如何做数据分析，落地拆解两步法（数据落地是什么意思）

这两年，随着大数据、精益化运营、增长黑客等概念的传播，数据分析的思维越来越深入人心。处于互联网最前沿的产品经理们接触了大量的用户数据，但是却一直困扰于如何做好数据分析工作。

产品经理数据分析并不要求像专业的分析师一样进行数据分析，因为产品经理本身擅长的是解决问题的能力，而分析师所擅长的是发现问题的能力，具备一定的数据分析能力能更好的帮助产品经理及时发现问题。

数据分析的价值

产品经理不能为了数据分析而分析，而要将落脚点放到产品和用户上。数据分析应该帮助产品经理不断优化产品设计和迭代，驱动产品和用户增长。

一、设定指标体系

指标体系是一份整体的数据，相当于你的体检报告，透过数据看出问题的本质。指标体系有统一认知，确定一个共同的语言基础，和监控业务的健康程度，洞察分析问题，评估试验效果，辅助战略决策。

首先要挖掘业务含义、制定分析计划、从分析计划中拆分出需要的数据、再根据数据分析的手段提炼业务洞察，最终产出商业决策。

业务目标：要知道产品存在的目的是什么，以及用户使用、购买产品的目标以及产品满足了用户的什么诉求

业务策略：为了达成目标所采取的策略（用户在什么时候感到诉求被满足）

业务质量：规划指标体系，追踪产品是否有效满足了用户的诉求，达成了业务目标

拆分查询数据

根据各个渠道追踪流量、落地页停留时间、落地页跳出率、网站访问深度以及订单类型数据，进行用户分群。

提炼业务洞察

在不同渠道进行投放时，要根据 KPI 的变化，推测业务含义。比如谷歌渠道的效果不好，可能因为谷歌大部分的流量在海外，可能会造成转化率低。而金山网络联盟有很多展示位置，要持续监测不同位置的效果，做出最后判断。

产出商业决策

最后根据数据洞察，指导渠道的投放决策。比如停止谷歌渠道的投放，继续跟进金山网络联盟进行评估，而落地也要根据数据指标持续地进行优化。

二、用户分析

概括性分析会员购物状态，重点在于本周新增了多少会员，新增会员购物比率是否高于总体水平。如果你的注册会员购物比率很高，那引导新会员注册不失为提高销售额的好方法。

会员复购率：1次购物比例、2次购物比例、3次购物比例、4次购物比例、5次购物比例、6次购物比例；从0到1设计千万用户量级产品，通过数据分析实现飞速增长。在“产品——数据——结论”的不断循环中，我们不断用数据来优化我们的产品，加快产品迭代的步伐、提升用户体验。

很多人觉得，做数据产品经理就没有必要掌握数据分析相关技能了，终于可以远离了枯燥的数据分析工作。如果真这么觉得，那么就大错特错了，一个好的数据产品经理，不仅要有产品sense，还要有好的分析思路，因为一个数据产品需求大部分都是由分析需求固化而来的。很多时候，数据产品和分析是分不开的，一个好的数据产品经理，要掌握常用的数据分析框架和方法，才能使做出来的数据产品让数据分析师和业务人员使用更顺手，更贴近业务。

在进行数据分析之前，一般都会先想一下分析框架和分析方法，数据分析方法一般有常规分析、统计模型分析以及自建模型分析。掌握这三种分析思路，就能解决大部分分析需求，并根据分析需求固化为数据产品。

在讲需求的时候适用的推导逻辑是：

我们为什么做这个需求，这个需求的背景，是需求收益一致的。

我们为什么能达到这个收益，陈述方案及方案推导过程是什么样的，

用户场景——>用户遇到的问题，即产生的需求——>我们选择解决什么问题——>如何解决这个问题，也就是解决方案(竞品如何满足，我们如何满足)——>最后陈述我们的收益预估逻辑——>成本——>里程碑拆解。

这种一步步推导的方式容易让听众跟上陈述者的思路，听众的体验会比较好，整个过程就会很顺利。

另一个好处是，即使有些听众有异议，也可以询问哪里不清楚来定位环节讨论，不会稀里糊涂整体推翻，也能帮助新人产品经理查漏补缺，快速成长。

这节课Lisa老师从产品经理必学的数据分析课进行分析，包含认知，盘点产品经理在数据分析中长踩的坑，提升：提升数据分析应用能力，满足产品工作实际场景。落地：拆解“ 二分法” “漏斗模型”等实用工具，分析产品经理必学的数据分析课程，数据分析应该以业务场景为起始思考点，以业务决策作为终点。基本思路分为以下“四步”

1.数据分析的意义和重要性

2.数据分析五步法

3.行业案例拆解分析

4.实战分析作业修改

怎么才能达到收益，用户场景非常重要，考虑场景时，需求先行，场景是需求的起源，让数据驱动业务增长五部曲：设定目标 —— 感知问题 —— 提出假说 —— 分析数据 —— 快速实验，五个步骤，数据分析的核心并不在于数据本身，而在于选取的意义、有价值的数据指标。合适的指标能更好地发现问题，反之难以得出结论，甚至是得出错误的结论。针对分析目的，提出了一下衡量指标：

推广能力：新增用户、新增占比、年龄属性、用户来源

线索数 = 新增转化率，线索指数用户授权留下的号码数

产品质量指标：访问时长、分享次数、转化率，对于测评类小程序来说，是常规的指标，

如：用户留存、访问深度等不适用于小程序的情况

在选择数据表征时，选择的数据能够充分代表假说中变量的内涵；误区：总用户不能代表增长

选择的数据尽量是用户客观行为数据而非主观态度数据；误区：自己或用户打分数据

选择的数据是不会被记录或容易获取的；误区：想要再找一些几乎找不到的数据。

转化漏斗分析，找到用户的行为路径和数据分析的核心目标，确认整个流程中有问题的部分进行优化，提高整体转化。期间可以同时使用趋势分析、数据拆分和数据对比对数据进行进一步研究，常用于交易系统、广告系统等有明显递进关系的路径。

比如某酒店管理系统的新客推广，对于推广成功，我们的定义是用户在系统里填写了客房信息（这个定义很关键，根据你的业务目标设定一个具体的目标行为，并保证这个目标行为确实能帮助你达到业务目标）

我们会对新用户的路径进行研究和确认，推广过程包括线上和线下两种，线上我们可以选定官网引流的路径进行研究，看每一个页面的关键操作的转化率，如今日官网，到注册账号，然后是打开管理系统，设置酒店信息，然后设置房间信息，每一步的转化率如何，折损原因是什么，有什么提升空间，从分析中发现问题，比如是否操作路径不清晰，是否内容不充分无法帮助用户决策，是否价格问题等等，然后根据问题输出对应的解决方案。

产品方向的决策是决定产品成败的重要因素，学会用数据发现问题、发现需求、验证猜想、为方案设计提供参考，才能做出更合理的决策。