产品经理必备能力——数据分析（一）
我的图书馆
产品经理必备能力——数据分析（一）
数据分析基本思路及手法& & & &数据分析，是产品运营极具战略意义的一环;从宏观到微观分析，通过表层数据挖掘产品问题，是每个运营人的必修课。
　　首先，我们来看比较常见的分析方法：
　　5W2H分析法：What(用户要什么?)Why(为什么要?)Where(从哪儿得到?)When(我们什么时候做?)Who(对谁做?)Howmuch(给多少?)How(怎么做?)
　　PS：(what)用户要极品装备!(why)因为他们要增强战力(where)装备从BOSS身上得到;(when)我们国庆节做这个活动!(who)针对所有玩家!(howmuch)BOSS爆率设定为XX(how)活动以怪物攻城形式进行。
　　上述是一种需求的转换形式，就产品而言，又要以数据为支持，不能因某个元素而动整体;从大局出发，根据整体数据趋势进行细化分析，那么就目前而言的分析手法，又有对比分析、交叉分析，相关分析，回归分析，聚类分析等等。
　　如果某款游戏下载量高，注册量低;是否因为服务器登陆问题或注册流程繁琐，是否近期网络出现故障........
　　如果某款游戏数据一直良好，某段时间数据突然跌落;是否因为市场宣传力度减弱，是否因为用户生命周期上限，是否因为其他竞品冲击........
　　真正的数据分析不在于数据本身，而在于分析能力的概述;数据是参照物，是标杆，只有分析才是行为，是改变;那么如何分析，综合上面两个举例，已经可以很清晰的看到立体式分析。
　　立体式分析，也就是维度分析;产品数据的发掘不应该仅仅拘泥于产品;大环境下的娱乐产物必须综合产品、市场、用户进行不同切入点分析;要知道，数据分析是基于商业目的，而商业离不开用户和市场;说白了就是结合不同维度进行有目的的数据收集、整理、加过和分析，他的存在价值就是通过数据提取有价值的信息去优化产品从而拉更多人，赚更多钱。
　　那么如何分析，大致思路又是如何?
　　[为什么分析?]
　　首先，你得知道为什么分析?付费同比、环比波动较大?
　　[分析目标是谁?]
　　数据波动，目标是谁?付费总额波动，付费用户数据如何?
　　[想达到什么效果?]
　　通过分析付费用户，找到问题，解决问题从而提升收入?
　　[需要什么?]
　　想做出分析，需要什么?付费总额，付费人数?付费次数?付费人数各等级占比?
　　[如何采集?]
　　直接数据库调取?或者交给程序猿导出?
　　[如何整理?]
　　数据出来，如何整理付费等级、付费次数报表?
　　[如何分析?]
　　整理完毕，如何对数据进行综合分析，相关分析?用户资源是否饱和?市场其他明星产品充值活动更具吸引力?产品付费系统是否出现问题，是否失去新鲜感?
　　[如何展现?]
　　找准问题，老付费用户流失了很多，低端付费转化低;很多是多少?转化低是什么概念?如何用图表表现?
　　[如何输出?]
　　找准问题，如何输出;如何将这份知识报表转换为产品商业价值体系;如何说服程序?如何说服策划?如何具体执行?如何将知识转换为生产力?
