根据现有产品数据，如何做一次数据分析呢？（客官饿了吗）

需求分析师是否适合做数据分析？这是我最近在想的问题。

需求分析是基于业务场景的商业化分析，不是技术分析，但需求分析的过程包含了数据分析，用数据驱动产品开发这完全是可能的，从数据中找到产品运营的不足，从而驱动产品开发。

数据分析也是从产品分离出来的需求要点，数据可以绘制用户画像及行为轨迹，可以监控产品转化及发展情况，可以横向评估效果，这个过程涉及到产品、运营、市场、技术等多部门协同，数据分析也是一种很伟大的产品需求开发方法。那怎么根据现有产品数据来做一次数据分析呢？以下拙见供大家学习……

一、界定数据分析的目的与实现

数据分析之前，我们要界定好此次分析的目的，一般我们分析数据有四种目的：

战略决策
投资决策
营销决策
产品决策

数据分析是一个积累的过程，数据也是一样，数据从小到大，从少到多，数据从量变开始质变，并且体现在多个方面，触发蝴蝶效应，推动其他领域的变化。

（1）催发数据性思维

数据性思维表现在：

对全部数据进行分析，而不是随机抽样；
并不过于追求精确性，而是重视数据的复杂性；
更多挖掘数据的相关性，而不是因果
数据之间的关联关系。

（2）产出“数据资产”

数据不断的累计和整合，使得数据变成无形资产，使数据逐步帮助企业做决策，帮助产品设计导方向，改变运营策略。

（3）数据资产可以变现

数据可以像商品一样可以进行售卖，数据变现使得数据有了价值，然而，不同数据，不同数据质量也具有不同价值，但数据的价值却是客官存在的。

数据分析，永远都是为了产品发展而服务，一切目的不外乎：获得用户、留住用户、增加收益、扩大品牌知名度，而数据正验证我们的设想，同样，数据分析也是最客观和准确的途径，为决策做基础。从数据的产生到分析、整理、展现、利用、再循环利用，这是大数据思维方式的转变也是商业化新模式的开始。我们所要做的数据分析，不外乎就是将数据利用再利用的过程。

二、什么是数据分析

数据是由什么组成的？一个数据单元有多大？怎样产生和传送？数据不是凭空而来，数据是一个场景，一个业务，一个应用产生而来，数据的价值是它产生的环境，过程的独特属性而赋予的。数据不同属性，造成了数据价值的差异性及应用层面的差异性。

举个栗子——金融属性数据

你的月收入，信用卡消费、网购消费、房贷车贷等，都形成了一个金融数据体系，金融数据的产生过程离钱越近也越有价值，它可以直接可以利用为征信，金融风控，贷款信用额度等。同样，我们每天上网看信息、社交、听歌、打游戏、搜索、看视频等等，都会产生很多行为、偏好、社交属性数据，通过这些数据我们可以勾画出一个人的用户画像。做数据分析首先的问题就是识别数据，然后再弄清楚什么是数据分析，常见的数据有：

（1）网站

流量——PV——UV——点击量——点击率（CTR）——展示数——人均访问量、CPM、CPC、转化率、停留时间。

（2）APP

日、周、月活量——留存率、屏显

数据分析就是将产品相关的数据进行收集利用工具软件整合，然后利用特定的方法进行分析，从中发现规律或得到结论。数据的数量不等于数据的质量，所以数据在收集之后必须进行整理、分析。因为，由于数据来源的零散、没有结构、没有规划、没有固定目的，导致即便数据再多，如果盲目用在特定的目标上，也必然产生缺乏质量的问题。只有经过严密的富有逻辑的整理、分析、关联，才可以作为预测的根据，这就是我们识别数据的重要性。只有，明白数据从何而来，才能知道它走向何处。

