以前產品的好壞主要憑感覺，隨著移動互聯網的發展，可獲取用戶的各種行為數據，通過數據，我們可以了解產品的好壞、用戶的喜好，從而用數據驅動產品迭代。

數據分析更多的是基于業務背景來解讀數據，把隱藏的數據背后信息提煉和總結出來，發現其中有價值的內容。

由于這個過程中，數據是客觀的，人是主管的。同樣的數據不同的人解讀出來的結論可能是不一樣的，甚至是完全相反的，但結論本身沒有對錯，所以從客觀的數據到主觀的人，需要有一些科學的分析方法作為橋梁，幫助數據的信息更好、更全面、更快的傳遞。

那常用的數據分析方法有哪些呢？

1、趨勢分析

當數據很多，而我們又想從數據中更快、更便捷來發現數據信息的時候，這個時候需要借助圖形的力量，所謂圖形的力量，就是借助EXCEl或者其他畫圖工具把他畫出來。下圖是某個網站7月份每天的訪問數據。你無法從數據中得出有用的信息。

如果把他用圖形畫出來，你就能發現一些問題。

1、從7月初到7月末，整體的訪問人數是呈上升的趨勢。

2、每周每兩天數據都會低下去，也就是說數據有明顯的周期性，工作日的表現會比周末好一些。

3、7月29日當天出現了一個波峰，有可能當天正在搞活動，所以當天數據是上去的。

這就是趨勢分析，趨勢分析一般用于核心指標的長期跟蹤，比如：點擊率、GMV、活躍用戶數。一般做成簡單的數據趨勢圖，但光制作成數據趨勢圖還不算分析，必須像上面一樣，數據有那些趨勢上的變化，有沒有周期性，有沒有拐點，并分析背后的原因，無論是內部原因還是外部原因。

趨勢分析最好的產出是比值。有環比、同比、定基比。比如2017年4月份比3月份GDP增長了多少，這就是環比，環比體現了最近變化的趨勢，但有季節性的影響。為了消除季節性的影響，推出了同比，比如：2017年4月份比2016年的4月份GDP增長了多少，這就是同比。定基就更好理解，就是固定某個基點，比如將2017年1月份的數據作為基點，定基比則為2017年5月份和一月份比。

2、用戶分群

比如電商網站，我們可以專門分析收件地址為上海的用戶群特征。就好像不同的地方人群有不同的飲食習慣一樣，不同地區的用戶肯定也有自己的群體特征。通過把這部分人群提煉出來，我們可以觀察他們購買產品的頻度、類別、時間，這樣就可以創造出該群體的用戶畫像。

將用戶按照不同維度進行細分，可以進行精細化的運營。比如可以把營銷活動中支付失敗的用戶收集起來，分析他們支付失敗的原因，優化產品設計。然后給他們發優惠券，進行精準的營銷推廣，提高轉化率，增加營收。

3、對比分析

橫向對比：橫向對比就是跟自己比。那我們最常見的數據指標，銷售額來講，最常見的數據指標就是我們需要跟目標值比，來回答我們有沒有完成目標；跟我們上個月比，來回答我們同比增長了多少。

縱向對比：簡單來說就是跟他人比。我們要跟競爭對手比，來回答我們在市場中的份額和地位是怎樣的。

很多人可能會說，對比分析聽起來也很簡單么，那我舉個例子，有個電商的簽到頁面，昨天它的pv是5000，你聽到這樣的數據有啥感受？你不會有任何感受，如果說你知道這個簽到頁面的平均PV是10000，說明昨天出現了重大問題，如果說簽到頁面的平均pv是2000，則昨天有個躍升，數據只有對比，才能產生意義。

常見的對比應用有A/B test。A/B test有三個必備的因素：

1、A/B test的關鍵就是保證兩組中只有一個單一變量，其他條件保持一致。比如測試首頁的改版效果，就需要保證來源渠道一樣，用戶質量一樣，上線時間保持相同，這樣測試出來的數據才有意義。

2、有足夠的時間進行測試

3、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 test測試得出的結果也是不準確的。

新老版本迭代的時候，我們一般列出一些指標，來評估版本迭代的好壞。比如訪問頻次、使用時長、啟動次數、關鍵事件達成率、留存率....

而且我們一般采用對比方式來對比新版本發布前后新版本用戶和老版本用戶各數據指標前后的差異。

經常得出的結論是新版本的數據優于老版本的數據，然而真的是這樣么？通常喜歡升級新版本的用戶都是最活躍的用戶，因為他們本身對產品的依賴度強，使用頻度高，升級的機率自然就大。

如果想做此類數據分析，最好選擇兩個版本發布初期的新用戶，保證對比指標之外的其他因素盡可能保持一致。

4、象限分析

依據數據的不同，將各個比較主體劃分到4個象限中。如果把智商和情商進行劃分，就可以劃分為兩個維度四個象限，每個人都有自己所屬的象限。一般來說，智商保證一個人的下限，情商提升一個人的上限。高智商高情商的人事業順風順水、高智商低情商的人做起事情來會很痛苦，覺得周圍的人都是傻逼，處理不好人機關系、低智商低情商的人就沒啥事業了，低智商高情商的很會處理人際關系，但是學起東西來比較慢。

扯遠了，那我們回到數據分析，舉一個之前實際工作中用過的四象限分析法。一般p2p產品注冊用戶都是有第三方渠道引流的，如果按照流量來源的質量和數量可以劃分四個象限。然后選取一個固定時間點，比較各個渠道的流量性價比，質量可以用留存的總額這個維度計算。對于高質量高數量的渠道繼續保持，對于高質量低數量的渠道擴大引入數量，低質量低數量pass，低質量高數量嘗試一下投放的策略和要求，這樣的象限分析可以讓我們在對比分析的時候有一個非常直觀和快捷的結果。

