（一）如何避免掉陷阱？首先你要學會做個講邏輯的產品經理
本文作者：hihipm
數據是個很好的東西，可以幫助我們做出相對客觀的產品決策。但是數據中也存在着很多的陷阱，如果我們沒有很好的邏輯分析能力，很可能會被數據玩弄而做出愚蠢的決策。今天，咱們就結合工作可能遇到的一些陷阱來聊聊這些數據陷阱以及怎麼避免掉入陷阱。
開始之前，我們先看看幾個大家在工作中可能會遇到過的案例吧！
（以下都是僞命題）
購買A類商品的用戶當中有80%的都是甲類用戶，因此當發現用戶是甲類用戶時，應該給用戶比一般情況下推薦更多A類商品
當乙值增加時，B功能的轉化率降低，因此應該限制乙值在一定水平
用戶調研發現90%用戶喜歡C功能，因此我們需要增加C功能
根據現有數據發現，D值相對較高的商品有更高的點擊，因此應該把D值高的商品的排序提前
使用了E功能的用戶比沒使用E功能的用戶轉化率低，因此應該將E功能下線
大家應該猜到了，這幾個例子肯定是掉進數據陷阱的描述，所以不妨先想一想這幾個描述問題出在哪裏，如果你想不明白，這篇文章建議你看三遍。
1.購買A類商品的用戶當中有80%的都是甲類用戶，因此當發現用戶是甲類用戶時，應該給用戶比一般情況下推薦更多A類商品
逆命題陷阱
第一個案例的陷阱迷惑性很大，在實際工作中，我也經常碰到拿着這種描述來要求在某些場景下對某種類型商品給予更多流量的需求。
從數據中，確實可以說明購買A類商品中甲類用戶偏多，但是這能夠說明甲類用戶比整體用戶更偏愛A商品麼？顯然不是，案例如下表：
假設A類商品和非A類商品的需求都是50，平均情況下A類商品和非A類商品的流量分配應該是50%:50%。雖然在購買A類商品中的用戶甲類用戶佔比爲80%，但甲類用戶需要A類商品的只有45%，還沒有到正常平均情況下的50%，原因就是因爲購買了非A類商品的用戶甲類用戶的比例高於80%。
這個陷阱叫做逆命題陷阱，逆命題應該是高中數學中的概念，如果你忘了我們舉個簡單的例子，如果有個判斷語句“如果於謙是郭麒麟的父親，那麼郭麒麟是于謙的兒子”，“如果郭麒麟是于謙的兒子，那麼于謙是郭麒麟的父親”是它的逆命題。
逆命題有個特點，那就是當原命題是真的時候，逆命題不一定爲真。再有一個例子，“如果小明是人，那他一定是哺乳動物”的逆命題“如果小明是哺乳動物，那麼小明是人”就是不正確的，因爲小明有可能是猴子。
但是如果一個命題是真的，他的逆否命題一定爲真，比如“如果小明不是哺乳動物，那他一定不是人”。本例中，“購買A類商品的用戶更可能是甲類用戶”爲真，但它逆命題“甲類用戶購買的更可能是A類商品”就是錯誤的。
這些簡單的邏輯學概念和定理，我相信大部分人是瞭解的，但是在實際工作往往忘記了這些基本的原理而做出一些愚蠢的決策。對於那些不怎麼了解的人，只需要記住一條：小心逆命題，別隨便把推斷的話反過來說。
2.當乙值增加時，B功能的轉化率降低，因此應該限制乙值在一定水平
相關和因果陷阱
數據分析是幫助我們找到產品問題/機會的重要手段，相關性分析是數據分析中最常見的方法，我們常容易犯把相關關係當因果關係的錯誤。關於相關關係和因果關係的描述，最著名的例子是冰激凌和溺水死亡率的例子：
通過數據統計發現，冰激凌銷量增加時，溺水死亡率也顯著增加。那是不是可以限制冰激凌的銷量來控制溺水死亡率呢？
對於風馬牛不相及的推斷，正常人都會嗤之以鼻。冰激凌的銷量和溺水死亡率只是存在相關關係，這種相關關係的產生是因爲在深處有一個相同的原因：氣溫的升高。
但冰激凌的銷量明顯不是溺水死亡率高的原因，因此不能靠限制冰激凌的銷量解決溺水死亡率高的問題。但不幸的是，我們大多數人還是會犯同類型的錯誤，比如#2。
這個例子中，乙值的增加和B的轉化率降低應該都只是某個深層原因的結果，但在描述中我們把B轉化率的下降歸咎於乙值的增加，這就是我們錯把相關關係當因果的原因。
對於如何避免這類錯誤，我們需要做的是儘量看到數據所體現的深層原因，將每個數據變化都對應到產品相關的實際因素中去，比如需求的變化、供應的變化、功能的改變、環境的變化、競對的動作等等，而不是讓數據分析只停留在數據層面。
3.用戶調研發現90%用戶喜歡C功能，因此我們需要增加C功能
4.根據現有數據發現，D值相對較高的商品有更高的點擊，因此應該把D值高的商品的排序提前
既定規則陷阱
在需求挖掘的方式中，個人非常願意將用戶調研的吐槽部分作爲發現問題的渠道，但絕對不會將用戶調研的建議部分作爲產品機會的直接來源。原因很簡單，用戶的不滿是真真切切存在，他們也懂得如何表達不滿，
但用戶的建議受既定規則的影響往往是不靠譜的，就像那個福特汽車的例子：在汽車出現以前，所有的用戶只想要一匹更快的馬。
如果人人都能提出靠譜的建議，還會有喬布斯張小龍這種被你們奉爲神的存在麼。
我一直對用戶調研持謹慎態度最深層次的原因，是因爲所有的用戶幾乎都受到了既定規則的影響，這種既定規則的影響，也給了我們設下不少的數據陷阱。
比如#3，我曾見過通過“用戶競對app使用場景調研”的結論得出“我們應該增加C功能（和競對一樣）”的決策的例子，我想說的是：之所以許多用戶覺得C功能不錯（或者在使用C功能），是不是僅僅因爲競對提供了這個功能並且放在了明顯的位置呢？
當然，如果你說用戶已經習慣了這種操作方式，這個結論也對，做這個功能也不會犯大錯。但如果始終採取這種方式做需求，那麼恭喜你，你又在不知所以然的道路前進了一步。
另外分享個最近的思考題：現在手機屏幕越做越大，是不是因爲用戶說了想要更大屏的手機呢？但是用戶真的需要大屏手機麼？大屏手機到底有什麼好？
在用數據說話的策略產品中，也可能存在這樣的陷阱，比如#4中通過對現有的數據分析發現D值高的商品點擊量更多，得出應該將D值高排在前面的結論。
在排序中，被排在前面的item必然比排在後面的item有更高的點擊，如果在之前的排序策略已經有了和D強相關的D1的特徵生效，那麼必然D值高（因爲D1高）的item就會有很高的點擊。
因此“D值相對較高的商品有更高的點擊”很可能只是因爲本來D值高的排在了前面。如果你把D值加入到了排序當中，很可能會做無用功，也因此在策略相關產品增加特徵時，需要考慮新增特徵是否和老特徵正交。
