大数据及移动互联网时代，每一个使用移动终端的人无时无刻不在生产数据，而作为互联网服务提供的产品来说，也在持续不断的积累数据。数据如同人工智能一样，往往能表现出更为客观、理性的一面，数据可以让人更加直观、清晰的认识世界，数据也可以指导人更加理智的做出决策。

数据驱动的时代，无论你的工作内容是什么，掌握一定的数据分析能力，可以帮助你更好的认识这个世界，更好的提升工作效率。

数据分析流程主要分为五个关键环节：明确数据分析目的、明确数据源及数据口径、数据处理、数据分析、输出。

一、明确数据分析目的

任何一件事在做之前都是有目的性的，数据分析也是如此，在进行数据分析之前首先要明确数据分析为什么要做？下面通过用户、需求、场景三要素拆解法来明确数据分析的目的。

1、用户

这里提到的用户是指数据分析内容或者结果给谁看？这里的目标用户主要分三类：你自己、企业内部业务部门、外部客户。这里主要对后两种进行解析。

企业内部业务部门：

这类用户通常会通过制定不同策略提升企业某些指标的提升，可以是市场部门、运营部门或者是维系部门。他们往往指导企业内部积累了大量数据，但是不知道如何使用，如何通过数据分析形成有效的决策。

外部客户：

这类用户通常不具有某一领域或多个领域的行业数据，希望通过这些数据了解他的用户或市场，而恰巧你的企业具备这样的数据，这种情况下通过数据价值变现，形成对外的数据分析输出，对外部用户来说可以更好的了解市场，对于你来说也可以通过数据形成价值变现，为企业带来收益。

2、需求

你的用户即数据分析问题提出者为什么要做数据分析，他们是希望通过数据分析发现问题还是希望提升某个业务指标，这些都是在做数据分析前需要了解的，只有了解了需求才能制定更合理的数据分析思路（后面会介绍到数据分析方法）。

3、场景

场景更多体现的是数据分析的场景，如业务部门想了解用户在注册流程中的用户流失原因，那么这就是问题的场景，要根据场景去定义问题，梳理数据分析思路，选择数据分析的方法。

二、明确数据源及数据口径

1、数据源

数据的获取主要有三种方式，第一种通过一些基于前端页面的数据采集工具获取，如GrowingIO等可视化的数据采集产品；第二种是在产品设计过程中通过数据埋点的方式，在需要数据时可以进行简单提取，这种方式的前提是在产品规划阶段就已经对未来的数据获取提前做好了准备；第三种是如果前期没有进行功能埋点、可视化的采集工具也无法获取数据时，找研发团队通过后台脚本或技术研发的方式获取数据。

2、数据口径

数据口径，即定义某一个数据指标的含义。举个简单栗子来说，针对于用户流失指标的定义，不同的产品或者不同的领域会有所不同。对于普通电商产品来说，用户三天之内没有登录或增涨就是流失，但是对于奢侈品电商来说，仅仅用几天没有登录或增涨即算作用户流失是不合理的。

对于数据口径的明确，需要结合数据分析任务提出者的需求以及具体业务场景，定义清晰的数据口径对后面的数据处理以及数据分析具有关键的意义。

三、数据处理

数据处理阶段主要做的工作是数据清洗、数据补全、数据整合。

1、数据清洗

发现数据中的异常值，如对连续多天的用户登录数据进行处理时，如果有一天的登录数远远超过正常值，那么就需要分析，该天是否有重大营销活动，还是采集数据时出现的错误，通过异常值不仅可以发现数据采集方法的问题，同时可能通过异常值找到数据分析的目标。比如对信用卡诈骗的分析，就是通过查找异常数据的方式。

2、数据补全

针对数据缺失的情况如何解决，一种方式是根据数据前后的关联关系填充平均值等方式，另一种则是直接选择丢失该条记录不用于数据分析。两种方式各有优劣，建议结合具体问题具体分析。

