如果你不能衡量它，那么你就不能有效增长它。

你是否听过这样的故事：隔壁老王开了一家水果铺子，你问他每天生意怎么样，他可以回答卖的不错/很好/最近不景气。这些都是很虚的词，因为他认为卖的不错也许是卖了50个，而你认为的卖的不错，是卖了100。

现代管理学之父彼得·德鲁克曾说过：“如果你不能衡量它，那么你就不能有效增长它。”

产品经理要想做好数据分析，应该有一套完整的思维体系，在价值观、方法论和工具三个层面上储备相关知识。确认运营目的，分析核心指标，指标系统分解，数据采集，数据分析及决策支持同时立足于产品和用户，用数据来打磨产品，用数据来检验迭代，不断提升用户体验。
那么…

什么是数据分析？

用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。需要注意的是，数据分析是从数据中提取有用的信息，而不是流于形式。分析产品过往的数据，来洞悉问题，驱动有目标的产品迭代。

数据分析的核心方法

AARRR（Acquisition、Activation、Retention、Revenue、Refer）是硅谷的一个风险投资人戴维 · 麦克鲁尔在2008年时创建的，分别是指获取、激活、留存、收入和推荐。AARRR是Acquisition、Activation、Retention、Revenue、Refer，这个五个单词的所写，分别对应这一款移动应用生命周期中的5个重要环节。从 AARRR 框架 ( 获取、激活、留存、变现与推荐五个环节）入手进行产品分析，这是一个非常好的分析方法。当我们了解在AARRR的每个环节中，应当关注什么样的数据，什么样的数据表现才是正常的。

数据分析的工具

App

• 友盟：国内最早做移动数据统计，产品免费，使用最广泛
• GrowingIO：创新「无埋点」技术，可做到先集成、后提取需要数据
• Google Analytics：功能强大，技术成熟，但受限国内访问不稳定性

Web

• CNZZ：国内较早做网站统计，已被友盟合并，功能足够，用户基数大
• 百度站长平台：功能与CNZZ类似，但增强了SEO、SEM方面功能
• Google Analytics：功能强大，技术成熟，其定位「分析」已远超「统计」功能，独有自定义分析、电子商务集成等。国内网络统计收集可正常运行。

数据采集（埋点）主要方法

• 第1种：使用第三方统计分析标准SDK接入到应用中
• 第2种：使用无埋点方式
• 第3种：自己开发，精细化运营与产品决策

下图为统计工具的使用流程，请做参考：

数据的关键指标

• DNU：日新增用户数
• DAU：日活跃用户数
• WAU/MAU：周/月活跃用户数
• DAU/MAU：用户活跃度
• 留存：第0日新增用户在第N(1/3/7/30…)天打开数量占比
• UV：独立访客数
• PV：页面浏览次数
• IP：独立IP访问用户
• ARPU：每活跃用户平均收益
• ARPPU：每付费用户平均收益
• ROI：投入产出比

接下来…

我们一起看看…

数据分析的思维框架

1、建立指标体系：指标体系没有放之四海而皆准的模板，不同业务形态有不同的指标体系

• 移动APP和网站不一样
• SaaS和电子商务不一样
• 低频消费和高频消费不一样
• 好比一款婚庆相关的APP，不需要考虑复购率指标；互联网金融，必须要风控指标；电子商务，卖家和买家的指标各不一样

2、明确好坏指标：好指标应该是核心驱动指标（拿活跃用户数说明就懂了，我们活跃用户有10万，这能说明什么呢？这说明不了什么。如果产品本身有千万级别的注册用户，那么10万用户说明非常不健康，产品在衰退期。如果产品只拥有四五十万用户，那么说明产品的粘性很高。）

• 核心指标是整个运营团队、产品团队乃至研发团队都统一努力的目标
• 核心驱动指标和公司发展关联，是公司在一个阶段内的重点方向
• 互联网公司常见的核心指标是用户数和活跃率
• 好的指标还有一个特性，它应该是比率或者比例

3、建立正确的指标结构：指标结构的构建核心是以业务流程为思路，以结果为导向

举例：假设你是内容运营，需要对现有的业务做一个分析，提高内容相关数据，你会怎么做呢？

参考答案如下图：

数据分析流程

我们可以试着树立整体的流程：1.明确分析目的和思路 →2.数据收集 →3.数据处理 →4.数据分析 →5.数据展现 →6.报告撰写。

这个流程只是从“数据”的角度阐述了前后的流程，并未结合业务实际；但值得注意的是数据分析的最终目的是为了指导实践，而不是写一份报告。

小Q来总结：

一个优秀的产品经理在产品设计工作中是同时具备运营思维的，将想法转化成产品和运营方法。然后分析其中的数据，衡量产品或者运营的效果。如果好的话保持并大力推广，如果不好的话总结问题及时改进。在「构建」-「衡量」-「学习」的不断循环中逐渐优化，不断推动产品的进化。数据分析是一门多学科、多领域的交叉学问，涉及到的东西非常多。

作者：Mandy权，微信公众号：PMandyQ，一名快乐的产品经理！

本文由 @Mandy权 原创发布于人人都是产品经理。未经许可，禁止转载