以前产品的好坏主要凭感觉，随着移动互联网的发展，可获取用户的各种行为数据，通过数据，我们可以了解产品的好坏、用户的喜好，从而用数据驱动产品迭代。

在产品经理的工作中少不了对数据的观测和研究，其实对于数据分析，关键是提出好的问题，找到适合的方式对数据寻根问底，挖掘出数据背后潜藏的有价值的信息，这样就能和数据有效对话，从而做到指导产品和运营动作，达到最终的产品目标的要求了。

一、常用的数据分析方法

1、趋势分析

当数据很多，而我们又想从数据中更快、更便捷来发现数据信息的时候，这个时候需要借助图形的力量，所谓图形的力量，就是借助EXCEl或者其他画图工具把他画出来。下图是某个网站7月份每天的访问数据，你能从数据中得出啥有用的信息么？

添加图片注释，不超过 140 字（可选）

如果把它用图形画出来，就能发现一些问题。

1、从7月初到7月末，整体的访问人数是呈上升的趋势。

2、每周每两天数据都会低下去，也就是说数据有明显的周期性，工作日的表现会比周末好一些。

3、7月29日当天出现了一个波峰，有可能当天正在搞活动，所以当天数据是上去的。

添加图片注释，不超过 140 字（可选）

这就是趋势分析，趋势分析一般用于核心指标的长期跟踪，比如：点击率、GMV、活跃用户数。一般做成简单的数据趋势图，但光制作成数据趋势图还不算分析，必须像上面一样，数据有那些趋势上的变化，有没有周期性，有没有拐点，并分析背后的原因，无论是内部原因还是外部原因。

趋势分析最好的产出是比值。有环比、同比、定基比。比如2017年4月份比3月份GDP增长了多少，这就是环比，环比体现了最近变化的趋势，但有季节性的影响。为了消除季节性的影响，推出了同比，比如：2017年4月份比2016年的4月份GDP增长了多少，这就是同比。定基比就更好理解，就是固定某个基点，比如将2017年1月份的数据作为基点，定基比则为2017年5月份的数据和2017年1月份的数据做对比。

2、对比分析

横向对比：横向对比就是跟自己比。最常见的数据指标就是需要跟目标值比，来回答我们有没有完成目标；跟我们上个月比，来回答我们环北增长了多少。

纵向对比：简单来说就是跟他人比。我们要跟竞争对手比，来回答我们在市场中的份额和地位是怎样的。

很多人可能会说，对比分析听起来也很简单么。那我举个例子，有个电商的签到页面，昨天它的pv是5000，你听到这样的数据有啥感受？你不会有任何感受，如果说这个签到页面的平均PV是10000，说明昨天出现了重大问题，如果说签到页面的平均pv是2000，则昨天有个跃升，数据只有对比，才能产生意义。

常见的对比应用有A/B test，A/B test的关键就是保证两组中只有一个单一变量，其他条件保持一致。比如测试首页的改版效果，就需要保证来源渠道一样，用户质量一样，上线时间保持相同，这样测试出来的数据才有意义。

新老版本迭代的时候，我们一般列出一些指标，来评估版本迭代的好坏。比如访问频次、使用时长、启动次数、关键事件达成率、留存率....

而且我们一般采用对比方式来对比新版本发布前后新版本用户和老版本用户各数据指标前后的差异。

经常得出的结论是新版本的数据优于老版本的数据，然而真的是这样么？通常喜欢升级新版本的用户都是最活跃的用户，因为他们本身对产品的依赖度强，使用频度高，升级的机率自然就大。

如果想做此类数据分析，最好选择两个版本发布初期的新用户，保证对比指标之外的其他因素尽可能保持一致。

3、象限分析

依据数据的不同，将各个比较主体划分到4个象限中。如果把智商和情商进行划分，就可以划分为两个维度四个象限，每个人都有自己所属的象限。一般来说，智商保证一个人的下限，情商提升一个人的上限。高智商高情商的人事业顺风顺水、高智商低情商的人做起事情来会很痛苦，觉得周围的人都是傻逼，处理不好人际关系、低智商低情商的人就没啥事业了，低智商高情商的很会处理人际关系，但是学起东西来比较慢。

添加图片注释，不超过 140 字（可选）

扯远了，那我们回到数据分析，举一个之前实际工作中用过的象限分析法的例子。一般p2p产品注册用户都是有第三方渠道引流的，如果按照流量来源的质量和数量可以划分四个象限，然后选取一个固定时间点，比较各个渠道的流量性价比，质量可以用留存的总额这个维度作标准。对于高质量高数量的渠道继续保持，对于高质量低数量的渠道扩大引入数量，低质量低数量pass，低质量高数量尝试一下投放的策略和要求，这样的象限分析可以让我们在对比分析的时候得到一个非常直观和快捷的结果。

添加图片注释，不超过 140 字（可选）

4、交叉分析

对比分析既有横向对比，又有纵向对比。如果既想横向对比，又想纵向对比，就有了交叉分析法。交叉分析法就是对数据从多个维度进行交叉展现，进行多角度的结合分析。

在分析app数据的时候，通常会分ios和安卓来看，从下图我们可以看出ios和安卓的数量比例，以及两者之间的差距。

添加图片注释，不超过 140 字（可选）

如果在上述图标中加入时间的维度，数据信息会变得丰富起来，从下面的数据中我们可以看到ios每个月的数据在增加，而安卓每个月新增的用户数量在降低，整体新增用户并没有出现增长的主要原因就是安卓端的用户在减少。