5、細分分析法

對比分析既有橫向對比，又有縱向對比。如果既想橫向對比，又想縱向對比，就有了交叉分析法。交叉分析法就是對數據從多個維度進行交叉展現，進行多角度的結合分析。

在分析app數據的時候，通常會分ios和安卓來看，從下圖我們可以看出ios和安卓的數量比例，以及兩者之間的差距。

如果在上述圖標中加入時間的維度，數據信息會變得很豐富，從下面的數據中我們可以看到ios每個月的數據在增加，而安卓每個月新增的用戶數量在降低，整體新增用戶并沒有出現增長的主要原因就是安卓端的用戶在減少。

從上面的例子我們可以看出，疊加一個維度，信息的數據就會變得豐富，那我們能否疊加更多維度數據進行分析呢？答案當然是可以的。從上面的圖標中我們看到了安卓的2季度數量是下降的，那為什么安卓的二季度數據會下降呢？這個時候可以加入渠道的維度，從圖中可以看出安卓端預裝渠道的占比是比較高的，而且呈現降低的趨勢，而其他渠道的變化更不明顯。從這個過程中我們可以得到更進一步的結論，安卓端二季度新增用戶降低主要由于預裝渠道降低所致。

細分分析的主要作用就是從多個維度細分數據，從中發現最為相關的維度來探索數據變化的原因。

常見的維度有：

?● 分時：不同時間段數據是否有變化。

?● 分渠道：不同流量來源數據是否有變化。

?● 分用戶：新注冊用戶和老用戶相比是否有差異，高等級用戶和低等級用戶相比是否有差異。

?● 分地區：不同地區的數據是否有變化。

細分分析法是一個從粗到細的過程。

6、漏斗分析

漏斗模型在數據分析中很常見了，常見的有注冊轉化漏斗，還有下單支付漏斗。通過漏斗分析可以還原用戶轉化的路徑，分析每一個轉化節點的效率。

漏斗模型中我們往往關注三點：

1、整體的轉化率是多少。就是每一步相對于第一步的轉化率是多少。

2、上一步轉化率。每一步相當于上一步的轉化率。

3、哪一步流失最多，流失的原因是什么？流失的用戶都有哪些特征？

7、留存分析

在人口紅利消退的年代，留住老用戶的成本遠遠低于獲取新用戶的成本。所以可以重點關注用戶的留存事宜。比如可以通過分析用戶行為和留存之間的關系來提升留存。

比如Linkdin就發現用戶添加5個以上的聯系人，留存率顯著提高。

8、數據建模

數據建模是一種用于定義和分析數據的要求和其需要的相應支持的信息系統的過程。

當我們需要預測判斷客戶的流失時，我們可以通過用戶行為數據、用戶畫像等數據建立流失模型。利用統計學的方式進行一些組合和權重計算，從而得知用戶滿足那些行為之后，流失的可能性更高。

9、歸因分析

我們買一件東西，可能會有多次轉化節點。比如我們想買一個衣服，第一次在淘寶上看到的時候想買沒買，加入購物車了。第二次我們去線下實體店的時候，我們又看到這樣一件衣服，這個時候我們下單了。這里面有三個節點（分別是淘寶平臺、淘寶平臺上的商家、線下實體店），到底哪一個節點貢獻更大呢？這樣的一個分析模型，我們把它叫做歸因分析。當然轉化并不一定是完成銷售，注冊也是轉化，一次訪問也是轉化，所以可以根據自己的實際業務需求制定自己的轉化目標。

歸因模型在使用過程中通常分為幾類：最終互動模型、首次互動模型、線性歸因模型、時間衰減歸因模型、自定義等，這里逐一進行描述：

產品情景描述：用戶在淘寶上想買東西，沒買，加入購物車了，過幾天又在線下實體店看到，這次終于下定決心購買，最終完成轉化。

最終互動模型：最后一個節點將被分配100%的功勞，那么線下實體店獲得100%的功勞；

首次互動模型：用戶首先是在淘寶上看到的，那么淘寶將被分配100%的功勞；

線性歸因模型：用戶從開始搜索到轉化，共經歷了3個渠道（節點），那么每個節點將被平均授予33.3%的功勞；

時間衰退歸因模型：用戶在淘寶以及淘寶上的商家看到這件衣服是幾天之前的事情，那么這兩個渠道因為時間經歷比較長的原因將被分配較低的功勞（如各20%），實體店將被分配相對較高的功勞（60%）；

歸因模型主要用于渠道的分析，目的在于找到有利的渠道，然后擴大合作。

總結：現在都是說用數據驅動產品增長，只有掌握合適的數據分析方法，才能驅動產品增長。不掌握數據分析方法，光有數據也產生不了價值。希望能幫到大家，喜歡的小伙伴點個在看唄。

最后，也歡迎有問題的小伙伴加微信：yw5201a1?溝通交流。

更多干貨可關注微信公眾號：產品劉

··················END··················

RECOMMEND

推薦閱讀

產品經理需要向上思考

分享一篇關于陌生人社交的競品分析報告

手把手教你做產品經理

B端產品如何尋找競品

點擊“閱讀原文”

查看更多干貨

總結

以上是生活随笔為你收集整理的这些数据分析方法你都掌握了么的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。