数据分析学习笔记（1）：数据分析的思维模式

扫一扫
官方手机版

扫一扫
AI创作程序

扫一扫
木子公众号

扫一扫
AI公众号

今天开始，二手要开始一个新的专题，基于实际案例，来和大家聊一聊「关于数据分析的那些事儿」。本期是开篇，简单的介绍数据分析的思维模式，今后我们会结合更多案例来对数据分析做进一步阐述。

一、数据分析的思维模式

1. 数据有什么用

日常的工作中，二手经常面对项目汇报、项目复盘和 KPI绩效考核等之类的考验。试想，在一个项目汇报中，是你唾液横飞的阐述自己的主观想法具有说服力，还是展示几张规整的数据增长曲线具有说服力呢？答案显然是后者。所以，数据和数据分析在工作中是非常实用的并且非常重要的。

2. 怎样进行数据分析

从什么地方着手数据分析，怎样进行数据分析，以及怎么获取数据等，这些问题曾经深深的困扰着二手。后来，在慢慢的摸索中，二手发现：如果从数据分析的思维层面来说，这其实就是两个方面的探索和思考——维度和指标。

数据分析归根结底其实是：根据你的初始目的不同，制定不同的维度，以及得到不同维度指标数据，最后以可视化的方式展示出来。

3. 数据分析的思维模式

维度：维度是事物或现象的某种特征。

举个例子：你想要了解某一个 APP 的用户行为，那么，你可能需要关注用户在该页面的访问时长、流失率、各个模块的点击率等。这里面说的访问时长、流失率、点击率其实都是为了分析用户行为而要了解的各个维度。

再举个例子：你想要知道用户的忠诚度，你需要更多的关注产品的用户留存、访问频度等维度。

总的来说维度的选择是要看你的初始目的是什么。

指标：用于衡量事物发展程度的单位或方法。

再看上面的例子：指标就是上面提到的各个维度的具体数值。

从分类来讲，指标可以分为绝对数指标和相对数指标。绝对数指标反映的是规模大小的指标，如：人口数、GDP、收入、用户数，而相对数指标主要用来反映质量好坏的指标，如：利润率、留存率、覆盖率等。

二、三个常用的数据分析维度

以电商行业为例，二手和大家分享三个常用的数据分析维度。

1. 整体趋势分析

通过日常整体数据分析，可以快速掌握这个产品的整体状况，及时响应出现的异常波动。

举个例子：如 UV、PV 在数据指标上有明显的异动，如果不是一些可预测原因（如618或者双11预热阶段数据会下降），那么很可能页面或者场景出了某些问题，需要及时关注。

再举个例子：如果当前页面、场景的UV 或者整体 APP 的 UV 呈持续下滑趋势，说明用户可能对当前页面越来越不感兴趣了。

具体的场景不同，PV 和 UV 的趋势可能会反映不同的信息，在支付购买等重决策流程中，在转化率不变的情况下，比值低了说明流程很顺畅，用户体验相对较好。而阅读编辑性的页面一般来讲，比值高些会好。

2. 流程效率分析

在一个多控件组合的页面上做了细致的埋点，每个埋点的具体指标则代表了用户对该模块的关注和使用程度。一般通过对比这些埋点的数据来判断模块间的布局是否合理。

举个例子：在商品详情页中，二手之前以为最底部的「立即购买」或者「加入购物车」是点击率比较高的模块，可是通过埋点数据显示，「规格」的点击数据竟然比「立即购买」还要高，这很出乎意料，所以通过埋点数据可以得出，在日后的优化中，规格的显示比重被突出。

3. 用户行为分析

用户行为分析涉及的点很广，比如用户设备终端分析、地域分析、用户在某场景的停留时长、转化率、流失率等等，具体的指标好坏要结合具体的场景分析。

举个例子：分析用户的流失率时，可能会有多条路径，是直接返回、跳转到别处，还是中断报错，不同情况可能对应不同的问题。如果直接返回过高，可能是用户对商品不感兴趣；如果跳转到别处过高，有可能是模块设置不合理，被引流走掉了；如果是中断报错，则可能是系统问题，也可能是没有给用户很好的指引，用户直接中途退出。

以上是数据分析的思维模式，即根据场景梳理要关注的维度，然后结合维度的具体指标来做分析。

接下来，二手会努力准备一些实际案例来做进一步详细阐述。期待大家的关注。

欢迎关注作者的微信公众号：「二手设计」

图片素材作者：Paarth Desai

「用数据助力产品和业务」

• 《写给设计师看的基础数据知识》
• 《用一个实战案例，帮你学会用数据验证产品设计》
• 《12个用户数据的理解与使用误区》
• 《为什么我用数据驱动设计，结果却不尽人意？》