十年前是一个人人都是产品经理的年代，那时候的产品经理真的可以改变世界。

十年后时代变了，产品经理多了，数据更多了，所以这变成了一个人人都是数据分析师的年代。

当下只要是做互联网和it的没有不知道要重视数据分析的。

但是你要问他具体有多重视，可以看看他日常说话，里面是否有数据，也可以看他做决策，有多少是通过数据做业务支撑。

呱哥乘风而上，日夜操练，也习得数据分析技能，现抛砖引玉，分成五招，20绝技，助你速成此功。

招数一、业务先行

业务是数据分析的基础，如果不熟悉业务掌握在多数据分析方法，那也如光手抓刺猬无从下手。

1、掌握业务第一是要掌握产品的业务流程、比如我们是做金融的，流程包括授信、用信和还款三大流程，以及每个流程有可以细分为访问页、确认借钱、平台校验、风控等。

2、除了主业务流程，最好还能深入到表结构，去了解各个表之间的关系，这样从源头清楚主要数据结构，以及他们之间的关系。

表结构是数据分析的第一性原理，防懵逼指南。

3、还需要了解每次产品更新情况，是否修改了已有的业务流程，修改的字段是否对需要统计的数据有影响。

好好的数据为啥就不准了，原因很可能来自产品更新了。

4、新人对于业务熟悉，不要贪大求全，大公司的产品架构复杂到连好几年的产品负责人都不可能了解方方面。

最好根据业务拆解，先了解某些业务线，某个方向熟悉透了在横向扩展。

招数二、数据分析方法

5、常见的数据指标分类

数据分析的基础是要对整体业务建立数据指标体系，不同行业对指标的侧重点也不一样，但也有遵循的基本原则，比如可以参考常用的数据指标分类

用户数据： 新增用户，留存用户，渠道来源，dau（日活）/mau(月活)；

行为数据：pv、uv、访问时长、转行率、跳出率；

业务数据：gmv、人均消费、付费人数、付费频次；

6、对比分析

有了数据指标，最常见的分析就是对比分析。

没有对比就没有伤害，对比才知道数据的价值；

比什么呢？

柱状图是 数量， 折线图是 比例。一般数据分析比的就是这两样值。

那怎么比呢？

一个指标可以比同比和环比，看看有什么变化，如果变化大那么是需要下钻分析。和谁比呢？ 可以和时间比，和不同业务线比，和同行业比；比如时间上可以按月度，周，天进行对比；业务线上比如A渠道和B渠道对比，C类目和D类目对比；同行业上比如dau上，大家经常拿 淘宝和京东对比。7、多维度拆解当一个指标有变动的时候，影响该指标的因素很多，这个时候就可以用多维度拆解。比如最订单申请量提升比较明显，老板让你找找原因。单订单申请量这个指标太大了，可以看不同维度拆解：比如渠道维度，是自营app还是微信端的申请大了，比如按新客户和老客维度: 分析是新客多了，还是老客多了；按商品维度：是家电还是日用品的用户多了；经过拆解之后，我们可能会找到订单申请量的真正原因。8、转化率分析在日常工作中形成这样一份转化率漏斗图，然后定期观看转化率的变化，如果某个转化率波动很大，或者值很低，那就是问题了。转化率是产品和运营经常要考虑的事情，比如一次营销活动，一次产品改版之后，当流量不变的情况下，是否转化了更多的客户。

招数四、数据工具使用

数据工具包括excel、ppt、数据可视化报表、sql、python等，工具不要求贪大求全，但求最适合自己。新人也不一定一定要先掌握python就能做数据分析。9、excelexcel能很快速的生成各种图表，生成切片器以及通过透视图可以多维度统计数据。深深的感觉在excel如此强大的功能面前，自己就是一个白痴。10、pptppt主要是输出数据分析结论和汇报，内容可以包括分析目标、过程、分析结论等。我坚决反对过度ppt的文化氛围，但是每一份优美的ppt背后都有大量的数据支撑。11、数据可视化如果要形成固定的分析模板可以考虑做成数据可视化报表，数据可视化报表可以采用quick bi等第三方，也可以自研。可视化是效率提升的好工具，可惜我们是自研。12、sql和pythonsql用作做常规的取数，python要看自己处理数据的大小，如果你是业务数据分析并数据量不是特别大，python也不是必须的。招数四、产品思维数据思维和产品思维不分家，数据分析不是闲得慌来炫技，其本质是促进产品的优化。知道了数据分析方法， 接下来就是如何发现问题，去驱动业务改进。13、提出问题以天、周、月的维度对数据进行监控，监控的目标是发现异常点，以及对某个议题进行专项分析。如果最近某个指标的转化率特别低或者特别高，那就需要分析，找出原因，好的点要坚持，不好的点果断解决。14、数据论证很多问题很浅显能直接得出结论，有些数据需要做专项分析，专项分析的核心是围绕数据指标，进行多层级，多维度的拆解，要求逻辑严密，推导有理有据。15、产品方案通过数据论证找到了具体改进方向，那么就可以形成运营和产品解决优化建议。这也是日常产品优化需求的重要来源。16、上线验证产品上线之后相同的指标还需要统计进行复盘，以评估产品上线效果。

招数五、多避坑

17、统一口径

不同的公司里面，一个名字叫法一样的数据指标的统计口径往往不相同。因为每个人的大家数据来源和计算方式都可能不一样。所以需要对同一个数据指标进行口径共识，然后才可以去开展工作。道路千万条，统一口径第一条。18、避免成为取数工具人懂得了业务数据分析的技能，要避免成为团队取数工具人，如果凡事有谁需要数据就喊你，这样可能会疲于奔命，最后什么都干不好。每次数据分析结果都要有分析结论，哪怕是分析不出来结论要找原因，是分析方法不够丰富、还是分析维度不够细，还是数据本身有问题。分析方法原因可以学习，分析维度可以细化，数据本身问题可以推进埋点和日志改进。19、数据错误数据错误不管是大公司小公司，都会面临的，有时候核对好的数据，过几天发现不正确了，更别说平时不看的数据指标。有时候大量的时间都花在数据错误原因查找方面，谁苦谁知道。对此只能加强数据治理，力求在源头上尽量少污染。20、抓住重点一个公司的数据指标很多，每个指标的维度有很多，抓住重点才能找到突破口，快速出结论，不然就会被细碎的数据吞噬。当然抓住重点的能力和对业务的熟悉程度有正相关。最后以上20招望读者朋友勤勉练习，不定期交流，不可半途而废。此技能保质期：终身受用。

-END-