数据分析之道是价值观，认同数据分析的价值，对数据分析工作有清楚的定位，并非常了解数据分析背后的商业模式。对数据分析只有认同其价值，明确其定位，深谙其商业模式，才能走在正确的轨道上。

数据分析之术是正确的方法论：AARRR模型和分析上的学习引擎。AARRR是《增长黑客》海盗法则：依次是获取用户、激发活跃、提高留存、增加收入、推荐传播的首字母，覆盖用户整个生命周期。学习引擎是《精益创业》中提倡的精益化运营方式，当有想法时采用最简可行产品MVP的方式将其构建出来，上线后我们衡量用户和市场反应，通过分析收集到的数据来验证或推翻之前的想法，从而不断学习和优化。

数据分析之器是指数据分析工具。统一的数据采集平台，选择合适的分析工具。

作者：张溪梦 Simon

链接：https://www.zhihu.com/question/64072628/answer/220105409

来源：知乎

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

一、 数据分析体系：道、术、器

「道」是指价值观。

要想做好数据分析，首先就要认同数据的意义和价值。一个不认同数据分析、对数据分析的意义缺乏理解的人是很难做好这个工作的。

那么如何让数据分析真正发挥价值？

我认为必须在价值认同、工作定位和商业模式三点上取得突破。

（一）数据分析的价值认同

做好数据分析，首先要认同数据的意义和价值。一个不认同数据、对数据分析的意义缺乏理解的人是很难做好这个工作的。

放到一个企业里面，企业的 CEO 及管理层必须高度重视和理解数据分析的价值。你想一下，如果老板都不认可数据分析的价值，那么数据相关的项目在企业里面还能推得动吗？然后，企业内部还需要有数据驱动的公司文化。如果大家宁可拍脑袋做决定也不相信数据分析师的建议，那么数据分析往往是事倍功半、走一下形式而已，反之则是事半功倍。

（二）数据分析的工作定位

做好数据分析，要对数据分析的价值有清楚的定位。既不要神化数据分析，把它当做万能钥匙；也不要轻易否定数据分析的意义，弃之不用。数据分析应该对业务有实际的指导意义，而不应该流于形式，沦为单纯的 “取数”、“做表”、“写报告”。

在 LinkedIn 那么多年的工作时间里面，我们对数据分析的工作早已有了清晰的定位：利用（大）数据分析为所有职场人员作出迅捷、高质、高效的决策，提供具有指导意义的洞察和可规模化的解决方案。

当时我们还采用了一套 EOI 的分析框架，对不同业务的数据分析价值有明确的定位。针对核心任务、战略任务和风险任务，我们认为数据分析应该分别起到助力（Empower）、优化（Optimize）、创新（Innovate）的三大作用。

（三）数据分析的商业模式

做好数据分析，要对企业的商业模式非常了解。数据分析的最终目的还是服务于企业的增长目标，所以务必要对行业背景、业务含义、产品和用户有着深刻的认知。

还是以 LinkedIn 为例，作为企业增长的重要环节，LinkedIn 在产品设计之初就优先考虑到了数据的价值模式。首先是用户的增长、使用和活跃，然后产生大量的数据，最后根据数据进行业务变现（企业广告、企业招聘、高级账号等业务）和用户增长，从而不断良性循环。

只有认可分析价值、明确工作定位、深谙商业模式，数据分析才能走在正确的轨道上。

「术」是指正确的方法论。

（一）数据分析的两个方法论

数据分析应该帮助我们不断优化营销、运营、产品、工程，驱动企业和用户的增长，而不是为了分析而分析。在这里我给大家介绍两个方法论，一个是业务上的 AARRR 模型，另一个是分析上的学习引擎。

AARRR 是著名的 Growth Hacker （增长黑客）海盗法则，依序分别是 Acquisition（获取用户）、Activation（激发活跃）、Retention（提高留存）、Revenue（增加收入）和 Referral（推荐传播）的首字母简称，覆盖用户整个生命周期。

