彼得·德鲁克曾经说过很有名的一句话，他说：如果一个事情，你不能衡量它的话，那么你就不能增长它。
事实上，越来越多的互联网公司开始了数据驱动产品及运营增长的工作，典型如硅谷的著名几家公司：
- Facebook 早期通过「博客小挂件」的展示获得了每月数十亿次展示、千万次点击和
百万人注册;
- Twiter 通过引导用户在注册时「关注 10 个人」极大的提升了留存率和活跃度;
- LinkedIn 通过推荐新用户「邀请 4 个好友」获得了最高的邀请转化率;
⋯⋯
然后，硅谷的极客们还给这件事情取了一个很酷的外号，叫做 Growth Hacker ，中文名译作“增长黑客”。这些公司在组织架构内部搭建了一个增长团队，整个团队的目标就是围绕着公司的增长去不断地确立目标，分析现状，提出改进的想法，实施并开始测试反馈。
产品经理在整个互联网团队中扮演着承上启下的桥梁角色，自然也要掌握数据分析这项神秘的强大技能，尤其是随着整个人类互联网历史进程的不断发展，互联网产品之间的竞争加剧、大数据时代的到来，对产品经理的数据分析能力提出了更高的要求。
一个懂数据分析的产品经理可以利用数据驱动产品设计优化，并高效提升用户体验。
那么，产品经理究竟该如何入门数据分析，为自己的产品职业生涯发展增加一定的筹码呢，我认为可以从以下几个方面着手学习。
1、了解什么是数据分析
很多产品经理其实都对数据分析有一种淡淡疏远的心理，特别的是非技术的产品经理更是对数据敬而远之，好比一谈到数据分析，就是要会什么高大上的数据分析工具，什么抽象的建模、函数之类的。
事实上，通常意义上的产品数据分析用不了多少专业的数据知识，用到的都是非常简单的加减乘除。但是要注意到，其实加减乘除也是非常强大的，可以解决大部分的问题，而且成本非常低，你使用了复杂的算法，可能精确度也只能上升不到5个百分点。所以，产品经理不要对数据分析有太多的畏难情绪，所谓的数据分析就是指从数据中提取有用的信息，并指导实践。比如说结合数据优化产品的用户体验，通过数据来进行用户画像，通过数据发现产品改进的关键点，以及产品改版、迭代是否在一个正确的方向上。而这些事情，在经过实践之后，都会变的简单且容易上手。
但是在做数据分析前，一定要先确定好目标，这样后面的每一步才能不偏离大方向，我们才能清楚地知道究竟该采集什么样的数据，要分析哪些指标。那么，你做数据分析的目的是什么：
是检测用户对新功能的喜爱程度？
是优化用户在使用过程中的槽点？
还是提升某个产品页面的转化率？
...
2、数据从哪里获取
产品经理在分析数据之前，就必须得有数据供我们分析，所以我们就得拿到数据，怎么拿到呢？
数据的来源渠道主要有三种：
自有数据分析系统 —— 企业内部使用的数据产品，如自建 BI 和推荐系统。公司自有的数据是最原始的数据，也是最可靠、最全面的。一般而言，有条件的情况下都是以内部数据为准；
第三方数据分析工具 —— 这个是借助外部工具获得数据，如友盟、百度统计、cnzz统计等；
行业指数数据等 —— 如用户均可使用的 Google Trends 和淘宝指数等等。
鉴于大部分互联网创业公司都不可能自建数据分析系统，虽然自己开发的数据分析工具，可以对每个数据进行实时跟踪，并快速做出产品的调整，但是需要足够的开发人员及成本，比较适合大型公司或者成熟型产品；
这里还是重点介绍几款第三方数据分析工具，供大家参考选择：
a、友盟
支持iOS、Android应用数据统计分析，可快速接入，节省成本，比较适合创业型公司及刚上线的产品，但是无法对关键数据在突发异样时进行跟踪；
b、百度移动统计
支持ios和android平台。另外，开发者在嵌入统计SDK后，可以对自家产品进行较为全面的监控，包括用户行为、用户属性、地域分布、终端分析等；
c、诸葛io
是一款基于用户洞察的精细化运营管理工具。以用户跟踪技术和简单易用的集成开发方法，帮助移动应用及pc网站的运营者们挖掘用户的真实行为与属性，可以将其用于iOS、Android应用及网站；
d、Growing io
强大的地方在于无需埋点，就可以获取并分析全面、实时的用户行为数据，以优化产品体验，实现精益化运营。
3、基本的产品分析概念
产品经理在做数据分析的时候，一些基本的产品分析概念还是需要厘清的，比如最基本的AARRR模型，也就是说产品经理要了解什么是新增、活跃、留存、流失等，这些基本的概念都是需要去了解和掌握的，不然真碰到数据分析的问题，也只能两眼一抹黑了，更别谈分析出一个什么所以然来了。
比较简单的一些概念，在这里普及下：
一些网页指标：
PV（page view），即页面浏览量，用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。在一定统计周期内用户每次刷新网页一次也被计算一次。
一般来说PV与来访者数量成正比，但是PV并不直接决定页面的真实来访者数量，例如，同一个来访者通过不断的刷新页面，也可以制造出非常高的PV。
UV（unique visitor），即独立访客，访问网站的一台电脑客户端为一个访客。
