據，能引起我們的反思，為什么他們會這么走，有沒有更簡便的流程，以幫助我們作出優化決策。

6. 如何發現產品改進的關鍵點

產品改進的關鍵點，是藏在用戶的行為中。

想要找到這些關鍵點，除了通過用戶調研、訪談等切實的洞察用戶外，在產品中設置相關數據埋點記錄用戶的行為，觀察其行為軌跡，不能完全替代洞察用戶的行為，不過也可以有助于決策產品改進點。

操作步驟：

來自：36大數據

更多精彩內容和產品推薦，請咨詢！