回顾下前⽂：
数据分析（⼀）：认识数据埋点
数据分析（⼆）：数据埋点管理
本⽂在前⽂基础上，将介绍⼀下埋点数据分析。
⼀、常⽤的数据指标
UV（unique visitor）：是⽹站独⽴访客和独⽴⽤户，指访问某个⽹站的独⽴IP的数量，00:00-24:00内相同的IP只被计算⼀次。
PV（page view）：是指⽹站的页⾯访问量，统计的是⽤户打开⽹站的次数。
DAU（daily active user）：是指⽇活跃⽤户，是统计⼀天内⽤户登录或使⽤产品的⽤户数（去除重复⽤户数）。 WAU（week active user）：周活跃⽤户，是统计⼀周内⽤户登录或使⽤产品的⽤户数（去除重复⽤户
数）。游戏中的数学
MAU（month active user）：是指⽉活跃⽤户，是统计⼀个⽉内⽤户登录或使⽤产品的⽤户数（去除重复⽤户数）。
PCU：最⾼同时在线⼈数
垄断优势理论DNU（daily new user）：⽇新增⽤户。
转化率：在统计周期内，完成转化⾏为的次数占总数的⽐率。计算⽅法是某种产出除以独⽴访客或是访问量，根据转化率可以反映运营活动是否有效。⽐如某天通过运营活动100个⼈下载打开了APP查看了活动，但是只有50个⼈完成了注册，那么注册转化率就是50%。
留存率：在⼀定的周期后，每⽇活跃⽤户数在第N⽇仍启动该App的⽤户数占⽐的平均值。其中N通常取2、3、7、14、30，分别对应次⽇留存率、三⽇留存率、周留存率、半⽉留存率和⽉留存率。
活跃度：主要衡量产品的粘性，⽤户的稳定性以及核⼼⽤户的规模，观察产品在线的周期性变化，如⽇活、⽉活。
影子价格跳出率：跳出率可以分解到两个层次：⼀是整个应⽤的跳出率，⼆是重点的着陆页的跳出率，甚⾄是
搜索关键词的跳出率。跳出率的指标可操作性⾮常强，通过统计跳出率可以直接发现页⾯的问题，发现关键词的问题。 其中，DAU和UV区别是：
1、DAU是⽇活跃⽤户数量；UV是⽹站独⽴访客。
屯留二中2、DAU有时间限制，是计算在⼀⽇之内，不重复的访问⽤户数量；UV没有时间限制，使⽤UV作为统计量，可以更加准确的了解单位时间内实际上有多少个访问者来到了相应的页⾯。
3、DAU主要是计算登录或使⽤了某个产品的⽤户数；UV是计算在单位时间内实际上有多少访问者访问⽹站。
⼆、数据评估和数据分析
在⼀段时间的数据采集之后，排除掉异常数据后，形成相应的数据样本，就可以进⾏数据分析了。
1、异常数据排查
若近期发⽣的数据骤增或骤降的情况，我们可以从宏观、中观、微观三个层次逐步排查。
（1）宏观社会因素：宏观的社会效应，是由于⼤环境的变换影响整个⾏业，导致产品数据突增或突降，如： 假期效应：国庆节，导致全国⽤户出⾏暴增，从⽽导致携程等旅游产品⽤户数据暴增。
政策影响：深圳政府7.15房地产制度，提出购房指导价，对整个深圳的房地产都产⽣了不⼩的冲击，进⽽导致买房app在此期间⽤户访问数据下降。
（2）中观市场因素：中观的市场因素，是由于⾏业变化或短期市场波动导致的，如：
热点事件：315点名导致平台品牌受损，⽤户访问量下降。
⼤型活动：双11、618等活动导致电商平台影响。
谱世界
语义网络分析竞品调整：竞品上线新功能或新的运营能⼒，如爱奇艺上线超前点播功能，对优酷、腾讯视频⽤户产⽣影响。
城市因素：如某城市突降暴⾬，导致该城市打车⽤户突增，滴滴的产品数据也猛然上涨。
（3）微观内部因素：如果宏观和中观都排除之后，通常就是产品本⾝出现了问题，如：
产品版本迭代：产品上了新功能模块，导致某页⾯访问⽤户增加或减少。
