用户名*
邮箱*
密码*
确认密码*
验证码* 点击图片更换验证码
找回密码
忘记密码了？输入你的注册邮箱，并点击重置，稍后，你将会收到一封密码重置邮件。
一般通过哪几个方面数据来做分析
本人在工作经验中没有参与过很多或者很厉害的数据分析。但因为最近也在看各种相关的书籍和文章，所以分享一些个人的心得。
【明确数据分析的目的和思路】
无论是互联网产品，还是传统企业的产品，我认为做数据分析的第一个重点，都是明确数据分析的目的和思路。问清楚老板为什么要做这一次数据分析，问清除自己为什么要做这一次数据分析。很多运营或者产品的同学每周每月都会做数据分析，但很多时候，做着做着，就忘记了最初的目的了。有时为了展示自己的能力和“我有在做事情”，还会一味地追求高级的分析方法，而让分析结果变得没有价值。
而数据分析的思路，是指你依据什么营销或者管理的理论架构来进行分析，譬如5W2H模型、PEST模型、SWOT模型、STP方法论、4P理论、逻辑树、金字塔、SMART原则等等。有了清晰的依据和理论之后，你才知道你要先分析什么，后分析什么，每一个分析结果对应的应该提什么样的解决方案。
【采集数据】
明确了数据分析的目的和思路之后，我们要着手采集数据。数据分析中，我们可以把数据分成「结构性数据」和「非结构性数据」，简单一点理解，就是数字型的和文字型的。
面对非结构性数据，譬如用户的反馈、用户发过的微博内容、网络上的新闻等等，我们可以采用社会化倾听的方式来采集。也即通过范围确定、关键词搜索等来收集和产品或竞品有关的所有反馈信息。通过非结构性数据，可以帮助我们了解用户的使用情况、产品存在的问题、活动的热度和影响力等等。
这里建议阅读一位数据分析大神的文章：
如何利用Social Listening从社会化媒体中“提炼”有价值的信息？
而结构性数据，我们通常比较关注以下关键核心指标：「流量分析」、「转化分析」、「新增和留存分析」、「可视化分析」、「用户属性」，还有其他一些针对不同产品可能需要的指标，譬如用户净推荐值（NPS）。那再往下细分，就是诸如点击量、阅读量、注册量、二次购买率等等的数据了，这里不作详述。
【数据处理】
这里的数据处理，和数据分析是不一样的。打一个比较容易理解的比喻，你要做一道炒土豆丝的菜之前，你会先把土豆洗干净，把发芽的部分切掉（科学安全的话，发过芽的土豆其实整个都不能吃的了）；然后你再削皮、切丝，最后下锅炒。数据分析中的数据处理，就是洗土豆、去掉发芽部分的环节。
因为数据分析很注重数据的正确率、有效率和完整率。所以我们在真正做分析之前，要先把重复、缺失、逻辑错误的记录“清洗”掉。然后一些采集到的数据还需要做数据转化或者数据提取，譬如把用户填写的出生年月日统一都改成一种格式“xxxx-xx-xx”，方便之后做计算和统计；或者是把一个数据表中的部分数据提取放到另一个表里，方便更直观地看到数据之间对应的关系。
【数据分析】
当我们拿到比较“干净”的数据后，接下来我们才进行真正的数据分析。
这里就涉及很多数据分析的具体方法了：对比分析法、分组分析法、结构分析法、平均分析法、交叉分析法、综合评价分析法、杜邦分析法、漏斗图分析法、矩阵关联分析法、高级数据分析法……这里每一个方法都需要篇幅讲述，所以就不展开了。
然后，还有很多的分析工具。常见的是Excel，基本能帮助我们完成80%的分析需求。除此之外还有SPSS和其他第三方服务商提供的SaaS工具。
这里想提的一点是，其实这么多的分析方法，围绕的都是两个关键词，即「维度」和「度量」。维度是指我们从什么角度去衡量一件事物，是打开时间、点击量，还是用户年龄和阅读的分类。度量则是具体的数据指标，譬如时间是按小时对比还是按季度对比，得出来的结果都会有不同的结论。我们所做的各种分析方法，其实都是不同维度和不同度量的交叉对比而已，明白了这个道理，一切就好办了。
【数据可视化】
当我们通过各种分析方法得到我们想要的结果和结论之后，为了让其他阅读这些数据的人更方便更舒服，我们还需要把它们可视化，做成漂亮的图标，或者通过更容易理解和记忆的方式来展示数据。现在网上也有很多好用的工具，实在不行，ppt和excel也可以制作。
【报告撰写】
当然了，数据分析最重要的环节，还在最后一步，撰写数据报告。把数据分析的起因、过程、结果和建议方案都写出来，数据分析的目的才能达到。不然，就真的只是为分析而分析，然后就没有然后了。
最后想提一点，做数据分析之前，对产品业务的了解也是很重要的。因为你对业务理解了之后，你才知道哪些数据可能还隐藏着什么现象，有一些数据为什么会有这样的结果，在分析的过程中也会有侧重地对关键的数据进行细节拆分再分析，最后所写的分析报告和解决方案也会更有价值，不然就好像纸上谈兵了。