　　上述是比较系统的分析思路，细化而言;对于数据分析，又需要我们根据不同人群建立不同的用户模型;例如流失模型、流失特征;充值模型等等。
　　接下来我们再综合AARRR模型分解一些较为常见的数据：
　　Acquisition(获取)、Activation(活跃)、Retention(留存)、Revenue(收益)、Refer(传播)
　　上图为AARRR模型中的基本数据，我们再对以往数据进行总结：
　　日新增用户数：DNU;每日注册并登陆游戏用户数，主要衡量渠道贡献新用户份额以及质量。
　　一次会话用户：DOSU;新登用户中只有一次会话的用户，主要衡量渠道推广质量如何，产品初始转化情况，用户导入障碍点检查。
　　日活跃用户：DAU;每日登陆过游戏的用户数，主要衡量核心用户规模，用户整体趋势随产品周期阶段变化，细分可概括新用户转化、老用户活跃与流失情况。
　　周/月活跃用户：WAU、MAU;截止统计日，周/月登陆游戏用户数，主要衡量周期用户规模，产品粘性，以及产品生命周期性的数据趋势表现。
　　用户活跃度：DAU/MAU;主要衡量用户粘度，通过公式计算用户游戏参与度，人气发展趋势，以及用户活跃天数统计。
　　留存：次日、三日、七日、双周、月留存;表现不同时期，用户对游戏的适应性，评估渠道用户质量;衡量用户对游戏黏性。
　　付费率：PUR，统计时间内，付费用户占活跃用户比例;主要衡量产品付费引导是否合理，付费点是否吸引人;付费活动是否引导用户付费倾向，付费转化是否达到预期。
　　活跃付费用户数：APA;统计时间内，成功付费用户数，主要衡量产品付费用户规模，付费用户构成，付费体系稳定性如何。
　　每活跃用户平均收益：ARPU;统计时间内，活跃用户对游戏产生的人均收入，主要衡量不同渠道的用户质量，游戏收益，以及活跃用户与人均贡献关系。
　　每付费用户平均收益：ARPPU;统计时间内，付费用户对游戏产生的平均收入，主要衡量游戏付费用户的付费水平，整体付费趋势，以及不同付费用户有何特征。
　　平均生命周期：TV;统计周期内，用户平均游戏会话时长，主要衡量产品粘性，用户活跃度情况。
　　生命周期价值：LTV;用户在生命周期内，为游戏贡献价值;主要衡量用户群与渠道的利润贡献，用户在游戏中的价值表现。
　　用户获取成本：CAC;用户获取成本，主要衡量获取有效用户的成本，便于渠道选择，市场投放。
　　投入产出比：ROI;投入与产出关系对比，主要衡量产品推广盈利/亏损状态，筛选推广渠道，分析每个渠道的流量变现能力，实时分析，衡量渠道付费流量获取的边际效应，拿捏投入力度，结合其他数据(新增、流失、留存、付费等)调整游戏，进行流量转化与梳理。
　　最后便是一种较为常见的数据分析手法：杜邦分析法
　　以上是关于数据的一些概括，对于数据分析，需要我们以理性的眼光对待;因为各家对相关数据定义不同，算法不同;在对数据进行分析时需要我们看清分析误区，综合其他数据进行分析，根据自己的数据分析思路制定相应的分析方案，切不可盲目分析，粗暴分析。
　　最后值得注意的是精细化的运营数据分析工作，思维不能乱，思维乱了，全盘皆乱;这时候的数据分析也无法提供正确的考量价值，如果觉得数据分析毫无头绪，杂乱无章;冷静下来，理顺思路，有大概的数据构思之后再做行动;只有这样才能培养自己严谨的逻辑分析能力。
入门级扫盲：数据分析的步骤有哪些？　　数据分析有极广泛的应用范围，这是一个扫盲贴。典型的数据分析可能包含以下三个步：　　1、探索性数据分析，当数据刚取得时，可能杂乱无章，看不出规律，通过作图、造表、用各种形式的方程拟合，计算某些特征量等手段探索规律性的可能形式，即往什么方向和用何种方式去寻找和揭示隐含在数据中的规律性。　　2、模型选定分析，在探索性分析的基础上提出一类或几类可能的模型，然后通过进一步的分析从中挑选一定的模型。　　3、推断分析，通常使用数理统计方法对所定模型或估计的可靠程度和精确程度作出推断。　　