极客大学产品经理训练营：数据分析 第16课总结

讲师：邱岳

1. 什么是数据分析，以及为什么要数据分析

• 通过对数据进行整理加工获得信息和知识，从而了解产品的生存情况、发现潜在机会、引导和支撑产品与运营决策、验证策略效果。
• 数据是互联网产品经理的福音，也是改变互联网产品经理与传统软件产品经理 / 消费产品经理工作性质的核心元素。实时 - 精确 - 完善 - 结构化
• 用数据而非直觉：避免决策视角狭窄、避免无依据决策。让决策变宽、变扎实
• 立场和逻辑之争永无止境，数据加逻辑聊天 一招毙命。

2. 几个与数据分析有关的故事

• 半小时之内撤下对用户转化率有影响的特性；
• Google 的 41 种蓝色和 $200 Million的收益
  
• 按钮颜色也能带来收益区别？
  

3. 数据分析的常见工具

• GoogleAnalytics / MixPanel / Growing IO / Sensors Data / 友盟
• 小程序：小程序数据助手 / 阿拉丁
• Tableau / Excel / Python / Google Sheets / SQL
• R / MatLab …

重新认识Excel几个关键词： Excel 公式、透视表、VBA、Google Script、Python Excel

4. 数据分析的执行过程

1. 数据规划（设定目标）
2. 数据埋点 / 记录 （技术支持与实现）
3. 数据收集与整理（原始数据 --> 结构化数据）
4. 数据统计与分析（从数据 --> 信息 / 知识）
5. 结论或行动（信息 --> 决策 / 行动）

5. 数据规划 --> 设定目标

• 反应产品 / 功能的运转情况
  ☞ 选定关键指标，每天盯住
• 寻找流程瓶颈点或新的产品机会
  ☞ 行为路径，流量漏斗
• 提供产品、运营决策支撑
  ☞ 进行 A / B 测试
  ☞ 设定策略水位数值（双十一晚上大促的时候，发大红包，促成交易。根据数据给指定用户发红包）
• 对具体的产品运营策略提供效果追踪

4.1 如何选关键指标

1. 小心虚荣指标 （比如某个大V的推广）
2. 与利益相关者的价值有关系吗？（产品经理看功能的使用频率，投资人或老板看 GMV）
3. 这个数字变好就等于产品变好吗？（某个功能多弹了一个界面，使PV增加）
4. 大家能交流吗？（关注指标的变化）
5. 提前发现问题还是滞后发现问题？（用户试用频率降低，就说明产品开始走下坡路）
6. 有信息吗？能撬动吗？（比如把用户拉回来，用优质的文章吸引用户）

5. 数据埋点

• 一般说到数据埋点，都指的是行为数据的收集；
• 本质上是一个带了各种各样线索的记录请求，是无状态的；
  
• 数据埋点需求，与其描述埋点的方案，不如告诉 BI 或工程师你想干什么；
• 大部分的数据埋点需求基于事件（页面访问也算事件），列出想要的时间列表和分类即可；
• 很难一次埋点，就全埋对，从小事开始埋，比如一个按钮，然后逐渐研究更大的故事；
• 若公司存在完善的埋点和数据收集流程与规范，以上都不算。

6. 数据收集与整理

• 将原始的异构数据，整理为可以进行筛选 / 统计 / 处理的结构化数据；
• 这里的大部分工作都是数据工程师 / 数据工具完成的，这一步产品经理介入不多；

6.1 怎么收集竞争对手的数据？ 怎么收集行业数据？

1. 用QuestMobile
2. 注册用户id
3. Job Description
4. 竞争对手的员工过来面试

报告：

• QuestMobile2021全景生态流量洞察报告
• QuestMobile2021“她经济”洞察报告
• QuestMobile2021春节特辑洞察报告

7. 数据统计与分析

• 指标：某一件事情的度量数值，比如用户量、访问量、访问时长、转化率等，通常与具体业务的中间目标或最终目标直接相关。
• 维度：对指标进行不同细分的方式，比如用户量可以分为新用户、老用户、安卓用户、iOS用户、付费用户免费用户等，不同的细分方式，代表了不同的分析角度。
  
  

8. 结论或行动

• 数据分析要指向一个目标，信息 / 知识 / 决策 / 原则；
• 【目标】是数据分析的起点，也是终点；
• 对外：数据报告、数据洞察、业务策略结论；
• 对内：行业认知、做事的经验和原则；

9. 数据分析的思路和框架

• 偏向以用户、行为为核心：用户是谁、从哪里来、到哪里去；

• 偏向流量：流量成本、变现效率、可持续性；

• 偏向卖货：流量、转化、毛利；

• 偏向 Saas： 客户分类、留存与激活、收入规模与效率；

• 平台型产品：各角色利益博弈、货币化率；

• 偏向用户行为：用户属性、用户行为、用户量、关键路径转化率（用户产品）

• 偏向流量：流量成本、流量结构、变现效率、可持续性（流量产品）

• 偏向社区：用户量、用户粘性、内容生产、内容消费、分发效率（社区）

• 偏向平台：供求平衡、基尼系数、货币化率（市场/Marketplace）

• 偏向 SaaS（Software as a Service）：客户分类、留存与激活、收入规模与效率（SaaS）

• 偏向卖货：流量、转化、毛利（电商）

• 偏向企业：业务利益、用户行为、流量成本、客户满意度（To B/ To G）

10. 数据分析对象

• 用户属性数据：一组画像；
• 用户行为数据：一张地图；
• 业务数据：一堆图标；
• 财务数据：钱；
• 行业数据：几个数字；
• 宏观数据；

11. 数据分析常见指标与释义

• 用户属性数据 - 技术参数、地理位置、年龄、性别、地区…
• 用户行为数据 - PV（Page View）、UV (User View)、(PV/UV) （网站或App的总PV / UV）、VV (Video View)、UPV、DAU (Daily Active User)、MAU (Month Active User)、(DAU/MAU) (一个用户一个月来30次，那就是30)、WAU (Weekly Active User)、AAC、MAC、WAC、CTR、留存 （新增留存、次日留存）、来源、访问时长…
• 业务数据 - （跟你相关）如：课程数量、训练营数量、订单数、发帖量、包裹数…
• 财务数据 - GMV（Gross merchandise value）、ARPU（）、LTV、客单价、复购率、转化率、Take Rate…
• 行业数据 - TAM、CAC、TAC…
• 宏观数据 - 行业时长规模、GDP 占比。

GMV 包括了下单但未付款的数据，下单但是退货的也算。行业惯例。

12. 数据分析常见指标与释义

• 最重要的是，有你自己的指标定义，而不是一个业界通行的【虚荣指标】。
• 所有的指标应该在脑海中组成一张【数据大图】，知道它们之间的关系；
• 让数据成为自己的语言，用数据重构直觉，而不是用情绪和好恶来构建直觉；

13. 不是作业的作业

• PDD 的财报，对比京东和阿里，关注 AAC、MAC、MAU、GMV、Take Rate.
• 财报查看券商，sec --> https://en.wikipedia.org/wiki/U.S._Securities_and_Exchange_Commission
• https://sec.report/