今天给各位分享产品数据分析的知识，其中也会对产品数据分析报告进行解释，如果能碰巧解决你现在面临的问题，可以联系我们！

本文目录一览：

• 1、产品数据分析的内容有哪些?
• 2、产品经理9种数据分析方法
• 3、产品管理中的数据分析的四个关键点

产品数据分析的内容有哪些?

1、计划

比如公司的采购计划、订货计划、上市计划、营销计划、活动计划、清货计划等等。计划的要点是计划的合理性，绝不是大门一关苦思冥想出来的。比如说订货计划，我们需要考虑1-2年的同期数据，结合现在最新的市场信息来规划。对不同的品类、价位、深宽度进行规划。

2、反馈

公司的计划出来了需要在不同的节点收集数据进行匹配，是否符合计划预期。比如说原先的营销计划在时间A点的库存率要求是50%。现在的数据是55%。比计划高了，这样的比较主要是进行预警用。避免发现的太晚。还有一类反馈是与计划无关的。是常态的商品营销信息反馈。

3、总结

每一季的结束或者一个月的结束商品需要做个总结。其实现在很多反映商品数据没发挥作用的人来说他们做了太多的统计总结，但总结的结论却不能够用来做计划。就行公司是不是的去做数据反馈，但是不能起到预警的作用。

产品经理9种数据分析方法

大家好，我是天王寺一哥，目前在北京做产品经理。

产品经理日常工作中，分析数据已经必不可少。利用分析结果来做产品的决策，复盘，成为了产品经理必备技能。

最近我系统性的学习了产品经理数据分析课程，觉得其中“9种数据分析方法”非常实用，现总结下来，并结合自己的理解做一个汇总。

这“9种数据分析方法”为：

下面按照“比什么”、“和谁比”来说明：

日常看到的数据数值通常有两种类型：

1）绝对值：数据本身具备参考价值，例如电商销售金额、文章阅读数

2）比例值：需要看比例值才能获得相关价值的数据，例如留存率、活跃占比等数据

所以对比分析主要是分析比例值。往往我们有两种比较方式：

1）同比：指当前时间范围某个位置的数值与上一个时间范围的相同位置的数据对比，英文是：Same period last year/month/day。例如5月第一周同比4月第一周。

2）环比：指当前时间范围的数值对比相邻的上一个时间范围，例如5月销售总额环比上涨20%，指5月销售总比对比4月销售总额上涨了20%

1）和自己比

日常工作中，大部分对比分析都是当前数据与往期数据对比。可以从不同的角度进行对比，例如时间维度、渠道维度、业务线维度等。

2）和行业比

在做数据分析时，需要全盘考虑行业整体趋势。例如公司为在线教育行业，今年用户增长较快，团队认为是运营的作用。可如果对比一下行业数据，增长可能低于行业平均，增长是因为疫情原因导致的自然增长，这时候就需要调整运营策略了。

我们在分析数据的时候，会力求从有限的数据中挖掘出最大的价值，获取到更多的隐藏信息。这时候就需要从多个维度去拆解问题。

以一个实际的案例来说明：

小明公司产品为一个象棋平台，平台内有象棋资讯、象棋视频、提升课程，问答社区等。平台内金币为虚拟流通货币。凭此金币可以查看付费资讯、付费视频、打赏等。现老板要求获知金币的消耗量这一个数据指标。

小明接到任务后，将金币的消耗量按照实际的业务场景，进行多维度拆解，梳理了以下维度：

a.时间。6月初平台进行了重大更新，玩儿更多样，所以此次数据分析只统计6月份以后的，并以周为单位进行统计。

b.金币消耗基本数据：消耗总量、总消费人数、消费次数、充值次数等

c.金币的消费场景：将所有消费场景进行分析，期望将消费场景按照金币量进行排序，并将具体消费内容罗列，挖掘信息。

d.金币的消费人群：搞清楚是消费者的画像，分析消费人群特征

通过将一个单一指标，多维度的进行分析，是比较常见的分析方法

此分析方法适合于“用户达成某个目标有清晰的使用路径”。例如分析某个课程的购买率。用户是否购买往往与之前的步骤紧密相关，如登录——首页点击广告——试看——提交订单——支付成功。

