学习目标

• 了解数据指标的含义及作用
• 掌握数据分析的步骤和方法

内容结构

数据分析的内涵及作用

常用数据指标体系

数据分析的步骤

数据分析的方法

一、数据分析的内涵和作用

什么是数据分析？

数据分析是指用适当的统计分析方法对收集得来的大量数据进行分析，将它们加以汇总、整理并消化，

以求最大化地开发数据功能，发挥数据的作用。

数据分析是常备武器：

数据分析虽然不属于产品经理的核心能力，但却属于常备武器。我们都知道做产品用户需求最重要，

但用户的需求有时很难客观准确的获取，而数据却能最客观反映用户心声。

数据分析难不难：

很多产品经理对数据分析有一种爱恨交加的感觉，好像一谈到数据分析，就需要学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，大多数情况的数据分析用不了特别复杂的数据模型和工具，简单的加减乘除和excel就可以解决大部分的问题。

所以，数据分析可以很难，也可以很简单。

数据分析的作用

• 了解产品发展现状
• 客观反映用户需求
• 衡量产品运营效果
• 分析具体问题原因

1.了解产品发展现状

• 规模：
• 活跃：
• 周期：当前产品所属的生命周期

2.客观反映用户需求

• 真假：用户需求是否为真需求，用户点击率低。如果功能入口比较明显，用户点击少，可能产品设计问题，也可能需求出现问题。
• 强弱：强需求用户点击率高，强需求优先级应该排高点。
• 优先级

3.衡量产品运营效果

• 产品改版效果是否符合预期
• 产品新功能用户是否喜欢
• 产品体验有没有提升
• 运营活动效果是否达到目标
• 运营活动为产品拉新/活跃带来多少贡献
• 运营活动收益成本性价比如何

4.分析具体问题原因

• 注册转化率为什么低？
• 登录失败率为什么高？
• 客单价为什么低？
• 忠实用户有什么特点？
• 为什么用户下单后不支付？

二、常用数据指标体系

用户指标

用户规模

• 日活(DAU)
• 周活(WAU)
• 月活(MAU)