對於既定規則陷阱的規避相對困難，這也是創新之所以難的原因。那一句非常虛的“挖掘用戶深層次的需求”是避免錯誤的不二法門，謹記要think out of the box。
5.使用了E功能的用戶比沒使用E功能的用戶轉化率低，因此應該將E功能下線
數據統計陷阱
這是最近同事在處理需求遇到的一個問題，本來大家都信心滿滿的一個需求，上線之後發現使用了E功能的用戶的轉化率還不如沒有使用E功能的用戶的轉化率高。如果停留在表面的數據分析，大多數人可能會做出需求下線的決策。
但是真的對麼？產品對比試驗是我們經常使用的決策方式，這類試驗有一個基本前提那就是單一變量，要求進行對比的兩組用戶除實驗變量之外的統計特徵是相同的。
回到案例，使用了E功能和沒使用E功能的用戶特徵相同麼？假設使用了E功能的用戶轉化率爲5%，沒使用的轉化率爲10%，或許，有沒有可能在沒有E功能之前，使用了E功能的這批用戶的轉化率只有1%？
在這個陷阱中，讓我們中招的是對數據取樣的錯誤處理。除了數據取樣，我們還可能遇到各種統計陷阱。對於這類陷阱，我們要時刻注意的是對比試驗中的兩組是不是單一變量：是不是同一羣用戶？是不是同一種場景？其他功能有沒有對結果有干擾？等等等。
通過對上面幾個陷阱的分析，不難知道如果能夠將上面說的陷阱具體內容描述拋開，抽象成具體的邏輯問題，結論的正確以否還是很容易判斷的。
總之產品經理心裏要保有批判性的看數據的意識：做決策之前多想想數據和決策之間有木有正確的邏輯關係，做個講邏輯的產品經理吧。
（二）
論數據分析對產品經理的重要性
作者：PMer Ann發佈於2個月前 (03-17)分類：產品經理
【文章摘要】如果公司技術允許的話，或者pm懂點技術，可以埋點蒐集數據，主要是通過在某個流量入口插入代碼的方式蒐集一些用戶數據，但也不要埋點太多，在一些主要流量入口即可。
1
提到數據分析，可能大家會有疑問，我是產品經理，又不是數據分析師，要會數據分析幹嘛！數據分析就讓專業的數據分析師去做，不就可以了，沒必要本末倒置。其實這種想法不無道理，如果你在一家人員配置比較齊全的的公司，大可以由數據分析師去做，你只需要會看就行。但在一般小企業的話，可能公司並沒有數據分析師這個職位，那麼數據分析的角色自然就到了pm這邊，你說你能不會分析麼？
但話說回來，產品經理所做的數據分析，並不是從一堆原始數據裏面撲拉出一堆數字，然後進行統計、分析。而更多的是在已經做好的數據上對數據與產品的關係上進行分析。可以說這也是產品經理必須要掌握的技能。
通常產品經理需要掌握並能夠分析的數據包括：PV、UV、DAU、MAU、跳轉率，停留率、註冊轉化率、各頁面的訪問量等，通過對這些用戶行爲路徑的分析，推測用戶的習慣和偏好，從而對已有產品線進行相應的調整和優化，提高用戶訪問量，實現流量變現的目的。
說了這麼多，那改如何蒐集這些用戶數據呢，通常情況下可以藉助第三方統計工具，目前國內主流是採用友盟、Flurry、talkingdata等進行統計，國外的話主要使用App annie，其實軟件各有優缺點，具體採用什麼還的根據個人習慣和app環境（關於這點感興趣的可以度娘查一下具體區別，在此就不做闡述了）。
如果公司技術允許的話，或者pm懂點技術，可以埋點蒐集數據，主要是通過在某個流量入口插入代碼的方式蒐集一些用戶數據，但也不要埋點太多，在一些主要流量入口即可。
這裏需要注意的是：數據分析也要看生產環境，因爲數據有時也會說謊，在同一個維度的統計不同也可能會出現不同的結論，需要pm加以辨別。
那麼產品經理的數據感覺要怎麼培養呢？
多看數據，數據的感覺和產品與其它藝術一樣，看多了就潛移默化培養起來了
與數據分析師多溝通需求，把需求弄清楚比做一百個似是而非的需求強，寧精勿爛；
清楚業務之間的邏輯關係，數據從來都不是獨立的，需要不斷的看各數據間的關係，找出規律得出結論，有時候邏輯錯了，方向也就反了；
不要迷信數據但也不要輕視數據，請認真對待你的數據；
數據分析是把那些隱形的需求以數字化的可視方式表達出來，具有相當的說服力，數據分析的過程也是個不斷學習的過程。
所以加油吧，要想做個出色的產品經理，能夠在產品這條道上走下去，請學會做數據分析。
以上只是個人對產品數據分析的看法，如有疏漏，希望後臺留言，大家一起交流，共同學習成長。
我是PMer，我關注pm_talking
來源： http://www.chanpin100.com/archives/45075
（三）一個數據分析小白，要如何對產品進行分析？
作者：中國統計網 Joye
【文章摘要】在我看來數據本身並沒有任何價值，正是由於分析方法的存在使得原本毫無價值的數據大放異彩。
什麼是數據分析？
數據分析是指用適當的統計分析方法，對收集來的大量數據進行分析，提取有用信息和形成結論，而對數據加以詳細研究和概括總結的過程。在實際應用中，數據分析可幫助人們作出判斷，以便採取適當行動。當然，在我看來數據本身並沒有任何價值，正是由於分析方法的存在使得原本毫無價值的數據大放異彩。
爲什麼要數據分析？
有人說，老闆要看數據；也有人說，VC投資需要；也有人說，公司運營需要… 產生數據需求的原因有很多，我想現實中大多數人做數據還是爲了獲得產品的客觀現狀並有所爲的。（我能這樣想，大概是因爲我是個樂觀的孩子吧？）
事實上，數據分析的原因大概如下幾點：
1.評估產品機會
產品構思初期，必要的需求調研及市場調研顯得尤爲關鍵。產品機會評估對後期產品設計及迭代都至關重要，甚至說決定了一個產品的未來和核心理念。
2.分析解決問題
產品出現不良狀況，肯定是存在緣由的。不可能憑空想象臆造問題，必須尊重客觀現實。那麼只有通過必要的數據試驗才能追溯到問題源頭，進而制定合理的解決方案，徹底解決問題。
3.支持運營活動
你這個產品功能上線後效果怎麼樣？A方案和B方案哪個更好些呢？諸如此類的問題，都牽涉到一個“標準”的問題。評判一個問題的好壞，最可靠的恐怕就是數據了。以前我就說過“人是不可靠的，人們總是願意相信自己想看見的東西。”只有給出真實、可靠、客觀的事實——數據，才能對具體的活動作出最真實的評判。
4.預測優化產品
