這篇文章一共會分為四個部分進行講解。
認識數據通過這部分我們可以知道什么是數據，數據與產品之間的關系等。
獲取數據這里我們可以了解到一些數據指標的含義，獲取數據的常用工具以及常見網站的核心數據指標的確立。
分析數據這部分我們可以了解到一些基本數據分析的方法，以及使用數據時需要注意的事項。
利用數據這里我們可以知道在做產品的時候，使用數據的一些場景和利用數據驅動產品的思維方式。
一、認識數據
1.1 什么是數據？
簡單來說數據是一種量化事物的手段，就像身高、體重、三圍一樣，它們都是一個數字指標，代表了事物現實存在的客觀情況。
數據最大的特征就是客觀性，無論我們是否觸碰它，它就在那里。在面對海量數據的時候，身為產品經理的我們要更像一個「求知者」，如果我們希望在數據中找到答案，我們更應該帶著一個「求證」的態度去讀取，去分析，去解讀。
1.2 數據與產品的關系
數據可以用來幫助我們驗證產品假設是否正確，也可以幫助我們發現產品的問題。
通常情況下，一個完整的數據需求包括：
功能設計方案
功能目的和目標
功能上線后需要跟蹤的數據指標
這里舉個例子說明下，網站注冊流程功能的數據統計需求：
注冊流程的完整方案設計文檔
做這個功能的意義：讓所有新用戶快速完成注冊流程，并正確提供所需要的個人信息
所需指標及定義。圍繞2中的目標，設計所需要的數據指標，思考哪些數據指標，可以描述目標完成情況；比如：每一個注冊環節的用戶跳出率，每一個注冊填寫字段的出錯率，各類注冊錯誤的出現頻次分布等。
二、獲取數據
2.1 網站的數據指標與分析工具
2.1.1 數據獲取工具
免費的網站排名工具：Alexa、中國網站排名、網絡媒體排名免費的網站檢測工具： 、百度統計、CNZZ網站分析
2.1.2 關鍵指標
訪問量訪問量就是 一段時間的訪問量就是這段時間的內的會話次數。什么是會話，如下圖：
訪客數也稱獨立訪客數（UV），就是訪問網站的人數。
如何識別一個用戶？
在網站分析系統中，會依據用戶的瀏覽器，設備型號等信息為用戶分配一個編號，這個編號稱為。訪客數就是訪問網站的數。如果同一個人換了瀏覽器或者設備訪問網站，那么它的也發生了變化。
瀏覽量常被稱為PV（），就是瀏覽頁面的數量。
頁面停留時長訪客一次訪問在某個頁面的停留時間。計算方法：頁面停留時長 = 這個頁面的總停留時長 / 這個頁面的訪問量
網站停留時長訪客一次會話的時間長度計算方法：網站停留時長 = 網站的總停留時長 / 網站的訪問量
跳出率網站的所有會話中，來到網站之后沒有任何動作就離開的比例。計算方法：跳出率 = 只訪問了落地頁面的訪問量 / 總訪問量
退出率無論從哪個頁面進入網站，最終從這個頁面退出的比例。計算方法：退出率 = 從一個頁面的退出次數 / 總訪問量
轉化率計算方法：轉換率 = 達成某種目標的訪問量 / 總訪問量
2.1.3 對網站的宏觀分析
網站的數據有很多，我們可以通過先對網站進行宏觀的分析對網站有個大體的把握，避免一上來就陷入數據的細節中，通常我們可以通過回答以下幾個問題來大體的了解網站：
有多少訪客訪問網站，訪問深度怎么樣？查看「受眾群體」概覽頁來了解網站的訪客數和訪問深度。
這些訪客從哪里來，以及效果怎么樣？查看「流量獲取」的概覽頁來了解網站的流量從哪里來。一般有：引薦網站、直接進入、自然搜索、付費搜索、付費流量廣告
訪客在網站上做了什么？查看流量最大的著陸頁的相關數據，著重優化，降低跳出率；查看流量最大的頁面的相關數據，并與預期相比，發現差異；查看頁面點擊熱圖；查看主要流程的轉化漏斗。
