怎么做产品数据分析

㈠ 数据分析表怎么做

表格数据分析表做法

工具／原料：机械革命S3 Pro、Windows10、Excel2019

1、打开一个EXCEL表格。

㈡ 电商怎么做数据分析

1、列表法
将数据按一定规律用列表方式表达出来，是记录和处理最常用的方法。表格的设计要求对应关系清楚，简单明了，有利于发现相关量之间的相关关系；此外还要求在标题栏中注明各个量的名称、符号、数量级和单位等：根据需要还可以列出除原始数据以外的计算栏目和统计栏目等。
2、作图法
作图法可以最醒目地表达各个物理量间的变化关系。从图线上可以简便求出实验需要的某些结果，还可以把某些复杂的函数关系，通过一定的变换用图形表示出来。

图表和图形的生成方式主要有两种：手动制表和用程序自动生成，其中用程序制表是通过相应的软件，例如SPSS、Excel、MATLAB等。将调查的数据输入程序中，通过对这些软件进行操作，得出最后结果，结果可以用图表或者图形的方式表现出来。图形和图表可以直接反映出调研结果，这样大大节省了设计师的时间，帮助设计者们更好地分析和预测市场所需要的产品，为进一步的设计做铺垫。同时这些分析形式也运用在产品销售统计中，这样可以直观地给出最近的产品销售情况，并可以及时地分析和预测未来的市场销售情况等。

㈢ 『运营』如何做数据分析

数据分析因人而异，但目的都是为了 指导决策路径 ，经常与做决策的工具方法共同使用，因此在做数据分析前明确本次目的会事半功倍。而确认需求-收集数据-分析数据-确认有效性-改进迭代是其相对完整的闭环。

指导决策，而具体说来分四种： 监控、评估、预研、收集。

监控即日常对数据的监控与把控，一名优秀的数据分析师可以从一点点数据异常和拐点中判断出大盘趋势以及当前游戏的状态，防范于未然之中。而平时的日报、周报、月报就是辅佐来做这些事情的：

-日报观测单日情况，用来识别是否出现重大的运营状况，通常采用环比和同比两种手段，不过要去除节日噪点。

-周报观测每周整体情况，主要关注为整体趋势和环比。需要注意的点两端和拐点，要将前后数据连接起来观察。平均DAU、PU和ARPU是重点关注指标。

-月报关注是整体的数据的变化，它与当月天数及节日的特殊性有关联。需要关注的仍然是趋势，此时趋势走向很重要，决定后面的研发计划方向。

评估指的是用数据复盘开发，一般来说是基于某个版本、活动或系统做大盘分析，在产品初期打磨时也用于去分析问题帮助产品进行打磨。

常用的手法一般是自上而下法，进行层层拆解。即从某个大数据的变动开始分析，慢慢向下进行渗透，最终定位关键点。除此之外会做一些常规性的检测，来协助判断效果，如收入评定（瞬时与长期），活跃评定（瞬时与长期），新进玩家与流失玩家数量和分层比例，玩家口碑，游戏行为如登陆次数在线时长等。

最后这三项很重要，大多数游戏及其容易忽略的，而累积起来很容易造成大的运营事故。

在此之上也可以做更为细致的拆分，还原系统里的成功之匙，为经验的积累提供正向累加。

又称为数据挖掘，一般指的是用数据指导开发，带着问题去分析，概念上比较容易和评估进行混淆，工作上又和用户研究有些重叠。评估是指基于结果去做分析指导改进，预研是基于现成数据去评估是否要做某些新的内容。

比如说现在的游戏时间达到了2小时，我希望提高到3个小时会不会产生什么影响；再比如说我现在要做个消耗活动，那么需要做的额度在多少。基于以上内容对整个游戏进行全方位的衡量与评估。

再比如说，现在银币产出过多，要做一个消耗银币的功能，那么这个银币消耗的范围要做多少，就需要进行预研评估了。

这是一般数据分析人员很少去做的事情，它相当于数据分析师的一个资料库，也可以称之为弹药库。使得分析师可以将标准线不断的进行调整，不断建立新的模型来帮助自己进行更精准的分析，来大幅省人力的成本。