數據分析的結果不僅可以反應出以往產品的狀態，即所謂的後見性數據；也可以給出產品未來時間段內可能會遇到的問題，即所謂的先見性數據。一個真正的數據指標必須是可付諸行動的。後見性和先見性的數據都可以付諸行動，區別只是先見性數據能預測未來發生什麼，縮短迭代週期，精益求精。
如何數據分析？
1、數據建模
明白了數據分析動機，究竟什麼樣的數據指標才能達到期望的效果呢？那麼首先必須解決數據指標的定義，個人認爲搭建數據指標模型大致要考慮以下三大要素：
綜合考慮商業模式與業務場景
聚焦數據指標背後的最初動機
多維度考慮數據可行、簡約、易比對
當然，也不能憑空瞎造數據吧？！數據指標模型一般有以下三個途徑設計：
對現有指標進行優化性改造，數據指標之間合理交叉或許會帶來意想不到的驚喜；
不同行業交叉借鑑其他行業制定的數據指標；
潛心修行、發掘更多有價值有意義的數據指標；（這一點有點扯…）
數據分析目標的調整，必然伴隨數據指標的變動。尊重事實、實事求是，瞭解數據指標的調整的意義及可能給產品帶來的後續影響，我覺得這是一種可取的改變態度。如果說只是爲了改變而改變，無視事實、較低期望，這樣的調整還有何意義呢？
一個數據分析小白，要如何對產品進行分析？
2、數據來源
數據分析的對象是數據，數據從哪來？數據本身的準確性從根本上影響着分析結果的有效性，所以確保有效、靠譜的數據來源至關重要。本人認爲數據來源無非以下三種：
自有數據分析系統——公司自有的數據是最源質化的數據，也是最可靠、最全面的。一般而言，有條件的情況下都是以內部數據爲準；當然，創業型的微型公司大多都直接數據庫導出數據，還是要依賴產品經理二次加工的。
定量/定性調研——沒有全面的數據咋辦？或者說想要分析的數據無法統計？那麼，拿起電話、走上街頭、發放問卷都不失爲一種可行的辦法。定量數據排斥主管因素，定性數據吸納主管因素。事實上，定性數據存在諸多不確定性，但也存在一個其他數據指標不具備的優勢——那是與真實用戶交流所得，有血有肉。
專業調研機構——知名調研機構，比如：艾瑞諮詢、百度統計、易觀智庫、199IT-互聯網數據中心。一般而言，權威結構統計調研的數據還是具有極強的參考性的，但也不能完全免於主觀因素。
3、數據分析
單純的數據並不能爲給我們帶來太多結論性的東西，還是要藉助一定的方法和手段將數據變得更加生動和有意義。
集成開發數據分析系統——將所需的數據指標以技術手段直接設計成產品功能，可以定期定量地直接生成導出BI報表。
手動數據加工——面對元數據而不是現成的結論性數據，產品經理只能親自操刀藉助EXCEL各種函數。面對海量數據，心態很重要！
委託分析機構——有錢、任性、夠叼，請人分析。如果事事都依靠別人，那麼產品經理就瞬間失去價值了…
4、分析方法
有效的數據分析方法能夠深度挖掘數據的價值，精益數據分析中大致介紹以下三種分析方法。
市場細分（Segmentation）——市場細分就是一羣擁有某種共同特徵的劃爲一個樣本，市場細分不盡可以應用於互聯網產品，對任何行業、任何形式的產品都具有積極的參考意義。
同期羣分析（Coghort Analysis）——比較相似羣體隨時間的變化，同期羣分析給我們提供了一個全新的視角。能夠觀察處於生命週期不同階段用戶的行爲模式，而非忽略用戶的行爲的過程性。
多變量測試（Multivariate Testing）——同時對多個因素進行分析，用統計學的方法剝離出單個影響要與結果中的某一項指標提升的關聯性。同時改動產品的多個方面，看哪個與結果的相關性最大。
來源： http://www.chanpin100.com/archives/63609
（四）【百度內部培訓PPT】數據分析最專業最入門的資料
作者：畢然 Joye
【文章摘要】本文爲百度內部培訓的PPT資料，是對新員工數據分析能力的一項基礎培訓。
【百度內部培訓PPT】可能是關於數據分析最專業最入門的資料了
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
百度內部培訓PPT
本文由產品100爲你推薦並呈現
文章來源：鳥哥筆記
文章作者：畢然
來源： http://www.chanpin100.com/archives/56834
（五）產品經理學習數據分析，可以先看看這些建議
作者：張溪夢 kyoko發佈
【文章摘要】產品經理到底該關注哪些數據呢?小產品如何運用A/B測試?產品經理該如何學習數據分析呢?
產品經理學習數據分析，可以先看看這些建議
大數據時代的到來，對產品經理提出了更加嚴格的數據分析要求。一個懂數據分析的產品經理可以利用數據驅動產品設計優化，並提升客戶體驗。
那麼，產品經理到底該關注哪些數據呢?小產品如何運用A/B測試?產品經理該如何學習數據分析呢?希望本文對產品經理提升數據分析能力有較好的幫助。
如何獲取數據，獲取什麼樣的數據?
問：一個電商平臺，應該着重關注什麼數據，怎樣設計數據後臺?
答：電商數據的核心指標一般有：GMV、Transations(交易數量)、ASP(均價)、購物車大小、用戶的復購率、購買頻次、年度復購率。這樣的指標很多。我覺得有三類的指標需要關注：
交易數據
用戶行爲數據
用戶來源數據。
這裏面，我覺得您可以根據自己的資源狀況來設優先級。最直接的就是交易數據，然後最重要的是行爲數據，因爲所有的電商提供的是“互聯網產品”而不僅僅是“所銷售的產品”。第三就是流量的數據的分析，因爲這裏涉及到獲取客戶的成本。
問：如何收集自己需要的數據，面對雜亂無序的數據該如何分析，如何保證數據的準確性
答：不同行業，不同業務會有相同宏觀的指標，也有細化到本行業，本業務的指標。需要從宏觀到微觀的拆解指標。大量的數據如何爲我們所用?需要了解產品業務，明確問題的本質，大量的深入的產品實踐。大膽的提出假設，然後通過數據理性的驗證。我們還會有更多的線下線上活動幫助大家拆解數據分析指標。
關於數據準確性可以不同的工具去驗證。比如同時安裝多個數據統計工具。比如比較客戶端和服務端的數據統計差異。
產品經理學習數據分析，可以先看看這些建議
問：做內容的網站，如何結合業務判斷需要獲取哪些和用戶相關的數據?
