产品经理的数据分析工作

本文来自于视频课程+自身项目的整理分析：

产品上线后，产品经理需要对产品运营阶段的数据进行持续监控和反馈，不断的跟踪迭代分析。

产品数据分析和竞品分析都需要有明确的目的，针对什么问题去做数据分析，分析后需要达到什么目的，对当前阶段产品有何实际意义，另外要控制好边界，确定分析返回，把控分析的进度、深度和数据质量，形成结论。比如说，配合硬件产品的软件App，发现升级率很低，虽然已经在明显的位置提示，但是，升级完成率依然不高。针对这个问题，我们想分析出问题的原因，最终让用户在有新版本FirmVersion的时候，及时升级，让用户能更新解决bug后或者加了新功能的新版本，提升用户体验，增加用户粘性…,因此，我们进行数据分析的范围，应该仅限于分析从用户看到升级提示，到升级完成，这一整个完成的流程中的数据，这个是范围。

通常，App中这些统计数据，是需要开发工程师在开发的阶段预先加进去，那么在App提交App store后，第一批用户的使用数据我们就可以拿到，至于公司内部测试人员和该项目相关人员的数据，不具有任何参考价值，所以，最好选择App上线后，初次接触到产品的用户的数据。另外，产品经理要把控数据的准确性，开发工程师如果数据埋点有误，会严重干扰数据分析过程，误导分析结果。所以，在分析之前，先大概看下数据的合理性。

如果要分析自己的产品，数据大多来自App运营过程中产生的数据，例如我们的项目中用的第三方API，LeanPlum统计平台，在App中埋点后，就可以统计用户操作App的路径。另外，有的数据可来自用户反馈，或者调查数据。对于用户主动反馈的数据我们很容易获取，某些问题需要亲自去调查获取。

数据分析的一些关键指标，如下图：

关于转化率，有一个转化率的漏斗模型，
下图中的占位数据是为了让主要数据“UV人数”居中而加的，不具有参考意义，最终没有在图中展示出来。

以下指标分别是活跃用户数，新用户比例，用户流失率，以及产品发展的三个不同阶段。

数据分析的方法：

这里我们要分析用户忠诚度，只有一层，衡量标准分别是：用户使用频率、最近使用时间、平均使用时间、平均使用页面数。做成一个矩阵，Expert choice这款软件可以算出用户忠诚度占比：0.525，0.056，0.139，0.279。不同用户，每个指标的值已知，在这里做归一化处理，比如说用户使用频率，4个不同的用户分别为1，4，10，7，那么我们把用户1的使用频率做归一化处理：（1-四个用户的使用频率的最小值）／（四个用户的使用频率中的最大值-四个用户中的使用频率的最小值），然后对其他三个用户做同样的操作，再对用户的其他三个指标做同样的处理

计算出来的结果偏小的话，可以同比扩大十倍。
最后一个表格用归一化，且放大十倍后的数据，分别乘以各自的忠诚度权重，可以算出每个用户的忠诚度。计算结果偏小的话，可以同步扩大十倍，这个根据需要，也可以放大100倍。这样就可以看出，哪个用户的忠诚度高。