資料其實是非常的客觀的，但是資料本身並不會告訴你多少有價值的東西，其中蘊涵的內容才是我們應該去發掘的。
需要注意的是，資料分析只是工具，不是目的。我們進行資料分析是為了讓分析結果能反映現階段的情況，並對下一步計劃產生指導意義，所以千萬不要為了分析而分析。
1、明確目標 一切分析的基礎都是需要明確目標，在此之前，不要開始任何分析，因為那很可能是無用功。 一般來說，目的主要有以下三種。 分析現狀，反映目前的狀況，並且幫助我們制定下一步計劃。 分析問題，針對出現的問題，分析其中的原因並找到解決辦法。 分析變化，當產品的情況出現變化時反映變化的情況，並找出原因，有針對性的進行下一步行動。
2、明確分析範圍 因為資料的量和維度都非常的多，我們在明確目標後，就必須選定我們分析的範圍，明確的分析範圍能避免分析報告內容太多，而且不深入。 需要注意的是，確定範圍後我們就需要進行資料採集了，但是具體要採集什麼樣的資料，不是我們平常的“自然語言”描述就可以實現的，需要抽象成“數學語言”表達出來。
3、資料採集 確定了範圍後，我們就可以採集資料了，需要採集哪些資料也是有講究的，它也是需要我們用“數學語言”來表達的。一般來說，需要採集的資料分為以下3類，這是最基礎的：名稱、數量和轉化率。 名稱：某些資料的結果不是以數字形式展現的，比如某某功能 數量：這個比較簡單，比如：某某功能的點選次數 轉化率：有些資料單獨的看，是不能說明問題的，例如：光看一個功能的點選次數，我們不能得出這個功能是否吸引人，是否需要改進，我們還需要看完成這個功能的人數。然後將兩個資料相除後得到這個功能的轉化率。 以上都是一個分析中最基礎的指標，在實際資料分析中，還會有更多更細緻的維度。比如：使用者點選這個功能後，停留時間，退出的數量，在中途放棄的數量等等。
4、資料清洗 採集資料後，這些資料並不是直接就可以用的。因為可能會有一部分“髒資料”會汙染我們的資料，進而影響我們的分析結果。這就需要進行資料清洗，將不符合要的“髒資料”清洗掉。 比如，某個使用者一直在點選某個功能，每秒固定點選1次，然後退出，那麼這個“使用者”很可能是個機器，而不是人。這些資料是不能用的。 一般“髒資料”有以下幾個型別。 頻率異常：正常使用者的使用一個功能的頻率一般會保持在一定範圍內，不會太頻繁。 總數異常：比如某一個使用者一個人就拉高了整個資料的水平，讓某個功能點選率陡然上升。 行為異常：這個就比較複雜了，對應不同的業務有不同的理解。比如：比如一個購物APP，一個使用者的多次的下單，然後退貨，這類資料就是應該排除的。
5、資料整理 收集完成後，我們需要對收集到的原始資料進行整理。因為收集出來的資料必然是比較亂的，不能直接拿來分析。整理分析分為彙總和拆分兩種。
（1）彙總 有些資料比較雜亂無章，我們要按照某個維度彙總才能進行效果的觀察。比如：我們需要觀察某個功能上線後用戶行為的變化，就可以按照上線前和上線後的使用者行為資料進行分類彙總，然後透過兩份資料的對比來得到結論。
（2）拆分 有些原始資料並不足夠細緻，需要我們依據資料的關係進行資料拆分。例如，一個功能的入口可能有多個，我們就需要確認每個入口的量，甚至完成整個功能的量，這些資料會讓我們更加了解我們的使用者行為。
6、資料對比 整理完資料後，我們要進行資料對比。這也是資料分析中非常重要的步驟，因為資料分析的結果絕大多數都來自於對資料的對比。比如：一個功能改進前和改進後的轉化率，肯定要經過對比才能知道我們的改進是不是有效的，有效多少。通常對比方法有以下幾種。 時間對比。透過時間節點前後進行對比資料。例如：某個營銷活動，促進註冊、活躍等，我們就可以得出這個營銷活動能夠帶動日活的結論。 空間對比。在我們生活的世界中，因為人們所存在的空間不同，會有不同的行為。比如：透過資料分析，我們會發現，東北的羽絨服效率比海南高，於是我們就可以判斷羽絨服在東北更加暢銷。 人群屬性對比。在使用者畫像中也提高過。不同的年齡層對於不同事物的看法不同，會導致某個功能在不同人群中的差異性。 依據分析目的靈活地選定對比範圍，能讓我們從資料中挖掘到我們想要的東西。
7、原因探尋 資料，透過對比呈現出來，能夠反映一定的現象，但是造成這些現象的原因還需要我們來尋找。 原因的分析方法有很多，可以正推導、反推導。我們可以結果，那假設原因，再去求證。或者透過某個功能的整個流程進行梳理和覆盤，結合資料來分析每一步發生這種情況的原因。 或者透過資料來複盤某一個活動，來分析活動輸出的這種資料或好的或壞的原因是什麼。
8、展現結果 完成上面的7步，我們的資料分析報告也就差不多了，整理以上結論，向大家說明分析結果，這樣，整個資料分析宣告完成。
