輕松三步搞定數據統計分析：統計+分析+可視化！

作者：曉莊同學產品筆記 2021-06-10 09:53:04

我們都知道，數據是支撐決策的重要依據，于是我們可以看到，幾乎所有的產品，都會具有數據統計分析的功能模塊。往大了說，比如數據中臺;往高端了說，比如數據大屏、數據看板、數據駕駛艙;往本質了說，其實就是數據的統計分析。作為一個非數據型產品經理，或者是初級產品經理，該怎樣設計這個功能模塊呢?

如果你剛好為此苦惱，不妨試一下我最近研究的這三步曲：統計+分析+可視化!

前言

關于數據統計分析，首先表達一個我蠻認同的觀點：

好的數據分析師，要像眼科醫生一樣：配眼鏡可能有很多專業的方法，有很多專業的工具，可在配的過程中，醫生糾結的不是自己的理論，而是關注用戶看得清不清楚，不斷問用戶“這樣可以嗎?這樣更清楚嗎?再這樣試試呢?”
—— 接地氣的陳老師

相信在工作中，大家經常會碰到一些“孔乙己”式的數據統計分析，一開口就是“xx 指標體系”，再加上一大堆什么“權威的、標準的、BAT 認定的”這之類的修飾詞匯。這特么就是典型的虛假數據分析啊，因為這些大多數時候，耗時費力，卻沒有解決實際問題。

并且這種虛假的數據統計分析，還有它遵循的理論模型：

而真正的數據統計分析，就像太極拳的精髓一樣：“只重其義，不重其招，你忘記所有的招式，就練成太極拳了。”(以解決業務問題為根本)

統計

要搞數據的統計分析，那第一步我們得先有數據，也就是數據的統計工作。提起數據統計，那自然繞不開數據埋點。如果你們公司從來沒整過埋點這個事，那也不用大費周章，因為界內已經有很多成熟的埋點公司了，例如神策、友盟等等，直接花錢辦事就完了，也不貴。

我們今天研究的，是通過埋點，能夠獲得哪些數據呢?總結下來，大概有這么五類：

埋點獲取五類數據

整體概況
用戶獲取
活躍與留存
事件轉化
用戶特征

來來來，我們逐個剖析一下，這幾類數據，具體都包含什么，以及獲取這些數據有啥用。

1. 整體概況

實時數據意義：可以獲取到每個小時的產品實時數據，幫助你了解產品目前的實時情況。
使用概況意義：產品整體的使用情況，包括用戶量、訪問情況、留存等，幫助你對產品整體指標有一個大致的了解。

2. 用戶獲取

渠道訪問意義：每個渠道的用戶的使用情況，包括渠道中新用戶的占比、留存等，幫助你了解產品在獲客層面上的優勢與不足。
版本數據意義：每個版本的使用情況，幫助你了解在產品升級的過程中，是否在活躍和留存方面有所改善。

3. 活躍與留存

訪問流量意義：產品的每日訪問數據，指標集中在新老用戶的訪問行為上，提供訪問次數、時長、次數分布、訪問時段高峰等指標，幫助了解新老用戶在使用產品時的一些行為特征。
用戶留存意義：提供用戶 7 日，次日，次周，次月留存的數據，幫助你了解新老用戶的使用粘性。

4. 事件轉化

自定義事件意義：用戶自定義關鍵事件，系統會自動生成該事件的發生次數、人數以及分布情況，也就是能夠看到用戶都在干啥。
收益類事件意義：用戶自定義收益類事件，系統會自動生成該事件的發生次數、人數以及分布情況，會根據你選擇的數值類型屬性，計算該數值的總值、人均值以及次均值。也就是能夠看到用戶都咋花錢的。

5. 用戶特征

用戶特征意義：能夠看到我們的用戶，都是哪些牛鬼蛇神~

分析

有了埋點的數據以后，那就是怎樣利用這些數據，充分發掘這些數據的價值了。數據分析的套路就更多了，把下面這些學會，應該“二八原則”里面的“八”就能夠搞定了~

1. 常見的數據分析指標

綜合性指標：反映產品的整體情況。
流程性指標：反映用戶的使用行為。
業務性指標：反映具體的業務情況。

2. 常見的數據分析維度

數據細分：通過不同的細分維度分析，往往可以追溯到問題發生的原因，還能為后續的一些動作提供參考依據。
數據對比：沒有對比就沒有傷害，一方面是橫向比較，即自身和別人進行對比，如常見的同比、環比;另一方面是縱向比較，即自身和自身進行對比，比如行業競品、全站數據、AB 測試等。

3. 常見的數據分析方法

HEART 模型：Google HEART 模型的提出，可以讓大家反思自己的產品設計思維，同時運用相關設計工具去提高 HEART 五項指標來完善用戶體驗，打造更好的產品。

AARRR 模型：該模型出自于《增長黑客》，它是在 2007 提出，當年的獲客成本還比較低廉，而這種模型很簡單又很直觀地突出了增長的所有重要元素，所以這個模型很長時間內都很受歡迎。RARRA 模型：而現在獲客的成本與日俱增，市場情況和 2007 年已經完全不同。現在黑客增長的真正關鍵在于用戶留存，而不是獲客。于是，一個突出了用戶留存重要性的模型 RARRA 誕生了。