在上一篇《数据分析方法论（一）——构建数据指标体系》中，我总结如何从零开始构建一个产品的数据指标体系。构建完数据指标体系后，我们就可以得到自己想要的源数据了。但源数据还需要经过加工才能对我们有价值，而掌握好的加工方法能让我们得到的数据价值最大化。所以我就基于数据总结报告的思路总结了产品经理在处理数据时需要掌握的常用数据方法。
1 明确数据分析目的
没有明确目的的数据分析就是耍流氓，数据分析目的是决定使用哪些数据分析方法的底层基础。由最基本的数据分析报告思路就可以知道：
而数据分析的目的只有两大类：对过去/现状的总结和对未来趋势的预测。在实际运用中，再根据具体需求来细化目的。
2 建立数据分析框架的分析理论
在明确了数据分析目标后就可以为数据分析报告挑选合适的分析理论作为框架。常用的分析理论有：4P理论、PESTEL理论、SWOT理论、5W2H理论、逻辑树理论、用户使用行为理论、AARRR理论。
| 理论 | 说明 | 用途 |
|---|---|---|
| 4P | 即产品（product）、价格（price）、渠道（place）、促销（promotion），以适当的价格、适当的渠道和适当的促销手段，将适当的产品或服务投向市场 | 用于分析一次市场营销活动是否完整和成功 |
| PESTEL | 即政治（political）、经济（economic）、社会（social）、技术（technological）、环境（environment）和法律（legal） | 用于分析产品外部宏观环境 |
| SWOT | 即优势（strength）、劣势（weeknesses）、机会（opportunity）、威胁（threats） | 用于分析产品内部环境 |
| 5W2H | 即是何事何物（what）、何解（why）、何人（who）、何时（when）、何地（where）、如何做（how）、做到什么程度（how much） | 用于各类场景下的发现问题和解决问题的一种思路 |
| 逻辑树 | 逻辑树是将一个问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展。 | 用于保证解决问题思路的完整性 |
| 用户使用行为 | 用户使用产品/服务前采取的各种行为。主要包括：认知、熟悉、试用、使用、忠诚、流失和回流 | 用于基于用户生命周期的整体性数据分析 |
| AARRR | 即获取用户（acquisition）、活跃用户（activation）、留下用户（retention）、获取收入（revenue）和用户自传播（refer） | 用于从企业的角度分析用户规模增长过程的数据 |
在实际的运用中，4P、PESTEL和SWOT多用于宏观的问题分析，例如行业研究等。而作为产品经理日常的数据分析工作，大部分还是集中在具体的业务数据，最大大致整体产品数据的分析。所以相对而言，我们较为常用的分析理论还是5W2H，用户使用行为分析、AARRR和逻辑树这几种。
AARRR实际运用举例：
在对产品整体数据进行分析时，AARRR和用户使用行为理论尤其好用。可以让你从用户生命周期尽可能地把握所有数据指标。再来看下用户使用行为理论的运用举例：
而5W2H、逻辑树则更适合对于具体业务或问题进行分析，例如对活动数据分析：
3 具体细节数据分析方法
第二步讲完如何使用理论来为我们搭建起一次分析的思路后，接着我们就可以在搭好的框架下对具体的数据进行分析了。常用的数据分析方法有：
| 方法 | 说明 |
|---|---|
| 对比分析 | 单一的数据毫无意义，只有经过对比才能体现数据的好坏。常见的对比类型有环比，同比等 |
| 细分分析 | 层层递进，在多个子维度上分析数据 |
| 交叉分析 | 即在多个维度上对比分析数据 |
| 漏斗分析 | 主要用户转化率的分析 |
| 比率分析 | 更偏向属于一种数据展示手段，特别是在数据结论中。可以起到清晰强化对比的作用。 |
| 过去/现状/趋势分析 | 一个时间段的数据要么可以得出对过去和现状的总结，要么就是对未来的趋势分析。接下来都是指导我们该如何去做。 |
| RFM模型 | 数据按维度细分的一种依据，按照最近一次购买时间（recency）、购买次数（frequency）和购买金额（monetary） |
对比分析运用举例：
细分分析运用举例：
细分分析的举例其实也是交叉分析的一个示例，时间维度和渠道的交叉分析。
漏斗分析比较常用，简单易懂，也不举例了。
比率分析运用举例：
过去/现状/未来趋势分析比较简单，也不再举例。
RFM模式主要是针对用户的属性进行细分分析，属于细分分析的一种。不同的产品需要对三个维度进行和实际业务相符的修改。例如针对内容型产品，“最近一次购买时间”可以改为“最近一次消费/贡献内容时间”，“购买次数”改为“内容消费/贡献次数”，“购买金额”改为“内容消费/贡献量”。同时还需要针对业务的特性增加维度，例如互联网金融产品可以增加“代偿金额”。
感想
从如何从零搭建自己产品的数据体系，到梳理数据分析理论和方法的运用，构成了一名产品经理的基本数据分析素质。
方法论虽然是有定式，但并不是死的。我们仍然需要根据实际的运用场景来灵活运用。
