大數據時代，數據分析幾乎成為各行各業從基層到高層員工的立身之本，但是真正會將數據分析應用到實踐中的人極少，下面本文將從以下兩部分分享數據分析如何真正應用到實踐中：

1.數據分析的通用方法，以及如何與業務結合。

2.在實際產品迭代過程中，如何利用數據進行搭建。

神策數據經常提數據驅動，那麼數據驅動到底是什麼意思呢？

什麼是數據驅動？

首先，是業務訴求到數據需求的轉譯。

在這個過程當中，有時連一些專業的數據分析人員都認為根本無從下手，他們不知道尋找什麼樣的數據去代表現在的業務。所以該階段的核心，要先搞清楚業務訴求，落實清楚客戶究竟希望解決何種問題，並轉譯成何種數據需求，以及能夠代表的問題又是什麼。這是訴求到業務應用的第一個步驟。接著，在數據需求明確的情況下，

第三步——數據分析。我們用找到的數據源與分析方法，通過交叉、分群等分析思路診斷定位問題，但數據分析對實際業務應用還存在著距離。因為我們雖然發現了數據特徵，但是數據表現意味著“業務有什麼問題？用什麼方法能夠解決這個問題？”等方面內容。

所以，第四步“數據表現到業務特徵提取”和第五步“業務特徵到解決方案的追索”就是數據驅動對業務產生最大幫助的兩個環節，但由於職能邊界、深度配合以及人員能力等問題，導致許多公司在這兩步驟上的應用和處理能力較弱。

其實，許多產品本身包含運營活動、渠道分析等內容，因為產品最終是所有業務的沉澱，數據的業務特徵最終都要通過產品承載，產品分析最終其實會涵蓋絕大多數業務場景。那麼，數據分析到底是如何與產品應用結合的呢？下面為大家展開介紹。

常用的數據分析指標有哪些？

1.滲透率

其中日活滲透率最常用，即 DAU 裡面每天都是什麼情況。每天有 10 萬人登錄，其中 10% 的人做了什麼，每天業務產生價值就是 10%，當滲透率提升到 30%，意味著價值提升了 3 倍。所以，滲透率是很多產品夢寐以求實現的大盤基礎。

曝光點擊率也是常用的數據指標，很多時候，曝光資源非常緊張，尤其是在平臺運營位資源有限的情況下，提供什麼樣的產品內容，對最終價值有著重要的意義。所以我們會評估曝光點擊率，如果產品對 100 萬用戶做了產品曝光，最終只有 10 萬人點擊，那曝光點擊率就只有 10%。另外，在何種入口設計成何種樣式，才能讓入口展示變得更有吸引力，也是提升滲透率的例子。

2.轉化率

轉化率直接代表產品功能有沒有完成對用戶的基礎轉化，神策分析在轉化率中提供了非常重要的功能——窗口期設置。比如電商用戶選擇購買日用品的決策相對較快，窗口期設置為 1 個小時或 1 天都是合理的，運營人員可以在窗口期看到用戶是否完成轉化。但如果面對的是理財或投資類產品，涉及比價、實名認證、綁定銀行卡等步驟，用戶決策週期很長，所以窗口期的設置時間就要從產品本身的特點出發。

3.留存流失率

神策數據的分析師及諮詢團隊在做具體功能診斷時，除了關注上述兩個數據指標外還會關注產品的留存與流失情況。留存通常意味著用戶的整體體驗是較好的，所以最終價值的傳遞效果也是較好的。留存率一般作為這種長期綜合評估產品價值的指標，所以如果客戶做產品的增長體制，相比留存率而言，上述提到的轉化率可能並不是很好的綜合指標。

4.用戶路徑和分佈

這兩種分析指標相對少見，因為這樣的應用場景非常強調對數據的理解。客戶可能發現轉化率與滲透率表現都不太好，所以特別希望知道表現不佳的原因，希望能看到用戶流量在各環節發生了什麼，以及流失點在哪，所以這是相對微觀的數據指標。而分佈是黏性價值的體現，用戶今天登錄 10 次與登錄 1 次、使用 1 個小時和 10 秒鐘的價值不一樣，所以分佈能較好的衡量用戶整體質量與黏性的分類維度。

數據分析的類型及思路

功能/體驗分析。功能從入口到最終的出口轉化怎麼樣？達到的比例效果如何？留存表現怎麼樣？這是功能留存裡面關注的三個維度。

頁面/場景分析。其中，交互點擊率/點擊頻次，印證了用戶交互的比率與交互深度有多少。另外，核心功能中的入口功能有沒有促進場景的轉化，以及最後的留存表現也是很重要的考察維度。

內容策略分析。看內容策略優劣與否，一般查看推薦產品的用戶曝光點擊率、有效交互率，比如說用戶在短視頻平臺上播放了 30% 或者 50% 是一次有效的交互，那這樣的有效交互就是與自己業務有關的數據。另外，需要分析深度轉化率以及留存表現。

神策數據強調數據分析對業務產生價值，所以我們要考慮很多維度，甚至客戶的營收維度都需要考慮，因為分析維度太片面或者太淺，就不可能關聯到真正的業務場景。接下來與大家分享一個採集的思考框架，究竟怎麼把用戶的設計轉化為採集埋點。

