大数据时代，数据分析几乎成为各行各业从基层到高层员工的立身之本，但是真正会将数据分析应用到实践中的人极少，下面本文将从以下两部分分享数据分析如何真正应用到实践中：
1.数据分析的通用方法，以及如何与业务结合。
2.在实际产品迭代过程中，如何利用数据进行搭建。
神策数据经常提数据驱动，那么数据驱动到底是什么意思呢？
什么是数据驱动？
首先，是业务诉求到数据需求的转译。
在这个过程当中，有时连一些专业的数据分析人员都认为根本无从下手，他们不知道寻找什么样的数据去代表现在的业务。所以该阶段的核心，要先搞清楚业务诉求，落实清楚客户究竟希望解决何种问题，并转译成何种数据需求，以及能够代表的问题又是什么。这是诉求到业务应用的第一个步骤。接着，在数据需求明确的情况下，
核心点变成了如何选取数据源与分析方法，这是第二步。第三步——数据分析。我们用找到的数据源与分析方法，通过交叉、分群等分析思路诊断定位问题，但数据分析对实际业务应用还存在着距离。因为我们虽然发现了数据特征，但是数据表现意味着“业务有什么问题？用什么方法能够解决这个问题？”等方面内容。
所以，第四步“数据表现到业务特征提取”和第五步“业务特征到解决方案的追索”就是数据驱动对业务产生最大帮助的两个环节，但由于职能边界、深度配合以及人员能力等问题，导致许多公司在这两步骤上的应用和处理能力较弱。
其实，许多产品本身包含运营活动、渠道分析等内容，因为产品最终是所有业务的沉淀，数据的业务特征最终都要通过产品承载，产品分析最终其实会涵盖绝大多数业务场景。那么，数据分析到底是如何与产品应用结合的呢？下面为大家展开介绍。
常用的数据分析指标有哪些？
1.渗透率
其中日活渗透率最常用，即 DAU 里面每天都是什么情况。每天有 10 万人登录，其中 10% 的人做了什么，每天业务产生价值就是 10%，当渗透率提升到 30%，意味着价值提升了 3 倍。所以，渗透率是很多产品梦寐以求实现的大盘基础。
曝光点击率也是常用的数据指标，很多时候，曝光资源非常紧张，尤其是在平台运营位资源有限的情况下，提供什么样的产品内容，对最终价值有着重要的意义。所以我们会评估曝光点击率，如果产品对 100 万用户做了产品曝光，最终只有 10 万人点击，那曝光点击率就只有 10%。另外，在何种入口设计成何种样式，才能让入口展示变得更有吸引力，也是提升渗透率的例子。
2.转化率
转化率直接代表产品功能有没有完成对用户的基础转化，神策分析在转化率中提供了非常重要的功能——窗口期设置。比如电商用户选择购买日用品的决策相对较快，窗口期设置为 1 个小时或 1 天都是合理的，运营人员可以在窗口期看到用户是否完成转化。但如果面对的是理财或投资类产品，涉及比价、实名认证、绑定银行卡等步骤，用户决策周期很长，所以窗口期的设置时间就要从产品本身的特点出发。
3.留存流失率
神策数据的分析师及咨询团队在做具体功能诊断时，除了关注上述两个数据指标外还会关注产品的留存与流失情况。留存通常意味着用户的整体体验是较好的，所以最终价值的传递效果也是较好的。留存率一般作为这种长期综合评估产品价值的指标，所以如果客户做产品的增长体制，相比留存率而言，上述提到的转化率可能并不是很好的综合指标。
4.用户路径和分布
这两种分析指标相对少见，因为这样的应用场景非常强调对数据的理解。客户可能发现转化率与渗透率表现都不太好，所以特别希望知道表现不佳的原因，希望能看到用户流量在各环节发生了什么，以及流失点在哪，所以这是相对微观的数据指标。而分布是黏性价值的体现，用户今天登录 10 次与登录 1 次、使用 1 个小时和 10 秒钟的价值不一样，所以分布能较好的衡量用户整体质量与黏性的分类维度。
数据分析的类型及思路
功能/体验分析。功能从入口到最终的出口转化怎么样？达到的比例效果如何？留存表现怎么样？这是功能留存里面关注的三个维度。
页面/场景分析。其中，交互点击率/点击频次，印证了用户交互的比率与交互深度有多少。另外，核心功能中的入口功能有没有促进场景的转化，以及最后的留存表现也是很重要的考察维度。
内容策略分析。看内容策略优劣与否，一般查看推荐产品的用户曝光点击率、有效交互率，比如说用户在短视频平台上播放了 30% 或者 50% 是一次有效的交互，那这样的有效交互就是与自己业务有关的数据。另外，需要分析深度转化率以及留存表现。
神策数据强调数据分析对业务产生价值，所以我们要考虑很多维度，甚至客户的营收维度都需要考虑，因为分析维度太片面或者太浅，就不可能关联到真正的业务场景。接下来与大家分享一个采集的思考框架，究竟怎么把用户的设计转化为采集埋点。
首先是采集范畴，我们要思考入口来源在哪里，是否进行了采集，核心交互是否采集，以及出口分流场景有没有采集。