大多数希望用户每天都打开的应用如新闻APP、社交APP、音乐APP等，其产品的KPI考核指标均为日活跃用户数(DAU)。

每个产品活跃的定义千差万别，如果是有账号的客户端产品，例如IM、端游等，通常以账号登录作为活跃标识。

对于工具软件，有的以启动作为活跃，例如看天气的。有些需要进行一些核心操作，例如拍照软件，至少是完成一张照片拍摄，才能算活跃。

新增用户

新增用户是指安装应用后，首次启动应用的用户。

• 日新增用户
• 周新增用户
• 月新增用户

新增用户量指标主要是衡量营销推广渠道效果的最基础指标；新增用户占活跃用户的比例也可以用来衡量产品健康度。

如果某产品新用户占比过高，那说明该产品的活跃是靠推广得来，这种情况非常值得关注，尤其是关注用户的留存。

用户构成

• 新增用户
• 回流用户
• 活跃用户
• 忠实用户
• 流失用户

用户构成是有助于通过新老用户结构了解活跃用户健康度。

留存用户

用户留存率是指在某一统计时段内的新增用户数中再经过一段时间后仍启动该应用的用户比例。

• 次日留存率
• 7日留存率
• 30日留存率

利用用户留存率可以对比同一类别应用中不同应用的用户吸引力。

如果对于某一个应用，在相对成熟的版本情况下，如果用户留存率有明显变化，则说明用户质量有明显变化，

很可能是因为推广渠道质量的变化所引起的。

行为指标

启动次数

启动次数是指在某一统计周期内用户启动应用的次数。

• 人均启动次数
• 人均日启动次数

启动次数指标可以衡量一个产品的用户黏性。

使用时间间隔

使用时间间隔是指同一用户相邻两次启动的时间间隔。—–1天内；1天；2-7天；8-14天。。。

使用时间间隔指标可以反映产品的用户黏性。

我们可以通过不同统计周期（但统计跨度相同，如都为30天）的使用时间间隔分布的差异，以便于发现用户体验的问题。

使用时长

使用时长是指在用户从APP启动到结束使用的总计时长。

• 人均使用时长
• 单次使用时长

如一个网站在一定时间内总停留时间为1000秒，总的访问次数是100次，那么单次使用时长就是1000秒/100=10秒。

使用时长指标是衡量产品活跃度的重要指标。

用户每天的时间是有限的且宝贵的，如果用户愿意在你的产品投入更多的时间，证明你的应用对用户很重要。

启动次数和使用时长可以结合一起分析，如果用户启动次数高，使用时长高，该APP则为用户质量非常高，用户黏性好的应用。

访问页面数

访问页面数指用户一次启动访问的页面数。

• 访问1-2页的活跃用户数
• 访问3-5页的活跃用户数
• 访问6-9页的活跃用户数
• ……

转化率

指在一个统计周期内，完成转化行为的次数占总访问次数的比率。

举例：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%。

重复购买率

指消费者对该品牌产品或服务的重复购买次数。

比如有10个客户购买了产品，5个产生了重复购买，则重复购买率为50%；

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。

ARPU

Average Revenue Per User,即每个用户平均消费水平

• 日均ARPU
• 周均ARPU
• 月均ARPU

ARPU注重的是一个时间段内从每个用户所得到的收入，衡量互联网公司收入能力的指标。

ARPU值高说明平均每个用户贡献的收入高，但高未必说明利润高，因为利润还需要考虑成本。

ARPU的高低没有绝对的好坏之分，分析的时候需要有一定的标准。

无穷尽的数据指标：

内容类：作者订阅率；内容贡献率；

金融类：赎回率；换手率；

社交类：互动频次；分享率；

三、数据分析的步骤

数据分析的步骤：

确定目标

采集数据

数据建模

数据分析

数据决策

确定目标

• 降低成本：渠道分析
• 增加收入：付费流程；商品详情页；
• 优化体验：注册流失率；首页跳出率；

采集数据

自有统计平台：

企业内部使用的数据产品，如数据统计平台系统。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。

第三方统计平台：

这是借助外部工具获得数据，如友盟、百度统计等统计。

竞品数据：

网站流量统计网站和公司财报

行业数据：

咨询机构的行业分析报告、互联网行业官方发布报告

介绍几个常用获取外部数据的渠道：

百度指数、微信指数、微博大数据、艾瑞咨询、易观智库、CNNIC、比达咨询、DCCI互联网数据中心、Alexa、GoogleAnalytics…

数据埋点统计：

一般是记录每个页面的交互事件，后台记录次数。

比如点击登录按钮的次数、点击获取验证码的次数，进入某个页面的次数、退出某个页面的次数等。

在这里统计的时候有两个维度需要区分。一个是PV，一个是UV。

数据建模

搭建数据指标模型大致要考虑以下三大要素：

打通行为数据与业务数据

回归关键数据指标

多维度考虑数据可行性

举例：

找出第一关键重要指标，然后衍生出子指标。

销售额=买家数*客单价

如果想提升销售额，要么提升买家数，要么提升客单价。

销售额=流量*转化率*客单价

在到达商品详情页中，这个还可以衍生为：

销售量=商详UV*下单率*付款率*客单价

销售量=活动展现*活动转化率*下单率*付款率*客单价

四、数据分析的方法及应用案例

数据分析方法论

AARRR模型

著名的Growth Hacker（增长黑客）海盗法则。

• 获取(Acquisition):用户如何发现（并来到）你的产品？
• 激活(Activation):用户的第一次使用体验如何？
• 留存(Retention):用户是否还会回到产品（重复使用）？
• 收入(Revenue):产品怎样（通过用户）赚钱？
• 传播(Refer):用户是否愿意告诉其他用户？

AARRR模型分别对应用户整个行为周期的5个重要环节。

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？

渠道分析：

在用户获取阶段，最常用的分析方法就是渠道分析，一般需要评估的维度有：渠道的获客数量、获客质量等。

漏斗分析

漏斗模型是用于分析产品中关键路径的转化率，以确定产品流程的设计是否合理，分析用户体验问题。

通过分析，我们可以比较快速的定位用户路径在哪一个路径存在问题。

举例：

双十一电商促销漏斗分析：

• 活动页–>详情页UV：页面上的内容是否醒目，商品是否是用户喜欢的，及时替换点击效果差的商品。
• 详情页UV–>下单人数：详情页是否吸引人，页面加载速度是否有影响，是否需要将页面布局优化。
• 下单人数–>付款人数：是否支付引导差，支付工具是否有故障，是否低于业内平均指标。

留存分析

留存分析是一种衡量产品黏性的分析方法，它能够帮助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。

一般来说，次日留存>3日留存>7日留存>次月留存。

留存量刚开始会下降的比较严重，到了后期会逐渐稳定在一个数量级上。稳定下来的这些用户，基本上就是产品的目标用户了。

留存分析中有一个非常重要的概念-魔法数字，这是最先由Facebook、Linkedin等社交巨头发现的。

比如Linkedin发现新用户第一周内添加5个社交关系的话，它的次周留存率高达85%，是一般用户活跃度的三倍。

这个在我们生活中也很常见，比如信用卡发卡方规定，两个月内完成5笔100+以上的消费，信用卡免年费、送礼品等等。

A/B测试

A/B测试就是把实验对象随机分组，然后比较对照的。一次实验只设置唯一变量，同时实验分小组，尽量保证随机分布，便于数据结果客观。

小结

数据分析对于产品迭代优化的帮助非常大，通过数据可以发现问题，并且可以找到问题的根源，通过数据还可以做产品上线后的效果评估，可以说是产品经理优化产品的重要武器，大家应该给予充分重视并在实践中多运用。