3、数据整合

在采集数据时，不同类型数据之间可能存在潜在关联关系，通过数据的整合，丰富数据维度，更利于发现更多有价值的信息。如用户注册数据与用户增涨数据相关联，可以通过用户的基础属性信息判断用户增涨的商品是自己使用还是送人等等。

四、数据分析

数据分析思路又叫数据分析方法，数据分析一定是以目的为导向的，通过目的选择数据分析的方法。通常来说主要有以下集中分析思路

1、异常分析

通过数据分析发现异常情况，找到解决异常问题的方法。

2、寻找关联关系

关联关系也可以成为购物车分析，耳熟能详的沃尔玛尿布与啤酒的案例就是关联关系的最佳实践，通过分析不用商品或不同行为之间的关系，发现用户的习惯。

3、分类、分层

通过用户特征、用户行为对用户进行分类分层，形成精细化运营、精准化业务推荐，进一步提升运营效率和转化率。

4、预测

通过用户历史行为预测用户未来可能的行为，提升用户感知和使用体验。

五、输出

在前面层提到，数据分析的目的是通过数据清晰的了解用户、产品和当前业务形态，从而得到有效的战略决策指导下一步的发展。

如何通过数据清晰了解用户、产品和业务生态？一行行枯燥的数字是无法让业务部门或外部客户直观了解数据背后的含义的，所以需要通过数据可视化的方法，简单来说就是将一行行的数据转化为图表，直观化展现数据的趋势、数据之间的关联关系等等。

在对数据可视化时，需要着重考虑数据有几个维度、数据要向看的人展现什么，这些都影响着数据可视化的形式。

如针对注册用户男女性别比例的展现可以用饼状图，展现注册用户数随时间变化的增长趋势可以用曲线图，展现注册用户归属地可以通过柱状图或地图等等。在选择可视化方式时，要充分考虑数据的特点以及希望用图表展现出来的内涵是什么，这样才能用合理的方式展现出更直观的分析结果。

此外，数据分析的输出通常以数据分析报告的形式展现，数据分析报告的主要结构如下：

• 数据分析背景
• 数据来源及数据说明
• 数据分析方法
• 数据可视化
• 数据决策

以上是一份较为正式的数据分析报告的大体框架，如果针对日报一类并不要求正式性的数据分析结果展现，则可以具体问题具体分析。

六、总结

数据分析方法论一定是为指导具体工作实践而服务的，所以仅仅掌握方法论并不够，还要通过实践不断完善优化方法。只有当你真正去做数据分析这件事时，才能发现自己的不足，说再多不如直接去做。

作为一名程序员，也许你还没有直接和数据打交道。但是，我确信你的老板已经开始重视数据，并已经思考如何通过数据来优化业务结构了。

在这个数据为王的时代，数据分析应该成为每一个程序员的能力外延。因为在我们的职业生涯中，必定会用到数据分析的技能，只是时间迟与早的问题罢了。

比如前段时间大家都在吵着北京的租房价格上涨了，但到底涨没涨，微博微信吵了一圈我也没看到权威的回答。有个程序员，他就很厉害了，只花了一天时间把各个租房平台的相关信息爬了一遍，然后根据这些数据，迅速分析并预测出北京近几个月房租的变化走势。

先不说最后的分析结果如何，这位网友就因为懂一些数据分析方面的知识，很快就能知道网上几百万人都想不明白的问题。

你要知道，你的公司也一定将会迎来需要进行数据分析挖掘的阶段。当机会来的时候，大部分人都毫无头绪，一脸茫然。如果此时你能给出一个清晰的思路和解决方案，就会真正意识到，数据分析能力，可以让你未来至少 10 年的技术生涯游刃有余。

