- 数据分析-PART0--数据分析综合
- 数据分析-PART1--数据获取和步骤
- 数据分析-PART2--10大数据分析模型
- 数据分析-PART3--数据分析常用指标
- 数据分析-PART4--数据分析方法
- 数据分析-PART5--数据分析可视化
- 数据分析-PART6--数据分析能力培养
- 数据分析-PART 7--数据分析工具网站书籍
移动互联网，物联网产生了海量的数据，大数据计算技术完美的解决了海量数据收集、计算、存储、分析的问题。催生了大数据时代的到来，大数据时代会数据分析的产品经理将会越来越吃香，因为数据分析的结果，可以帮助我们进行精准营销、优化产品设计、提供决策支持...，这些都让数据前所未有的值钱，不信你看大数据发展趋势。
数据(data)是事实或观察的结果，是对客观事物的逻辑归纳，是用于表示客观事物的未经加工的的原始素材。
这样可能比较抽象，举个例子，你去办理银行卡的时候，填写的姓名、电话、住址、联系人....就是数据。
按照数据来源来分外部数据和内部数据。
- 外部数据包含宏观经济数据、市场发展趋势、新闻舆情数据、社会人口数据；
- 内部数据可分为用户行为数据、服务端日志数据、交易数据 。
数据不是目的，数据分析的结果才是我们想要的。
数据分析就是提取有用的数据来指导实践。
1、数据不要流于形式，要以结果为导向。
2、数据可视化，这样便于发现数据背后提供的信息。
3、提取有用的数据。
举个例子：
互联网金融都会有渠道推广这个东西，比如有A B C D 四个渠道，可以统计从各个渠道过来的用户数量和在投金额。站在老板的角度就会选择花的钱最少，但是带来收益最高的那个渠道，也就是ROI最高的那个渠道。
如果再进一步细分，如果A渠道10个人带来了200万，B渠道300个人带来了200万，那么说明A渠道高净值人群（资产净值在600万人民币（100万美元）资产以上的个人）比较多，如果和我们目标用户一样的话，可以重点维护！加大宣传投入成本，所以目的不一样，看的数据也不一样
外部数据：比达咨询、易观智库、酷传、百度指数等，都会有对于行业数据的分析。
自有的数据系统：比如公司内部自建的BI（商业智能）系统，这些数据一般来源于公司内部,是原始的数据，分析出来的结果最具有说服力！
第三方数据分析工具：例如诸葛io、友盟、百度统计、Growing io等
公司可以自建一个power BI系统，然后再嵌入第三方的数据分析工具，达到对数据一个全面分析的作用。
- 网站分析工具：Alexa、中国网站排名、网络媒体排名（iwebchoice）、Google Analytics、百度统计
- 移动应用分析工具：Flurry、Google Analytics、友盟、TalkingData、Crashlytics，百度移动统计、诸葛io
a、友盟
友盟提供iOS、Android平台服务，帮助移动应用开发商统计和分析流量来源、内容使用、用户属性和行为数据，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
免费移动应用统计分析工具，支持iOS和Android两大平台，开发者通过嵌入统计SDK，即可实现对移动应用的全面监测，百度统计可以分析用户行为、用户属性、地域分布、终端分析等。
c、诸葛io
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应用平台。
d、Growing io
优部部署代价低，无须埋点，让程序员专注于写代码。同时统计全面，分析效率比较高，优化产品体验，实现精细化运营。
1、入口分析
用户从哪些渠道进入产品，对比运营策略分析量多或量少的原因，提出优化方案。
例如，你的app用户有从app store来的，有从不同的安卓市场来的，有从第三方渠道来的，有地推来的，有运营发布的文章来的，你需要分析从不同渠道来的用户数量和质量以及投入成本，就像我上面举得互联网金融的例子，通过投入产出比来选择渠道，同时通过每个渠道来的用户贡献程度，来分析出每个渠道的用户质量。
2、用户分析
分类用户群体，获取用户基本信息，包括地区、性别、职业等你的产品需要关心的元素；这一部分相当于用户画像，你可以通过自己建立的power BI系统来进行分析，也可以通过第三方提供的工具来进行分析，可以根据这些数据信息来做你的用户画像。
统计新增用户、活跃用户、流失用户数据，思考如何刺激转化；这就是用户运营的工作，哪些是新增用户，哪些是活跃用户，哪些是流失用户。重点考虑新增用户的转化和流失用户流失的原因，以及定期做一些运营活动来促进用户的活跃。
3、事件分析
各个功能的使用情况，验证功能设计时的想法，有没有出现与设计时相悖的数据，例如 PV、UV、页面跳出率、页面停留时长、转化率这些指标，下面的这个例子就是很好的一个事件分析的例子。
案例：客栈通APP订单详情页优化
客栈通是一款帮助民宿客栈老板管理房态、处理订单的软件，在这款APP上，订单详情的展示对老板至关重要，但是订单内信息较多，在最初的版本上做了逐行展示，用户要看全信息必须上下滑动3屏。
产品上线后就开始监测这个页面所涉及的数据指标，我们发现，进入订单详情的用户大多只是查看信息，做出修改的只占13%；而修改操作中，修改订单状态的又远多于修改订单内容的。订单修改页面的平均停留时长达到11秒，说明用户定位到要修改的信息再完成修改有一定费力度。虽然对订单信息做了逐行展示，但有些字段长度有限，可以考虑合并；而有些字段（如房型名称、房间号）长度可能超出但对用户这全不是问题——客栈老板对自己的房间如数家珍，并不强求完整展示。
于是，改版设计方向明确，我们对订单信息重新布局，分成预订、住客、房间和结算四个小模块，每个模块内信息精简展示，令一屏内能完整展示订单的重要信息；将低频的修改订单内容操作（如添加房间、入住人）通过入口隐藏起来；同时将我们要强化的修改状态操作置底显示，引导用户进入主流程（办理预订-办理入住-办理离店）。
商户端产品的用户数与客户端不在一个数量级，因此设计验证我们未采用更适于海量数据的A/B测试，而是实地走访多家客栈，通过高保真原型演示和任务模拟，直接观察客栈老板的操作，来进行可用性测试。
优化版本上线后的数据令人欣喜，订单查看和修改页面的PV有了30%以上的增长，订单平均修改时长由11秒显著降低至4秒；而与此同时，APP的订单修改量增加了30倍。显然，快捷方便的体验令更多用户把修改订单操作由PC转向手机。
4、漏斗分析
也叫做漏斗模型，比如一个p2p购买流程。
浏览标的—-》查看标的详情—》购买—》输入支付密码—》成功支付
你可以分析用户的每一个操作步骤，你如有100个人浏览你的标的，80个人查看详情，60个购买，5个人购买成功。说明用户在输入支付密码那一块漏的比较厉害，需要重点优化，这就是漏斗模型的作用。
我觉得对于产品来说，有两大流程需要进行漏斗模型分析。一个就是注册流程，这个决定了用户会不会在你注册环节流失。另外一个就是主要流程。例如电商的支付流程，金融平台产品购买流程和充值流程。
5、留存分析
次日留存、三日留存、月留存。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。对于留存率你要辩证的看，如果你是做的社交产品，那么留存率是一个很重要的指标。如果你做的是旅游机票这种产品，类似于携程，可能有的用户半年就买一次机票，买机票的时候才想起你，这种低频的使用产品，你再分析留存率就没啥意思。
点击拨打：