在整体过程中，将会不断出现新的模型更精准的数据来指导数据开发，如过去常见的ARPU、LTV分别指导不同的发行模型。而近几年在端游页游比较火的FRD模型也开始出现了。

分析的数据的方法过程，大致为三种类型：逻辑推导法、量化分析法、测试校验法。

使用的是逻辑的方式来进行，有自上而下法、系统关联法、核心指标法等。

自上而下法 ，从变化数据出发入手。一般用于品评估某次活动或系统的情况，具体的方法基于某次活动可能会影响的预定指标进行拆解，比如说新增的玩家会不会影响老玩家，新增玩家的质量如何等等。基于此不断进行拆解，细化到下层，最终得出相应的结论。类似于验证性因素分析/CFA的方法。

系统关联法 ，从具体系统开始入手，本质上类似于控制变量法。确认近期变动，如更新版本、政策变化、人群变化，从这些内容进行入手进行，寻找数据的变化，逐条筛查。

核心指标法 ，从结论数据入手，先确认目标指标的数据。确认有效目标，通过目标去量化各个环节的内容。比如说我们现在需要衡量好友拉新活动的效果，先定义指标为单位用户所消耗的成本，其余则有单位用户提供的数量，参与度等等。上层数据决定活动整体效果，下层数据决定可优化空间。

使用的是代入关键值的方式，一般有代入分析法、抽样调查法、调查问卷三种。

代入分析法， 因为数据分析的核心在于找到原因进而加以解决，并不仅仅是单纯的给出数据。因此细节的时候会使用代入法进行，来还原为什么这个位置出现的变化。

抽样调查法， 有的时候上述的方法都很难得出结论，因为涉及到的内容比较多。这时只能缩小范围，抽取典型用户进行验证。一般来说抽取在10~20人可以发现共性问题，在基于共性问题继续进行分析，最终比对数据变化的幅度达成结论。

调查问卷法 ，抽样调查法的扩展方式，采用调查问卷的方式定位玩家的属性并区分数据。

使用的是以立场去验证的思路，一般会经历版本的迭代来测试。具体也有ABTEST、控制变量法、定量测试法，其核心都是是变量的定位：ABTEST是直接在一次测试中对变量作出调整；控制变量则是对前一次进行校验分析；定量测试则是和前一次做对比并对某一种类型进行。

而数学归纳、线性规划、动态分布、傅里叶变化等则是更高阶需要使用的，更多针对大数据使用，合理引用数据方法会让分析速度事半功倍。

总之，依据不同的情况使用不同分析方式，最终都是为了相对准确的结果而服务。

整体完成后要再次校验确认其有效性，并且不断关注改进迭代。基本基于目的、来源、逻辑、循环再次进行确认。

-收集数据的目的是否明确，数据是否真实且充分，信息渠道是否可信畅通；

-基础数据是否充分、可信，是否存在因信息不足、失准、滞后而导致数据；

-数据分析方法是否合理，逻辑是否无误。是风险控制是否在可接受的范围，噪点的控制是否合理；

-方法模型对提升工作效率、准确性是否有提升，是否具有可传递性以及是否可以更快速解决问题。

数据分析是为决策服务的，因此不论什么样的方法及模型只要指导出准确的决策就是好的数据分析师。

记住两点：

1、埋点打桩是做不完的，考虑如何最大性能的去进行铺设。

2、无论新模型还是旧模型，核心是指导解决问题，更好的模型更有效率的解决问题。

㈣ 电商数据分析怎么做

电商分析数据方法如下：

一、依据用户画像，洞察需求

用户画像即用户信息标签化，通过收集用户的社会属性、消费习惯、偏好特征等各个维度的数据，进而对用户或产品特征属性进行刻画，并对这些特征进行分析、统计，挖掘潜在价值信息，从而抽象出用户的信息全貌。

二、依据渠道数据分析用户来源

对电商卖家来说，分析“访客数”最重要的是分析“流量来源”。分析不同流量来源的“数量”和“支付转化率”，找出“支付转化率”比较高的流量来源并想办法提高，不仅可以提高“访客数”还可以提高整体的“支付转化率”。