运营策略：如运营做了产品推⼴策略，导致⼀段时间内产品⽤户突增。
底层数据问题：如上报逻辑出错，导致多渠道数据埋点未能正常上报。
为了减少异常数据发展成更为严重的产品事故，也为了提⾼我们的⼯作效率，我们可以在产品的核⼼流程中，增加告警上报机制。
2、常见的分析⽅法
漏⽃分析：漏⽃分析是漏⽃图，有点像倒⾦字塔，是⼀个流程化的思考⽅式，反映⽤户⾏为状态以及从起点到终点各阶段⽤户转化率情况的重要分析模型。⽐如电商的购买下单路径，从浏览商品到最后下单购买成功，每⼀个步骤的转化率是多少，对于漏的⽐较多的那个步骤我们肯定要着重关注，分析原因。
对⽐分析：是通过实际数与基数的对⽐来提⽰实际数与基数之间的差异，借以了解经济活动的成绩和问题的⼀种分析⽅法。通常⽤于对⽐迭代前与迭代后的数据对⽐。
分布分析：是指通过对质量的变动分布状态的分析中发现问题的⼀种重要⽅法。通常⽤于分析特定⾏
为的在某个维度的分布情况，可以展现出⽤户对产品的依赖程度，分析客户在不同地区、不同时段所购买的不同类型的产品数量、购买频次等。⽐如电商APP的下单⾏为，⼀天24h的下单量分布，来分析⼀天内哪个时间内是下单⾼峰期。
⽤户路径分析：是⽤户在APP或⽹站中的访问⾏为路径。为了衡量⽹站优化的效果或营销推⼴的效果，以及了解⽤户⾏为偏好，时常要对访问路径的转换数据进⾏分析。以电商为例，买家从登录APP到⽀付成功要经过⾸页浏览、搜索商品、加⼊购物车、提交订单、⽀付订单等过程，⽽在⽤户真实的选购过程是⼀个交缠反复的过程，例如提交订单后，⽤户可能会返回⾸页继续搜索商品，也可能去取消订单，每⼀个路径背后都有不同的动机。与其他分析模型配合进⾏深⼊分析后，能为到快速⽤户动机，从⽽引领⽤户⾛向最优路径或者期望中的路径。
留存分析：⽤来分析⽤户参与情况/活跃程度的分析模型，考察进⾏初始⾏为的⽤户中，有多少⼈会进⾏后续⾏为。这是⽤来衡量产品对⽤户价值⾼低的重要⽅法。常见指标有次⽇留存、7⽇留存、15⽇留存、30⽇留存等。
上述是⼀些常⽤的分析思路，除此之外还有很多：点击分析、⽤户分分析、属性分析、⾏为事件分析等等。
三、解决⽅案
产品经理的职责就是发现问题，然后解决问题。通过数据分析来定位问题，到影响上述量化指标的产品问题点，然后对症下药，制定解决⽅案。⽐如，是否在设计上改进，或者是否是隐藏的 bug。
根据产品问题制定的优化⽅案上线后，我们的⼯作也还没结束，重点要观察对应的指标有所提⾼或者降低，与优化前的版本相⽐较是否有所改善，很多时间往往不可能⼀步到位就把问题解决掉，需要迭代优化，不断通过数据跟踪来修正设计策略，达到我们最终的设计⽬标。
四、写在最后
1、只有前期将埋点规划好，后期才可能做⽤户⾏为分析，⽽且埋点的分层做的越细致，可分析的维度也就越细致。要统计的数据庞⼤时，建议分阶段分版本进⾏埋点，先对主要事件关键路径进⾏埋点，⼀步⼀步完善。
2、我们要养成看数据的习惯。我们在分析事情，或说服他⼈的时候，都能⽤数据来证明⾃⼰的想法。在看到数据时，要会去思考数据的合理性与准确性。培养数据感和产品感⼀样，都是需要我们长时间对数据的思考、沉淀和积累之后，实现从量变到质变的过程。
3、⼀个懂数据分析的产品经理可以利⽤数据驱动产品设计优化，并提升客户体验，实现更多的价值。
阅读原⽂
对产品经理感兴趣的朋友，可以移步“产品经理做什么”，期待共同交流。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议