我们在进行数据分析的时候，应该考虑用户正处于 AARRR 模型的哪个部分、关键数据指标是什么、对应的分析方法又是什么？

“ 学习引擎 ” 是《精益创业》一书中提倡的精益化运营方式，在硅谷被大小企业广泛采纳。

当我们有一个想法的时候，可以采用最简可行化产品（MVP）的方式将其构建（Build）出来。产品上线后，我们需要衡量（Measure）用户和市场的反应。通过分析收集到的数据，我们可以验证或者推翻我们之前的想法，从而不断学习（Learn）和优化。

（二）数据分析的具体方法

数据分析的具体方法有很多，接下来我就选几种典型的讲讲。

（1）流量分析

a. 访问 / 下载来源，搜索词

网站的访问来源，App 的下载渠道，以及各搜索引擎的搜索关键词，通过数据分析平台都可以很方便的进行统计和分析，分析平台通过归因模型判断流量来源，产品经理在分析这些流量时，只需要用自建或者第三方的数据平台追踪流量变化即可，第三方平台如 Google Analytics 、GrowingIO 等；

b. 自主投放追踪

平时我们在微信等外部渠道投放文章、H5 等，许多产品都会很苦恼无法追踪数据。

分析不同获客渠道流量的数量和质量，进而优化投放渠道。常见的办法有 UTM 代码追踪，分析新用户的广告来源、广告内容、广告媒介、广告项目、广告名称和广告关键字。

c. 实时流量分析

实时监测产品的访问走势，尤其要关心流量异常值。举个例子，某互联网金融平台因为一个产品 Bug 导致用户疯狂抢购造成的流量峰值，产品经理发现实时数据异常后迅速下线该产品修复 Bug，避免了损失扩大。

（2）转化分析

无论是做网站还是 App，产品里面有很多地方需要做转化分析：注册转化、购买转化、激活转化等等。一般我们借助漏斗来衡量用户的转化过程。

影响转化率的因素很多，我们总结了三个大的方面：渠道流量、用户营销、网站 / APP 体验。以渠道流量为例，通过优选渠道并且量化分配我们的投放资源，可以有效提升总体的转化率。

更详细的转化分析方法，可以参考我之前的这篇回答如何提升转化率？ - 张溪梦的回答。

（3）留存分析

在互联网行业里，通常我们会通过拉新把客户引过来，但是经过一段时间可能就会有一部分客户逐渐流失了。那些留下来的人或者是经常回访我们公司网站 / App 的人就称为留存。

在一段时间内，对某个网站 / App 等有过任意行为的用户，称之为这个网站 / App 这段时间的活跃用户，这个任意行为可以是访问网站、打开 App 等等。

现在大家经常会用到所谓的「日活」 （日活跃用户量，DAU）、「周活」 （周活跃用户量，WAU）来监测我们的网站，有的时候会看到我们的「日活」在一段时期内都是逐渐地增加的，以为是非常好的现象，但是如果没有做留存分析的话，这个结果很可能是一个错误。

留存是产品增长的核心，用户只有留下来，你的产品才能不断增长。一条留存曲线，如果产品经理不做什么的话，那么用户就慢慢流失了。

这是一个常见的留存曲线，我把它分成了三个部分：第一部分是振荡期，第二部分是选择期，第三部分是平稳期。

从产品设计的角度出发，找到触发留存的关键行为，帮助用户尽快找到产品留存的关键节点。之前我们发现我们产品里面，使用过“新建”功能用户的留存度非常高；于是我们做了产品改进，将“新建”按钮置于首页顶部刺激用户使用，效果非常好。

硅谷流行的 Magic Number（魔法数字）也是留存分析的一部分，比如 Facebook 发现「在第一周里加 10 个好友」的新用户留存度非常高。作为产品经理，我们也需要通过数据分析来不断探索我们产品里面的魔法数字，不断提高用户留存度和活跃度。