三、怎么做数据分析

有了数据，一堆的数据看起来很大，很乱，我们需要针对性的选择不同的方式方法来进行整合，以下介绍数据分析方法论。

数据分析方法——

对比分析——横切对比、纵切对比、目标对比、时间对比
分类分析
分布分析
相关分析——相关分析研究的是事物间的某种联系，最常见的联系就是因果分析。

对比、分类、分布、相关这4种基础分析方法除了可以直接应用外，还可派生出很多衍生方法，这些衍生方法在企业经营决策中经常会用到。

以上方法简浅易懂，眼花缭乱的东西很多，真正派上用场的却看起来不那么炫酷，很多方法朴实无华却能解决大量问题。

下面就简单介绍几种：

（1）细分

严格说，细分不是一种方法，却是一切分析的根源。

细分有两类——一种是一定条件下的区隔例如在页面停留30s以上的访客，或者只要某个市区的访客等，其实就是过滤。

另一种是维度之间的交叉，如深圳地区的新访客，即分类。

（2）热图及如图对比

热图对于web，APP的分析都很重要，在web前端，过去一些解决不好的问题，比如只能看链接的被点击情况，点击位置错位，对浮层部分点击的标记，对链出链接的标记等等，现在已经有好的工具能够解决。

要想热图用的好，一个很重要的点在于你几乎不能单独使用一个热图就想解决问题，在实际工作中，经常用到集中对比热图方法。

其一，多种热图的对比分析，尤其是点击热图（触摸热图）、阅读线热图、停屏热图的对比分析;
其二，细分人群的热图对比分析，例如：不同渠道、新老用户、不同时段、AB测试的如图对比等
其三，深度不同的互动，所反应的热图也就是不同饿。

使用热图的一个重要方法——不仅仅只是看整体用户的热图，更应该记得细分不同用户组，查看不同组的热图区别。

（3）归因分析法

对于广告主而言，我需要明确广告投放出去用户是从哪个渠道来的，这个用户的质量怎么样，广告购买和用户获取以及用户在APP内之间的关系，这就算归因。

归因，是指在多种因素共同作用造成的某一结果时，各种因素应该占有造成该结果的多大的作用，即功劳应该如何分配以及贵归宿于谁。

严格意义上讲，归因模型大约有10种左右，而归因分类则大体分为单触点和多触点两类。考虑到用户购买某一样东西的决策，可能受到多种因素影响，比如看到广告了解到这个商品的存在，利用搜索，进一步了解这个商品，然后在某一渠道上看到这个产品的软文等等，这些因素的综合，让一个人下定决心购买。因此，单一广告渠道并不是你打开客户的闸门，而是多种渠道作用的结果。

常见的归因模型：

最终互动模型：100%分配给转化前用户最后一次接触的媒体，这样也容易测量，但属于单触点模式，不完善，适合转化型广告主。
首次互动模型：100%分配给第一次接触的渠道，只考虑最初的品牌认知、不考虑转化，适合全新品牌。
时间衰退互动模型：配比按时间递减，适合临时促销广告。
自定义互动模型：自定义个阶段配比，适合销售和品牌同样重视的广告。

归因分析的前提是设置目标——各渠道共同的目标，目标在各种分析工具中都能够较为简单的定义;归因分析的各个渠道，应该有共同的目标才可以进行归因。

（4）溯源

经过反复的细分对比后，基本上可以确定问题所在，这时就需要和业务方确认是否因为某些业务动作导致的数据一出去，包括新版本上线，运营活动策划优化等等。

如果仍没有透彻，那么从细粒度查起，如：

用户日记分析
用户访谈
网络调研
工作坊

四、为什么做数据分析

数据分析以量化的方式来分析业务问题并提出解决方案。

建立量化体系——设计指标，建立指标体系，按照指标维度进行收敛。
明确数据量化重点
确保数据准确
站在业务场景角度分析

量化数据是为了统一认知，并且保证路径可回溯，可复制。

指标设计——以准确易懂为准则，集合统计学和业务效果的方法论。

常用的统计学工具：

业务概括——平均数、中位数、众数
业务差异性——方差、标准差
业务分布——频数

以电商顾客质量分析为例：概况是我们看下顾客的平均支付金额，或者支付中位数，来了解顾客概括。如果想要了解这批顾客质量是都比较好还是参差不齐，则需要通过方差和标准差来描述。如果想要知道更详细的内容，可以了解每个区间的用户数是多少来判断。