数据分析过程实施——　　数据分析过程的主要活动由识别信息需求、收集数据、分析数据、评价并改进数据分析的有效性组成。　　一、识别信息需求　　识别信息需求是确保数据分析过程有效性的首要条件，可以为收集数据、分析数据提供清晰的目标。识别信息需求是管理者的职责管理者应根据决策和过程控制的需求，提出对信息的需求。就过程控制而言，管理者应识别需求要利用那些信息支持评审过程输入、过程输出、资源配置的合理性、过程活动的优化方案和过程异常变异的发现。　　二、收集数据　　有目的的收集数据，是确保数据分析过程有效的基础。组织需要对收集数据的内容、渠道、方法进行策划。策划时应考虑：　　①将识别的需求转化为具体的要求，如评价供方时，需要收集的数据可能包括其过程能力、测量系统不确定度等相关数据;　　②明确由谁在何时何处，通过何种渠道和方法收集数据;　　③记录表应便于使用;　　④采取有效措施，防止数据丢失和虚假数据对系统的干扰。　　三、分析数据　　分析数据是将收集的数据通过加工、整理和分析、使其转化为信息，通常用方法有：　　老七种工具，即排列图、因果图、分层法、调查表、散步图、直方图、控制图;　　新七种工具，即关联图、系统图、矩阵图、KJ法、计划评审技术、PDPC法、矩阵数据图;　　四、数据分析过程的改进　　数据分析是质量管理体系的基础。组织的管理者应在适当时，通过对以下问题的分析，评估其有效性：　　①提供决策的信息是否充分、可信，是否存在因信息不足、失准、滞后而导致决策失误的问题;　　②信息对持续改进质量管理体系、过程、产品所发挥的作用是否与期望值一致，是否在产品实现过程中有效运用数据分析;　　③收集数据的目的是否明确，收集的数据是否真实和充分，信息渠道是否畅通;　　④数据分析方法是否合理，是否将风险控制在可接受的范围;　　⑤数据分析所需资源是否得到保障。交互设计师如何培养数据分析的能力呢？　面对一大堆看似杂乱的数据，如何进行信息提取与数据加工，从中获取自己想要的信息，并应用这些信息，有理有据的进行需求的讨论、最终设计决策的推进，这是每一个交互设计师必修的课程。　　在我看来，数据分析是很难的。利用你当下有限的数据资源(大多数数据往往掌握在产品经理、运营手上)去整理、分析并得出结果。　　交互设计师如何培养数据分析的能力呢?　　首先，要有数据收集分析的意识，掌握数据产生的来源;　　其次，拿到数据后，在数据间找关联性，深挖内在含义;　　再次，掌握基本的数据分析方法，并在实战中加以应用;　　最后，将分析的结果应用到后续工作中，检验分析结果。　　如此，循环往复，形成一种职业习惯，一个工作的流程。　　从平时的工作中，总结出以下几点数据分析时要注意的原则，在这里抛砖引玉，欢迎来拍：　　1、明确数据分析的目的　　要分析一份数据，首先得先明确自己的目的：为什么要收集并分析这样一份数据?只有你的目的明确了之后，才能对接下来你要收集哪些数据、如何收集有一个整体的把握。当然你的目的可以是多个小点，(如：用户在首页浏览了哪些内容?登录框在页面上的重要程度?)只要这些点是一个个切实待解决的问题点，将其罗列下来，一个一个的去收集数据。　　你分析的结果可能会改变整个项目，但有了数据的支撑，会让项目或需求有一个全新的开始或细节的调整。　　2、了解数据来源并收集　　按照分析的目标中罗列的点，建立一个分析框架，并按照轻重缓急进行数据收集。与此同时，需要对数据是如何产生的，如何获取这些数据进行相应的了解。在工作中应用到的数据统计工具有：金牌令箭、显微镜、CNZZ统计等，通过这些统计工具可以方便的进行数据的收集，同时交互设计师也要与前端保持沟通，了解数据统计的方法，适时添加统计的维度，请前端同学帮忙埋统计代码。　　3、掌握数据分析的方法　　作为交互设计师，要掌握几种基本的数据分析方法：对比分析法、分组分析法、结构分析法、平均分析法、交叉分析法……基于这些分析方法，我们可以对现状、原因、未来有初步的了解，并进入后续更深入的分析。如：现状分析适用于对现今站点或页面的浏览点击情况做一个数据统计与热点分析，可以得出用户的浏览路径及关注重点。