添加图片注释，不超过 140 字（可选）

从上面的例子我们可以看出，叠加一个维度，信息的数据就会变得丰富，那我们能否叠加更多维度数据进行分析呢？答案当然是可以的。从上面的图标中我们看到了安卓的2季度数量是下降的，那为什么安卓的2季度数据会下降呢？这个时候可以加入渠道的维度，从图中可以看出安卓端预装渠道的占比是比较高的，而且呈现降低的趋势，而其他渠道的变化更不明显。从这个过程中我们可以得到更进一步的结论，安卓端二季度新增用户降低主要由于预装渠道降低所致。

添加图片注释，不超过 140 字（可选）

交叉分析的主要作用就是从多个维度细分数据，从中发现最为相关的维度来探索数据变化的原因。

常见的维度有：

• 分时：不同时间段数据是否有变化。

• 分渠道：不同流量来源数据是否有变化。

• 分用户：新注册用户和老用户相比是否有差异，高等级用户和低等级用户相比是否有差异。

• 分地区：不同地区的数据是否有变化。

交叉分析法是一个从粗到细的过程，也可以叫做细分分析法。

二、常见的数据分析模型

当然对于一些常见的问题有一些固定的数据分析套路，把它总结成数据分析模型，下面我分享4个产品经理一定要知道的数据分析模型。

1、漏斗分析法

漏斗分析法能够科学反映用户行为状态，以及从起点到终点各阶段用户转化率情况，是一种重要的分析模型。漏斗分析模型已经广泛应用于网站和APP的用户行为分析中，例如流量监控、CRM系统、SEO优化、产品营销和销售等日常数据运营与数据分析工作中。比如，对一些电商产品来说，最终目的是让用户下单并支付，但转化率取决于整个流程。这时，我们就可以通过漏斗模型一步一步地进行监测。

2、A/Btest

A/Btest，是将Web或App界面或流程的两个或多个版本，在同一时间维度，分别让类似访客群组来访问，收集各群组的用户体验数据和业务数据，最后分析评估出最好版本正式采用。A/Btest的流程如下：

（1）现状分析并建立假设：分析业务数据，确定当前最关键的改进点，作出优化改进的假设，提出优化建议；比如说我们发现用户的转化率不高，我们假设是因为推广的着陆页面带来的转化率太低，下面就要想办法来进行改进了

（2）设定目标，制定方案：设置主要目标，用来衡量各优化版本的优劣；设置辅助目标，用来评估优化版本对其他方面的影响。

（3）设计与开发：制作2个或多个优化版本的设计原型并完成技术实现。

（4）分配流量：确定每个线上测试版本的分流比例，初始阶段，优化方案的流量设置可以较小，根据情况逐渐增加流量。

（5）采集并分析数据：收集实验数据，进行有效性和效果判断：统计显著性达到95%或以上并且维持一段时间，实验可以结束；如果在95%以下，则可能需要延长测试时间；如果很长时间统计显著性不能达到95%甚至90%，则需要决定是否中止试验。

（6）最后：根据试验结果确定发布新版本、调整分流比例继续测试或者在试验效果未达成的情况下继续优化迭代方案重新开发上线试验。

3、分组分析法

分组分析法是根据数据分析对象的特征，按照一定的标志（指标），把数据分析对象划分为不同的部分和类型来进行研究，以揭示其内在的联系和规律性。

分组的目的就是为了便于对比，把总体中具有不同性质的对象区分开，把性质相同的对象合并在一起，保持各组内对象属性的一致性、组与组之间属性的差异性，以便进一步运用各种数据分析方法来揭示内在的数量关系，因此分组法必须与对比法结合运用。

分组分析在日常工作中应用的比较多的是用户分层与分群，比如在发优惠券的时候，可以通过红包，满减，限时券还有积分券等方式。我们可以针对不同的用户发送不同的优惠券以达到精细化运营的效果。那么当我们在做数据分析时，也可以从结果将用户进行分层来进行判断，这时同样也可以得到优化和改进业务的建议。

说了完用户分层，接下来我们说说用户分群。用户分群和用户分层其实是相关联的，用户分群是对用户分层的补充，当用户差异性较大，层级上不能再做用户细分时，可以考虑将同一个分层内的群体继续切分，满足更高的精细化运营需要。

4、留存分析法

留存率反应的实际是一种转化率，即由初期的不稳定的用户转化为活跃用户、稳定用户、忠诚用户的过程。随着统计数字的变化，运营人员可看到不同时期用户的变化情况，从而判断产品对客户的吸引力。留存分析法是一种用来分析用户参与情况和活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。从用户的角度来说，留存率越高就说明这个产品对用户的核心需求也把握的越好，转化成产品的活跃用户也会更多，最终能帮助公司更好的盈利。

数据分析更多的是基于业务背景来解读数据，把隐藏的数据背后信息提炼和总结出来，发现其中有价值的内容。

参考文章：

刘大大：四大基本数据分析方法

数据分析-最常用4种分析方法_非本人文章的博客-CSDN博客