写在前面
- 数据分析的关键字：趋势、对比、多维度细分；
数据分析思路：是什么、为什么、怎么办。不要本末倒置，一想到数据分析就去学工具，Python和R，你的核心在于你的产品思维，Excel完全够用了。其实贯穿其中的还是产品的基础能力，找到你的产品的关键路径，在路径积累的数据中发现问题。发掘出用户的喜好、购买/使用及流失的内在原因。
image.png- 多看数据，让数据变成你的一部分，可以脱口而出。经验都是慢慢积累起来的。
- 数据分析要辅以用户CE，对用户了解得更透彻。可以直接找到用户，问他们为什么继续使用/放弃使用。举一个QQ邮箱的例子，在初期，团队有一个硬性指标：“1 000/100/10”法则：每个产品经理每个月要去论坛看1 000个用户体验反馈并回复，关注100个用户博客，做10个用户调查。
参考过程
一、数据分析的意义
- 数据可以客观反映出一款产品当前的状态好坏和所处阶段。
- 数据可以告诉你，你的问题出在哪里。
- 假如你想要实现某个目标，数据可以帮助你找到达成的最佳路径。
- 精细的数据分析可以帮助你通过层层拆分，对于用户更了解，也对整个站内的生态更有掌控力。
二、数据分析的分类
1.描述型数据分析
大多数数据分析停留在这个层面，这也是我们常常在后台见到的数据表现形式。
定义：描述型分析是用来概括、表述事物整体状况以及事物间关联、类属关系的统计方法，例如新增用户数、DAU、PV、UV、人群分类、收入等。
2.诊断型数据分析
定义：细分到特定的时间维度和空间维度，依据数据的浅层表现和自身的历史累积经验来判断现象/问题出现的原因。
最常见的如漏斗模型，层层剖析数据是否有异动，进而判断问题出现的环节及其原因。
3.预测型数据分析
定义：包括利用预测模型，机器学习，数据挖掘等技术来分析当前和历史的数据，从而对未来或其他不确定的事件进行预测。
4.规范型数据分析
定义：规范型分析通过 “已经发生什么”、“为什么发生”和“什么将发生”，也就是综合运用上述提及的描述型分析、诊断型分析和预测型分析，对潜在用户进行商品/服务推荐和决策支持。
这其实需要更加复杂的工具和算法才能实现，对于产品来说，我们需要做的是什么呢？我们需要做的其实是提出业务目标，并拆分目标，提出关键指标，预测可能出现的关键问题，并在模型运行出来后不断寻找badcase，让这个模型不断的校正达到良好的分析和预测效果。
三、数据分析指标和工具
指标：
- 拉新阶段：关注用户来源的类型：纯新用户（第一次注册）还是老用户（再注册）；广告的用户来源有多少，弹窗广告的用户来源有多少等等。
- 转化阶段：关注转化率：200个用户浏览了你的宣传页面，注册的有100人，这100人就是实现了转化，转化率为50%
- 活跃阶段：关注用户在产品内的活跃量，不同的产品表现形式不同。例如，贴吧：发帖量、回帖量等等；视频网站：点击量，观看量等；电商网站关注付费率、客单价、CTR等等。
- 留存阶段：关注留存或流失的用户量。产品某天新增用户1000个，第二天仍旧活跃的用户有350个，那么称次日留存率有35%，如果第七天仍旧活跃的用户有100个，那么称七日留存率为10%。
工具：
这篇讲的很详细
http://www.pmcaff.com/article/index/550503014868096?from=profile
三、我自己分析的例子
百度结果页分析
- 背景：百度结果页针对移动端做了很多优化，包括智能聚合/知识图谱等，不同于传统的结果页样式，卡片式更符合移动端使用习惯。此次数据分析的目的是统计分析出他们的规律，为自己的搜索结果提供借鉴。
- 过程：
- 首先爬取了一周的百度结果页数据，发现其中每一条结果都有类型标识符tpl，类型直接与结果的聚合展现形式相关；
- 将结果按照曝光PV排序，以此得出出现频率最高的结果，发现普通类型的结果占了80%，说明普通网页曝光量还是最大的；
- 对排序前几的结果进行曝光率的排序，发现智能结果覆盖的头部领域占95%，也就是说我们优先对头部领域结果进行聚合可以覆盖95%的需求。
- 梳理头部领域分为哪些，各自的规律是什么。
- 关键指标：曝光PV、曝光率、结果覆盖率。
后台订单失败原因分析
这个其实并不算传统数据分析，这算非结构化数据分析中的文本分析
- 背景：我负责后台系统，各业务之间流程复杂，需要比较严谨的逻辑 ，也就是传统意义上比较枯燥的工作吧。但是这里面有一点比较好的是可以看到大量的用户工单（约等于用户反馈）。因为每天看到大量的用户反馈，所以对于问题出现的比例比较熟悉，当有哪一类问题出现的突增时，能够比较敏感的发现。
- 过程：
- 发现问题：有一段时间，订单支付的工单比例突增，问题集中在支付了之后，没有相应资源充到账户下，在后台的记录中可以看到资源是分配成功了的，所以可以初步判断是可用性问题，一定是在订单支付过程中有哪里阻碍了用户操作或者操作反馈不足。
- 维度细分：我们又对对应的订单进行了支付渠道的细分，发现在这部分订单中，采用微信支付的订单比例远远高出支付宝支付，由此可以判断出微信支付过程中存在可用性问题。
- 定位问题：对于微信支付订单的方式进行了多次测试，果然发现了问题所在，原来支付宝支付之后会有5秒钟的倒数弹框，此时有充足的时间分配资源，并显示在账户中；微信支付成功时间比较快，没有倒数弹框，后台没有充足的时间分配资源，从支付页面返回后页面又不会定时刷新，所以会出现资源不出现的情况
- 解决问题：在微信支付后加3秒倒数弹框。
数据来源及参考资料：