PR（pagerank），即网页的级别，一个PR值为1的网站表明这个网站不太具有流行度，而PR值为7到10则表明这个网站非常受欢迎(或者说极其重要)。
跳出率，指用户到达你的网站上并在你的网站上仅浏览了一个页面就离开的访问次数与所有访问次数的百分比。这里的访问次数其实就是指PV。是评价一个网站性能的重要指标，跳出率高，说明网站用户体验做得不好，用户进去就跳出去了，网站没有满足用户的期望与需求或是人群定位不精准，反之如果跳出率较低，说明网站用户体验做得不错。
转化率，指在一个统计周期内，完成转化行为的次数占推广信息总点击次数的比率。转化率=（转化次数/点击量）×100%。以用户登录为例，如果每100次访问中，就有10个登录网站，那么此网站的登录转化率就为10%，而最后有2个用户订阅，则订阅转化率为2%，有一个用户下订单购买，则购买转化率为1%。转化率反映了网站的盈利能力，重视和研究网站转化率，可以针对性的分析网站在哪些方面做的不足，哪些广告投放效果比较好，可以迅速的提升用户体验、节约广告成本，提升网络转化过程。
重复购买率，指消费者对该品牌产品或者服务的重复购买次数。重复购买率越多，则反应出消费者对品牌的忠诚度就越高，反之则越低。
活跃度指标：主要衡量产品的粘性、用户的稳定性以及核心用户的规模，观察产品在线的周期性变化。
AU（Active Users）活跃用户：用户登陆产品记为一次登录
DAU（Daily Active Users）日活跃用户：每日登陆过的用户数
WAU（Weekly Active Users）周活跃用户：七天内登陆过的用户数
MAU（Monthly Active Users）月活跃用户：30天内登陆过的用户数
AT（Daily Avg. Online Time）日均使用时长：活跃用户平均每日在线时长
PCU（Peak Concurrent Users）最高同时在线用户人数：统计周期内，同一时点（通常精确至分）的最高在线人数
ACU（Average Concurrent Users）平均同时在线用户人数：统计周期内，每个时点（通常精确到分）的平均在线人数
流失、留存指标：观察流失用户的状态、流失前行为来判断产品可能存在的问题。
ULR（Users Leave Rate）用户流失率：统计当日登录过产品的用户，但在随后N日内未登录的用户数/统计日DAU
日流失率：统计当日登陆过产品的用户，次日未登陆的用户数/统计日DAU
周流失率：统计当周登陆过产品，之后下一周未登陆的用户数/WAU
月流失率：统计当月登陆过产品，下一月未登陆的用户数/MAU
日留存率：统计当日登录过产品的用户，在之后N日内至少登录一次的用户数/统计日DAU
周留存率：统计当周登录过产品的用户，且下一周至少登录一次的用户数/WAU
月留存率：统计当月登录过产品的用户，且下一月至少登录一次的用户数/MAU
次日留存率：统计当日登录过产品的用户，次日依旧登录的用户数/统计日DAU
回归率：曾经流失，重新登录产品的用户数占流失用户的比例
回归用户：曾经流失，重新登录产品的用户数
流失用户池：过去一段时间内流失的用户数
4、掌握常见的数据分析模型
产品经理在进行数据分析的过程中，需要运用到一些分析模型，我们一起来看看具体需要用到哪些数据分析模型：
a、用户行为统计
用户行为统计，就是对用户在产品中的行为发生的次数或人数进行简单的统计，统计结果一般以折线图和表格的方式呈现，这是用户行为分析的最基本的方法。
b、漏斗分析
漏斗分析也叫漏斗模型，可以帮你分析使用过程的成功和失败率(也叫转化和流失)，以分析用户在使用产品时是否顺畅。进行漏斗分析，首先需要您结合产品目标，从用户的使用过程抽取出常见流程，比如常见的电商产品，我们可以简单梳理出一个漏斗流程便是：
浏览首页----》查看商品详情---》加入购物车---》生成订单---》进行支付---》成功支付
c、留存分析
留存分析是一种衡量产品「黏性」的分析方法——它能够帮您分析用户会长期持续使用您的产品，还是使用一次后便一去不复返。用户留存的情况一般用留存率来衡量。所谓留存率，就是指一组用户在初始时间(比如首次打开应用)之后第 N 天，还在使用产品的用户比例(即留存下来的用户比例)，一般称之为N 天留存率。
留存分析的结果一般用表格方式呈现，称之为用户留存表。如下图所示:
5、开始实践
我一直以来有一个观念，那就是做事情不需要等到万事俱备才能真正开始，好比产品经理做数据分析，事实上，并不需要等到我们把所有的数据分析知识都熟练掌握，我们才能开始进行动工实践。
这本身也是互联网思维“小步快跑，不断迭代”的一个实践，我们可以先拿手上的产品实践起来，等到碰到问题，我们再去针对具体问题学习相应的解决办法，这种学习效率才是最高的，比如说：
- 产品新版本马上就要发布了(或者已经发布)，那好，我们来看看数据，分析一下新版本的表现如何?
- 或者，我们正在规划或设计产品的改版，那好，看看数据研究一下之前的用户行为，看看能不能为产品设计带来点儿新思路?
这些都是我们在日常工作中，可以尝试着用数据分析这个工具去切入产品设计与分析的点，看了这篇文章的你，还等什么呢，开始实践吧！
