数据分析基础指标体系搭建和方法入门

2019年底开始我开始接触数据分析，从初期的数据分析小白，到现在慢慢入门有些经验，想把我这里学到的数据分析的方法以最简单的方式解释给和当时的我一样小白的同学们，以下内容将分为 【数据分析的意义】【基础指标体系搭建】【数据分析的方法】三大模块进行介绍，感兴趣的同学继续可以继续看下去～

【数据分析的意义】

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，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。

数据分析是当前企业管理过程中不容忽视的重要支撑点，企业需要有完整、真实、有效的数据进行支撑，才能够对未来行业的发展趋势进行有效的预测，从而采取积极的应对措施，制定良好的战略。

而对于互联网公司的产品策划/运营策划同学来说数据分析更是客观直接的衡量产品策略运营活动是否成功的重要指标。

【基础指标体系搭建】

市面上这么多的互联网产品，它们的类别不同，发展阶段不同，用户画像也不同，但是所有产品其实都有一些必须关注的基础数据指标，这些指标一定是和产品息息相关并且有参考价值的统计数据。

1.新增：新增用户数是用来衡量渠道推广效果的重要指标

新增一般都是指安装产品后首次成功启动/注册的用户，关注产品的每日新增用户，新增用户也要被用来衡量产品的“健康度”，例如某产品的新增用户占比高于活跃用户非常多，就需要关注是否是因为渠道推广带来的短暂繁荣，后续要特别关注这些新增用户的留存率情况。

2.活跃：活跃用户数是衡量产品用户规模的重要指标

活跃用户数根据不同的统计周期可分为日活跃（DAU）周活跃（WAU）月活跃（MAU），每个产品需要根据自己产品特性来定义活跃用户，大部分产品会定义为统计周期内有打开过应用，还有一些会定义为统计周期内有操作过产品的核心功能。

3.留存率：用户留存率是衡量用户粘性的重要指标

（留存率=留存用户/新增用户*100%），通常重点关注次日、3日、7日、30日即可，并需要注意观察留存率的衰减程度。且在在告别了人口红利期后，现阶段留存率变成了一个对产品来说非常重要的指标。

4.收益：产品的终极目标

能否盈利收益，决定了产品能否在市场上最终存活下来。一般产品获得收益的来源渠道有2种：1.增值服务变现（VIP/付费功能）2.广告变现。

我们在使用新增/活跃/留存率/收益搭建了基础的产品需要关注的日常监控指标后，如果数据监控中发现问题又该如何解决呢？那么接下来我们看看数据分析的方法

【数据分析的方法】

一、基于用户：了解用户基础信息和行为爱好

我们首先需要了解我们的用户是什么人？他们喜欢做什么事？这样有助于在项目内的大家达成共识，更加清晰的明白我们到底是在为一群什么样的人提供服务，而在遇到问题时也可以从人入手来思考问题产生的原因

我们可以通过产品收集到关于用户的基础信息，比如他们的性别、年龄、职业收入、城市线级等等一系列的基础信息，这些信息就构成了我们产品的用户画像。

例如：我们最大的用户占比他们的特征提取为：女性/20-30岁/一线城市/大学生/企业白领。

那么我们的应用可以在品牌风格上更女性化。

新增策略则在广告投放上可以侧重于校园以及一些公共交通设备，以吸引更多相似群体的用户。

每年寒暑假或年中长假活跃突增有可能是基于学生/白领的假期，所以有更多的时间消耗在APP上。

而用户的行为爱好则是他们在使用我们产品的时候更倾向的操作，用的更多的功能，看的更多的内容，以及他们对于其他APP的爱好和我们之间的重合度有多高？

例如：新闻资讯类产品发现大部分用户都很爱看本地新闻，并且对比普适性的新闻来说爱看本地新闻的用户留存率比较高。

那么我们在新用户进入时就可以想办法引导用户进行地区的授权，然后为他推荐当地的新闻内容，有助于提升新用户的留存率。

二、基于产品：分析产品使用行为和路径

我们在知道了我们的用户是什么人以及他们喜欢做什么事情之后，就可以具体的来分析他们在产品使用时候的一些行为和路径，以更好的为我们的进一步针对不同用户的精细化运营做准备

基于产品的使用行为和路径分析，我们一般有三种常用的分析工具：漏斗分析/事件分析/留存分析

漏斗分析

漏斗分析是一套流程分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况。对于业务流程相对规范、周期较长、环节较多的流程分析，漏斗分析能够直观地发现和说明转化环节的问题所在。

科学的搭建漏斗分析模型对产品有以下价值：

1.聚焦用户整体体验流程的各关键节点，通过不同层级的转情况，迅速定位流失环节，找到可优化的短板，提升用户体验或优化整体路径

2.通过同漏斗分析模型不同用户属性则可以观察各流程步骤转化率的差异对比，了解转化率最高的用户群体，分析漏斗合理性，并针对转化率异常环节进行调整。

事件分析

事件指的是用户操作产品的某个行为，事件分析是对用户行为事件的指标进行统计、维度细分、筛选等分析操作，如用户注册、浏览产品详情页、成功投资、提现等，通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影响等。

事件分为两大类别：元事件（未经过任何处理的原始埋点事件）/虚拟事件（基于元事件通过算法计算出来的事件，如APP启动事件的次数/APP元素点击的次数）

而事件分析最有价值的点在于从各种维度去分析事件的指标数据，例如：我们设置APP每日启动次数为事件，渠道来源为事件分析的维度，则可以知道不同渠道来源用户的日活跃，反向排序则可以帮助筛查一些用户价值不高的渠道，减少渠道广告投入成本。

留存分析

留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。

留存分析模型的搭建对产品有以下价值：