原因分析则侧重于一个问题，深入挖掘答案。未来分析可用于与产品经理沟通时，对后期产品的规划进行数据交流。　　4、沟通分析结果　　在沟通分析结果前，要注意不要只用手上仅有的资讯作判断，如果手上的证据不足以完全反应实际状况的时候，以数据分析结果作为决策就很容易出错，尤其是单看某一个数据维度时。交互设计师要超前思考，考虑产品经理可能从中提出的问题，并给出回应。让沟通高效且有意义。　　5、骗人的分析结果　　数据是会骗人的。其中最有名的例子就是辛普森悖论。一所美国高校的两个学院，分别是法学院和商学院，开学时，人们以为有性别歧视。　　法学院：(女生录取率高)　　商学院：(女生录取率高)　　单从学院数据来看，女生的录取率都比男生高，但是在总评中，女生的录取率比男生低。　　为了避免这种情况，我们应该适当分组，并且调整某些组别的权重，根据业务来衡量可能会影响关联关系的一些潜在因素。　　6、数据不是万能的　　前期数据可以用来挖掘用户需求，中期数据可以用来过滤产品功能，后期数据可以用来反映产品成败。整个过程当中，数据还能举证，作为产品经理与交互设计师之间的沟通内容。　　但是，我们要认清一个事实：数据不是万能的。它不能反映一切问题：在前期的分析中不一定能找到创新的突破口或者潜在的需求点;在后期的效果验证中，往往又会显得很有说服力。我们要怀着客观的心态来关注数据，从不同的角度出发，与产品经理之间保持有效的沟通。　　除了以上几点原则，在数据分析过程中，我们也要避免以下几种的情况：　　1、项目紧急，时间不够　　在数据分析前期，先对要完成的事情做个计划表，内容包括以下几个方面：收集数据、整理数据、分析数据、总结报告。预估每个内容需要花费的时间，并将重点环节标注出来，合理安排时间。　　2、注重收集，分析不够　　数据分析的重点应该落在分析上，而不是数据的大量收集。在保证足够的数据信息后应立即投入整理和分析阶段。如若花了大量的时间去收集，在deadline前基本没有时间进行分析，那最后提交的只会是一份粗浅的总结，而经过深入分析的数据报告才是真正有价值的。　　3、关注数据的时效性　　数据可以告诉我们过去确实发生过的事情(如：用户的喜好、广告的效果等)，但是随着时间的推移，数据也会相应的发生变化。数据是有时效性的，太久以前的数据可能已经无法反映当下的情况，也就不能用来做设计决策。数据越实时，就越能利用这种数据来对当下的问题做最及时的调整。关于数据分析的两大误区　　平时无论是进行用户调研、产品运营还是竞品分析，都少不了对于数据的分析，如果项目中出现某些分歧谁也无法说服谁时，很多时候也都是拿数据说话，可见在开发产品的时候，对数据的统计与分析十分重要。大家都说数据是客观的，但其实数据受背景环境、统计者、统计方法、分析者看法等多重因素影响，以致我们在统计和分析时却常常陷入误区，得不到正确的答案。下面简单说一下关于数据的两个常见误区。误区一：把某一类型数据当做全部数据导致分析结果错误　　先说个小故事：二战时英国空军希望增加飞机的装甲厚度，但如果全部装甲加厚则会降低灵活性，所以最终决定只增加受攻击最多部位的装甲。后来工作人员经过对中弹飞机的统计，发现大部分飞机的机翼弹孔较多，所以决定增加机翼的装甲厚度。后来一个专家说：“可是机头中弹的那些飞机就没有飞回来”。　　这个故事里本应是对全部飞机进行分析，但统计样本没有包含已经损毁的飞机，所以得出的结论只是根据部分数据，或者说是根据具有同样特征(受伤)的某一类数据推论出的，并不能代表全部类型的数据，所以得出的结果很可能是错误的。　　再看一个例子：前一阵我为了分析人人网，想看看人人网现在的用户访问量是什么状态，于是选择了PV作为观测指标，通过alexa来看人人网的PV在过去一年中呈明显的下降态势，这也印证了我的预期，于是就以此为论据进行了分析。可是后来发现，alexa仅仅统计通过WEB的访问量，而用户移动端的登录并不在统计范围之内!