2.2 移動應用類數據指標
2.2.1 數據獲取工具
國外分析工具
國內分析工具
Crash分析工具
2.2.2 關鍵指標
用戶獲取
下載量
安裝激活量
激活率
新增用戶數
用戶獲取成本
用戶活躍與參與
數量指標
日活躍用戶數
月活躍用戶數
質量指標
活躍系數它等于：活躍用戶數 / 月活躍用戶數
平均使用時長
功能使用率使用某功能的用戶數占活躍用戶數的比例
用戶留存率
次日留存率
7日留存率
30日留存率
用戶轉化
付費用戶比例付費用戶占免費用戶的比例，建議將付費用戶和免費用戶區別對待，因為他們在行為上差異挺大的。
首次付費時間用戶激活多久后才會開始付費。
用戶平均每月營收一個月的收入除以月活躍用戶數
付費用戶平均每月營收一個月的收入除以月付費用戶數
獲取收入
收入金額
付費人數
2.2.3 版本迭代時，如何利用以上指標去評估版本迭代的效果？
注：在利用指標去評估版本迭代的效果時，盡量使用新用戶的數據，因為老用戶會存在忠誠度等因素影響數據。
我們在評估新版本的迭代的效果時，可以看以下幾個數據指標
新用戶的留存率新版本發布后個人數據cookie留存期是多久，新版本發布前14天內的新用戶次日留存率。留存數據整體提高，表明移動端版本迭代的效果較好。
核心功能的使用率同比：舊版本發布后14天環比：新版本發布前14天通過同比和環比14天的數據觀察核心功能的使用率是否有提升。
新功能的使用率，繼續使用率和新功能的核心貢獻在新的版本中，增加了功能A
需要查看功能A的使用率
功能A的繼續使用率
功能A的核心貢獻：使用過功能A的聽歌人數比例 - 未使用過功能A的聽歌人數比例
通過觀察以上指標基本上就可以大概的判斷這個版本改版的效果了。
2.3 電商類數據指標
2.3.1 關鍵指標名詞解釋
銷售額這里是指電商網站的收入，這是電商網站最重要的指標。由于移動互聯網的崛起，這里還需要統計下移動端占比。
購買客戶數（按照賬號去重計算）
老客戶數當天之前就購買過商品的用戶數，表示網站的粘性
新客戶數統計當天首次購買的用戶數，表示網站客戶增長速率
客單價每個客戶購買的金額，等于銷售額/購買客戶數
購買轉化率訪客中購買了商品的比例，等于購買客戶數/訪客數
UV訪客數，來到網店的人數
詳情頁UV訪問商品詳情頁的人數
訂單數訂單數關系到支付壓力和倉庫發貨的任務量
妥投及時率妥投到客戶的訂單中，按照約定時間妥投的比例，它是個非常重要的用戶體驗指標。現在京東的一個很好的優勢就在于它的物流。
重點商品缺貨率爆款缺貨的比例。有時候用戶想購買的物品缺貨，容易導致客戶的流失。
2.3.2 如何將銷售額和其他的數據關聯起來，輔助我們去發現問題？
我們前面說到，銷售額是電商網站中最關鍵的指標，沒有之一。
銷售額 = UV 轉化率 客單價。
那我們接下來一個一個的分析這三個因素
1. 流量變化的因素
分析流量的變化就需要從流量的來源上來入手。
分析思路大致是，先按照終端細分，先看下PC端、App端、Wap端分別變化了多少；然后在細分對應的終端流量是從哪里來的PC端和Wap端可以細分到媒體，App端又分端和iOS端，端可以從渠道包中來區分來源，iOS端可以用一些跟蹤工具或者IDFA來跟蹤。
具體可以看下圖：
2. 客單價變化的原因下面我們來看下客單價的公式
客單價 = 人均購買件數 * 件單價
