編輯導讀：數據分析是每個產品經理入門必備的重要技能，它可以幫助產品經理不斷優化產品設計和迭代，驅動產品和用戶增長。具體包括哪些方面？本文作者從4個方面展開了梳理總結，與大家分享。

數據分析，是每個產品經理，尤其C端產品都應該具備的基礎能力。

上一個功能，迭代一個版本，做一次重構，每個產品經理都在做的事，都離不開價值驗證。

功能是不是帶來更好的數據結果？為什么數據出現下滑？下滑的根本原因是什么？還受了其他哪些因素的影響？如何制定相應策略來提升？

這些都需要通過數據分析才能解決。

數據分析是區分一個普通產品經理和高級產品經理的分水嶺，也是【做】和【怎么做、為什么這么做】的核心依據。

01 找問題

數據分析最常用的一個場景，就是找問題。

交易類的app，是非常適合做數據分析練手的，因為交易類app涉及到的場景相對較多，鏈路相對復雜，而且涉及支付等重要用戶行為。沒有中間環節的數據支持，你無法準確知道用戶群體在app內的行為和心理。

假如我們當前遇到一個問題：“某個頻道的交易額驟減！”

找問題，首先要確定關鍵指標，即哪些指標決定著交易額。

1. 首先是流入頻道的UV
2. 從頻道落地頁—商品詳情頁的轉化率
3. 從瀏覽—下單的轉化率
4. 從下單—支付的轉化率
5. 優惠券等虛擬資產的使用率

這里的關鍵指標，就是指能夠精準解釋交易額驟減的指標。而往往我們所說的北極星指標，則是衡量項目的核心結果指標，有所差異。

制定關鍵指標，就是通過業務鏈路漏斗找出上游環節的核心指標。這些指標每個的變化都會嚴重影響最終的北極星。

02 數據拆解

以進入頻道的UV為例，我們要看UV有沒有出現大幅的變化，假如UV出現了大幅的下降。

那么我們就要梳理出進入該頻道的所有流量來源。

比如通過公眾號進入，通過app我的進入、app頻道金剛區進入、app消息通知進入、通過小程序進入、通過優惠券進入等。

那么這么多渠道，到底是哪個渠道才是問題所在？毫無疑問，我們需要對每個渠道的流量來源進行歷史比較，找出真正下滑幅度最大的那個渠道，當然這里可以優先排查占比較大的渠道，因為哪怕占比小的渠道，其實下滑很多也很難影響大盤。

數據的拆解，本質上就是對數據鏈路的追溯，通過一層層的數據依賴關系，找出最源頭的問題，并能夠指導大家如何解決問題。

03 維度

數據維度，是數據分析中非常重要的一部分。

缺乏了維度的數據分析，就像缺乏場景談需求一樣沒有意義。

數據維度，簡而言之就是通過不同的角度，去看數據背后的意義。

比如【從瀏覽—下單的整體轉化率20%】

1. 直接看好像有點低；
2. 跟歷史一對比（歷史10%），高了一倍；
3. 跟其他電商（50%）進行對比，一半都沒有；
4. 從渠道入口來講，通過【我的】進入頻道頁的轉化率有40%，而通過【金剛區】進入頻道頁的轉化率只有10%，說明頻道頁的轉化率是明顯偏低的；
5. 從人群角度來講，30-40歲用戶轉化率為50%，而20-30歲、40歲以上的都只有10%，說明這兩個年齡層的轉化率是明顯偏低的；
6. 從商品品類來講，女裝類的轉化率高達70%，男裝的只有10%，說明男裝的轉化率明顯偏低

你會發現從不同的維度去看數據，能得出完全不同的結論，可見維度選擇的重要性。

一般來說，選擇維度只選自己需要的維度，比如你想進行個性化推薦，那么你毫無疑問需要關注人群和商品品類的維度，因為這兩個維度的數據分析能決定你是否能夠精準推薦。

04 深度

數據的深度，并不是簡單的拆解數據，而且挖掘數據背后的真正帶來價值的東西。

比如我們針對某塊業務入口區域A做了一個優化，增加了很強的營銷屬性，導致進入這個區塊A的流量大增，進而帶來額外的gmv增長。

看上去，這是一次非常成功的設計。

但是真相是這樣嗎？我們發現同一頁面的另一塊業務入口 B 的 UV 大降，同時該業務的 GMV 也大降，總體降幅甚至超過了 A 所帶來的 GMV增長。

從整個大盤來講，A的增長并沒有帶動整體增長，甚至引起了整體下降，因此這其實是一次【失敗】的迭代。

同樣的例子其實很多，比如某個功能后，通過一些優惠券營銷裂變，不斷拉新，有很多人領取優惠券進入平臺，UV大增，但是最后一盤算，GMV幾乎沒有任何增加，反倒客單價低了很多。那么這個營銷活動到底算不算一次成功的活動呢？

這就是數據分析的深度，數據能證明，也會說謊。

我們日常在進行數據分析的時候，會交叉的使用不同的分析方式，而且上述介紹的也只是數據分析最基礎的能力，對于大部分產品經理來說，能夠熟練運用上述能力，基本能解決80%以上的數據問題。