答：最基本的指標是：
頁面瀏覽量、訪問量、獨立訪客數、跳出率、頁面停留時長、網站停留時長、退出率、轉化率，頁面退出率……
內容熱度：分享次數、推薦次數、點贊次數、評論數
用戶：新用戶、活躍用戶、沉寂用戶佔比的變化，增長的趨勢等等
問：不強制登陸的app，如何定義獨立用戶。目前我們是獲取手機信息，但並不準確
答：不強制登錄，可以在app和設備的基礎信息在不侵犯用戶隱私的情況下，計算一個比較固定的ID。這個ID應該基本上能夠判斷一個穩定的用戶。但是它並不和手機號碼或者設備號做深度綁定。在網站上類似cookie的方法。
問：若想了解某個行業，有哪些平臺可以拿到相對靠譜數據以供分析?
答：這個部分需要的工具有很多，看您的業務是以App爲主，還是Web爲主。基本上應該從流量，市場佔有率，還有用戶交互使用深度、輿情等角度入手。每一個都有不同的工具能夠輔助。比如說Alexa，AppAnnie，艾瑞的互聯網行業研究報告，Gartner的研究報告，IDC，TalkingData的遊戲行業研究等等都是一些好的起點。
如何進行數據分析，如何用數據分析驅動產品優化?
問：2B企業應應用如何做基於數據驅動的產品設計與改進?
答：SaaS企業的數據驅動產品設計非常重要。首先，最基礎的開始是Product Usage Metrics。因爲SaaS產品都要解決一個企業應用的場景。 而這個場景在業務上的被重現頻次，決定了SaaS軟件的基本交互頻次。所以登錄批次，使用深度(事件數/訪問)等最基本的指標是最粗放的指標。
最重要的，是產品每一個功能的使用者數量，使用的頻次，轉化漏斗，轉化率。
請記住，這些分析必須要在“用戶”級別能夠做分析，而不是一個單純流量級別的分析，纔有未來的核心意義。然後將usage在客戶公司級別進行彙總，比較在公司級別的使用度，使用深度和未來的續約付費率一般呈正相關。
還有就是整個SaaS頁面的優化，比如說註冊流，註冊轉化率，註冊用戶向深度用戶的轉化率，深度用戶向付費用戶的轉化率。SaaS的數據分析是很深入的話題，我就是分享一些最基本的指標。
問：關於留存率，互聯網金融借貸產品是典型的低頻，一個人不可能經常上來借錢或者出借，看留存率還有意義麼?
答：留存率有意義，因爲留存是一個普遍的概念。唯一的一個就是您專注“頻次”的不同。比如說買汽車，美國的整個汽車購買行爲，不可能用天來衡量，而要用年。因此美國的汽車製造商，就持續的按照“月份”給每一個不同的區隔發送不同的營銷方案。互聯網金融也有他的產品生命週期，這要求您來制定營銷策略，找到那個“頻次”，以此爲開始進行營銷產品規劃。
問：支付轉化率比較低，這種情況通過什麼點，什麼角度去分析用戶行爲?
答：先要全面的找到支付轉化的全部關鍵轉化路徑，然後看每個轉化路徑上面關鍵點之間的轉化率。比如到商品詳情頁面，可以從搜索頁面、分類頁面、頻道頁面、品牌頁面、活動頁面、首頁、關聯銷售推薦、甚至直接訪問到達商品詳情頁面。每個轉化路徑和轉化量的佔比都要考慮。然後再找出量大且轉化率低的路徑先優化，量小轉化率高的路徑可以加強並且scale。
問：針對工具類的app，有什麼好的數據分析方法嗎?需要注意哪些問題?
產品經理學習數據分析，可以先看看這些建議
答：我覺得取決於您的app在產品發展的哪個週期?工具類的APP，我個人認爲核心，特別是早期還是應該關注“usage”，用戶的使用度，和使用深度/黏度，也就是留存。然後要關注增長，其次未來要關注變現。用增長黑客的“海盜法則”來講的話，就是在“AARRR”邏輯裏面，首先關注留存(Retention)。
Acquisition 獲取用戶
Activation 激發活躍
Retention 提高留存
Revenue 增加收入
Referral 傳播推薦
產品經理如何學習數據分析?
問：統計學、分析和挖掘的書看了不少，如何系統的學習數據分析與挖掘，希望能得到指點!
答：首先如果您有時間，看看精益分析《lean analytics》，這本書是我在美國很好的朋友寫的書。另外一本《build measure，learn》也是我在LinkedIn的團隊成員寫的書。都是很好的入門教材。再次我覺得可以看一下基礎的統計書籍，因爲數據分析的核心要有基本的統計知識。Using R系列是很好的起點。
問：數據方面偏菜鳥用戶，有哪些數據可視化工具值得推薦?
答：tableau是一個很好的數據可視化工具。自己開發可以試試highchart和D3 document。
問：可以推薦幾本關於數據的書嗎?
答：《Lean Analytics》，範冰的《增長黑客》，《Lean Startup》，中文的《深入淺出數據分析》，Tableau的很多愛好者推崇的《人人數據分析師》等等。不過我覺得好的數據分析的書籍，不如一次好的數據分析實際操作加上分享您能學到的更多。主要是概念的基本掌握，然後迅速落地實踐，覆盤分析結果，然後繼續迭代。特別是產品分析，最關鍵的是要把數據分析和用戶行爲以及產品設計用一體的角度來考慮，然後分解成三個部分來驗證。就會有閉環。
“無埋點”數據分析工具的原理和運用
問：以前我們做數據統計，數據分析，都必須要攻城獅在相關行爲中埋點;GrowingIO的無埋點統計分析是什麼原理?
答：GrowingIO希望能夠直接從業務人員的角度出發，讓業務人員最快的獲得想要分析的數據，並且同時減輕工程人員埋點的痛苦。GrowingIO的無埋點技術支持多個平臺，iOS, Android，Web和HTML5。主要的原理是在網頁和HTML5的裏面加入一次SDK代碼，在iOS和Android加入一次SDK代碼，之後不用再加載SDK代碼，用戶使用網頁和APP客戶端的時候儘可能全的收集用戶的行爲數據，通過異步且加密的方式傳輸數據。
問：GrowingIO能幫助優化產品設計和用戶體驗嗎?
答：GrowingIO是新一代基於用戶行爲的數據分析產品，目前提供的用戶轉化、留存、細查、分羣功能都可以幫助產品經理優化產品設計，進而提升用戶體驗。
以在線商城頁面設計爲例，用戶瀏覽商品、提交訂單，點擊支付，完成購買形成了客戶的核心路徑，但是日常業務中經常遇到客戶轉化率過低的情形。GrowingIO的用戶轉化漏斗可以幫助產品經理分析客戶到底在哪一步流失較高，然後藉助用戶細查功能來驗證前面的假設猜想。從而提升幫助產品經理找出產品設計的缺陷，後期儘快優化。
如何應用A/B測試?
