你真的会数据分析吗？什么才是数据分析的正确打开方式？文章中举出了几种数据分析的常用例子与检验方式，一起来学习下。

不得不说，现在互联网行业对产品经理的要求是越来越高了，不只是要求自己写得了文档、画的了原型、斗得过开发、忽悠过领导，还要分析得了各种数据。

你真的会做数据分析么

目前产品经理使用比较多的数据分析方法，就是将每天的网站或者APP数据汇总到Excel中，然后用用折线图，柱状图来展示数据的趋势。比如下图中如果是看UV，那就把每天的数据汇总出来，然后按照每周或者每月拉一下平均值，做个折线图，是升还是降，一目了然。细致一点就是对于一些关键的时间节点进行单独分析，比如7月25日的上升期是做了哪些功能或者活动，导致UV的整体提升。

然而，这其实是非常粗糙的一种分析数据的方式，只是停留在数据的表面，并不足以是判断数据变化的依据。

举个打脸的栗子

我们APP正在做一项运营活动，活动的目的是提升UV和拉新。在活动进行的第10天，我们出一版数据报告，主要看活动的进行的10天里，APP的UV是否有增长。

具体数据如下，数据分析报告中给出的结果是APP的UV从活动前10天的平均167575提升至173514，提升了大概3.5%。领导们表示很开心，预计两个月的活动进行到刚开始的10天，UV就有了提升。

然而这个数据真的能够代表数据提升了么？

实际上，我后来又重新做了一次分析，平均值和提升比例没有问题，和原来一样，但是通过对前后数据的差异性检验，发现活动前和活动中的UV数据之间并不存在明显差异，也就是这种提升并不能明显到称其为提升。所以看到结果后也算痛打了我的脸。

从上面的案例做个总结就是：不能只是简单看数据提升比率，还要看这个提升比率是不是有意义，提升了2%，和提升了12%，都是提升，哪种才是真正的提升。

几个常用场景的数据分析方法及具体操作

运营活动效果数据分析

• 常规：UV、PV、拉新、订单等均值及提升比
• 精确：前后活动的UV、PV、拉新、订单数据的假设检验，

如果是在全站做活动，则使用配对样本T检验；

如果是分平台，如安卓和苹果用户效果对比，则使用独立样本T检验。

A/B测试数据分析-对某个页面改版的A/B测试

• 常规：UV、PV、拉新、订单等数据均值及提升比
• 精确对比：A测试的UV、PV、拉新、订单等数据与B测试结果的UV、PV、拉新、订单等数据假设检验

如果A/B测试使用的同时分流量进行测试，则这时候应该是两波独立用户，我们假设随机分配的用户不存在差异，可以用户独立样本T检验。

如果A/B测试使用的是前后测试，即同一批用户分别在A测试环境下做一段时间测试，然后再在B环境下做一段时间测试，则使用配对样本T检验。

如果页面改版的测试方案不只是两种，则可以使用方差分析的假设检验方式

其实数据分析还有很多种检验方式，适用于很多情况，文章中举出的只是几种常用例子，如果大家想要学习更多，可以看下相关数据或者统计学论坛，让我们的产品数据做的更精确。

本文由@ Sonya 原创发布于人人都是产品经理，未经许可，禁止转载。