去年一整年在项目中与数据打了不少交道，借此做个小结，继续数据方面技能的深入学习。

目录：

数据分析有哪些使用场景？

1.概况监控，2.辅助决策，3.效果验收，4.转化分析，5.特征研究

如何分析数据？

利用“联动”的分析思维，找到数据之间的联系。

怎样提高数据管理效率？

以效率和实用为原则进行数据管理。

常用工具

第三方监测和分析数据工具：友盟、腾讯MTA、GA

常用数据处理和图表制作工具：Excel（Numbers）

正文：

数据分析有哪些使用场景？

1.概况监控

一个产品每天会产生数量庞大的数据，我们无法对每一个数据点进行频繁的关注。
那么，我们便需要确立一些关键数据点，来进行日常的监控，以确保产品正常运营。关键数据点一般包含以下两个方面的数据：基础数据（例如下载量、装机量、有效新增、日活、留存...等）；核心业务相关数据（例如即时通讯工具的发消息量，电商产品的订单量、成交额，内容平台的新内容产生条数…等）。

通过每日对关键数据点的观察，我们能够了解产品运营概况，以便在宏观上做出策略的调整。同时也能够帮助我们在第一时间发现异常，采取整改措施。

2.辅助决策

折扣价格下发给哪个人群？在哪个时间点下发？
使用手势操作还是点击操作？
这个页面要不要给一个分享按钮？
…
我们在项目过程中，常常遇到诸如此类较为细节而又不易直接决策的问题。以数据分析作为佐证，不失为一个有力的解决办法。拿上述例子中的第一个问题来讲，若目标是提升营收，可以先尝试不影响原价购买的方式。这就需要抓出原价购买用户，并列出多个维度的特征（例如年龄、性别、职业、地区、行为...等）进行分析，得到原价购买用户模型。再将用户的生命周期分段，与购买行为比对，得到一条购买量和时间阶段关系的曲线。在下发折扣时，避过特征完全符合原价购买的用户群体及原价购买量最高的时间段。而此方案中最重要的两个因素：用户群体和时间点，都是通过数据分析，得到可靠结果以辅助决策的。

*模型及关系图数据均为虚构数据，用以举例，不作实际参考

2.效果验收

在确立一次优化项目的目标时，应设定好评估模板对应的数据点。项目上线后，这个模板上的数据便能直观反映优化项目是否到位。

在设定验收时间时，可根据具体项目进行调节，以确保验收数据的有效性。

4.转化分析

创建一些漏斗模型，分析每一个步骤的转化，能够帮助我们找到现有流程的症结所在。
之前在观测一款新上线的产品日常数据时，发现新版本上线后第一天注册完成率陡降。将注册流程从填用户名到最后完成进入应用的各个步骤数据拿出来分析，便发现是传照片有很大几率会不成功，在此步骤卡住了很多用户。同步给开发同学后，经验证果然是这个点出了问题。

注册流程、购买流程、运营活动转化...等都是常见的可以借助转化分析来优化的场景。

通过漏斗模型直观反映注册流程每一个步骤的转化

5.特征研究

用户的背景、认知会影响他们的行为。而通过对用户背景、认知及行为特征的研究，可以帮助我们更加了解用户。前面举例中提到的创建“原价购买用户模型”就是一个比较典型的特征研究场景。特征研究是如何具体影响产品的？再举一个例子，为什么婚恋类交友平台会注重展示用户形象照片，而职场社交类产品却相对注重展示工作经历、教育信息等？根据之前做过的一次问卷调研回收的结果，用户线上交友时有73.5%的用户“认为外貌非常重要”。根据这个调研结果，对应的用户群体是如此注重外貌，当然在产品设计的框架上要能够使用户很好展示自我形象，以及高效查看到其它用户的形象。

在做前面提到的问卷调研时，还有一个问题是关于交友时是否看重对方拥有多少资产。问卷刚发出去的前一天，选择“非常看重”的比例占到80%以上。而一周之后，跌落到65%。原因就在于一开始参与问卷调研的只有年轻女性用户，而在后面的阶段加入了稍微年长女性用户及男性用户，才造成了数据的波动。因此在做特征研究时，为了避免偶然性，还需要有足够量的数据作支撑，以及注意对可能造成影响的因素进行细分。

如何分析数据？

分析各个数据点的数据，实际是在分析各个事件的联系，找到前因后果，以总结经验及进行优化。因此在进行数据分析时，“联动”的思维显得尤为重要。这里总结几种常用分析思路：

数据变化与“事件”的联系：比对波动曲线与内部、外部事件时间节点是否吻合，是否受此影响。内部运营活动可能带来日活的增长，而奥运会这样的重大体育赛事则会带来体育新闻的点击和体育论坛的访问。