三、店内转化率的数据分析

当用户来到店铺时，我们就要想办法将他们转化成顾客，但众所周知，并不是每个来店里的用户都会点加入购物车按钮。甚至在加入购物车后，也会有改变主意离开网站的可能。

四、提高营销推广的ROI

对店铺来说，如今流量已进入存量时代，营销渠道分散且复杂，更需要卖家依据数字化营销提高推广的RIO，通过数据分析，加强线上营销的精准，拓展线下新的营销场景，利用数据智能完成全场景全链路的布局，以达到高效转化与品效相结合。

五、产品数据分析

1、产品数据分分析

我们可以依据更多和商品有关的数据，比如商品浏览页访问量、商品详情页访问量、加入/移出购物车的商品，进入结算阶段的商品，以及购买人数来对用户购物行为进行分析。

2、销量数据分析

我们可以从后台数据分析中找到关于收入，税费、运费、退款金额，和卖出的商品数量。其中，总销售额以金额的形式呈现，是衡量我们线上店铺经营状况最佳的“整体主要指标”（OMM）之一，可以用它来衡量业务的整体增长和发展趋势。

㈤ 如何有效的进行数据分析

有效的进行数据分析方法。设定目标，数据分析启动前，要先设定明确、可拆解的目标，需要清除知道自己做数据分析的最终目标，才能保证分析过程中遭遇到大量的新数据而最终偏离了目标。
1、数据挖掘。
2、数据处理，挖掘数据的过程中，很多数据属于原始数据，并不是每个数据都对当前分析目标有用，那就需要对数据进行加工、整理。
3、数据分析，数据处理过后，就可以开始数据分析了。数据分析需要聚焦在业务、产品和用户上，不要为了分析而分析。
4、数据总结，数据分析的总结，要结论先行，逐层分解，最后提供论据论证。能够用图表的话就不要单纯用文字，图文结合让数据结论的呈现更为生动形象。除了结论呈现外，还可以呈现观点、建议、措施等。

㈥ 如何做数据分析

做数据分析步骤如下：

1.明确目的和思路

首先明白本次的目的，梳理分析思路，并搭建整体分析框架，把分析目的分解，化为若干的点，清晰明了，即分析的目的，用户什么样的，如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标（各类分析指标需合理搭配使用）。同时，确保分析框架的体系化和逻辑性。

2.数据收集

根据目的和需求，对数据分析的整体流程梳理，找到自己的数据源，进行数据分析，一般数据来源于四种方式：数据库、第三方数据统计工具、专业的调研机构的统计年鉴或报告、市场调查。

对于数据的收集需要预先做埋点，在发布前一定要经过谨慎的校验和测试，因为一旦版本发布出去而数据采集出了问题，就获取不到所需要的数据，影响分析。

3.数据处理

数据收集就会有各种各样的数据，有些是有效的有些是无用的，这时候就要根据目的，对数据进行处理，处理主要包括数据清洗、数据转化、数据提取、数据计算等处理方法，将各种原始数据加工成为产品经理需要的直观的可看数据。

4.数据分析

数据处理好之后，就要进行数据分析，数据分析是用适当的分析方法及工具，对处理过的数据进行分析，提取有价值的信息，形成有效结论的过程。

常用的数据分析工具，掌握Excel的数据透视表，就能解决大多数的问题。需要的话，可以再有针对性的学习SPSS、SAS等。

数据挖掘是一种高级的数据分析方法，你需要掌握数据挖掘基础理论，数据库操作Phython，R语言， Java 等编程语言的使用以及高级的数据可视化技术。要侧重解决四类数据分析问题：分类、聚类、关联和预测，重点在寻找模式与规律。

5.数据展现

一般情况下，数据是通过表格和图形的方式来呈现的。常用的数据图表包括饼图、柱形图、条形图、折线图、气泡图、散点图、雷达图等。进一步加工整理变成我们需要的图形，如金字塔图、矩阵图、漏斗图、帕雷托图等。

6.报告撰写

撰写报告一定要图文结合，清晰明了，框架一定要清楚，能够让阅读者读懂才行。结构清晰、主次分明可以使阅读者正确理解报告内容；图文并茂，可以令数据更加生动活泼，提高视觉冲击力，有助于阅读者更形象、直观地看清楚问题和结论，从而产生思考。

