大數據分析能力對于一名產品經理來說是最基本的能力。 在面試的過程中，社招會有面試官會問你以往你負責的產品的相關數據，如何看待這些數據，如何通過這些數據來做接下來的產品優化;校招的面試官可能會問小伙伴們關于分析數據的思維;在產品經理的日常工作當中，要時長盯著數據的報表來分析產品的健康程度。本文不再對一些基本的數據定義再做描述，而是從分析的思路總結了一些心得，歡迎各位一起來討論。

　　1.看數據的緯度

在對一款產品或者一款產品的其中的一個模塊進行分析時，我們可以從兩個大緯度去分析數據。 首先是從廣闊的視角先去查看數據，這里需要對該產品所處的行業數據有一個清晰的了解，該產品所處的行業自己所處的市場占有率的排名，一般市場占有率指的是用戶的占有量，一般從行業報告可以看出大概的數據。 然后接下來需要分析這款產品的總的數據情況，比如下載量、DAU、WAU、MAU等，以及該產品的最核心的數據是什么，并且如何有可能從側面去了解這款產品的競品的相關數據是什么。 當了解完以上這些總體的信息，我們心中應該對自己所負責的產品有了一個宏觀的概念，自己在行業內所處的位置，以及現在最需要提升哪些數據指標都有了一個清晰的認識。接下來就可以從大緯度切入到小緯度，進一步去分析一些細節的數據。例如重要的數據信息，包括用戶的基本的構成信息，每個模塊自己建立的漏斗信息等。一般在做分析的時候應該注意的是數據的異常現象，出現局部的極值(包括極大值和極小值)都需要進行分析。

2.什么才是好的數據指標?

在做數據分析的過程中，我們需要了解什么樣的數據才是好數據，如果單純地去看一個數據是沒有太大意義的，數據本身也具有相應的欺騙性，比如從運營同學那得到了日新增用戶數1W，那么單純看這個數據沒有什么意義，我們可以說這個數據很好，因為看上去很大，但是你可能沒有看到同期的數據，有可能昨天的數據達到了2W。 第一，好的數據一定是首先最好是以比率的形式存在的，不要絕對數，要相對數據。 比如上面的那個數據我們換成增長率，換成環比這個數據，我們就可以進一步的了解到這個數據的好壞。 第二，就是通過對比來判斷數據的好壞。 我們將數據的日增長量做成一個折線圖，從折線圖我們就能看出這個數據是在高點還是在低點。通過對比，我們就會得知這個數據所處的位置是什么樣的。另外，通過對比不同的渠道，對比不同的版本，對比不同的用戶群等不同緯度的數據，都可以從側面反映出這個數據的真實情況。 第三，數據不是一成不變的情況，要動態的去看數據。 單純只看一個點的數據情況是沒有意義的，我們要在數據中加入時間的緯度。引入一段單位的時間去看待數據整體的變化趨勢，這樣才能更為客觀的判斷產品的健康程度。

3.發現數據異常后將從幾個緯度去分析?

有時候從總量的角度是無法洞察出一些問題的。比如在某段時間內，下載量出現了下跌，我們需要去找到這個當中問題出現在哪里。從總量的角度看，安卓的渠道要比IOS的總量大很多，這并不能說明問題。那么我們首先需要將時間的緯度引入到當中，將這幾個月緯度的數據進行對比，一定可以看到在安卓當中有一個月份的數值相比其他較低。然后我們再去看這個月份的情況。一般情況下，在找到這個異常會先從渠道的角度去分析，查看是哪個渠道發生了異常的現象。在針對性的去對渠道進行優化。 然后我們還可以從版本的角度去分析，去查看最近近期是否有新版本的更新，如果有新版本的更新，是否設置了新的功能出現了BUG等問題無法解決，導致了用戶出現卸載應用的情況。當然這些角度都要加入時間的緯度去判斷。 另外，數據異常也不一定是壞事情。比如在分析用戶行為的過程中，如果發現了某些類別的用戶的關鍵指標表現良好，那么就一定要分析為什么這些用戶的數據表現為什么十分良好，這也是增長黑客的分析思路。比如在facebook早期發現，如果一名用戶在剛使用產品的早期可以快速添加10明好友以上的用戶，這類的用戶的活躍程度就明顯高于其他的用戶。在比如airbnb在早期發現那些放置的照片十分精美的住家的出租率較好，發現了這個特性后，內部產品技術團隊又進行了一次AB測試，發現果然是存在這樣的優化點。 所以在早期一個關鍵的指標就是如何能快速提高用戶添加其他好友的數量。這里需要我們從底層數據分析當中要注意對用戶進行分層的處理，從不同的緯度分層找到數據異常的族群，找到共性，歸納表現良好的用戶的共性，然后將其作為優化的指標進行優化。

4.不同階段制定的關鍵指標應該隨著產品的階段性變化發生變化的

在做數據分析的之前，需要我們對我們分析的目標進行確認，每個階段的目標也存在著不同的目標，是為了增強用戶粘性，還是為了提升營收，或者是為了提高病毒傳播系數。 比如在對渠道的判斷中，不能只關心拉過來的新用戶量，最重要的是我們要關心這些新拉過來的用戶對產品的關鍵指標的影響，比如在社區產品，相比新進用戶的數量更應該關心這些用戶的活躍度，發布帖子的數量，點贊的數量等關鍵指標。換句話說更應該關注的是漏斗模型最下方的那個量，關注轉化率的最底層的那個數據。