这两年智能手机普及迅速，移动端登录也非常普遍，缺失这部分数据意味着前面统计的数据基本没有意义，因为WEB端访问量的下降有可能是用户访问人人网次数降低，同时也有可能是由PC端向移动端迁移，这个统计就不能作为论据出现了。　　从上面这个例子可以看到，我只统计了WEB端的访问情况，认为这就是人人网全部访问量，而忽略了移动端，从而推出了错误的结果。另一个问题就是由于我已经有预期(人人网访问量下降)，那么我在为这个结论找寻相关的论据，当找到符合我结论的论据时很容易不去做更多判断就选择有利于自己的数据，这也是数据统计人员常见的问题。　　用某一类型数据代替全部数据会误导我们做出错误的判断，在统计时一定要注意这点。这一方面需要意识，在统计、分析数据时要时刻想着还有没有其他的情况，还有没有我们没有想到的数据类型，这些数据是不是能代表全部类型，尝试站在更高的角度去解读这些数据，而不是拿到数据后立刻就盲目分析。另一方面需要知识的累积，比如你知道alexa是如何进行统计的，那么很轻易就会想到还要考虑移动端的情况。知识的累积有助于我们做出准确的判断，这些知识与经验都是从阅读或实践中得来的，平时多做，慢慢累积，时间久了自然会看得更全面。误区二： 鲜明事件让我们夸大了偶然因素　　鲜明的事件更容易占据我们的视线，从而让我们高估事件发生的概率。　　比如从年度统计中看到，某基金近两年的收益率达到100%，有某某明星操盘手等等，人们就会争相去购买该基金，同时也会让人们认为买基金就是可以赚钱的。而实际上，绝少有基金可以常年保持这样的收益率，近两年收益前五名的基金很可能在五年后收益率就排行倒数，而世面上大部分基金也无法跑赢大盘，不过人们在记忆中依然会认为买基金确实很赚钱，当年XXX两年益100%呢。两年收益达到100%只是偶然情况，但却由于事件太过鲜明而长久驻扎在人们的心智中。　　类似的事还有很多。比如富士康N连跳，大家都觉得这么多人跳楼，富士康肯定太黑暗了，但大家却没有注意富士康员工大概有37万人，按12连跳的话自杀率不到十万分之四，而全国的平均自杀率为十万分之十五， N连跳自杀率远低于全国自杀率，可见富士康12连跳实际上是一个社会问题，而不仅仅是一个企业的问题，我们太过注重鲜明的事实却忽略了背后整体的概率。还有前两天美国波士顿爆炸案死亡3人，微博上各种祈福，可是阿富汗、伊拉克等国家几乎每天都面临着这些问题，只是由于媒体不会整天报道那里的消息，而天天出现的袭击也麻痹了人们的神经，所以我们只会关注鲜明的波士顿爆炸，而对其他地区天天发生的事情无动于衷。另外比如你周围有人买股票赚了好多钱，可能你也会很想投身股市一试运气，而忽略了散户8赔1平1赚的整体概率。你看到了各种创业成功者的报道，认为自己也可以尝试创业，毕竟成功概率好像也不低。但你不知道那些不成功的人基本没有被报道的机会，而实际上创业成功的人可能不到1%。　　说了这么多，其实就是太过鲜明的偶然事件会让我们忽略背后一直存在的整体概率。看到这种数据的时候，不要太过情绪化，你所看到的数据或事件可能只是个例，并不能代表大多数，可以去查查历史情况或平均情况，去找找沉默的用户或数据，切忌轻易就做出判断和决定。要理性看待这些偶然事件，既不盲目跟随，也不对此嗤之以鼻，在明确整体概率的情况下，剔除偶然因素,分析这些偶然事件背后是否存在着某些值得借鉴的地方，从而吸收到自己产品或项目中，以便使自己的产品或要处理的事情有可能成为市场中下一个“偶然事件”。　　作者：@回首之泪　　产品经理，你对用户的需求了解多少呢?你知道用户想要什么样的产品吗?你想知道用户将会如何看待你的产品吗?你想知道你设计的产品在用户中的口碑如何吗?　　是的。每一个产品经理都希望在产品开始立项设计前，得到用户最真实的需求，为自己的产品设计提供良好的支撑;每一个产品经理都希望自己的设计的产品得到用户的认可和亲睐;每一个产品经理都希望用户能在使用产品的过程中不断反馈对于产品改进的意见和建议……那么，我们如何才能得到用户的前期意见和后期反馈呢?　　