但是一提数据分析，很多人就觉得无从下手，那么到底该怎么学呢？

其实真的没那么复杂，你只需要做好这三件事：

1、找到一个实力与经验俱佳的“教练”，从思维、工具、实战带你“即学即用”。

2、制定一份正确的学习计划与路径，你真正需要的是好方法而不是蛮力。

3、有效工具的运用会让你事半功倍。

专栏最与众不同的地方是能让你得到：

1、收集数据、处理数据、得到结果的硬核能力，它会让你在工作中游刃有余。

2、每篇文章都有“思维导图”与“专属题库”，必知的全套工具让你即学即用。

3、培养数据和算法思维，技术上的思维模式，还有日常工作解决问题的思维方式。

4、拥有更强的竞争力。要知道无论是当前火爆的人工智能，还是数据算法工程师的市场，都看重数据分析和数据处理的能力。

5、清晰的学习路径，业余时间彻底掌握数据分析这个硬核技能。

很多人可能不知道，「行为分析」四个字的分量已经代表了近两年一些高速成长的公司对数据分析需求的精细化程度，同时，它也催生出了新一代的数据分析工具和分析方法。

过去，所有人都在关注PV、UV、跳出率、访问深度、停留时长，还有很多人始终放不下的热力图等，总体来说，这些指标都属于统计指标，反映的都是产品总体情况，数据的价值除了反映现状，还有更重要的是应用。统计是数据汇总整理的结果，没有分析，怎能拿来指导业务增长呢?

当然，可能指导过。比如一款阅读产品，通过文章详情页的停留时长可以判断用户对文章的喜好程度，但是，他可能在滑动屏幕看文章、可能在评论区输入一段评论，当然，也可能没看文章却登录了诸葛io的官网看当天的实时数据。所以比起用户在该页面所花时间的汇总，用户是否是在看文章还是在评论以及评论的内容是什么对我们更有指导意义。

技术在发展，时代在召唤，所以，行为分析，你需要了解并且知道如何应用。

一、什么是用户行为分析

一口气说：基于用户在互联网产品上的行为以及行为背后的人发生的时间频次等维度深度还原用户使用场景并且可以指导业务增长。

慢点说：对用户模型做关键补充。通过行为数据的补充，构建出精细、完整的用户画像。传统统计工具的数据背后没有人，所以也谈不上用户模型（画像），一个完整、多维、精确的用户画像=用户行为数据+用户属性数据。

比如要做好积分商城运营，就需要基于企业核心业务场景搭建会员互动积分商城系统，根据行业场景，还需要有完善的积分商城建设方案，提供符合人群特征的丰富商品、便捷的兑换、快捷的物流、完善的售后，还需具备创意化营销策略，通过积分培养用户习惯，以此提高会员活跃度，增加用户黏性，提升企业形象。

二、用户行为分析在应用中的价值

关于影响数据结果和判断的三个维度：

1.product-market fit（PMF:产品-市场契合点）

意思是产品符合市场需求。比如你做了个社区电商平台，拿一个demo产品投向市场，可能这个阶段不会看有多少收入，而是看来了多少人，有多少人看了商品链接，有多少人真正支付了，这个阶段用户的认可可能对你是否决定做这个项目、判断这个项目是否有市场更有决定性因素；

2.用户来源

这点是说用户质量。所有的产品核心人群都不是面向所有人的（至少一开始不是），一定有他的核心人群，所以用户来源渠道的质量就决定了数据结果的好坏，可能会影响你对项目、对产品的判断和决策；

3.产品本身

第三点落脚到产品上了。产品承载着你的商业模式，产品本身的功能设计、用户体验、迭代以及运营策略等都会影响数据、影响留存、影响项目的生死。

基于以上理解，我们看行为分析的重要性，基于行为分析，需要让CEO对产品所切入的市场判断更准确，让市场推广人员精细化评估渠道质量，让产品设计人员准确评估用户行为路径转化、产品改版优良、某一新功能对产品的影响几何，让运营人员做精准营销并且评估营销结果等。

所以，价值在哪儿呢？罗列4点

1、自定义留存分析

从前：我们通常会认定一个用户只要打开APP就算当天的一个活跃用户，今天新增的用户只要明天启动一次APP就认为是一个留存用户；

现在：基于用户行为，我们可以做精细化留存评估。根据产品特性自定义用户留存，比如一个阅读类产品，用户打开APP后有没有去浏览或是查看一篇文章，我们可以把今天来了查看了至少一篇文章的用户算作今天的一个活跃；

