数据分析的方法论

数据是一个绝对客观且能够通过可量化指标来评估产品的改进方向成功与否的工具，所以作为一名产品经理，必须养成数据思维习惯，掌握数据分析方法论。在产品迭代发展的过程中，通过数据驱动以保证产品按照更好的方向发展。

作为产品方向的把控者，产品经理每做出一次决策的时候，都应该避免“我觉得”这类的主观拍脑袋的决策方式，而是以数据作为论据，因此数据分析的准确性与专业度，往往决定了一个产品发展。

下面简单来说下数据分析的方法论：

一、数据分析的思路 1. 基于用户路径

基于用户路径的思路是分析用户的操作行为，主要根据每位用户在App或网站中的点击行为日志，分析用户在App或网站中各个模块的流转规律与特点，挖掘用户的访问或点击模式，进而实现一些特定的业务用途。如App核心模块的到达率提升、特定用户群体的主流路径提取与浏览特征刻画，App产品设计的优化与改版等。通过分析用户的路径行为，我们可以得出的典型路径，从而对典型路径进行针对性的优化。

另外对于用户路径分析是一个定义用户画像标签化的较好方法，例如对于一款社交类的电商app，我们可以通过用户的app使用操作数据来进行划分用户，对于一个话题主动分析制作帖子的创造主动型用户、热衷于点赞评论的互动型用户、默默看帖子不作反馈的潜水型用户。

2. 基于产品节点

基于产品节点的思路是通过某一个关键节点的转化率或数据占比的分析，比如说对于一个电商app，加入购物车到下单成功的数据转化率分析，优惠券的使用率分析，基于关键节点的数据分析可通过增加辅助功能进行优化分析，例如支付转化率的提高可以加入倒计时/有xx人同时在抢等等，促使尽快完成支付。

数据分析步骤

在做数据分析之前，我们一定要清楚此次数据分析针对的问题是什么，我们是为了弄清楚某个页面的到达率呢？还是想要知道用户行为路径的整体转化率？还是想要计算订单用户的转化率？

针对数据分析的问题，再对数据指标进行确定以及拆分，比如订单用户的转化率的定义为订单用户/全体用户，那么订单用户转化率的指标就拆分为订单用户及全体用户，如果订单用户的转化率定义为订单用户/访问用户，这个时候订单用户转化率的指标就拆分为订单用户及访问用户。

数据指标的分析都是为了让产品或业务更好的发展服务的，我们了解到某个数据指标的变化趋势之后，对产品的实际意义是什么。在做数据分析之前就应该要想明白，再基于这个目的，确定我们的分析范围。只有把范围确定清楚了，数据分析的结果才会更精准指导产品的改进和解决我们的实际问题。

1. 收集

数据的收集方式一般有以下几种：

问卷调查，一般用于前期的用户调研或用户使用情况的主观感受的获取，但精度较差，样本少；

客户端数据，一般用于对用户浏览路径的记录，可通过用户行为及页面停留时长等指标分析app的易用型、页面到达率等指标；

服务端数据及历史日志，服务器端所输出的数据更为准确深入，对于一些精确度要求较高的数据，建议使用服务端日志作为原始数据；

业务数据库，主要用户业务数据的统计，如销售额、订单数量等业务指标。

数据收集后，还需要对收集的数据进行预处理，对一些不符合标准的数据进行剔除。

2. 分析

数据的收集只是前期工作，如果对数据进行分析，采用什么方法进行分析，才是数据分析的核心技术体现。

下面列举几种数据分析的方法：

（1）AHP层次分析法

层次分析法，简称AHP，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。

以用户的忠诚度分析为例，忠诚度是一个偏定性的指标，我们需要用定量的数值进行衡量。那么我们可以用AGP层次分析法来分析，选取用户使用频率、最近使用时间、平均使用时长及平均使用页面数四个可以量化的值进行衡量，产品经理对这四个值的权重进行定义，再对通过矩阵分析，最终可以得到每个用户的忠诚值，从而可以进行量化比较及分析。

但AHP层次分析法会受人的主观判断影响，不同的人的权重分配不同时，可能得到的结果会相差较大，该分析方法存在一定的不客观性。

（2）杜邦分析法

杜邦分析法的核心思路是把问题一层层分解，直到反映出最根本的问题为止。