你对商业数据分析的认知，应该从这里开始

　　​
　　很多公司的招聘，都会明显写着需要有数据分析的能力，当然啦，大部分的求职者都很懂事，也会在自己的简历上加上＂精通数据分析＂等字样。
　　一旦遇到一些有质量的面试官，问了几个问题之后，大家会心一笑，基本就知道你数据能力的真伪了。事实上很多求职者，连最基本的概念，也没有搞清楚。
　　这个时候，市面上的教育产品也很懂事，知道现在企业增长难，难于上青天，都在狠抓数据增长，所以出品了一套又一套，一堂又一堂的数据教学课程。
　　正所谓，磨刀不误砍柴工，在你了解高阶深入的数据课程之前，我觉得你很有必要先把以下这七个基本概念搞清楚。
　　毕竟有时候，越基础的东西，越接近于事物的本质。
　　01
　　数字和数组
　　看数字，看的是一个结果，这是一个滞后性的指标类型，任何一个时间点、一个时间段内发生事情的结果，都会有数字来展示。例如UV50000人、转化率5%、接口报错42次。
　　当你看到数字类的指标时，第一反应应该是这个事情无论如何，都已经发生了，结果是否满足预期，高了还是低了？至于其他的拆解，和数字本身已经没有任何关系了。
　　项目中的高层领导，一般只会看数据面板，因为那里等于告诉你，这件事的结果是怎样的。其余的决策和思考，他自有分寸。
　　看数组，看的是一个趋势，单独在表格里看数组，你对数字的波动的敏感度是不高的，甚至可以说是模糊不清的。数组是由数字组成，虽然也是滞后性的指标类型，但是通过横纵坐标的数组罗列，你能推断出这件事大致的趋势。
　　例如这是昨天A股的折线图，这就是最经典的数组，只不过在单个数值点上还赋予了他其他更丰富的意义：
　　02
　　维度拆分
　　当你看完数字得出结果并不理想，看完数组发现已有明显下跌趋势，这个时候你就需要找出数据下跌的原因。
　　怎么找？拆分维度。
　　维度可以理解为是每个数据乃至每个指标的影响因素，按应用版本来划分，按操作系统来划分，按访问来源来划分、按访问地区来划分、按浏览器来划分、按用户年龄来划分等。
　　这些都是有可能影响数据异常的因素，在进行维度拆分之前，我们先要先把可能性低或者不存在的维度排除在外，然后再把剩下的维度逐一梳理。尤其需要注意极端情况下的维度拆分，最高点和最低点。
　　这个方法虽然笨，但胜在管用。
　　03
　　用户分群
　　数据之所以会波动，是因为有人的存在，数据之所以有挖掘的必要，是因为人以群分。
　　经过上一步的维度拆分，我们大概能知道有些什么原因令到数据产生波动，对于每种数据结果相反的两类用户群，都有必要为他们单独创建一套画像，抽离出来。
　　例如在一次投资流程的数据分析中，至少这么几类：浏览了投资详情页的用户／没有浏览投资详情页的用户；浏览完有投资意愿的用户／浏览完没有投资意愿的用户；首次投资了大额资金的用户／首次投资了小额资金的用户；二次还有投资的用户／二次没有投资的用户；
　　......
　　有了这部分群体，可以再着重看用户的行为数据：页面停留时间、投资总时长等，这里的行为数据主要以时间的维度为主，目的是观察用户的决策链长短受什么影响。
　　最后，加上用户的个人信息数据综合查看，例如性别、地区、是否新手、账户余额、有没有优惠券等，整个用户的形象分类就会跃然纸上。
　　而你这个时候只需要投其所好即可。
　　04
　　转化漏斗
　　绝大部分的产品都是商业化的，即使没有商业化的产品，也存在核心价值能否体现的问题，如何衡量当中这个流程？
　　用漏斗来分析转化。
　　漏斗将会把用户使用的路径，用关键步骤串联起来，然后设定一个使用的时间区间，最后观察整个数据转化。
　　漏斗转化其实没有什么好说的，要注意两个方面即可：转化步骤越小越好，越能说明本质问题；转化率最低的并不一定是最需要关注的，第1、2步的转化优化远比后面的重要；
　　05
　　用户行为路径
　　上面的四个指标，都属于是一些结果型指标，但是在做数据分析的时候，结果型指标有时候是会说谎的，就像平均数一样，并不能反映出平均水平。
　　有时候我们还需要借助其他手段，来还原用户的使用路径，这些称之为过程指标。
　　现在市面上例如神策、GrowingIO之类的，都能可视化显示出用户的特定路径，这个对大部分决策者来说，查询不是件难事，难的是推敲出背后的用户意愿。
　　由于篇幅有限，就不在这里展开了。
　　06
　　留存分析
　　说留存之前，我感觉有必要说一个被无数产品过的事实：无论在人口红利期还是用户增长瓶颈期，留住一个老用户的成本，远远要低于获得一个新用户。
　　现在流量和渠道已不像以前那样便宜了，新用户的获客成本往往高得吓人，而且新用户还伴随着学习、转化等不可逾越的流程，而老用户则轻松很多。
　　而留存也分很多种，3日、7日、15日和30日的都有，目的是通过时间段不断地拉长，我们能通过用户行为的轨迹，发现出与用户有关联的方式和因素。
　　例如最著名的例子，LinkedIn在早期，通过大量的数据研究发现，如果新用户进来后，有添加好友的行为，并且超过5个，他们的留存会远远比那些完全没有添加过好友的用户高。
　　为此，LinkedIn开展了一系列添加联系人的引导和优化，最终这也成为了LinkedIn留存新用户最核心的手段。
　　这就是用户的关键留存行为，也是我们务必要找到的。
　　07
　　A/B测试
　　所谓的AB测试，意思就是在相同变量的情况下，去对比两个方案，哪个好一点？其中相同的变量也包括是时间、用户群体等。
　　AB测试是检验产品迭代可行性最优的方式了，没有之一，并且AB测试也是做增长项目的一把利器，这里对于AB，我有几点建议可以提及一下：
　　1、当你的产品要做AB测试时，务必把测试时间拉得尽可能长，最好能完整覆盖用户的一段使用周期，避免因为时间不够，只是对比了部分样本的波动就做出了草率的结论。
　　要知道准备一次AB测试，是要耗费比较多的人力物力的，所以尽可能要拿到正确的结果。
　　2、如果你所测试的产品流程或者功能，数据密度不高、数据量不大的情况下，就没必要用AB测试了，因为就算你做完测试，结果还是很模糊的，还不如找个凭借经验去决策来得高效。
　　以上，就是关于数据分析一些最基础的认识，这七个概念的组合，足以辅助市面上大多数产品类型的决策了。
　　第48篇 | 2455字
　　原创文章，来自微信公众号「jacoblab」
　　如需转载请后台回复＂转载＂，侵权必究