資料其實是非常的客觀的，但是資料本身並不會告訴你多少有價值的東西，其中蘊涵的內容才是我們應該去發掘的。
需要注意的是，資料分析只是工具，不是目的。我們進行資料分析是為了讓分析結果能反映現階段的情況，並對下一步計劃產生指導意義，所以千萬不要為了分析而分析。
1、明確目標 一切分析的基礎都是需要明確目標，在此之前，不要開始任何分析，因為那很可能是無用功。 一般來說，目的主要有以下三種。 分析現狀，反映目前的狀況，並且幫助我們制定下一步計劃。 分析問題，針對出現的問題，分析其中的原因並找到解決辦法。 分析變化，當產品的情況出現變化時反映變化的情況，並找出原因，有針對性的進行下一步行動。
2、明確分析範圍 因為資料的量和維度都非常的多，我們在明確目標後，就必須選定我們分析的範圍，明確的分析範圍能避免分析報告內容太多，而且不深入。 需要注意的是，確定範圍後我們就需要進行資料採集了，但是具體要採集什麼樣的資料，不是我們平常的“自然語言”描述就可以實現的，需要抽象成“數學語言”表達出來。
3、資料採集 確定了範圍後，我們就可以採集資料了，需要採集哪些資料也是有講究的，它也是需要我們用“數學語言”來表達的。一般來說，需要採集的資料分為以下3類，這是最基礎的：名稱、數量和轉化率。 名稱：某些資料的結果不是以數字形式展現的，比如某某功能 數量：這個比較簡單，比如：某某功能的點選次數 轉化率：有些資料單獨的看，是不能說明問題的，例如：光看一個功能的點選次數，我們不能得出這個功能是否吸引人，是否需要改進，我們還需要看完成這個功能的人數。然後將兩個資料相除後得到這個功能的轉化率。 以上都是一個分析中最基礎的指標，在實際資料分析中，還會有更多更細緻的維度。比如：使用者點選這個功能後，停留時間，退出的數量，在中途放棄的數量等等。
4、資料清洗 採集資料後，這些資料並不是直接就可以用的。因為可能會有一部分“髒資料”會汙染我們的資料，進而影響我們的分析結果。這就需要進行資料清洗，將不符合要的“髒資料”清洗掉。 比如，某個使用者一直在點選某個功能，每秒固定點選1次，然後退出，那麼這個“使用者”很可能是個機器，而不是人。這些資料是不能用的。 一般“髒資料”有以下幾個型別。 頻率異常：正常使用者的使用一個功能的頻率一般會保持在一定範圍內，不會太頻繁。 總數異常：比如某一個使用者一個人就拉高了整個資料的水平，讓某個功能點選率陡然上升。 行為異常：這個就比較複雜了，對應不同的業務有不同的理解。比如：比如一個購物APP，一個使用者的多次的下單，然後退貨，這類資料就是應該排除的。
5、資料整理 收集完成後，我們需要對收集到的原始資料進行整理。因為收集出來的資料必然是比較亂的，不能直接拿來分析。整理分析分為彙總和拆分兩種。
（1）彙總 有些資料比較雜亂無章，我們要按照某個維度彙總才能進行效果的觀察。比如：我們需要觀察某個功能上線後用戶行為的變化，就可以按照上線前和上線後的使用者行為資料進行分類彙總，然後透過兩份資料的對比來得到結論。
（2）拆分 有些原始資料並不足夠細緻，需要我們依據資料的關係進行資料拆分。例如，一個功能的入口可能有多個，我們就需要確認每個入口的量，甚至完成整個功能的量，這些資料會讓我們更加了解我們的使用者行為。
6、資料對比 整理完資料後，我們要進行資料對比。這也是資料分析中非常重要的步驟，因為資料分析的結果絕大多數都來自於對資料的對比。比如：一個功能改進前和改進後的轉化率，肯定要經過對比才能知道我們的改進是不是有效的，有效多少。通常對比方法有以下幾種。 時間對比。透過時間節點前後進行對比資料。例如：某個營銷活動，促進註冊、活躍等，我們就可以得出這個營銷活動能夠帶動日活的結論。 空間對比。在我們生活的世界中，因為人們所存在的空間不同，會有不同的行為。比如：透過資料分析，我們會發現，東北的羽絨服效率比海南高，於是我們就可以判斷羽絨服在東北更加暢銷。 人群屬性對比。在使用者畫像中也提高過。不同的年齡層對於不同事物的看法不同，會導致某個功能在不同人群中的差異性。 依據分析目的靈活地選定對比範圍，能讓我們從資料中挖掘到我們想要的東西。
7、原因探尋 資料，透過對比呈現出來，能夠反映一定的現象，但是造成這些現象的原因還需要我們來尋找。 原因的分析方法有很多，可以正推導、反推導。我們可以結果，那假設原因，再去求證。或者透過某個功能的整個流程進行梳理和覆盤，結合資料來分析每一步發生這種情況的原因。 或者透過資料來複盤某一個活動，來分析活動輸出的這種資料或好的或壞的原因是什麼。
8、展現結果 完成上面的7步，我們的資料分析報告也就差不多了，整理以上結論，向大家說明分析結果，這樣，整個資料分析宣告完成。