更详细的留存分析方法，可以参考这篇文章你能找到的最深入的留存分析文章 - 留存 · 增长 · Magic Number 。

（4）可视化分析

用户体验，是一个非常抽象的概念，我们可以对其进行形象化。目前一个普遍的方法就是对用户的数据进行可视化，以热图的形式呈现。

借助热图，产品经理可以非常直观了解用户在产品上的点击偏好，检验我们的产品设计或者布局是否合理。

热图的概念、原理、类型和应用，可以参考这个回答热力图是什么原理? - 张溪梦的回答。

（5）群组分析 & 挖掘用户需求、改进及优化产品

千人千面，产品经理对用户精细化的分析必不可少。不同区域、不同来源、不同平台甚至不同手机型号的用户，他们对产品的使用和感知都可能存在巨大的差异。产品经理可以对不同属性的用户进行分群，观察不同群组用户的行为差异，进而优化产品。

之前我们做过一次分析，网站的总体注册转化率是 6%；但是使用 Chrome 浏览器的新用户注册转化率高达 12%，使用 IE 浏览器的新用户注册转化率才 1%。这样一分的话，问题就很明显了，极有可能是浏览器兼容性的问题，产品经理应该关注一下这个问题。

详细的群组分析操作流程，可以参考这个回答产品经理一般是怎么搜集产品不好用之处的？ - 张溪梦的回答。

懂得每一种方法的原理是一回事，在业务中灵活应用又是另外一回事。以产品经理为例，可以把“用户行为 - 数据分析 -产品设计&优化 ”三位归于一体，在不断的实践应用中掌握各种分析方法的精髓和要义。

因为数据来源于用户，数据分析的最终目的也是服务于企业和用户。做数据分析之前，一定要清晰业务目的和数据指标，选择科学的分析方法，用数据来指导产品和用户增长。

「器」则是指数据分析工具。

“ 大数据、大数据，最重要的就是数据。但数据在哪里呢？现在最缺乏的，是统一的数据采集平台！”这是很久之前我接受采访时的观点，现在仍是如此！

（一）为什么工具那么重要？

在我创立 GrowingIO 的时候被投资人拉进一个交流群，群里面是硅谷各种创业公司的 CEO。我发现群里面讨论的东西很有趣，就两件事情：一个是创业增长的方法论，另外一个就是讨论各种工具。“ 工欲善其事，必先利其器 ” 说的就是这个道理，古今中外概莫如此！

很久之前我就跟人谈起过这个问题，整个数据框架下面的部分可能花费了你 80% 的时间和精力，但是产生了不到 20% 的价值。大家都在搭建数据采集平台、都在写代码埋点、都在做 ETL、都在建 BI 系统，哪里还有更多的时间和人力来做 Analytics 和 Insight 。

以前我在 eBay、LinkedIn 工作的时候，市面上没有好的数据分析工具，我们不得不自己去部署很多的系统、建立很多的机制，甚至雇佣三四个团队去做一件事。今天市面上有很多好的工具来帮助我们进行数据分析，为了节省时间、资源（特别是成长型企业），大家完全没有必要内部建造一套分析系统，应该擅用好的工具来帮助自己做数据分析。

（二）选择合适的分析工具

选择什么样的分析工具，跟你的工作岗位、分析场景息息相关。每种场景都有若干种工具可以选择，有些工具也可以用于多种分析场景，关键在于你对工具的熟悉和理解。

Excel 绝对是最基本、最常见的数据分析工具了，对于数据量较小的情况，无论是数据处理、数据可视化还是一些统计分析都能支持。一旦数据量大了，这个时候就需要大型的数据库来支持。

市场营销人员需要对广告投放进行数据分析，网站流量监测是他们关注的重点。产品和运营重点关注用户行为和产品使用，用户行为数据分析工具是他们的首选。以前大家只关注业务数据，然而这些结果型的数据并不能告诉他们中间发生了什么、为什么发生；现在大家越来越关注精细化运营、对用户行为数据的需求也越来越高，这也是我回国创立 GrowingIO 的原因。

如果你能懂一些 R 和 Python，在数据建模、统计分析、数据科学的方向上有所发展，那么你的数据分析水平就更上一层楼了。