問：小產品是否適合使用“A/B test”測試優化產品，前期的技術準備是否麻煩?
答：產品非常早期，我個人不建議用A/B測試，因爲最主要的問題是我們沒有很多資源開發兩套或者更多的產品方案。而且早期數據量小，不一定能夠有“統計學意義”，往往測試者需要把流量分解，這樣就需要等待結果。對於低流量的app/網站，沒有足夠的資源來等。工程上也有一定的挑戰。所以我建議早期產品關注核心指標，分解核心指標爲“可執行的指標”比A/B測試更重要。同時要迅速迭代。A/B測試對於產品線豐富的業務還是有很多作用的。看您的資源配置了。
作者張溪夢，GrowingIO創始人、CEO 先生，微信GrowingIO
來源： http://www.chanpin100.com/archives/45363
（六）App運營者不可不知的33款數據分析工具
作者：佚名 Joye發佈
【文章摘要】我們需要借用分析工具，來跟蹤和分析App內的每一個部分，目前市面上有許多數據分析工具可供App開發團隊選擇。
如今的移動應用早已不再是某種結構單一、功能簡單的工具了。當我們的移動應用變得越來越龐雜，我們便會需要借用分析工具，來跟蹤和分析App內的每一個部分。幸運的是，目前市面上有許多數據分析工具可供App開發團隊選擇。
事實上，這些新一代的數據分析工具，將可以監測發生在App中的每一個細小的事件。如果你曾經想追蹤你的用戶，知道他們從哪個平臺下載了應用、看到你的用戶在App內的跳轉路徑、瞭解哪個頁面在App內最受歡迎，你一定能在以下三十餘款分析工具中找到你的菜。
App運營者不可不知的33款數據分析工具
一、用戶人羣細分
1、Upsight (含付費項目)
Upsight是供移動應用開發人員使用的分析工具。其功能包括：用戶分組、漏斗分析、留存分析、應用內購買組件和無限的數據存儲空間。Upsight支持幾乎所有移動平臺，包括iOS、安卓、Java Script、Adobe Air等等。
2、Tap stream (免費)
Tap stream的亮點在於對用戶生命週期的分析。如果你想知道用戶每天都在哪裏搜索你App的信息、或者他們在某個渠道上的實際下載頻率，Tap stream將成爲值得你信賴的信息源。Tap stream支持iOS、Android、Windows和Mac應用程序。
3、Flurry Analytics (免費)
Flurry幾乎是移動應用分析的“行業標準”。Flurry幫助你跟蹤用戶會話，以便您可以看到用戶在操作App時遇到了什麼困難。你也可以創建自定義人羣分組，以求更好地瞭解App的用戶羣體。
4、Capptain (含付費項目)
Capptain是一款實時分析工具，它看起來就像是一組數據儀表板。不僅爲你跟蹤實時發生的用戶行爲，更可以監測到用戶的使用反饋，甚至將用戶羣體進行實時分組，基於用戶的地理位置向他們發送即時消息等等。Capptain適用於iOS、Android，HTML 5，黑莓，Windows等平臺。
5、Followapps – App精細化分析平臺
6、MobileAppTracking – 用戶數據跟蹤與預測模型
二、用戶行爲分析
7、MixPanel（付費）
Mixpanel是一個Web服務，讓開發者跟蹤用戶的使用習慣，並提供實時分析。Mixpanel提供的“人物”功能，可以讓你根據用戶在應用程序內採取的行爲對其發出推送通知。Mixpanel API是一個RESTful API，以JSON格式返回響應。
8、AMPLitude（付費）
一款爲您深入挖掘用戶滯留，轉化和參與狀態的分析工具。可以爲您獲取用戶與實時活動狀態和無限制的個人用戶時間表行爲的完整視圖。
9、Heap（付費）
Heap爲您自動捕獲在您的網站或iOS應用每個用戶的動作，並讓你衡量這一切後的事實。
三、觸屏熱點分析
10、HeatMa.ps熱圖 (需付費)
熱圖是爲數不多的App熱區追蹤工具。熱圖幫助App開發人員記錄所有屏幕觸碰、手勢（擴大/縮放/滑動）和設備定位。你甚至可以得到詳細的用戶觸屏熱點分佈圖。唯一的遺憾是，熱圖僅支持iOS App。
11、Heat Data (需付費)
Heat Data是另一個移動應用及網站的熱區工具。你可以跟蹤你的用戶觸及屏幕時所發生的所有行爲：點擊、滑動、伸縮放等等，並獲得詳細的可視化分析報告。Heat data是跨平臺的，你要做的全部事情就是複製一行JS代碼嵌入你的App並使用它。但如果你不想在你的App裏嵌入JS，那麼你就需要使用另一個工具。
四、應用內購買行爲跟蹤
12、Appsflyer (含付費項目)
Appsflyer是一款自帶分析功能的一體化營銷工具。你可以在同一款工具內跟蹤應用內購買、軟件安裝情況和用戶使用表現。除了支持主流的iOS、Android和Windows系統外，Appsflyer還支持其它平臺與引擎，包括：Unity、Marmalade、Appcelerator等。可謂是真正地實現了全平臺支持。
13、Appfigures (含付費項目)
Appfigures可以在追蹤事件的同時，監測事件相關的應用內銷售情況。Appfigures彙集了來自不同渠道的應用評分、下載量和支付金額，並予以呈現。Appfigures同樣適用於iOS、Android和Mac平臺。他們也提供API接口，便於你使用和獲取任何其它你想要的東西。
14、Swrve – 應用內購買分析平臺
五、渠道追蹤、廣告投放於應用評分
15、Apsalar (含付費項目)
Apsalar是專供大型應用程序商店使用的數據分析。除了基本的用戶分析功能以外，Apsalar還擁有強大的廣告管理組件。
16、App Annie (含付費項目)
App Annie是很個性的分析工具，它不再分析用戶活動，而只跟蹤應用的下載量與銷量。無論是iTunes、Google Play還是亞馬遜商店，你都可以通過App Annie直接瞭解App的下載量、評級、評論和排名。
17、Askingpoint (含付費項目)
Askingpoint的亮點同樣在於對App評分的跟蹤。事實上，它的主要功能就是通過提示讓更多地用戶來評論你的App。雖然小編並不認爲這是提升用戶評價的最好途徑，但藉助這款工具，還是可以幫助開發者更簡單地獲取並跟蹤評論的。