五、怎么使数据分析更有效果

在做数据分析的过程中，我们需要了解什么样的数据展示才是对结果的最好展示，如果单纯地去看一个数据是没有太大意义的，数据本身也具有相应的欺骗性，比如从运营同学那得到了日新增用户数1W，那么单纯看这个数据没有什么意义，我们可以说这个数据很好，因为看上去很大，但是你可能没有看到同期的数据，有可能昨天的数据达到了2W。

1、好文配好图——要明确要表达的信息、根据数据选择合适的图标类型；

2、好的数据一定是首先最好是以比率的形式存在的，不要绝对数，要相对数据。

对比才能更好的展现数据的可用性，对比的数据可以从互联网资讯网站获取也可以从竞品数据中获取，还可以从咨询公司获取，这样经过对比分析以及得到的对比率是最具有说服力的。

3、通过对比来判断数据的好坏。

我们将数据的日增长量做成一个折线图，从折线图我们就能看出这个数据是在高点还是在低点。通过对比，我们就会得知这个数据所处的位置是什么样的。另外，通过对比不同的渠道，对比不同的版本，对比不同的用户群等不同纬度的数据，都可以从侧面反映出这个数据的真实情况。

4、数据不是一成不变的情况，要动态的去看数据。

单纯只看一个点的数据情况是没有意义的，我们要在数据中加入时间的纬度。引入一段单位的时间去看待数据整体的变化趋势，这样才能更为客观的判断产品的健康程度。

5、根据数据分析场景进行数据展示

六、怎样成为优秀数据分析师

1、分析要有深度

深度是指数据分析对企业的支持程度，当企业面临决策难题时，数据分析若要有深度，则要全面回答3个问题：

企业的现状和问题是什么？
问题为什么会产生？
企业该怎么办？

这3个问题若未答全，则分析的深度就会有所缺失。缺失深度，也就只看到表面的数据累计却看不到本质的问题。可以从问题的本质出发，从“是什么”“为什么”“怎么办”3个角度思考。

提问是思考的翅膀，善于提问，勤于思考，我们就能达到数据分析的深度，只有不断的锻炼和学习才能在深度深耕。

2、数据要有可信度

可信度是指分析结果的可靠程度。要有信度，需满足三个条件：对比要可比、差异要显著、描述要全面。

（1）对比要可比

基础数据基数要具有可比性，不能将基础数据与其他数据进行混合对比，缺少对比的可能性。

（2）差异要显著

在做精细化营销时，往往要用数据来理解不同用户的差异；根据差异性制定运营策略。差异化的数据更能描述问题，差异化的数据需要进行检验，常用的显著性检验有T检验和方差分析。以方差分析举栗子，操作如下:1、将不同类型的分类进行编码

（3）选择不同的数据因子

（4）根据不同组间数据计算

组间差异用组间离差平方和SSA（每组均值与总均值之差的平方和）度量；
组间自由度为K-1（K为组数）；
组内差异用组内离差平方和SSE（每组中的个案与相应组的均值之差的平方和）度量；
组内自由度为N-K（N为总个案数）；
用于方差检验的是F统计量。

要通过检验，即要得到组间存在显著差异的结论，就要使差异主要来自于组间，使得SSA越大越好，SSE越小越好，反映在F统计量上，就是要F越大越好。大于多少？大于F的临界值，相应的，F的相伴概率小于显著性水平（默认显著性水平为0.05）。

根据技术的计算与对比，方差分析告诉我们，透过现象看本质。

3、描述要全面

当刻画一组数据时，描述要全面——不仅要描述这组数据的一般水平，还要考虑到这组数据的波动水平。如果波动很大，一般水平对数据总体的代表性就会很差。只考虑一般水平而不考虑波动和差异，会使数据的可信度大大缩水。所以，数据分析要有深度和宽度，挖掘够深，反过来看，就会出现一种漏斗模型，从深度看宽度，以两种不同角度看问题，分析问题，使得结果更具有说服力。