此案例单独看购买率高或低没有意义，必须对整个流程进行多维度拆解，找到里面的关键时刻予以改善。

漏斗，适合于观察有明确使用流程的数据。漏斗是一连串前面影响后面的用户行为，层层相扣。

例如某象棋APP的课程购买，最终支付是最后一层漏斗，则其漏斗路径为：

用户注册——查看推荐内容——点击课程——试看——提交订单——支付。其中用户是否注册登录决定了是否能正常查看推荐内容，用户查看推荐内容的数据影响了点击课程链接的数据等等。

我们日常使用漏斗观察，需注意漏斗的三个误区：

漏斗上一个流程对下一个流程起作用，所以漏斗的流程需要确定合理的时间。例如上面象棋APP的支付漏斗，用户的决策时间通常为当天，但如买房决策周期可能持续数月。

漏斗如:A—B—C—D—E。在观察时候，不能直接A—C—E。这样观察每一层的转化率得出的相应结论是不准确的。

有时候如果发现最终调查的数据有错误，则需要确定，是否在统计一个目标的数据时，遗漏了其他漏斗路径

一个事件不仅仅只有累计数据这个指标，还可以从该事件在不同维度上的分布情况具体分析。

例如分析用户总量，可以研究用户总量分布在不同性别，不同年龄和省份的情况。又例如分析某个页面的用户浏览数据，可以将总浏览量分布在不同时间、不同流量次数上进行研究。

如图：

在进行留存分析之前，需要搞明白留存的定义，不同的公司对留存有不同的计算方法。

1）留存算法1=（第七天/第一天）*100%

2）留存算法2=（第二天至第七天所有用户相加去重）/第一天*100%

具体应该采用哪种计算方法，需要看我们计算留存的目的。例如：

1）对比不同渠道来的用户的质量采用算法1。因为所有渠道都采用第一日和第七日的数据，忽略的信息都是一致的，故可以公平比较

2）若分析一款教人做菜的APP，此APP用户主要在周末打开。则宜采用算法2。这样更能真实的反映留存情况。

还需要注意的是，有些有些公司会将第一天称为第0天。这样做的好处是，在计算7日留存的时候可以比较对比的是同一个“星期几”。

根据具体业务场景，分析留存需要选择不同的时间跨度，如:

1）了解某一个渠道的质量宜采用日留存（如7日留存）。

2）观察整个大盘的数据宜采用周留存和月留存，较为宏观的观察用户在平台上的粘性

我们长说的用户画像分成两种：

1）用户的详细标签。如身份、年龄、婚姻、身高体重等。通过对用户各类特征进行标识，给用户贴上各类标签，通过标签将用户进行组合分类，以便对不同的群体进行精细的产品/运营动作。