18、Distimo’s AppLink
跨平臺的渠道分發與轉換率跟蹤工具。他們還有自己的App，幫你隨時隨地監測App運營數據。
19、Trademob – 移動營銷分析
20、Adxtracking – App內廣告運作、優化與分析工具
六、基本數據統計
21、亞馬遜移動分析 (免費)
移動數據分析只是亞馬遜龐大生態鏈中的一個部分，是一款跨平臺的基本分析工具。你可以用它跟蹤你發佈在的iOS、安卓，當然還有亞馬遜平臺的應用。它擁有你所能想到的所有典型的數據分析功能。同時它還擁有A/B Test的功能，幫助運營者在一個應用上測試不同的運營模式。
22、Roambi (需付費)
Roambi專注於服務大型研發團隊。這是個3合1分析工具，它集成了基本數據分析、移動應用的BI報告和程序異常預警等三大功能。Roambi還允許你將數據回傳到其Box組件中，生成易於團隊成員閱讀的數據報告。
23、App celerator(含付費項目)
App celerator的主要業務是手機應用的整合營銷組件，但是他們的應用分析工具也足以獨當一面。在App celerator工具裏，你可以跟蹤新用戶和自定義事件的會話時長。
24、Countly (含付費項目)
Countly是一個開源的移動應用分析工具。與大多數開源項目不同的一點是，Countly實際上相當漂亮的。通過Countly你能很容易地看到你的App在不同的平臺、屏幕大小和設備上的分佈情況。
25、Kontagent – 移動應用數據分析組件
26、Claritics – App BI數據分析
27、Appsee – 可視化移動應用分析
28、Yozio – 移動應用數據動態跟蹤
29、AppsFlyer – 移動應用的檢測和數據跟蹤
30、Telerik – 移動應用分析
七、專注手遊分析
31、Honey tracks (含付費項目)
Honey tracks的不同點在於，它專注於遊戲的移動應用分析。Honey tracks被配置來幫助遊戲工作室跟蹤超過90項的指標，包括手遊用戶的參與度和留存分析。
32、Playtomatic (免費)
Playtomatic也是一款開源App分析工具，但它更專注於手遊領域。Playtomatic幫助遊戲開發者追蹤遊戲玩家的在手遊內的地理位置和成就，支持多個平臺，包括：iOS、Android、JavaScript、HTML 5,Unity 3D引擎等等。
33、Applicasa – 手機遊戲管理平臺
如你所見，國外目前已經有許多工具可以幫助開發者跟蹤和評估App運營數據。開發者和運營者們不妨嘗試其中幾款，集合其各自的最佳功能。
本文由產品100爲你推薦並呈現
文章來源：微信訂閱號：諸葛io
文章作者：諸葛io
來源： http://www.chanpin100.com/archives/59853
（七）一個公式、五大指標幫你構建產品經理數據分析思維
作者：顧先森/mrjesse Ann發佈
【文章摘要】得數據是一種意識，而非技術，是一種方法總結，而非理論科學，關注數據是個優點。
u=2457695673,308315138&fm=11&gp=0
對於數據分析能力方面的提升，一個公式、五大指標幫你構建產品經理數據分析思維
- 瞭解業務，熟悉數據框架、體系
瞭解你的業務是做什麼的，業務的發展規劃有什麼，衡量的核心指標有哪些，列出KPI或是核心指標，一般重點指標就那麼幾個；然後對幾個核心指標進行拆解，這點也需要根據你的業務屬性進行，你的業務凡是會影響到這個指標的有哪幾個元素。
拆分的好處是你能對一個具體的指標很清晰它是怎麼組成的，好像庖丁解牛，當然這個過程可以不斷拆分下去，加上一些公共屬性，例如時間、用戶性別、用戶年齡、用戶職業等公共的緯度進去細切。
- 對現有數據指標進行思考；多維度集中分析找規律
在熟悉產品需要關注的指標、框架之後，瞭解現有每個指標的運營現狀，如果有同行業指標對比更好，看是否有提高的空間。或者是，希望通過某個運營的動作，提高哪一個指標，提高到多少；通過一系列的比較精準命中，預估運營能夠提升指標到一個什麼水準。
另外有一個精準模型的好處是瞭解你的核心用戶後，你可以單獨針對這部分用戶進行產品用研與需求挖掘，更利於你內心確定哪些指標是可以通過什麼手段提升的；同時找規律，對於拆解出來的指標，想辦法做一些分析，這裏的分析個人覺得並不一定需要很複雜的手段，更重要的是一種感覺和意識。
- 規律驗證，經驗總結
找到規律了，內心明白了，下一次做事情心裏會更透亮一些，對產品的理解又會更深一些。很多事情，就是這樣一點點去熟悉，去深入慢慢產生親切感的。數據是讓你和你的產品心靈貼近的一個話題而已，更高級更深入人心的數據溝通，不妨還是交給專業的數據處理人員吧，就好像不是人人都是心理諮詢師一樣。
總之，對於PM而言，個人覺得數據是一種意識，而非技術，是一種方法總結，而非理論科學，關注數據是個優點。 每個產品經理在產品設計前就需要明白一個最簡單的公式：
產品價值=產品帶來的收益－設計研發運營成本>0
例如積分類的產品,如果使用了積分產品後淨增的銷售額利率-積分充抵的商品價值（運營成本）－設計研發成本>0，如果用戶會長期使用積分，設計研發成本可以忽略，其它數據可以比較容易拿到。再如頁面改版類產品，改版帶來忠實用戶數每忠實用戶價值-新頁面的設計研發運營成本>0，說明改版是成功的。
產品經理只要把握好這個基本公式，其它深入的數據分析交給更專業的人員去做吧，產品經理的主要精力還是放在用戶需求分析層面。
作爲一個電商產品經理，畢竟不是專業數據產品經理，我們不需要了解的太深，只需要關注最核心的一些內容，在明確數據分析之前，首先我們要明確電商產品的數據分析幾大業務指標：
一. 用戶角度
1、總活躍用戶數、新註冊用戶數、總PV；
2、一定時間的活躍用戶數、新註冊用戶數、總PV；
3、一定時間的轉換關係；
4、不同渠道下，註冊轉換情況；
5、不同註冊渠道下，註冊用戶的後續留存率；
6、一定時間有購買行爲的用戶的重複購買的分佈情況
二. 訂單角度
