資料是一個絕對客觀且能夠通過可量化指標來評估產品的改進方向成功與否的工具，所以作為一名產品經理，必須養成資料思維習慣，掌握資料分析方法論。在產品迭代發展的過程中，通過資料驅動以保證產品按照更好的方向發展。

作為產品方向的把控者，產品經理每做出一次決策的時候，都應該避免“我覺得”這類的主觀拍腦袋的決策方式，而是以資料作為論據，因此資料分析的準確性與專業度，往往決定了一個產品發展。下面簡單來說下資料分析的方法論。

一、資料分析的思路

1.基於使用者路徑

基於使用者路徑的思路是分析使用者的操作行為，主要根據每位使用者在App或網站中的點選行為日誌，分析使用者在App或網站中各個模組的流轉規律與特點，挖掘使用者的訪問或點選模式，進而實現一些特定的業務用途。

如App核心模組的到達率提升、特定使用者群體的主流路徑提取與瀏覽特徵刻畫，App產品設計的優化與改版等。通過分析使用者的路徑行為，我們可以得出的典型路徑，從而對典型路徑進行鍼對性的優化。

另外對於使用者路徑分析是一個定義使用者畫像標籤化的較好方法，例如對於一款社交類的電商app，我們可以通過使用者的app使用操作資料來進行劃分使用者，對於一個話題主動分析製作帖子的創造主動型使用者、熱衷於點贊評論的互動型使用者、默默看帖子不作反饋的潛水型使用者。

2.基於產品節點

基於產品節點的思路是通過某一個關鍵節點的轉化率或資料佔比的分析，比如說對於一個電商app，加入購物車到下單成功的資料轉化率分析，優惠券的使用率分析，基於關鍵節點的資料分析可通過增加輔助功能進行優化分析，例如支付轉化率的提高可以加入倒計時/有xx人同時在搶等等，促使盡快完成支付。

二、資料分析步驟

在做資料分析之前，我們一定要清楚此次資料分析針對的問題是什麼，我們是為了弄清楚某個頁面的到達率呢？還是想要知道使用者行為路徑的整體轉化率？還是想要計算訂單使用者的轉化率？

針對資料分析的問題，再對資料指標進行確定以及拆分，比如訂單使用者的轉化率的定義為訂單使用者/全體使用者，那麼訂單使用者轉化率的指標就拆分為訂單使用者及全體使用者，如果訂單使用者的轉化率定義為訂單使用者/訪問使用者，這個時候訂單使用者轉化率的指標就拆分為訂單使用者及訪問使用者。

資料指標的分析都是為了讓產品或業務更好的發展服務的，我們了解到某個資料指標的變化趨勢之後，對產品的實際意義是什麼。在做資料分析之前就應該要想明白，再基於這個目的，確定我們的分析範圍。只有把範圍確定清楚了，資料分析的結果才會更精準指導產品的改進和解決我們的實際問題。

1.收集

資料的收集方式一般有以下幾種：

（1）問卷調查：一般用於前期的使用者調研或使用者使用情況的主觀感受的獲取，但精度較差，樣本少；

（2）客戶端資料：一般用於對使用者瀏覽路徑的記錄，可通過使用者行為及頁面停留時長等指標分析app的易用型、頁面到達率等指標；

（3）服務端資料及歷史日誌：伺服器端所輸出的資料更為準確深入，對於一些精確度要求較高的資料，建議使用服務端日誌作為原始資料；

（4）業務資料庫：主要使用者業務資料的統計，如銷售額、訂單數量等業務指標。

資料收集後，還需要對收集的資料進行預處理，對一些不符合標準的資料進行剔除。

2.分析

資料的收集只是前期工作，如果對資料進行分析，採用什麼方法進行分析，才是資料分析的核心技術體現。

下面列舉幾種資料分析的方法：

（1）AHP層次分析法

層次分析法，簡稱AHP，是指將與決策總是有關的元素分解成目標、準則、方案等層次，在此基礎之上進行定性和定量分析的決策方法。

以使用者的忠誠度分析為例，忠誠度是一個偏定性的指標，我們需要用定量的數值進行衡量。那麼我們可以用AGP層次分析法來分析，選取使用者使用頻率、最近使用時間、平均使用時長及平均使用頁面數四個可以量化的值進行衡量，產品經理對這四個值的權重進行定義，再對通過矩陣分析，最終可以得到每個使用者的忠誠值，從而可以進行量化比較及分析。

但AHP層次分析法會受人的主觀判斷影響，不同的人的權重分配不同時，可能得到的結果會相差較大，該分析方法存在一定的不客觀性。

（2）杜邦分析法

杜邦分析法的核心思路是把問題一層層分解，直到反映出最根本的問題為止。

以電商行業為例，GMV（網站成交金額）是考核業績最直觀的指標，當GMV同比或環比出現下滑時候，需要找到影響GMV的因素並逐一拆解。GMV下降如果是因下單使用者減少所造成的，那麼是訪客數（流量）減少了，還是轉化率下降了呢？如果是訪客數減少了，那是因為自然流量減少了，還是因為營銷流量不足？

用杜邦分析法會使我們清晰的找到影響結果的原因，特別對一些多個因素都會影響到的資料，是非常有效的分析方法。

（3）漏斗分析法

漏斗分析是一套流程式資料分析，它能夠科學反映使用者行為狀態以及從起點到終點各階段使用者轉化率情況的重要分析模型。現所有網際網路產品、資料分析都離不開漏斗，無論是註冊轉化漏斗，還是電商下單的漏斗，需要關注的有兩點。第一是關注哪一步流失最多，第二是關注流失的人都有哪些行為。

以電商的購買行為為例，從使用者瀏覽商品到完成交易可以分為以下5個步驟：

關注流程的每一個步驟，可以有效定位高損耗節點，例如假設5個步驟的UV人數如下：

通過漏斗分析，可以得到下圖：

我們可以看到，購物車之前的轉化率都較高，但在下訂單的流程中，轉化率急劇降低至35.4%，這裡可能就是需要改進的地方。確定出問題的關鍵節點後，我們可以對該節點的使用者行為進行詳細分析，例如使用者的停留時間、確認訂單頁面的具體事件，做進一步的分析。

3.改進與跟蹤

基於資料找到問題，並找到最優的解決方案，是資料分析的目的；再通過後期的效果跟進及前後資料對比，驗證方案的效果。

三、結語

資料分析是產品經理工作的重要組成部分，依據資料變化來調整產品是有效的工作方式。如何進行資料分析，分析哪些資料，根據資料制定改進方案是每一個產品經理都要熟練掌控的技能，因為幾乎所有的問題，我們都能在資料中找到答案。