第二是采集时机，很多人不清楚采集数据代表的含义，其实是不清楚数据源到底是在什么阶段采集的。比如注册，注册可以被细分到很多场景中，前端操作做了注册按钮的提交，代表用户有注册意愿，但如果当前网络状况不好，前端的请求就发送失败。用户从有意愿产生到意愿最终成功到服务器是一个成功的路径，可是如果验证码收不到，那么当然不能用请求发出事件代表用户注册意愿，接下来就是围绕软硬件环境、业务特征、业务结果、用户分类方面的属性维度。
神策数据在为用户推荐采集策略的时候，通常会让客户思考清楚到底希望何种业务特征数据在何种场景以何种时机采集，才能符合客户的业务需求。
事件属性：使用环境维度
此类使用环境维度包括软件环境、硬件环境和网络环境。其中，软件环境包括操作系统、操作系统版本、应用版本；硬件环境包括：端口、机型、品牌、分辨率；网络环境包括2G、3G、4G、WIFI 等。比如分辨率在安卓机型上比较复杂， H5 页面就会常常导致很多业务出现兼容错误，而兼容性有问题的话，业务就没有办法操作。所以，在产品发布新功能的时候，如果出现业务异常，可以直接从三种使用环境维度中寻找原因，比如说新版本出现问题而旧版本没有，这就说明后端业务功能没有问题，仅仅是该版本出现异常情况。
事件属性：业务关联的维度
业务关联维度强调对业务的理解以及维度采集是否全面，也就是数据采集的时候，是否可以很准确地下钻。举个例子，影响支付成功率的核心维度有哪些？第一，支付端口。支付端口细分为 H5、微信端、IOS、安卓、PC 端等。接下来，支付通道、支付方式、支付银行卡等都可以持续细分。维度下钻强调大家对业务的理解，以及分析思路跟业务的强匹配。
分群分层：人群+场景的差异化
其中包括偏好差异、阶段差异与场景差异。常见的分层分群思路：
1.用户生命周期。到底是新用户、老用户，还是回流用户？
2.目标受众。是潜在用户、核心用户还是边缘用户？如果是核心用户在某些指标上问题比较大，其实说明问题很严重。如果是边缘用户，那么该群体在数据上的相对下降是正常的。
3.用户特征。指用户的年龄、性别等特征，比较常见。
4.兴趣偏好。指用户喜欢的二次元、古风、韩风等，比较常见。我们在用户行为采集、调研里面关注最后两个特征，因为后台服务器很少能采集到这两类数据。所以，我们用这类特征的时候，要用人口学调研数据抽样检测人群差异，辅助使用服务器数据。
接下来跟大家分享一个工作中的实例——视频产品新增流失分析。
首先，用 5W2H 分析产品流失的整体情况。比如，到底什么算是流失？什么人流失？什么时候流失？什么地方流失？为什么流失？怎么流失的？有多严重？接着根据流失情况思考要如何解决问题，降低流失率。老板都希望在这两类问题上反馈给他相应的回答。
那么流失率当然是分析该问题的常见指标。接着我们要去定义流失行为，比如对本身使用频率偏低的产品，可能会将流失周期定义为 30 天，如果是一个高频的社交产品、游戏产品，流失很可能定义为 7 天已经足够。那用什么样的具体行为来衡量呢？——App 启动。一些对“定义”严格的企业会非常关心用户细致的具体行为，通过用户启动 App 观看视频的这一操作，判断用户是否流失以及设定定义特征等。然后通过流失程度、趋势、阶段、行为特点来分析流失特征。
接下来就涉及到流失的原因分析。我们要思考为什么会出现流失、流失的场景是什么、用户的主观感受是什么，是没有办法满足用户需求？还是有更好的产品把你取代？同时产品体验也是原因分析里面比较重要的判断标准。流失去向、回流可能性及条件、影响维度、分群分层等也是另外几个方面的分析思路。
另一个很重要的分析维度——数据源。
我们用数据表征分析一个产品，会涉及到提取规则。而传统 BI 的提需求流程冗长，业务人员使用起来也非常困难，一旦 BI 提数据时产生错误的理解或者遗漏，那么提取的东西将无法符合需求，时间成本极高。而我们在对数据源的定义上，审查的比较严格，我们不想增加任何一道使用门槛，我们希望用门槛把命题体系化，用更好的科学方法分析问题。
既然分析问题，就要把握分析问题的关键。从整体出发分析该问题的时候，就要提炼分析结论的关键点，比如流失率、流失趋势、流失场景、流失原因、满意度、流失去向以及回流概率等。除此之外，还要从来源渠道、来源关键词、来源端口、业务场景等维度交叉分析，比如整体流失率可能并不差，但却发现从某某渠道来的用户流失率非常高，说明产品整体没有太大的问题，只是渠道策略错了。维度交叉与用户分层分析往往可以带来真正有价值的业务洞察，而不是一个单薄的总体指标，总体指标只是告诉我们一个特征，各维度的交叉和分层才是深度分析的关键点。
另外，还可以从产品优化、新用户场景及转化优化、用户成长体系优化、流失用户召回等方面业务特征追索到解决方案。所以，数据分析在实际应用中不是只告诉你一个宏观的指标，它同样能很好地告诉你要怎么做。
更多互联网干货和案例，可关注【神策数据】公众号了解~
閱讀更多 神策數據 的文章