1、今日的訂單總數、銷售額、訂單單價、有訂單用戶數、補貼比例；
2、過去一週每天的訂單總數、銷售額、訂單單價、有訂單用戶數、補貼比例；
3、過去一週每天的訂單平均送達時間；
三. 商品角度
1、按照商品分組，今日每個商品的瀏覽數、購買用戶數、訂單數、銷售額；
2、按照商品分組，過去一週每天每個商品的瀏覽數、購買用戶數、訂單數、銷售額；
四. 品類角度
1、按照商品品類分組，今日每個品類的瀏覽數、購買用戶數、訂單數、銷售額、訂單單價；
2、按照商品品類分組，過去一週每天每個品類的瀏覽數、購買用戶數、訂單數、銷售額、訂單單價；
五. 店鋪角度
1、按照店鋪分組，今日每個店鋪的瀏覽數、購買用戶數、訂單數、銷售額、訂單單價；
2、按照店鋪分組，過去一週每個店鋪的瀏覽數、購買用戶數、訂單數、銷售額、訂單單價；
在基於以上指標進行數據的統計，我們再進行數據分析：
首先數據分析建模，我們知道電商類產品模型一般以事件（點擊，瀏覽等）用戶屬性進行建模。然後我們進行正式的數據分析：
方法一：多維度數據分析
我們需要定義一些事件，如取消訂單，提交訂單，支付訂單，瀏覽商品，加入購物車等等。
然後基於這些事件，我們需要一個指標，比如說次數，總和。
可是我們知道光有個數據羅盤還不夠，我們需要對數據進行細分，這裏我們做了事件，指標。所以還需要篩選用戶的屬性了，比如說城市，用的設備，支付方式，來源渠道。
這個方法，我們常用於用戶畫像，用戶行爲分析，數據異常排查分析等。
方法二：轉換率數據分析
我們進行一場活動，我們需要進行評估，這二天註冊了多少人，訂單轉換率是多少，支付率是多少，我們就需要一個分析方法了。
從我剛講的我們基於事件分析，所以我們就可以定義一個事件，篩選時間，先定義事件（註冊），再次定義事件（提交訂單），在次定義事件（支付訂單），我們可以得到一個轉換率。
這個方法，我們常用於轉換率分析，也稱漏斗分析。
方法三：留存數據分析
留存分析正如字面意思留存，我們需要對一段時間的用戶就像數據分析，比如說我們搞了一個活動，我們需要看那段時間的註冊用戶，提交訂單的情況，第一有多少提交，第二天有多少人提交，第三天有多少人提交等。
數據分析一般爲，我們還是根據我們的數據模型，首先定義一個事件（如註冊用戶），在次定義一個事件（如提交訂單）得到一定事件的比列。
這個方法，我們常用於觀測一定事件的留存情況。
方法四：活躍或回訪數據分析
我們知道，我們定義了用戶的行爲數據分析了，可是我們需要看一段時間的，一個事件的使用次數，或者某個地方的用戶使用情況，那我們怎麼辦呢。這裏就是我所說的活躍數據分析情況了，
我們首先需要定義一個事件（如註冊用戶），在定義一個事件（如提交訂單）的情況（這裏一般爲次天數），然後我們篩選用戶的事件爲什麼，得到一個數據。
這個方法，我們常用於調查用戶使用情況，也是衡量一個用戶活躍的關鍵數據分析指標。
說了這麼多，我們這些能幹嘛呢
1、數據異常排查，細分逐一查看
2、關鍵頁面的轉換率提升
3、活動的情況評估，渠道數據分析評估
來源： http://www.chanpin100.com/archives/50447
（八）產品經理實戰分享丨數據分析思路
作者：Niki Ann發佈於4個月前 (01-20)分類：產品經理[點擊收藏]
即日起，報名美好學院產品經理就業班，即可獲得全國首批職業認證機會。 >>>
【文章摘要】整理了平時數據分析的思路和方法，一些工作上做過案例的分享，希望能與大家一起交流學習。
產品經理髮實戰分享丨數據分析思路
數據分析四部曲
產品經理
互聯網時代，講究少而美，講究體驗，單點突破，快速迭代，通過數據分析來分析產品的優缺點，方向是否正確，通過數據分析，產品人員來說服開發做功能，說服老闆投入資源。
明確數據分析的目的和作用
產品經理
上線了一個活動，一個功能，我想知道效果；有沒有達到預期目標？對現狀的分析。
什麼目標？（活躍、下載量、覆蓋率、營收、KPI…….）
爲什麼這個目標沒有達到？通過數據對原因進行分析。
不改善的話將來會怎麼樣發展？預測分析，用於制定下一步優化方案提供數據支撐。
瞭解互聯網數據流向
產品經理
流量來源：聯盟，搜索引擎，網站導航，社交媒體，自來路（微端、收藏、桌面圖標、QQ羣等）
網站內容：直播間，首頁，遊戲，活動
用戶行爲：停留時間，訪問深度
轉化：註冊，簽到，領禮包，做任務，二登，充值
關注哪些基礎數據，怎麼定義？
產品經理
通過數據的提取，層層過濾，得出的最高價值用戶的比例，才能使分析更準確和有效。
培養對數據的敏感度，知道哪些渠道能蒐集到你要的數據
產品經理
數據整理
基礎的數據清洗：去掉重複的數據
如：你有一週內，每天登錄用戶的數據。你要分析周登錄用戶數，那就必須去重。
格式轉換：轉化成需要的格式，確保數據的一致性和有效性。推薦用格式刷或者粘貼的時候使用目標格式或不粘貼格式
錯誤檢查：有這種角標的，一定要幹掉，會影響數據的處理。
產品經理
數據分析思路
產品經理
如：上頭條活動，粉絲通過刷禮物給主播滿足條件，就能主播一起登上全站跑道，並在網站首頁展示主播直播畫面。利用了主播和粉絲的虛榮心，刺激用戶消費爲目標，增強主播開播率與開播時長。活動11月2日正式上線運營。我需要知道上線後的效果？
對主播開播是否有影響？
找合適的關係去比較
產品經理
對比活動前後，開播數據是否有變化（一整週數據纔有可比性）
產品經理
所以現在可以得出結論嗎？不能。因爲這部分數據不能證明跟上頭條活動有關，還需要進行細分：
1、上了頭條的主播，對比活動前，每天直播時長是否有增長？
如：
11.webp
2、上了頭條的主播每天直播趨勢圖，是否呈上升趨勢？
3、活動期間，是否有其他刺激開播的活動衝擊干擾數據？
4、需要不斷細分下去，直播時長還和哪些關鍵因素有關？新增主播？節日，週末導致開播時長降低？加大推廣，新用戶，高質量用戶增多，主播看到多用戶在房間，直播熱情加強……
上頭條活動能否刺激用戶消費？
1、熟悉活動規則：玩家送滿200元，纔可和主播一起上頭條。
2、滿足這個條件的用戶多嗎？怎麼衡量？
如：11.2-11.8第一週上頭條數據，有1000個玩家幫助主播上頭條（玩家去重），多還是少？
