数据分析的方法论

发布时间：2024-12-17 02:49

作为产品方向的把控者，产品经理每做出一次决策的时候，都应该避免“我觉得”这类的主观拍脑袋的决策方式，而是以数据作为论据，因此数据分析的准确性与专业度，往往决定了一个产品发展。

下面简单来说下数据分析的方法论：

一、数据分析的思路

1. 基于用户路径

基于用户路径的思路是分析用户的操作行为，主要根据每位用户在App或网站中的点击行为日志，分析用户在App或网站中各个模块的流转规律与特点，挖掘用户的访问或点击模式，进而实现一些特定的业务用途。如App核心模块的到达率提升、特定用户群体的主流路径提取与浏览特征刻画，App产品设计的优化与改版等。通过分析用户的路径行为，我们可以得出的典型路径，从而对典型路径进行针对性的优化。

另外对于用户路径分析是一个定义用户画像标签化的较好方法，例如对于一款社交类的电商app，我们可以通过用户的app使用操作数据来进行划分用户，对于一个话题主动分析制作帖子的创造主动型用户、热衷于点赞评论的互动型用户、默默看帖子不作反馈的潜水型用户。

2. 基于产品节点

基于产品节点的思路是通过某一个关键节点的转化率或数据占比的分析，比如说对于一个电商app，加入购物车到下单成功的数据转化率分析，优惠券的使用率分析，基于关键节点的数据分析可通过增加辅助功能进行优化分析，例如支付转化率的提高可以加入倒计时/有xx人同时在抢等等，促使尽快完成支付。

数据分析步骤

针对数据分析的问题，再对数据指标进行确定以及拆分，比如订单用户的转化率的定义为订单用户/全体用户，那么订单用户转化率的指标就拆分为订单用户及全体用户，如果订单用户的转化率定义为订单用户/访问用户，这个时候订单用户转化率的指标就拆分为订单用户及访问用户。

数据指标的分析都是为了让产品或业务更好的发展服务的，我们了解到某个数据指标的变化趋势之后，对产品的实际意义是什么。在做数据分析之前就应该要想明白，再基于这个目的，确定我们的分析范围。只有把范围确定清楚了，数据分析的结果才会更精准指导产品的改进和解决我们的实际问题。

1. 收集

数据的收集方式一般有以下几种：

问卷调查，一般用于前期的用户调研或用户使用情况的主观感受的获取，但精度较差，样本少；客户端数据，一般用于对用户浏览路径的记录，可通过用户行为及页面停留时长等指标分析app的易用型、页面到达率等指标；服务端数据及历史日志，服务器端所输出的数据更为准确深入，对于一些精确度要求较高的数据，建议使用服务端日志作为原始数据；业务数据库，主要用户业务数据的统计，如销售额、订单数量等业务指标。数据收集后，还需要对收集的数据进行预处理，对一些不符合标准的数据进行剔除。

2. 分析

数据的收集只是前期工作，如果对数据进行分析，采用什么方法进行分析，才是数据分析的核心技术体现。

下面列举几种数据分析的方法：

（1）AHP层次分析法

以用户的忠诚度分析为例，忠诚度是一个偏定性的指标，我们需要用定量的数值进行衡量。那么我们可以用AGP层次分析法来分析，选取用户使用频率、最近使用时间、平均使用时长及平均使用页面数四个可以量化的值进行衡量，产品经理对这四个值的权重进行定义，再对通过矩阵分析，最终可以得到每个用户的忠诚值，从而可以进行量化比较及分析。

但AHP层次分析法会受人的主观判断影响，不同的人的权重分配不同时，可能得到的结果会相差较大，该分析方法存在一定的不客观性。

（2）杜邦分析法

杜邦分析法的核心思路是把问题一层层分解，直到反映出最根本的问题为止。

以电商行业为例，GMV（网站成交金额）是考核业绩最直观的指标，当GMV同比或环比出现下滑时候，需要找到影响GMV的因素并逐一拆解。GMV下降如果是因下单用户减少所造成的，那么是访客数（流量）减少了，还是转化率下降了呢？如果是访客数减少了，那是因为自然流量减少了，还是因为营销流量不足？