这个时候我们需要的是数据的支撑，只有数据才能让一切更有说服力(前提是真实、有效的数据)、只有数据才能让我们更清楚地了解到我们想法的可行性……　　既然这样,那数据从何而来?这自然少不了市场调研，只有通过对用户的调研才能收集用户最基础的用户数据、从最基础的数据上进行分析，从而了解用户的真实需求。那么，作为产品经理，我们应该如何对市场或用户进行调研呢?调研的方式和方法有哪些?对于调研的数据我们如何进行数据分析呢?数据分析的方法和方式有哪些呢?　　市场调研和数据分析的方法 　　一、 产品经理为什么要做市场调研？调研的目的是什么？ 　　PS:我们在做市场调研前，必须有一个自己的调研思路：我们要调研的对象，需要收集的数据，需要达到的效果等。只有有了明确的目标，才能获得更加有效的数据。 　　1、通过调研了解市场需求、确定目标用户、确定产品核心，为了更好的制订MRD;　　2、为领导在会议上PK提供论据;　　3、提高产品的销售决策质量、解决存在于产品销售中的问题或寻找机会等而系统地、客观地识别、收集、分析和传播营销信息，及时掌握一手资源;　　4、验证我们定的目标客户是不是我们想要的，目标用户想要什么样的产品或服务;　　5、了解我们能不能满足目标用户的需求并且乐于满足目标用户的需求;　　6、找准产品机会缺口，然后衡量各种因素，制定产品战略线路;　　7、调研到最后，目标越明确，需求确明确，也就会觉得，产品越难做，难以打开市场等;　　8、对于全新的产品，调研前PM必须先自己有一个思路，然后通过调研去验证自己的想法的可行性。 　　二、 市场调研的方式方法有哪些？怎样确定调研的维度？ 　　1、问卷调查、用户AB测试、焦点访谈、田野调研、用户访谈、用户日志、入户观察、网上有奖调查;　　2、做人物角色分析：设置用户场景、用户角色进行模拟分析;　　3、情况推测分析;　　4、调研的维度主要从战略层、范围层、结构层、框架层、视觉层来展开(不同的产品从不同的层次来确定调研的维度)　　三、 如何整理市场调研的数据？ 　　PS:对收集到的调研数据，我们需要整理出那些有效的数据，对于无效数据果断丢弃。对有效数据进行细致的处理、分析。 　　通过市场调研，我们收集了不少的数据，这些数据都是用户最直接的对产品的某种需求的体现。作为产品经理，我们视这些数据为宝贝，我们需要将这些数据进行整理，让他们变为珍宝。那我们该如何整理呢?　　1、将规范的数据按照维度整理、录入，然后进行建模;不规范的数据的话就必须得自己先通过一些定性的处理，让它变得规范，然后再用工具进行分析;　　2、封闭性的问题，设置选项归类即可。开放性的问题，建议还是先录下来，然后再头脑风暴整理出有用的东西;　　3定性的，焦点访谈和深访，都可以录音，在事后可以形成访谈记录;焦点访谈的过程中，可以以卡片的形式或者其他的形式让用户做选择题，可以获取少量的有数据性的东西，其他的更多的是观点、方向性的，这个需要在整理访谈记录的时候根据问题来归纳整理;　　4、深度访谈的数据整理，我们以前会做头脑风暴，建立很多个用户模型，强行量化这些数据。这个方法比较有效，特别在做人群研究的时候。 　　四、 如何书写市场调研报告？ 　　对整理后的数据，我们最终需要形成书面的市场调研文档报告，以最直观的方式呈现给我们的BOSS，从而获得老板对产品的支持。 　　1、对市场调研的数据分析后进行的说明总结，用图表或图形的形式最直观呈现;　　2、分析用户当前现状，用户对产品的需求点;　　3、报告的组成有研究背景、研究目的、研究方法、研究结论等相关内容;　　4、根据调研的时候的思路，将报告逐一完善，将数据分析的结论图表化，得出自己的结论总结出趋势和规律 　　五、 数据分析的方式方法有哪些？ 　　1、数据分析需要掌握数据统计软件和数据分析工具(分析工具如SPSS等);　　2、数据分析的主要方法有： 　　对比分析法:将两个或两个以上的数据进行对比分析，分析其中的差异，从而揭示这些事物发展变化的规律和情况。对比分为横向对比和纵向对比。 　　结构分析法:被分析研究总体内各部分与总体之间进行对比分析的方法，即总体内各部分所占的指标。 　　