昵称*
E-Mail*
回复内容*
回复 ( 1 )
本人在工作经验中没有参与过很多或者很厉害的数据分析。但因为最近也在看各种相关的书籍和文章，所以分享一些个人的心得。
【明确数据分析的目的和思路】
无论是互联网产品，还是传统企业的产品，我认为做数据分析的第一个重点，都是明确数据分析的目的和思路。问清楚老板为什么要做这一次数据分析，问清除自己为什么要做这一次数据分析。很多运营或者产品的同学每周每月都会做数据分析，但很多时候，做着做着，就忘记了最初的目的了。有时为了展示自己的能力和“我有在做事情”，还会一味地追求高级的分析方法，而让分析结果变得没有价值。
而数据分析的思路，是指你依据什么营销或者管理的理论架构来进行分析，譬如5W2H模型、PEST模型、SWOT模型、STP方法论、4P理论、逻辑树、金字塔、SMART原则等等。有了清晰的依据和理论之后，你才知道你要先分析什么，后分析什么，每一个分析结果对应的应该提什么样的解决方案。
【采集数据】
明确了数据分析的目的和思路之后，我们要着手采集数据。数据分析中，我们可以把数据分成「结构性数据」和「非结构性数据」，简单一点理解，就是数字型的和文字型的。
面对非结构性数据，譬如用户的反馈、用户发过的微博内容、网络上的新闻等等，我们可以采用社会化倾听的方式来采集。也即通过范围确定、关键词搜索等来收集和产品或竞品有关的所有反馈信息。通过非结构性数据，可以帮助我们了解用户的使用情况、产品存在的问题、活动的热度和影响力等等。
这里建议阅读一位数据分析大神的文章：
如何利用Social Listening从社会化媒体中“提炼”有价值的信息？
而结构性数据，我们通常比较关注以下关键核心指标：「流量分析」、「转化分析」、「新增和留存分析」、「可视化分析」、「用户属性」，还有其他一些针对不同产品可能需要的指标，譬如用户净推荐值（NPS）。那再往下细分，就是诸如点击量、阅读量、注册量、二次购买率等等的数据了，这里不作详述。
【数据处理】
这里的数据处理，和数据分析是不一样的。打一个比较容易理解的比喻，你要做一道炒土豆丝的菜之前，你会先把土豆洗干净，把发芽的部分切掉（科学安全的话，发过芽的土豆其实整个都不能吃的了）；然后你再削皮、切丝，最后下锅炒。数据分析中的数据处理，就是洗土豆、去掉发芽部分的环节。
因为数据分析很注重数据的正确率、有效率和完整率。所以我们在真正做分析之前，要先把重复、缺失、逻辑错误的记录“清洗”掉。然后一些采集到的数据还需要做数据转化或者数据提取，譬如把用户填写的出生年月日统一都改成一种格式“xxxx-xx-xx”，方便之后做计算和统计；或者是把一个数据表中的部分数据提取放到另一个表里，方便更直观地看到数据之间对应的关系。
【数据分析】
当我们拿到比较“干净”的数据后，接下来我们才进行真正的数据分析。
这里就涉及很多数据分析的具体方法了：对比分析法、分组分析法、结构分析法、平均分析法、交叉分析法、综合评价分析法、杜邦分析法、漏斗图分析法、矩阵关联分析法、高级数据分析法……这里每一个方法都需要篇幅讲述，所以就不展开了。
然后，还有很多的分析工具。常见的是Excel，基本能帮助我们完成80%的分析需求。除此之外还有SPSS和其他第三方服务商提供的SaaS工具。
这里想提的一点是，其实这么多的分析方法，围绕的都是两个关键词，即「维度」和「度量」。维度是指我们从什么角度去衡量一件事物，是打开时间、点击量，还是用户年龄和阅读的分类。度量则是具体的数据指标，譬如时间是按小时对比还是按季度对比，得出来的结果都会有不同的结论。我们所做的各种分析方法，其实都是不同维度和不同度量的交叉对比而已，明白了这个道理，一切就好办了。
【数据可视化】
当我们通过各种分析方法得到我们想要的结果和结论之后，为了让其他阅读这些数据的人更方便更舒服，我们还需要把它们可视化，做成漂亮的图标，或者通过更容易理解和记忆的方式来展示数据。现在网上也有很多好用的工具，实在不行，ppt和excel也可以制作。
【报告撰写】
当然了，数据分析最重要的环节，还在最后一步，撰写数据报告。把数据分析的起因、过程、结果和建议方案都写出来，数据分析的目的才能达到。不然，就真的只是为分析而分析，然后就没有然后了。
最后想提一点，做数据分析之前，对产品业务的了解也是很重要的。因为你对业务理解了之后，你才知道哪些数据可能还隐藏着什么现象，有一些数据为什么会有这样的结果，在分析的过程中也会有侧重地对关键的数据进行细节拆分再分析，最后所写的分析报告和解决方案也会更有价值，不然就好像纸上谈兵了。