首先是採集範疇，我們要思考入口來源在哪裡，是否進行了採集，核心交互是否採集，以及出口分流場景有沒有采集。

第二是採集時機，很多人不清楚採集數據代表的含義，其實是不清楚數據源到底是在什麼階段採集的。比如註冊，註冊可以被細分到很多場景中，前端操作做了註冊按鈕的提交，代表用戶有註冊意願，但如果當前網絡狀況不好，前端的請求就發送失敗。用戶從有意願產生到意願最終成功到服務器是一個成功的路徑，可是如果驗證碼收不到，那麼當然不能用請求發出事件代表用戶註冊意願，接下來就是圍繞軟硬件環境、業務特徵、業務結果、用戶分類方面的屬性維度。

神策數據在為用戶推薦採集策略的時候，通常會讓客戶思考清楚到底希望何種業務特徵數據在何種場景以何種時機採集，才能符合客戶的業務需求。

事件屬性：使用環境維度

此類使用環境維度包括軟件環境、硬件環境和網絡環境。其中，軟件環境包括操作系統、操作系統版本、應用版本；硬件環境包括：端口、機型、品牌、分辨率；網絡環境包括2G、3G、4G、WIFI 等。比如分辨率在安卓機型上比較複雜， H5 頁面就會常常導致很多業務出現兼容錯誤，而兼容性有問題的話，業務就沒有辦法操作。所以，在產品發佈新功能的時候，如果出現業務異常，可以直接從三種使用環境維度中尋找原因，比如說新版本出現問題而舊版本沒有，這就說明後端業務功能沒有問題，僅僅是該版本出現異常情況。

事件屬性：業務關聯的維度

業務關聯維度強調對業務的理解以及維度採集是否全面，也就是數據採集的時候，是否可以很準確地下鑽。舉個例子，影響支付成功率的核心維度有哪些？第一，支付端口。支付端口細分為 H5、微信端、IOS、安卓、PC 端等。接下來，支付通道、支付方式、支付銀行卡等都可以持續細分。維度下鑽強調大家對業務的理解，以及分析思路跟業務的強匹配。

分群分層：人群+場景的差異化

其中包括偏好差異、階段差異與場景差異。常見的分層分群思路：

1.用戶生命週期。到底是新用戶、老用戶，還是迴流用戶？

2.目標受眾。是潛在用戶、核心用戶還是邊緣用戶？如果是核心用戶在某些指標上問題比較大，其實說明問題很嚴重。如果是邊緣用戶，那麼該群體在數據上的相對下降是正常的。

3.用戶特徵。指用戶的年齡、性別等特徵，比較常見。

4.興趣偏好。指用戶喜歡的二次元、古風、韓風等，比較常見。我們在用戶行為採集、調研裡面關注最後兩個特徵，因為後臺服務器很少能採集到這兩類數據。所以，我們用這類特徵的時候，要用人口學調研數據抽樣檢測人群差異，輔助使用服務器數據。

接下來跟大家分享一個工作中的實例——視頻產品新增流失分析。

首先，用 5W2H 分析產品流失的整體情況。比如，到底什麼算是流失？什麼人流失？什麼時候流失？什麼地方流失？為什麼流失？怎麼流失的？有多嚴重？接著根據流失情況思考要如何解決問題，降低流失率。老闆都希望在這兩類問題上反饋給他相應的回答。

那麼流失率當然是分析該問題的常見指標。接著我們要去定義流失行為，比如對本身使用頻率偏低的產品，可能會將流失週期定義為 30 天，如果是一個高頻的社交產品、遊戲產品，流失很可能定義為 7 天已經足夠。那用什麼樣的具體行為來衡量呢？——App 啟動。一些對“定義”嚴格的企業會非常關心用戶細緻的具體行為，通過用戶啟動 App 觀看視頻的這一操作，判斷用戶是否流失以及設定定義特徵等。然後通過流失程度、趨勢、階段、行為特點來分析流失特徵。

接下來就涉及到流失的原因分析。我們要思考為什麼會出現流失、流失的場景是什麼、用戶的主觀感受是什麼，是沒有辦法滿足用戶需求？還是有更好的產品把你取代？同時產品體驗也是原因分析裡面比較重要的判斷標準。流失去向、迴流可能性及條件、影響維度、分群分層等也是另外幾個方面的分析思路。

另一個很重要的分析維度——數據源。

我們用數據表徵分析一個產品，會涉及到提取規則。而傳統 BI 的提需求流程冗長，業務人員使用起來也非常困難，一旦 BI 提數據時產生錯誤的理解或者遺漏，那麼提取的東西將無法符合需求，時間成本極高。而我們在對數據源的定義上，審查的比較嚴格，我們不想增加任何一道使用門檻，我們希望用門檻把命題體系化，用更好的科學方法分析問題。

既然分析問題，就要把握分析問題的關鍵。從整體出發分析該問題的時候，就要提煉分析結論的關鍵點，比如流失率、流失趨勢、流失場景、流失原因、滿意度、流失去向以及迴流概率等。除此之外，還要從來源渠道、來源關鍵詞、來源端口、業務場景等維度交叉分析，比如整體流失率可能並不差，但卻發現從某某渠道來的用戶流失率非常高，說明產品整體沒有太大的問題，只是渠道策略錯了。維度交叉與用戶分層分析往往可以帶來真正有價值的業務洞察，而不是一個單薄的總體指標，總體指標只是告訴我們一個特徵，各維度的交叉和分層才是深度分析的關鍵點。

另外，還可以從產品優化、新用戶場景及轉化優化、用戶成長體系優化、流失用戶召回等方面業務特徵追索到解決方案。所以，數據分析在實際應用中不是隻告訴你一個宏觀的指標，它同樣能很好地告訴你要怎麼做。

更多互聯網乾貨和案例，可關注【神策數據】公眾號瞭解~

閱讀更多 神策數據 的文章

關鍵字: 數據分析 大數據 年關生存指南