交叉分析法:同时将两个有一定联系的变量及其值交叉排列在一张表内，使各变量值成为不同变量的交叉点，一般采用二维交叉表进行分析。 　　分组分析法:按照数据特征，将数据进行分组进行分析的方法。 　　其他还有比如漏斗图分析法、杜邦分析法、矩阵关联分析法等等。 　　(数据分析方法可以参考：《谁说菜鸟不会数据分析》一书)　　PS:数据分析的方法有很多种，在进行数据分析的时候，选择有效的数据分析方法，能达到事半功倍的效果。 　　六、 数据分析报告如何指导产品经理进行产品设计？ 　　1、根据调研结论 确定产品核心功能 　　2、把数据分析的结果加入到整个迭代设计的过程中加速产品的迭代更新 　　3、评估解决方案的可行性。根据实施的结果再去评估解决方案是否真的可行?是否还需要再改进，依此类推 　　4、通过数据进行分析，得出用户的行为规律，为产品提供支撑 　　5、日常的运营分析，及时发现产品问题 　　6、产品后期设定一系列的运营指标进行运营监控，然后反馈产品迭代(指标主要包括：1、用户的反馈、2、产品的BUG、3、市场的反映、4、产品未来的发展方向、5、点击率、留存率等等)来源：互联网的一些事儿
喜欢该文的人也喜欢对于开发者来讲，做APP推广和时最关心的就是效果，但是这也是最难做好的一件事情。在统计的过程中，往往我们需要关注很多数据指标，我们如何利用这些数据来判断APP的运营情况呢？下面先让我们来了解这些数据指标代表的意义吧！
活跃用户数
活跃用户数是指在某统计周期内打开过该APP的用户数量。活跃用户是用来衡量APP用户规模和产品现状的重要数据。而根据统计周期的不同，活跃用户数又可以分为日活(DAU)、周活(WAU)、月活(MAU)。
TAD（Total Active Days per User）即每个用户总活跃天数，是指在统计周期内，平均每个用户使用该款应用的天数。TAD可以用来判断用户质量，尤其是用户活跃度的重要指标。结合统计周期，我们可以得到每个用户的总活跃天数，可以判断出用户在流失之前使用APP的天数。
用户留存率
用户留存率指的是在某段时间内，新增用户在不同的时期内打开APP的情况。从用户留存可以看出APP对用户的吸引力。在推广过程中，很多渠道都需要我们关注留存率的情况，留存不好的渠道并没有给我们带来多少实际的用户，只是增加的下载量而已。如果想提高用户留存，可以看看一文。
一般来说，统计留存率需要长期坚持，当我们的APP有版本更新或者推广的时候，也需要特别观察一下。如果平时没有多少时间，可以重点关注一下次日、7日、14日以及30日的留存情况。
ARPU/ARPPU
ARPU（Average Revenue Per&User）即每活跃用户平均收入，计算的是每个用户平均一个时间段给运营商带来的收入。它注重的是该时间段内运营商从每个用户身上得到的利润。通常情况下，APRU值越高，说明获得的利润越多。
ARPPU是指每付费用户平均收入，它代表着统计时间内，付费用户给应用带来的平均收入，其主要衡量的是付费用户的付费水平和整体付费趋势等。
CAC（customer acquisition cost）为用户获取成本，可以用来衡量获取有效用户的成本。这个数据可以用来做什么呢？统计这个数值，能够帮助我们分析推广渠道的优劣，选取性价比更高的推广方法。
新增用户数
新增用户数是指安装应用后，第一次使用APP的用户数量。按照统计时间的不同，一般可分为DNU (日新增用户数)，WNU (周新增用户数)，&MNU (月新增用户数)。它是衡量营销推广效果的最基础指标。
APP的运营推广是一项很复杂的工作，通过对这些数据的监测和分析，结合推广方式，可以更好地了解各个方法渠道的效果，从而选出性价比更高的推广方法。另外，结合一文，能够对整个APP运营推广有充分的了解。
注：本文由@ASOtop1原创发布于，欢迎大家关注ASOtop1官网，一起交流ASO优化知识，也可以关注我们官方微信【ASOtop1】
阅读(...) 评论()}