好的数据分析报告需要有明确的结论、建议或解决方案。关于如何做好数据分析的更多问题，可以到一家专业的机构看看，例如CDA数据认证中心就不错。CDA行业标准由国际范围数据领域的行业专家、学者及知名企业共同制定并每年修订更新，确保了标准的公立性、权威性、前沿性。通过CDA认证考试者可获得CDA中英文认证证书。

㈦ 产品如何通过数据分析

计算出指标对比。数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，产品可以计算出指标对比通过数据分析。数据分析是以求最大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

㈧ 服装商品数据分析怎么做动态可视化模板来了

假设服装销售管理者想对公司所售卖的服装商品进行调整，为了让商品更好地适应市场，更好卖，以达到服装商品的最大售罄率，需要对各项指标数据进行分析。在分析过程中，如何能直观知道各个门店的服装销售情况？哪些门店收入情况最好？哪些门店最差？历史的销售趋势如何......

如图所示，管理者可快速掌握公司的收入、毛利、数量、订单数等数据指标情况，且还能从时间、区域、门店等维度对商品进行进行交叉分析，帮助管理者更深入了解服装商品的销售情况，以便对服装商品进行调整。

1、时间维度

时间维度是进行商品数据分析的一个重要维度，包括年、月、季度、周、天等。我们可以透过时间维度的筛选分析该某个时期内的服装商品售卖趋势是上升还是下降了，并进一步通过筛选查看上升或下降的原因。

2、客户维度

客户最为销售的对象，对其分析，可以进一步的分析不同客户的销售贡献，并可对客户划分明细等级，以采取不同的销售策略。（比如我们之前分享的客户价值分析模型-RFM模型分析）

3、区域维度

例如，省、市、区、商圈（门店）等，可以通过不同区域或门店的筛选查看公司的销售情况，帮助管理者更好地掌握不同地区、门店的销售数据情况，哪些区域、门店销售情况理想，哪些不理想等等。

4、商品维度

销售分析的最细维度之一，很多维度可以通过商品这一维度进行交叉分析。比如，通过时间分析不同服装商品的售卖情况，通过门店看服装商品的销售状况等等。

1、趋势分析

例如，分析服装商品年度、月度的销售额趋势走向。

2、对比分析

例如，通过同种商品不同时期的对比分析，更能了解该商品对公司销售收入的贡献程度。

3、结构（占比）分析

例如，可以分析不同区域的销售收入占比、不同服装品类的销售结构等等。

4、比率分析

例如，可以计算销售业绩达标率、业绩增长率、毛利率等比率的情况，并通过不同维度进行分析。

......

更详细的分析方法，可参考我们之前分享的财务报表分析方法。

㈨ 如何做数据分析

做数据分析，需要从数据和分析两个方向共同入手：

1、数据培养

数据培养是进行有效数据分析的基础建设，不是什么数据都可以用来进行数据分析的，企业在注重数据量的积累的同时，还要注重数据积累的质量，将数据培养的意识和任务要求相结合，自上而下推行数据培养的机制。

举个例子，很多企业意识到了信息化、数字化建设的重要性，将部署商业智能BI进行信息化建设提上了日程。但在商业智能BI项目规划时，很容易发现企业根本没有部署商业智能BI进行数据分析可视化的条件，原因就是数据缺漏、错误频出，相关的业务部门系统数据库也没有建设，缺少业务数据，这就是没有把数据培养做起来的后果。

分析方法-派可数据商业智能BI

一般用到对比分析，通常是在选定的时间区域内，对比业务在不同情况下的差异，分析出业务是进行了增长还是发生了缩减的情况。

例如，上图中2021年9月的销量相比8月的销量有所减少，这时候就要深入分析为什么环比销量会减少，可以考虑调取今年3月和去年3月的产品生产数量，看看是不是生产环比下降，导致销量较少。同理，还可以把供应链、经销商、人流量等等都拿进行对比分析，确认到底是什么影响了销量。

总之，对比分析的优势就是能够很清晰地分析不同数值之间的差异，从而得到这些差异背后形成的原因。

派可数据 商业智能BI可视化分析平台

㈩ 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。