往后的文章内容皆是实操，从产品运营角度来看，文章的浏览者皆是用户，且该平台的读者皆倾向于学习实操的产品朋友们。将直接能落地使用的方式方法呈现出来，最为合理。所以这篇数据分析没有各种华丽矩阵模型大框架，没有特别深入难懂的数据，仅是通过提炼一般日常工作中的核心数据、关键数据、基础数据来输出可用的产品能力/功能。

方法简介

这次是第一次数据分析干货分享——核心数据反推。

即通过捕捉最核心的数据，来达到产品/运营目的，该方法好学易用，能够解决90%的产品分析需求。

工作上，你可以通过该方法，向自己输入行业市场数据，输出工作内容，从而产出具体且合理的工作成果。生活上你可以通过该方法，处理好自身的财务问题，生活问题，规划更好的未来方向。

你常碰到的问题有哪些？

工作中，你是不是经常会遇见这几个问题？

• 刚分配到的一个项目不知如何入手；
• 对于产品功能，或者运营活动不知如何处理，或者不知道如何取舍；
• 面对领导和研发人员的“为什么要这么做？”，不知道如何回答；
• 无法给出产品的发展方向和产品优劣形式；
• 无法自信地复盘，并输出一份详细的数据分析报告；
• 等等……

你是如何去解决上述问题的？

如果你已经有很好的办法，很清晰的思路，那么请出门左拐。如果没有，以下的分析思路可以解决以上的问题。

第一步：获取核心数据

在进行数据分析之前，我们要先捋请一下思路，以便准备抓取你想要的的核心数据。

你是为了达到什么目的而要进行这次的数据分析？

这个目的，就是你的核心数据，这个目的也将会伴随着一次或多次的测试数据动作，贯穿始终。

注意：一般情况下只会有1-2个核心数据，整体项目一个核心数据，小功能点也会有相应的一个核心数据。

例如你这次版本迭代的目的是为了提升日活、还是留存、利润、订单转化、客单价等等这，是大版本核心数据。例如一个社区页面的社交元素调整，是为了提升页面留存，转化、粘性等，这是小功能点的核心数据。明确后，就可以开始常规数据分析了。

第二步，挖掘关联数据

关联数据就是无时无刻为核心数据服务的数据。

我们日常所关注的产品数据有DAU（日活跃数据）、新增、留存等几像最为基础的数据。如果这几项是你的核心数据，那么可以通过他们来分析为他们服务的数据是哪些？例如拉新数据，如果以肉眼可见的趋势下降，那么是因为什么原因导致的？可能是推广渠道，裂变功能，落地页数据等。找到潜在能引发留存下降的功能点数据，便就是留存的关联数据。

第三步，历史数据清算

通过挖掘出的关联数据，产出一个合适的数据表头，查询产品当前及历史数据。
这一步很关键，以史为镜可以知兴替。你要清楚自己产品当前及历史数据指标是什么样的，哪些有更大的优化空间，哪些数据已经到头了。把精力放在提升空间大的地方，才能四两拨千斤。

我经常看到一些人取数据的时候，数据表的表头杂乱无章，可能连自己都不知道应该拿哪些数据，反正能想到的数据就一股脑写下来。这样做不仅效率低下，而且容易丢三落四，受人白眼。

第四步，由关联数据输出成果

这一步就是数据分析产出的结果。获取关联数据后，再由关联数据倒推出相应的产品/运营功能。这样，你的产品/运营功能就能一环接一环地去推动关联数据，再推送核心数据的改变。

案例说明

当前你负责的是一个电商板块，上半年的核心指标是利润的提升。

那么，你就可以针对利润这个数据提升进行反推思考，发散你的思路：有哪些可以促使利润的提升呢？

1. 提炼关联数据

也就是说哪几个重要的数据指标提升后，能够直接带动利润的提升？

你会得到这样的一个思路：

如果说自己不是很确定这数据的重要性，咱们问自己几个问题：

• GMV：全站的GMV增加了，利润会不会提升？
• 订单量：订单量的增多，利润会不会提升？
  
• 成本：成本控制在一定范围内，相对的利润会不会提升？
  

如果有否定的答案，结合业务的具体情况，进行增减。例如近期并没有节约成本的打算，可能还要加大成本，那么久去掉成本这一项。

这样就剥离出第一层的数据了。

2. 继续往下提炼，细化数据

客官不要停，继续往下深入，针对获得的关联数据，问自己几个问题：

• 与GMV关联的数据有哪些？
• 与订单量关联的数据有哪些？
• 与成本关联的数据有哪些？

继续反推，你的思维会更有针对性的发散。

根据自身情况，可以根据自身产品情况继续往下细化，过于细的地方暂时省略。

还是继续问问题，新提炼出的数据真的有用吗？是不是少了？可以去掉哪些？

由于最终的目的都是指向核心数据，所以细化的数据中，会有部分重叠。

3. 导出历史数据，分析当下数据形式

通过以上两点，可以产出你想要的数据表格，并导出该产品历史数据进行评估。

这样就能看清自己产品当下的局面了，哪些数据提升空间大，哪些提升空间小。

一般分析的时间轴尽量长一些，看清产品数据的历史趋势。在关键的数据转折中，找出当时的产品做了什么样的调整或是出了什么问题导致了数据波动。

4. 得出最终细化数据，输出产品/运营能力

分析完历史数据情况后，就可以输出产品/运营功能了（方式千千万，并没有列全，仅举例，喜欢交流的可在留言处补充）。

别忘了继续多问自己几个问题，以上的功能真的有用么？

结合用户场景分析：

DAU：全站是有一定的订单转化率，日活的提升可能导致订单转化率相对下降，但是订单量却增多了。那么所分析出的产品功能，签到打卡能否提升用户活跃？提升留存的功能是不是也能提升站内活跃？

订单量：拼团、优惠券、活动促销等功能，虽然是运营型功能，可能会增大成本，但是，这些运营所带来的订单量和利润，是不是能够抵消成本并留有富足？

等等…….（剩余的内容都可以照这个思路进行，直到完成）

当该剔除的功能剔除，该保留的功能都保留下来了之后，就可以开始通过你的分析结论做该死的需求。

这样，一个适用于大部分的数据分析流程就结束了。

总结

很简单，找到核心目标数据→倒推出关联关键数据→再倒推出关联数据→明确当前及历史数据→产出目标功能/运营活动。

麦子还有话说：还需了解哪方面，可以在下方留言说明，我会将问题提炼成实际可用的文章，供大家一起交流学习。

作者：麦子；微信公众号：麦子有梗，熟悉电商、社区型产品，主攻拉新、留存、数据分析、商城运营等。

本文由 @麦子 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议