产品经理数据分析实战手册 pdf_产品经理常用的数据分析方法

产品经理出需求最根本最直接的依据是数据，数据思维是产品经理发现问题、解决问题的必备思维，可以防止自己拍脑袋做决定。

实际工作中，数据的分析方法可以总结为三个大类，常规分析、统计模型分析和自建模型分析。只要掌握了这三种分析的方法，就能解决大部分数据分析的需求，甚至可以吧分析需求固化为数据产品，供他人使用。

1、常规分析

基础的分析需求可以公国唱过分析解决，一般我们可以把数据通过MySQL等数据库导入Excel，然后在Excel里直观的查看和进行操作，多利用表格、线图等方法。常规分析较多用到的是同比环比和ABC分析法。

同比环比常见于周报月报等场景。例如很多互联网公司都非常关心的DAU（日活跃用户数），用同比和环比来说明就可以比较直观的了解到刚刚过去的一段时间跟之前相对应的一段时间的DAU变化，若有较大的幅度，则需要分析一下原因。

同比：某个周期时段与上一个周期同时段比较，比如今年5月份的DAU跟去年5月份的DAU相比

同比增长率 = （本周期时段数 - 上周期同时段数） / 上周期同时段数 × 100%

环比：某个周期与上一周期做比较，比如今天环比去年等。

环比增长率 = （本周期数 - 上周期数）/上周期数 × 100%

ABC分析法一般以某一指标为核心，用改核心其他维度的数据与总数据做比较，及各维度数据与总数据的比重，将比重大小顺序排列，用不同的标准分为abc三类，比如我们都知道的，世界上80%的财富都掌握在20%的人手里。其中我们最需要关注的可以成为A类，其次重要的成为B类，最次之的称为C类。

比如，通过分析数据发现，用户中，不同年龄段占总用户的比重是不同的，如下图，很明显我们的A类用户是18-22岁的人群。

2、统计模型分析

模型统计分析我们主要介绍四种分析方法，回归分析、分类分析、聚类分析、关联分析

a.回归分析

应用场景：用于预测未来一段时间的某一维度的数据，比如预计明年的DAU。

我们可以理解成几个自变量通过加减乘除或者更复杂的运算得出的因变量，比如DAU可能跟新增、老用户、回归用户、留存有关。然后根据历史数据，通过回归分析形成一个函数，从而得到因变量DAU。回归分析一般会用线性回归、非线性回归、时间序列等。

b.分类分析

应用场景：用户预测新上线的营销活动的活动效果、用户参与度等。

我们可以根据之前活动的数据，分析影响活动效果的几个因素，把有上线活动时的数据和没有活动时的数据输入系统，分类函数就会根据两类数据判断哪些因素影响活动效果，常见的分类分析法有决策树、KNN分析法、神经网络算法、朴素贝叶斯算法等

c.聚类分析

应用场景：细分用户，预估哪一类用户是我们的目标人群。

细分用户群、细分市场都属于聚类问题，通过聚类分析，可以更了解用户的具体特征，从而做更有针对性的营销。

首先我们要选取聚类变量，尽量选取哪些对产品使用行为有影响的变量，同时需要这些变量在不同研究对象上有着明显的差异，而且不能有高度相关性，比如年龄、性别、学历等，将这些变量对应的数据输入模型中，选取一个合适的分类数目。

之后观察各类别的用户在各个变量上的表现，找出不同类别的用户相对于其他类别的几个明显特征，最后进行聚类分析。

聚类分类常用的有K均值聚类，分布估计聚类等。

d.关联分析

应用场景：判断哪几个伤心同时被购买的概率大。

关联分类在电商中的应用场景比较多，常用的有购物篮分析，属性关联分析等。

例如我们分析平台上产生过的有效订单，购买了牙膏的100人中，有76个购买了牙刷，说明“牙膏 → 牙刷”的可信度为76%，这表示所有购买了牙膏的订单中，我们的规则有76%都适用。

3、自建模型分析

当上面的两种分析方法不能够满足我们的需求时，就会采用自建模型分析，顾名思义，这个方法是根据自己业务的实际逻辑来自己创建一个模型。

例如某公司要估算自己用户的LTV（生命周期价值），即用户从进入到流失会给公司带来多少价值，目的是衡量推广费用是否可以回收并帮助盈利。

LTV与用户活跃天数和ARPU（每用户平均收入）有关，即LTV = 用户平均活跃天数 × ARPU值。根据业务实际，可以将ARPU拆解成 ARPU = 指标1×参数1 + 指标2×参数2 + 指标3×参数3 + 指标4×参数4.......。用户平均活跃天数需要预测，ARPU的指标和参数比较明确可以直接代入。

实际上，无论哪种分析方式都是数学模型，也都不能是单独存在。复杂的工作中，往往需要多种分析方式并存，一步一步的得出最后的结果。且需要我们灵活变通，选择什么样的方法解决问题还是需要深入到业务中去。