诚然，数据分析能力已经成为产品经理不可或缺的技能。数据的敏感度和分析能力的高低，往往可以看出一个产品人的功底。笔者虽说几乎天天和数据打交道，但始终觉得要获得能力进阶，仍需进行系统性的学习和实践。因此本文作如下梳理和思考，希望对大家有所帮助。

一、本文目的

列举常见数据分析问题，自我反思对症下药。

给出一些分析思路，提升日常数据分析效率。

学习日程制定指引，逐步掌握数据分析工具。

二、文章框架

5大常见问题

学习动力

日常分析类型

分析思路

制定学习日程

数据分析工具（excel、文末赠送学习礼包）

三、为啥要学数据分析

你可能会说，这不是废话吗？！肯定要学啊！不过笔者还是要强调下：没有足够的驱动力，顶多也是三天打鱼，难以为继。

数据分析有啥好处？一句话总结就是：数据改变生活。

哈，有点扯。随便贴几点吧，每个人的动机都不一样，有用就好。

四、5大常见问题

这两周，通过调研和自我反思，同学们在数据分析这个环节上，主要集中在5大问题，笔者简称之为“4无1不”，若未能妥善解决，将严重影响工作的效率和身心健康。

1. 无思路：数据杂乱，不知到从何入手

成因：分析的业务目标不清晰，导致数据采集过剩；分析 *** 与分析的场景不懂得如何结合，导致无从下手。

对策：之一步，理解业务背景和业务目标；熟悉各分析 *** 及应用场景，后面有介绍。

2. 无侧重：分析逻辑不严谨，生搬硬凑乱猜想

成因：未整体考虑对数据造成波动的可能原因，将相关性指标用作为因果关系指标，成为了“为了分析而分析”。

对策：数据分析应形成闭环，确定分析目标——采集数据——列举可能原因（金字塔/公式化思维，后面介绍）–验证猜想–得出分析结论–后续优化对策

3. 无规划：分析时，却发现数据缺失，采集难度高

成因：对所上线产品的价值收益不清晰，未提前规划观察指标及进行相关的数据采集需求开发，巧妇也难为无米之炊啊！

对策：明确产品的成功指标，可提前构思分析思路，进而反推所需的数据需求细节

4. 无记录：数据异常，却不知道做了什么

成因：团队内部信息同步不及时。可能是活动导致的产品数据暴增，或者产品更新导致系统故障数据下跌

对策：建立团队内部的协作机制，信息及时同步至共享平台。如：运营活动上线前X天，及时同步至产品相关活动规划，并做好备份记录和通知相关部门。

5. 不熟练：对分析工具不熟悉，分析耗时大

成因：分析工具如excel，若不是在学校有专门课程，基本是自学或者报相关课程，工作忙没抽时间单独学习是根本原因

对策：建议列出自己的薄弱环节，有针对的找相关的课程学习，如果是小白，建议系统地学学，后面会涉及。

五、日常分析类型

日常的数据分析类型可以从四个角度去归类：产品设计五要素、数据类型、产品进化流及时间。

分类的目的是为了帮助我们更好地理清日常数据分析的场景，以便更有针对性地进行整理归类、前置学习储备，比如说：数据类型纬度中，提前整理好存放用户数据、交易数据的数据库及表字段，可以提高数据采集时的效率；整理好项目周报的报表格式，有数据增加，直接更新即可。

1. 从产品设计五要素看

战略层的数据多留点心思，老板们会不定期地问起，找数据比较久就比较尴尬了。

2. 从数据类型看

下面的数据，在个性化推荐或精准营销场景会用得非常的高频，数据的质量决定了推荐效果的好坏。

3. 从产品进化流看

产品上线的前中后，产品的关注数据会有所差别，相关的数据收集和分析要靠自己不断总结反思了。

4. 从时间上看

建议同学们自我盘点下：有哪些是一次性的？哪些是周期性的？相应的采集需求或者分析报表该如何呈现才更佳？

六、数据分析思路

这部分是比较关键的一环，构思不清晰，如无头苍蝇一般，费时费力还无用。在分析之前，可以先问下自己，这个数据分析，到底目的是为了什么？

笔者认为，基本上为如下三类：

事前：制定/预防

事中：控制/调整

事后：结项/优化

因此，数据分析的思路是：始终围绕该阶段下的业务目标而开展数据分析。

分析思路建议参考：金字塔+公式化思维，这样可以穷举可能造成的影响因素，并进行一一分析排除，找到可能的原因。

tips：建议先列清楚可能原因，在进行数据采集和数据分析，避免返工。

举例：当一个电商平台的订单转化率下降时，可以列出订单转化率公式：CR=订单数/UV。下降的原因：可能是订单数变少了，也可能是来的客户增加了。这针对这两个指标进行罗列可能造成的原因，并通过数据验证分析。

七、数据分析 ***

有了数据分析的思路，就需要通过适合该场景的分析 *** 进行分析，以进行规律的探索。

常用到的一些分析 *** 如下：

1. 趋势分析法

将两个或两个以上的指标或比率进行对比，以便计算出它们增减变动的方向、数额、以及变动幅度的一种分析 *** 。

2. 对比分析法

将两个或两个以上指标对比，寻找其中规律。静态对比，不同指标横向对比。动态对比，同一指标纵向对比

3. 多维分解法

把一种产品或一种市场现象，放到一个两维以上的空间坐标上来进行分析。

4. 用户分群

根据用户与产品之间的互动程度进行划分，以更好经营用户。

5. 用户细查

用户抽样，具体观察用户在行为、交易上的特征数据，以观察是否具有显著特征，反推宏观数据，找出数据规律。

6. 漏斗分析法

对业务流程节点进行划分，建立整个业务流程的转化漏斗，并追踪分析。

7. 留存分析

用户注册后，追踪该用户次日/周/月的活跃情况。

8. AB测试法

A/B测试的实质是对照试验，即通过对几个不同的版本进行对比，从而选出更优解。

八、学习日程

因为计划常常赶不上变化，因此这里希望同学们列的是日程，而不是计划。这部分分两步：之一步搞清楚自己需要什么，第二步，制定适合的学习日程。

step1：需要什么

根据第五节的数据分析类型，梳理日常高频分析场景。

总结自己的薄弱环节：可以反思分析过程，做什么最痛苦和请教大佬们都有哪些高超技艺？

选一个自己未来钻研的方向：行业分析、BI方向、机器学习。

以上，确定一个学习优先级。

step2：学习日程

一个可持续性的学习习惯：什么时候学习效率更高，最可执行。

一个阶段性的学习目标：先看excel的基本知识，再看统计学，再学SQL。

定期时间日程安排，具体的日程编排根据自己的时间来。

九、数据分析工具

最后一部分，我们先来作下热身学习吧，奉献上excel的必备技能，以下仅划下重点：

好了，本周的分享就到这里了，我们下周再见。

作者：15年毕业于华南理工大学，有运营和产品经历，现负责金融大数据产品：个性化推荐、意图搜索，AI智能 *** 。

更多关注微信公众号：jiuwenwang