意义：留存是反映任何一款产品健康度的高级指标，无论是运营好坏、产品功能设计如何，最终都可以通过留存衡量整体的情况，贴合产品业务本身去衡量留存，精细化评估产品健康度，让留存数据更有价值和指导意义。打个比方，比如像麦乐积分网站支持手机积分商城，pc免费积分商城，app积分商城，注册即可使用。标准积分商城api接口对接用户积分系统，简单配置页面即可上线，助力企业用户低成本运营管理。

2、精细化渠道质量评估

从前：流量时代，评估渠道带来了多少访问人数，注册人数。

现在：人口红利期已过，产品推广渠道在增多，产品越来越垂直，加上同质化竞争直接导致获客成本变高，无论从市场执行人员的角度还是公司角度，都在评估ROI，除了看流量，更需要看质量。如何评估质量，需要基于用户行为并且贴合业务去评估，一款理财产品，通过不同渠道带来的用户，真正查看了理财产品详情的有多少，真正投资成功的又有多少，哪个渠道用户又有邀请行为，最后留存最高的是哪个渠道，再结合渠道投入，计算ROI。

意义：降低渠道成本，提升渠道转化。

3、产品分析（路径转化/漏斗分析、找到产品改进关键点、找到促进核心转化的相关因素、Aha moment等

路径转化/漏斗分析：关注核心转化，比如注册转化、增涨转化，从而优化流失节点，优化行为路径设计

找到产品改进关键点：用数据量化产品核心功能，让产品迭代排期更科学，部门配合更高效

找到促进核心转化的相关因素：挖掘促进用户触发核心行为的关键行为，比如可促进用户实现增涨的某些因素，找到相关行为做优化或运营激励

Aha moment（惊艳一刻）：快速执行，超出用户预期，让产品指数级增长。

4、精准营销（用户分群、用户分层、活动质量评估）

从前：面向所有用户或者基于用户属性维度做营销、做服务。属性包括：注册账号、手机号、性别、年龄、地域、积分和一些标签。

现在：属性+行为，无限接近真实用户。通过用户点击查看商品详情、搜索行为、点击关注某款理财产品的关注按钮、增涨了个东西等等这些行为以及行为触发的人、时间、频次知道用户最近在关注什么、对哪一类商品感兴趣、对哪一类文章感兴趣、哪种理财偏好。

意义：用行为维度和属性维度共同去定位用户在产品的生命周期以及真实生活场景中的角色。营销更精准，用户体验更佳。

产品经理如何通过数据去分析问题？无论产品处在什么阶段，数据反馈出来的需求一定是最直接的，也是最有效的。那么针对于业务本身来说，如何通过数据去分析呢？

举一个例子说明——背景是外卖的一个产品，外卖产品其实有两个很核心的问题要解决：

1.平台如何高效且合理的把平台流量分配给各条业务线（外卖、商超、送药等）？

2.各条业务线如何把流量高效且合理的分配给商家？

以上是做为外卖产品经理要重点去解决的。此时针对业务侧自然会提到一个问题——当前的流量是否分配合理？作为产品经理应该如何去做呢？

一、和业务方定义问题点

定义问题的基础思路主要分为两个点：理解问题（即想清楚这个问题到底是什么？）、定义问题（即用数据框架拆解出这个问题）。

针对于外卖平台业务方提出的流量分配问题来说，产品经理需要理解的是如何通过资源配置实现用户和商户进行更有效率的交易方案，那么平台方需要做好两件事：匹配人的需求和匹配供给的需求。

接下来再来定义流量的分配，那么需要查看一段时间内平台的流量，将每天的流量拆一下，可以总结成这个公式——每日流量=每日用户数*日均用户使用频次。

从这几个方面和业务方沟通并澄清后，其实通过数据对流量的产生时间、流量的来源渠道、流量的转化路径和各维度下流量的分配这四个角度有一定的认知了。

二、规划分析的框架

第一步针对于产品数据和业务侧梳理清晰后，接下来再来聊通过样本来梳理出分析的框架。

通过拉出来的全部数据分门别类的整理出来这五个维度的全部数据。当然这些数据日常做为基础数据应该要有必要整理。遵循几点：基础数据（关乎产品常规数据和业务数据）日日导，辅助数据（关乎转化率过程）周周导，挖掘数据（分析流量成本、质量等）月月导。