“黑五”活动引起的用户活跃度数据变化

基础数据与关键数据的联系：找到基础数据和关键数据相互影响的规律。再拿线上交友平台举例，有一个关键数据为好友匹配成功率。通过查看发送好友请求数据与接受请求数据，可以发现当天完成的请求量远超接受量。再进一步查看请求时间与接受时间，发现接受时间有很大部分都超过了请求时间一天。结合观察被发送请求用户的最后登录时间，便可推断出原因之一为被发送请求的用户最近一天不活跃，因此可能无法回应请求。在推荐策略中加入活跃排序后，使得用户更有可能给最近活跃用户发送好友请求，便有效地提升了好友匹配成功率。就此可以得出用户活跃度与好友匹配成功率存在正相关关系。而这样的关系具体可以描绘成一个怎样的模型，又怎样产生作用，就需要进一步研究了。

结果与漏斗上各个环节数据的联系：例如前面提到的注册流程，一个存在多个环节的流程，最终的结果都会被漏斗上的每一个环节影响。通过逐个分析每个环节对最终结果的影响，最后找出出现问题或值得优化的环节。
...

侦探破案，就是不断寻找线索和联系，找到最关键的一点，案情便拨开迷雾。分析产品数据也是如此，因此在分析时要诚实地“取证”（拿取数据），还要充分考虑数据的复杂性，不可放过细节及可能性。


怎样提高数据管理和处理效率？

一开始接触到数据分析，几乎只关注到了去分析数据。而在逐渐深入的工作过程中，发现每次做复盘时，要花大量时间清理数据，或者补充遗漏的老数据点，因而认识到数据是需要整体去主动管理的。在这个部分中，将列举一些实操中总结的Tips，以供参考：

1.命名

一些第三方平台工具命名会分为事件ID和事件名称的命名。事件ID即为一串通常由字母、数字和下划线组成的字符；而事件名称则支持中文，是用来直观解释这个数据点的。
事件和ID命名最好都以功能模块打头，这样便于在列表中进行查找。后面按路径接上第二、三…更多层的操作名称。

例如，事件名称为注册流程上传照片成功，ID则命名为register_pic_successed。
ID命名不宜过长，因此可以使用一些缩写，如图片img，照片pic，按钮btn，用户usr…等等。

2.事件标签

我们都知道，用户有时候完成一个事件并不会只从一个路径到达，或者只在一种状态下完成。若叠加上用户分群的条件，数据点会更加复杂。如果把每一种状态的事件单独做一个数据埋点，会使得数据列表冗长、混乱，不易管理。此时我们便可借助第三方工具提供的事件标签功能（使用过的工具中，GA叫做事件标签，腾讯MTA叫做取值），把一个事件管理起来。

举一个例子：
有一个事件是用户点击确认上传图片按钮。而用户可能在注册流程上传照片，也有可能注册完成后再次更换头像。这样就可以为此事件添加“注册传照片”和“更换头像”标签，以达到能够统一管理照片上传事件的数据，又能分别查看不同标签数据的目的。

3.确定测量标准

在完成一个项目方案时，或许我们已筋疲力尽，急着机械地将埋点列表整理提交给开发同学。而到了真正要使用数据时，可能发现列表上有遗漏，或者一大堆数据点不知从何入手。

一个解决办法是，提前整理分析思路，确定好此次项目要达成的目标，以及这个目标的达成体现在哪些数据的怎样变化上。

4.检查埋点是否生效及正常

如有条件，在产品正式上线前由测试部门支持，把关埋点是否正常工作，是非常必要的。而在上线后，我们也应在第一天检查新添加的埋点数据是否生效，跑出的数据是否合理。这样才能避免一个周期之后，待验收时才发现数据埋点不正常，导致项目优化滞后。

5.确定Review节点

为避免数据Review的遗漏，应设定严格的时间节点。根据具体项目涉及到的目标不同，时间节点也可能不同。例如要验收关于会员续费策略的效果，若会员充值至少是月费制的，便需要将观察的时间线拉长。而一些即时性的策略，如双十一打折活动，便需要实时地，频繁地观察。

6.制作带有公式的表格

一些涉及到计算的数据，我们可以提前根据复查模板制作好表格，并为需要计算的数据设定好公式。这样一来在每次Review时，直接将拿到的数据填充进表格便能得到想要的结果，以及直观与先前面阶段的数据进行对比了。


常用工具

用过的第三方监测和分析数据工具有：腾讯MTA、GA、友盟。其中腾讯MTA和GA实测都支持为事件添加标签，用户分群，异常波动提醒等常用功能。

常用数据处理和图表制作工具：Excel或Numbers。关于数据处理的函数表达式和图表制作，这里就不作赘述了，百度有很多~

腾讯MTA实用功能介绍戳这里，看了就可以用起来~

你还可以读读这些：
UX设计师如何推进方案落地？
2018年设计趋势（上篇）
2018年设计趋势（下篇）