人均購買件數是指每個客戶購買幾件商品，這個指標也經常用來衡量關聯銷售的效果，也就是關聯銷售效果越好，人均購買件數就會越多。
件單價是指商品的平均價格，等于銷售額除以銷售量，這個指標用來衡量網站上的商品價格高低。
客單價的變化經常會與促銷活動有關系。如下圖，客單價變化因素：
3.轉換率增長因素 - 轉化漏斗 正所謂一圖勝千言，看下面這張轉化漏斗圖大家應該就可以明白了，
2.3 UGC 類數據指標
首先解釋下什么是UGC，UGC就是以用戶創造內容為主的應用，比如博客，微博，朋友圈等UGC產品的關鍵指標就是「用戶參與度」用戶參與度指標
訪客數
停留時長
產出內容（比如：點贊、評論、發表文章等）不同的產品關注的產出內容關鍵點也不一樣，比如：微博關注的是轉發微博、發表微博；朋友圈關注的是朋友圈發表狀態；博客關注的是發表的博客數。
舉個例子：輕博客的參與度指標
活躍用戶規模
訪客數訪問網站或者打開App的人數，等于web端訪客數+移動端訪客數
登錄訪客數及占比登錄的訪客數以及占總訪客的比例
留存以及訪問深度
沉默用戶數及占比超過7天未訪問的賬號數占總賬號的比例
平均停留市場總停留時長除以訪客數
核心功能使用情況
點贊訪客數及占比點贊的訪客 / 登錄訪客數
推薦訪客數及占比點擊推薦的訪客 / 登錄訪客數
分享訪客數及占比點擊分享的訪客 / 登錄訪客數
創作訪客數及占比創作訪客數 / 登錄訪客數
文字、圖片、音樂、視頻創作訪客數及占比
另外UGC產品還特別依賴于優質內容的產出，那如何去篩選優質內容了？
首先我們要對優質內容建一個評分模型，比如微博的優質內容模型為：
熱度 = 轉發 + 評論 + 點贊
然后可以對各個指標定義下所占比例，這樣就可以憑借熱度這個指標去篩選優質內容了。
三、分析數據
3.1 基本分析方法
3.1.1 橫向對比
橫向對比就是和自己對比。
舉個例子，改版的App發布后，想看下改版后的效果，這個時候就需要用到橫向對比了，和上一個版本進行對比，橫向對比
3.1.2 縱向對比
縱向對比就是和競品對比。
舉個例子，微信支付和支付寶在除夕這天的一些數據對比（數據純屬虛構），縱向對比：
3.1.3 象限分析
象限法指根據數據中的（質量、數量等）的兩個重要屬性作為分析的依據，進行分類分析。
比如對App的渠道分析，我們可以用「質量」和「數量」兩個維度來進行，如的象限分析圖：
3.1.4 交叉分析
交叉分析的主要作用就是從多個維度細分數據個人數據cookie留存期是多久，它的作用主要是從中發現最為相關的維度來探索數據變化的原因。
舉個例子，統計一款App的新增用戶數，我們采取交叉分析法，把終端、時間和渠道三個維度結合到一起，交叉分析法示例圖：
3.2 AARRR數據分析框架
AARRR是、、、、Refer，這個五個單詞的縮寫，分別對應這一款移動應用生命周期中的5個重要環節，具體模型如下圖：
那產品經理應該可以利用AARRR模型來做什么了？
它提供很好的精細化數據分析思路，能夠將整個是數據鏈打通，而不會僅限于某個具體的指標。
下面我們舉個具體的例子來說明：
某App通過渠道A引入了個用戶，單個用戶成本為3元。通過渠道B引入了50000個用戶，單個用戶成本為10元。
如果我們不通過AARRR模型來分析，這樣就很簡單的判斷是渠道A效果會更好，但是我們如果通過AARRR模型來看。
渠道A的AARRR模型：
渠道B的AARRR模型
通過上面兩張圖我們可以看出其實是渠道B的效果會更好一些的。
3.3 邏輯拆解分層框架
什么是邏輯拆解分層框架？