整理完成以上数据后，接下来到了最重要的环节。以上数据的真实含义是什么？定义维度是否一致的问题？

三、规范数据内容

这是在处理数据的初期需要和业务方进行约定的。数据指标必须通过清晰的注释来解释数据的含义。否则每个业务方对同一指标都有不同的含义。那就没有办法整了。

同样在取数据的情况下也要说明包含的数据维度。如果想要取不同地区的不同产品形态的外卖一周交易金额指标。

其中需要定义以上每个指标的含义。这样技术在处理问题的时候才知道该怎么做。（尽管产品经理认为这很简单嘛~但是毕竟要给技术开发用的，并不是每个技术都深挖业务需求，对吧。）

至此以上需要分析的数据都已经整理完毕。最后需要产出结论。

四、产出分析结论

不能单纯的把数据直接丢给领导和业务去看嘛。一定是通过有效的图表和分析结果做有效的反馈。比如一般可以通过这几种分析方法和图表。

的确以上都是数据分析师该做的，作为创业公司，基本上产品经理需要针对数据做出有效的分析。其实还涉及到很多细节方面的问题，对很多人来说，关键不是没数据，而是不知道怎么用，说白了，经验太少,遇到复杂的问题就发蒙。

关于数据分析，作者分享了一些看法，希望能够对你有所帮助。

从广义来讲，数据是反映产品和用户状态最真实的一种方式，通过数据指导运营决策、驱动业务增长。数据可分为2种情况：数据监控和数据分析。

什么是数据监控？

数据监控是及时、有效的反馈出数据异常的一种手段，通过对数据的监控去观察是否异常，进而分析数据。

什么是数据分析？

数据分析是以业务场景和业务目标为思考起点，业务决策作为终点，按照业务场景和业务目标分解为若干影响的因子和子项目，围绕子项目做基于数据现状分析，知道改善现状的方法。

数据是产品和运营人员工作中重要的一部分，运营人员常说的一句话是“数据在手，天下我有”，任何事情都要以数据来说事。作为一名运营人员，我们在做运营策略的同时，需要分析大量用户数据，去观测用户行为和用户画像。同时我们应该要关心每个数据指标的增长，防止产品出现BUG，影响到我们的最终数据指标。那么我们要怎么及时发现数据异常呢？

以现金贷为例，每天我们都有大量的用户在进行交易行为，如果是有一个小时突然没有用户的交易数据，很少人会随时发觉，往往都是用户打电话询问客服“为什么APP登录不上”“为什么我提交不了资料”等等，这时大家才会发觉APP出现故障。

所以我们要做数据监控。

对于数据监控首先我们要明确几个点

• 明确监控目标
• 监控哪些数据
• 监控这些数据每个背后的意义是什么
• 数据预警

现在让我们来讲下：

1.监控哪些方面的数据？

首先关注每个环节的基础数据指标（以现金贷的基础数据来举例）

注册用户数
填写基础资料用户数
授信获得额度
发起提现用户数和发起提现金额
成功提现用户数和成功提现金额
监控这些数据每个背后的意义是什么？
通过监控每个业务环节的基础数据，如果数据异常，可以快速定位哪个环节出了问题，进而进一步的分析。