再看數據，10.26-11.1玩家消費數據，消費1元以上有10000人，消費50元以上有6000人，200元以上有4000人，也就是說，只有25%的玩家有參與到你的活動，那就是少，刺激玩家消費效果不理想。
數據結論，指導意見
產品經理
根據上面的例子，可以分析一下，爲什麼有用戶不參與，做用戶調研，是宣傳力度不夠？還是玩法不吸引玩家？還是……？
數據分析是一個工具。數據能幫助人，也會騙人，不要僅僅依賴數據。在需求採集裏面，數據分析只是需求分析裏面定量分析的一種，還要結合其他因素綜合考慮。
來源： http://www.chanpin100.com/archives/37406
（九）在互聯網產品或運營面試中怎樣體現數據分析能力
作者：張宇 Ann發佈於6個月前 (11-30)分類：職場經驗[點擊收藏]
即日起，報名美好學院產品經理就業班，即可獲得全國首批職業認證機會。 >>>
【文章摘要】之前筆者經歷了很多面試、筆試，其中有一個能力指標：數據分析能力。尤其是互聯網公司，在產品崗位和運營崗位的崗位要求中，都會明確提出要求應聘者具有數據分析的能力。那究竟什麼是數據分析能力，在筆試和麪試中如何體現出數據分析能力。筆者一開始也不懂，甚至走了很多彎路。
在互聯網產品或運營面試中怎樣體現數據分析能力
之前筆者經歷了很多面試、筆試，其中有一個能力指標：數據分析能力。
尤其是互聯網公司，在產品崗位和運營崗位的崗位要求中，都會明確提出要求應聘者具有數據分析的能力。
那究竟什麼是數據分析能力，在筆試和麪試中如何體現出數據分析能力。
筆者一開始也不懂，甚至走了很多彎路。
在一個遊戲公司運營崗位的霸面中（筆者霸面過很多公司，霸面通過的比例有四成不到吧，可能是把自己逼進了某種境地，所以發揮會比正常去面試發揮更好吧^_^），面試官毫不留情地指出了我在筆試環節中存在的問題。
他說：“你的卷子我是最後一個批閱的，你在筆試中體現出的素質很適合做市場，但並沒有體現出作爲運營人員應該具有的數據分析能力。”就這樣一面霸面通過，二面的boss看了我的簡歷卻告訴我說不願意面我，但可以把我推薦給市場部leader。
就這樣跌跌撞撞的從運營開始卻拿到了該公司的市場offer。
上面的實例說明筆者當時並不知道什麼是數據分析能力，也不懂怎麼去把這個能力體現出來，還有，簡歷上也沒體現出能夠匹配運營崗位的能力要求。
筆者是一心想要從事運營工作的，後面就着重強化了對於產品和運營崗位所要求的數據分析能力的理解。
首先，數據分析是術，最終是是要爲目標服務的，目的是獲取用戶或是明確用戶需求進而優化產品功能，亦或是根據數據分析結果對下一步決策進行指導。畢竟，拍腦子可以，但不能總拍腦子，更多的決策和執行是需要數據來支撐的。
數據分析要目標導向
這體現在對於目標數據的選擇上，要根據業務定位和發展階段來提取。可獲取的數據有很多，日活、轉化率、頁面瀏覽量、獨立訪客、平均使用時長（平均訪問時長）、重複購買率、用戶流失率、活躍用戶、用戶留存，甚至用戶平均收入、男女比例、年齡層、不同客戶端訪問情況等等。
這麼多的數據，在不同階段需要着重分析的是不一樣的。但記住目標導向，比如投資人會關注你的用戶平均收入、活躍用戶；微信在不同的階段對於數據從初期側重關注用戶總數到後來側重於日活躍用戶數、日均使用時長等不同。
數據分析是爲了解決問題實現目標而存在的，是一個從發現問題回到發現問題的閉環。
舉個例子，某O2O產品用戶數據大幅跌落，是蝦米原因？是補貼不足，還是因爲受到競品衝擊呢，或是因爲用戶習慣的改變？下載app量很大，但註冊量很小，是註冊流程繁瑣還是服務器故障呢？數據分析會暴露問題，順着分析的結果找到問題的靶子，再製定解決方案，根據執行結果收集驗證反饋，問題是否得到解決。
張宇
數據分析離不開三個WWW：是什麼？爲什麼？怎麼做？
可能我們初中作文的時候老師就講過”什麼人在什麼時間什麼地點做了什麼事情“，這兩種分析問題的方式是一樣的，能夠把複雜問題簡單化並迅速找到解決辦法。
是什麼？
用戶數大幅跌落
爲什麼？
補貼不足、競品衝擊
怎麼做？
針對補貼不足再思考，是用戶忠誠度不高，那麼考慮如何培養用戶忠誠度；還是這個O2O產品是僞需求，是否有敢於否定自己的勇氣；不是僞需求，那該怎樣燒錢，怎麼能不把自己燒死（燒錢的速度小於融資的速度）
針對競品競爭，做競品分析，優化自身產品，合縱連橫……
舉個例子，筆者在對數據分析能力有了初步的瞭解後，很快迎來第一個挑戰——宜信大數據中心產品運營崗位的筆面試。
在一番準備後，筆試成績很高，順利面試。面試時候有這樣一個問題，剛好是筆者做過的一個項目。針對項目目前的銷售額，從運營角度策劃一個活動，將銷售額翻番。
那這這種具體的筆面試怎樣體現數據分析能力呢？
要用數據驅動決策，千萬別拍腦袋，千萬別拍腦袋，重要的事情說三遍。
筆者的分析思路是這樣的，可以參考，但水平有限。
1.是什麼？
項目業績平平，需要翻番
2.爲什麼？
宣傳不到位(筆者的項目宣傳確實有很大不足)；其他競爭；品牌化不足（再小的個體都有自己的品牌，再小的項目也是）
3.怎麼做？
針對宣傳不到位：線上、線下活動同時開展，目的是吸粉，讓更多目標用戶知道
針對品牌化不足：提升服務品質，差異化策略，包裝升級
針對競爭：筆者以爲做好宣傳和產品自身，是提高競爭力的最有力手段
當然了，當時分析的細節還有很多，針對轉化率、用戶增長，以及成本覈算等等，更多細節不再一一贅述。
這個面試是筆者校招過程中面試做爽的一次。
好了，對於運營和產品筆面試中如何體現出數據分析能力有一下幾個要點要注意：
筆試中的開放性問題，千萬不要直接下結論，要按照”WWW法“分析，把問題拆解，並運用數據指標做依據；
面試中一定要有邏輯，對於面試官的提問，去思考面試官提問出發的角度，並邏輯清晰的給出回答；
簡歷上要呈現的是具體的實例和數據；
既然是面試互聯網公司的產品或運營，那麼讀書不能少，該讀什麼書不用多說，面試中很多問題都可以從相關書籍中找到理論基礎，如果可以輕鬆引用某本書中的觀點，自然是加分項；
面試官可能會問到你讀過什麼書，平時獲取產品、運營知識的渠道。
不論是筆試還是面試，思維很重要，思維很重要，思維很重要，要體現出你的思維和想象力。
