1.1 什么是數據分析

在數據分析越來越火爆的時代，越來越多的人開始學習數據分析，希望掌握數據分析技能，從而利用數據分析技能解決實際問題。

對產品經理來說，學習數據分析可以分析用戶的活躍行為、用戶的留存行為、用戶的付費行為。通過分析用戶的這些行為，可以更好地了解用戶下載APP后的使用情況，幫助產品經理進行產品功能迭代的決策。

對銷售人員來說，可以從海量的數據中挖掘出有價值的信息，比如，什么樣的用戶是我們的目標用戶，怎么提高銷售轉化率等。

對教育機構的運營人員來說，可以分析學生上課的數據情況，以及每一個課程的銷售數據，從而發現現有課程的設置問題，并挖掘潛力課程，為學生提供更加適合的課程。

對從事財務工作的人員來說，也需要經常和數據打交道，怎么運用數據分析的技能，幫助我們發現財務數據背后有價值的信息，并提高財務人員的工作效率。

對設計師來說，除了基本的設計靈感，也需要從現有的數據中挖掘用戶行為的規律。比如，從用戶的點擊行為數據，可以發現一些無用的按鈕；從A/B測試中挖掘用戶對不同的設計顏色及樣式的偏好，從而為設計的科學性決策提供依據。

對管理層來說，面對公司經營的多個數據指標，如何選擇合適的指標評估公司經營的健康度，以及如何快速發現數據背后的問題，并采取對應的解決策略。

那么，什么是數據分析呢？

百度百科中寫道：數據分析是指用適當的統計分析方法對收集來的大量數據進行分析，將它們加以匯總和理解并消化，以求最大化地開發數據的功能，發揮數據的作用。數據分析是為了提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。

簡單來說，數據分析就是利用數據采取一定方法獲取洞察，發現問題和潛在機會，并驅動產品改變和提升的完整過程。

針對百度百科的內容，筆者總結了數據分析完整的流程圖方便讀者理解，如圖1-1所示。

這里有3個關鍵點。

第一個關鍵點是數據。要進行數據分析必須有大量的數據，這是數據分析的基礎。

什么是數據呢？數據是由指標組成的，指標主要分成兩種，一種是絕對值指標，一種是比率型指標。

● 絕對值指標即數字型的指標，比如，某電商APP的活躍用戶數為1億人，每天下單人數為3000萬人，每天瀏覽商品人數為8000萬人，每天成交金額為30億元等。

● 比率型指標是指百分比的指標，比如，某電商APP的下單轉化率為50%、搜索滲透率為80%、支付失敗率為5%等。這些比率型指標是基于幾個指標計算得出的，比如，下單轉化率=下單的人數/活躍的總人數。

第二個關鍵點是數據分析的過程。拿到一份數據后，從哪里開始分析？應該分析什么？用什么方法分析？怎么提取核心結論？這也是很多讀者在面試中會面臨的問題。

我們需要專業的數據分析思維和方法來進行分析（見圖1-2），數據分析方法指的是用于解決數據問題所用的思維及對應的手段。

常用的數據分析思維和方法有：5W2H分析法、漏斗分析法、相關性分析法、對比細分分析法、麥肯錫邏輯樹分析法、用戶畫像分析法、Aha時刻分析法、RFM用戶分群等，這些方法會在第4章進行詳細講解。

例如，我們拿到的數據是某電商APP下單轉化率降低了20%，那么這個下降了20%就是數據呈現出來的業務現狀，我們需要通過分析去發現原因，獲取洞察。

我們可能會進行如下分析。

通過漏斗分析對下單的環節進行拆解、量化，分析下單的轉化率是在哪一個環節中降低比較多；通過用戶畫像分析，分析轉化率低的用戶群體的特征，如，集中在哪一個年齡、性別、地域等特征；通過麥肯錫邏輯樹分析法，可以分析完整的結構維度，如圖1-3所示。

第三個關鍵點是數據分析的結果。數據分析的目的在于最大化數據的價值，就是希望通過分析挖掘，定位出問題的原因，并且給出相對應的結論。

數據分析的結論要保證是從數據分析的過程中得到的，不要加入個人經驗的判斷，因為這樣很難保證數據分析結論的嚴謹性。

還是上面那個例子，假如我們發現下單轉化率降低主要是由于用戶活躍到瀏覽商品這一個環節所引起的，那就可能是用戶不喜歡我們推薦的商品，或者用戶搜索不到他想要的商品。我們可以給業務方提出建議：有針對性地優化推薦的結果或者搜索的結果，從而提升這個環節的轉化率，也就是圖1-1所說的驅動改變、迭代增長。

驅動改變描述的就是利用數據來驅動產品功能的改變；迭代增長說明產品的功能優化是需要不斷迭代的，這樣才可以帶來用戶增長。