2）根据用户访谈等手段建立的极具代表性的虚拟用户，在产品规划时，使用虚拟用户，能快速让团队达成共识。

用户标签种类繁多，大致可以分成四大类：

1）基础属性：年龄、性别、生日、星座、教育、身高、收入、职业等

2）社会属性：婚姻关系、有无小孩、性取向等

3）行为特征：注册时间、注册渠道、是否买过某个商品、是否关注过某个问题等

4）业务相关：如健身APP关心用户睡眠质量、体脂率、高矮胖瘦等

面对如此繁多的标签，该如何获取呢，通常有两种方式可以获得：

1）直接获取

我们常见的某些产品，注册时必须要完善填写相关信息

2）通过用户行为推导分析得到

如通过用户的手机机型推导其消费能力，通过购买的产品推导其性别、通过其关注的话题推导其兴趣等。

在实际工作中，一些明确的业务目标往往要进行归因，找到目标达成的关键因素，将有限的资源投入到关键因素中。

按照不同的业务场景，大致有三种归因方法：

1）末次归因

此方法适用于转化路径短，且事件之间关联性强的场景。此类场景需要重点关注达到目标前一步。

如下直播打赏案例，关注目标为充值：

对案例分析得知，私信主播后进行充值的路径占比较大，故应尽快提升私信体验。

2）递减归因

此方法适用于转化路径长，转化链条上各个事件差异不大，没有完全占据主导的事件。

3）首次归因

此方法适用于强流量依赖的业务场景，用户进入环节比后续所有事都重要。例如借贷产品。

在漏斗分析中，往往整个流程已经十分清晰。但是在实际业务场景中，我们不太清除用户的使用流程或者流程较为复杂、随机，没有很强的顺序。这时候就比较适合于应用路径挖掘。

具体方法为找到所有流程里面的事件，设置流程的流入与流出页面，将所有的事件放在这个流里，用数据工具进行分析。

在进行分析之前，要搞清楚分析的目的，一般适用于以下两种场景：

1）有明确的起始场景。希望分析数据，观察这个场景之后到底发生了什么

1）有明确的结果目标。希望分析数据观察来的用户是怎样一步一步达到目标的

通过路径挖掘，可以找到我们关注的关键路径。只有找出关键路径上面的关键行为，才能打造良好体验。

路径挖掘是挖掘大量用户的行为路径，但有时候我们比较关注个体行为，希望了解此个体在使用产品时的完整事件时间线。如下图：

挖掘单个用户的行为序列通常适用于以下两个场景：

1）寻找被数据统计掩盖掉的信息，还原用户具体的使用场景

2）找到个体的行为特征，找到产品价值提升的机会点

案例：

象棋在线平台推出新功能，邀请象棋高手入驻，在线教课。功能推出3天，共1万名用户使用体验了该功能。现需要给2名销售分配任务，电话联系有意向的老师。

现使用个体行为序列分析，寻找到反复使用某个功能且停留事件较长的用户，筛选后将1000名用户分配给销售，大大提交了合作转化率。

以上就是产品在日常数据分析中，常用的9种分析方式。我是天王寺一哥，一个产品界的小学生，期待与大家多沟通，多交流。

产品管理中的数据分析的四个关键点

数据驱动 (data driven) 不能提供真正的洞见(insights).

数据只存在于 “待验证的假设” 的框架之中（Data only exist in the framework of hypothesis)。换句话说， 只有存在预先的假设，才能指导你瞄准哪里去寻找数据 。因此，正确的方法应该是假设驱动(Hypothesis Driven)。

任何时候都要问：为什么要做这个分析，要验证什么假设还是只是看看这些数据能告诉我们什么？要做的分析能够带来什么样的行为改变 (behavior change)？

Correlation 只能表明两个的变化关系：一个变量发生变化的时候，另一个变量也发生变化。但是，这不能表明另一个变量的变化是由其中一个变量的变化引起的

Causality 表明因果关系：一个变量的变化，带来另一个变量的变化。

要形成因果关系，需要具备三个因素：

（1）存在相关性。X 和 Y 之间有 correlation

（2）存在先后性。X 发生在 Y 之前

（3）没有第三个因素带来 X 和 Y 的同时变化 (control of other variables)

最好的方法是做 A/B test。

（1）描述性分析 (descriptive analytics) 是揭示问题的第一步，但往往变成报告 (reporting) 而不是分析 (analysis)；应该尽量自动化

（2）预测性分析 (predictive analysis) 数据分析的核心竞争力

预测性分析提供对未来的指导，也是数据科学在业务中的主要应用

未来的 3 个月，有多少用户会不再使用我们的产品；如果我花一元钱导入一个新用户，这个用户在整个生命周期内产生的价值是多少？

（3）建议性分析 (prescriptive analysis) 针对具体问题给出建议，因此，必须对要回答的问题进行清晰的定义

建议性分析的最终结果是给出答案、提出建议和改进方案，因此，对建议性分析的问题，必须要清晰的定义问题，形成预先的假设，确定分析的范围。

一定要先做描述性分析，对问题形成初步的理解，确定值得探索的几个领域，并尽量将描述性分析自动化，分析结果可以作为整个团队运营的基准。利用建设性分析对产品进行优化，并时刻跟基准线对标，看假设是否合理，如何进一步优化。在此基础上，个人和团队要构建预测性分析的核心能力，将业务能力从 “解决现有问题” 转移到“构建问题” 上。

每一个人都要努力提供对自己的观点的数据支撑；一个没有数据支撑的观点，不论是谁的观点，都不比你自己的观点更好。

每一个应该牢记一句话并身体力行：如果你有数据，请摆出来，我们可以利用这些数据；如果你有的只是观点，抱歉，我最好还是用我自己的观点。(If you have data, present it and we will use it; if you have opinion, sorry, I'm gonna use mine.)

————————————————————————————————————————————————————

这篇文章让我意识到了自己对于数据的问题，我做了很多数据采集方面的工作，目前的产品能够精确到具体模块的展现数据。但是我一直对于怎么用这些数据感到困惑，自己以为是缺少商业上敏锐的嗅觉，这篇文章给出了一个我不曾想到的答案。

应该先做假设，再通过数据验证假设，这样就不会在海量数据里面迷失

——————————————————————————————————————————————————

原文见：

关于产品数据分析和产品数据分析报告账户介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得关注我们官网。