用杜邦分析法会使我们清晰的找到影响结果的原因，特别对一些多个因素都会影响到的数据，是非常有效的分析方法。

（3）漏斗分析

漏斗分析是一套流程式数据分析，它能够科学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。现所有互联网产品、数据分析都离不开漏斗，无论是注册转化漏斗，还是电商下单的漏斗，需要关注的有两点。第一是关注哪一步流失最多，第二是关注流失的人都有哪些行为。

以电商的购买行为为例，从用户浏览商品到完成交易可以分为以下5个步骤：

关注流程的每一个步骤，可以有效定位高损耗节点，例如假设5个步骤的UV人数如下：

3. 改进&跟踪

基于数据找到问题，并找到最优的解决方案，是数据分析的目的，再通过后期的效果跟进及前后数据对比，验证方案的效果。

三、结语

数据分析是产品经理工作的重要组成部分，依据数据变化来调整产品是有效的工作方式。如何进行数据分析，分析哪些数据，根据数据制定改进方案是每一个产品经理都要熟练掌控的技能，因为几乎所有的问题，我们都能在数据中找到答案。

本文由 @why 原创发布于人人都是产品经理。

方法论：就是关于人们认识世界、改造世界的方法的理论。方法论在各行各业都以各式各样的形式存在，它如同指南针一样，科学的指引着我们到达目的地。在数据分析过程中，也存在这样一个对整体工作起指导作用的思路模型，即数据分析方法论。接下来我们从以下两个方面来了解数据分析方法论。

什么是数据分析方法论？有哪些数据分析方法论？

那么什么是数据分析方法论？要引入数据分析方法论这个概念，首先我们弄清楚数据分析方法论和数据分析方法的区别：

数据分析方法论：它是从宏观角度指导我们如何进行数据分析，它更像一个规划图，告诉我们项目的整体框架、从哪几个方面进行数据分析、各方面又包含什么内容和指标，先分析什么后分析什么，它会给我们更加科学合理的分析思路，不断指导我们后期数据分析工作的开展。

数据分析方法：它是从微观角度指导我们如何进行数据分析，它数据分析中具体采用什么样数据分析方法，比如对比分析、相关分析等常用的分析方法，也可以是机器学习、深度学习中算法。

数据分析步骤一般分为：

数据分析的流程

在日常学习或者工作中，初学者接触的所谓的"数据分析"大概率的是数据分析方法，比如如何使用分析工具（python、R、excel、SQL、hadoop、spark 等分析工具）对数据进行收集处理，然后利用分析方法（统计学、概率论、机器学习、深度学习等方法）对数据进行分析建模，最后利用可视化工具（PPT、Tableau、PowerBI）对分析结果进行可视化展示以及报告的撰写。在数据分析的过程中，我们常常会遇到以下各种问题：

不知道从哪几个方面开展分析？分析的指标和内容是否完整？最终的分析结果是否有效？

像我这样的初学者经常遇到上述情况，出现这种情况无非这两个原因：一、分析者对业务了解不够；二、没有科学合理的方法指导。这两者都非常重要，只有当实际业务在科学的方法论的指导下，分析的结果才更加科学更加具有说服力。

在数据分析流程中，明确分析目的和思路是数据分析的第一步，也是最重要的一步。一般来说，数据分析的目的越明确，分析的结果就越有价值。明确目的后，需要梳理思路，搭建分析框架，把分析的目的拆解成若干个不同的分析要点，然后针对每个分析要点确定分析方法和具体的分析指标，最终我们确保我们的分析框架体系化，使分析结果更加具有说服力。而数据分析方法论可以保证分析框架体系化，这也是我们要学习数据分析方法论的原因。

那么有哪些数据分析方法论?数据分析方法论主要分为营销方面理论模型和管理方面理论模型：

数据分析方法论