2.数据预警

数据预警是通过各种数据维度的比对发现数据异常。

预警即通过数据采集、数据挖掘、数据分析，对已经存在的风险发出预报与警示

当数据出现问题时迅速作出反应，可第一时间通知到所有人，这样就能快速发现问题。

数据预警有5个点需要明确：

①量级指标与转化指标的确定

量级指标即每个环节的数据指标，量级指标存在的意义是可以通过我们的加工成为我们想要的数据。

转化指标即每个环节的转化，通过观测转化指标可以快速定位出哪个环节出了问题。

②每个指标正常波动范围的确定

每个指标要根据历史的数据设定一个正常浮动范围。可以从以下4种数据维度去确认正常波动范围。

同比数据（与上周同一天同时段进行对比）
环比数据（与前三天同一时段的平均值进行对比）
每个环节的转化（与前N天每个环节的转化进行对比）
每个小时增幅（与前N天每个小时增幅进行对比）
举个例子，根据数据分析得出，注册用户量环比前3天的平均值的正常浮动范围是±20%。

③触发条件的确定

数据预警的触发条件要确定，通常是低于正常浮动范围就会发出预警

④预警周期与频次的确定

预警的周期通常是一天，频次半个小时一次或一个小时一次。

⑤预警方式

一般预警方式有三种

• i短信通知
• ii钉钉群通知并@所有人
• Iii Email通知

监控数据只能快速的发现数据出现异常的大概范围，不能精确地定位到具体的问题上。有人会说，那我把所有的环节都拆分为细小化颗粒，做好监控自动触发，

其实这个不是不行，这样的话一旦你一个细小化的环节出现异常而发出报警，关联到的其他细小化的指标都会受到影响从而也发出报警，这样的话太多指标发出报警，会造成你的干扰。

这是数据有效监控的一个流程，当有数据异常的时候，系统就会触发条件快速通知你，这时候你要做的就是看哪个环节出了问题。这个时候就要进行数据分析。

3.数据分析有4种方法

（1）单项分析

趋势洞察、渠道归因、链接标记、漏斗分析、热图分析、分群分析、A/B分析、留存分析

（2）组合分析

针对某个细分点，进行多维度组合分析。

（3）用户场景分析

时间、地点、需求。

举例：用户早上注册时间点

（4）建模分析

流失预警分析、用户激活分析、付费决策分析

举个例子，注册用户数急剧下降的原因，我们用组合分析，针对注册用户数这个细分点，进行几个维度的分析并得出原因。

• APP网络是否正常
• 推广注册页是否有异常
• 获取短信验证码是否有异常
• 设置手势密码是否有异常
• 分析哪个渠道的注册用户数下降并得出原因

5.分析数据要用什么去展现呢？

有2种方法：

（1）自动图表化：可以从数据后台刷选出我们想要看的数据，并且每个版块都制成图表，便于我们快速查看。举例：神策系统——把用户每个触发行为都加上埋点，按时间维度去查询我们想要的数据。

2）手动图标化

最常用的有以下几种图表：

（1）柱状图

柱状图通常描述的是分类数据，用于显示一段时间内的数据变化或显示各项之间的比较情况。

（2）折线图

折线图可以显示随时间（根据常用比例设置）而变化的连续数据。

（3）饼图

饼图以二维或三维格式显示每一数值相对于总数值的大小。

（4）条形图

条形图显示各个项目之间的比较情况。

（5）散点图

散点图也叫 X-Y 图，它将所有的数据以点的形式展现在直角坐标系上，以显示变量之间的相互影响程度，点的位置由变量的数值决定。

（6）漏斗图

漏斗图适用于业务流程比较规范、周期长、环节多的单流程单向分析，通过漏斗各环节业务数据的比较，能够直观地发现和说明问题所在，为决策者提供一定的参考。

（7）面积图

面积图又叫区域图，面积图强调数量随时间而变化的程度， 它是在折线图的基础之上形成的, 它将折线图中折线与自变量坐标轴之间的区域使用颜色或者纹理填充，颜色的填充可以更好的突出趋势信息。

以上7种图表都是在分析数据中经常使用的，可以根据分析数据的展示去选择不同的图表。

总结

数据监控和数据分析对于运营来说是非常重要的，做好数据监控，减少产品出现bug，影响用户的体验，减少重大事故的发生。

对于监控数据笔者仍在学习阶段，以上是最近工作中的心得分享，希望能给大家带来一些思路！