我们都知道，数据是支撑决策的重要依据！

 

于是我们可以看到，几乎所有的产品，都会具有数据统计分析的功能模块。

 

往大了说，比如数据中台；往高端了说，比如数据大屏、数据看板、数据驾驶舱；往本质了说，其实就是数据的统计分析。

 

作为一个非数据型产品经理，或者是初级产品经理，该怎样设计这个功能模块呢？

 

如果你刚好为此苦恼，不妨试一下我最近研究的这三步曲：统计+分析+可视化！（看的时候不要乱说话，可以喊“卧槽”）

前言

关于数据统计分析，首先表达一个我蛮认同的观点：

 

好的数据分析师，要像眼科医生一样：配眼镜可能有很多专业的方法，有很多专业的工具，可在配的过程中，医生纠结的不是自己的理论，而是关注用户看得清不清楚，不断问用户“这样可以吗？这样更清楚吗？再这样试试呢？”—接地气的陈老师

 

相信在工作中，大家经常会碰到一些“孔乙己”式的数据统计分析，一开口就是“xx指标体系”，再加上一大堆什么“权威的、标准的、BAT认定的”这之类的修饰词汇。

 

这特么就是典型的虚假数据分析啊，因为这些玩意，看起来牛x哄哄，亮瞎了众人的狗眼，但大多数时候，耗时费力，却没有解决实际问题！

 

并且这种虚假的数据统计分析，还有它遵循的理论模型：

 

 

而真正的数据统计分析，就像太极拳的精髓一样：“只重其义，不重其招，你忘记所有的招式，就练成太极拳了。”（以解决业务问题为根本！）

 

学成之时，你的境界也会是这样的：

 

张三丰：“你记住没有？”

张无忌：“没记住。”

张三丰：“这套叫什么拳？”

张无忌：“不知道”

张三丰：“你老爸姓什么？”

张无忌：“我忘了。”

张三丰：“好，你只要记住，把这两个混蛋打成废人就行了。”

 

但是，但是，但是，这可是张三丰100岁才悟出的拳法，而且张无忌也是有九阳神功护体，所以他们才能够“只重其义，不重其招”。（这特么太凡尔赛了！）

 

对于我们这些非数据型产品经理，或者是初级产品经理来说，自然还是需要从一招一式开始练起。不然，结局指定是“被那两个混蛋打成废人”~

 

先模仿才能超越嘛，我们今天就来研究一下怎样模仿。

01 统计

要搞数据的统计分析，那第一步我们得先有数据吧，也就是数据的统计工作！

 

提起数据统计，那自然绕不开数据埋点。关于埋点怎么埋，随便一查，就有很多总结的很好的文章了。

 

but，我想说的是，如果你们公司从来没整过埋点这个事，那也不用大费周章，因为界内已经有很多成熟的埋点公司了，例如神策、友盟等等，直接花钱办事就完了，也不贵~

 

我们今天研究的，是通过埋点，能够获得哪些数据呢？总结下来，大概有这么五类：

 

埋点获取五类数据

 

1. 整体概况

2. 用户获取

3. 活跃与留存

4. 事件转化

5. 用户特征

 

来来来，我们逐个剖析一下，这几类数据，具体都包含什么，以及获取这些数据有啥用~

1. 整体概况

 

实时数据意义：可以获取到每个小时的产品实时数据，帮助你了解产品目前的实时情况。

 

使用概况意义：产品整体的使用情况，包括用户量、访问情况、留存等，帮助你对产品整体指标有一个大致的了解。

2. 用户获取

 

渠道访问意义：每个渠道的用户的使用情况，包括渠道中新用户的占比、留存等，帮助你了解产品在获客层面上的优势与不足。

 

版本数据意义：每个版本的使用情况，帮助你了解在产品升级的过程中，是否在活跃和留存方面有所改善。

3. 活跃与留存

 

访问流量意义：产品的每日访问数据，指标集中在新老用户的访问行为上，提供访问次数、时长、次数分布、访问时段高峰等指标，帮助了解新老用户在使用产品时的一些行为特征。

 

用户留存意义：提供用户 7 日，次日，次周，次月留存的数据，帮助你了解新老用户的使用粘性。

4. 事件转化

 

自定义事件意义：用户自定义关键事件，系统会自动生成该事件的发生次数、人数以及分布情况，也就是能够看到用户都在干啥。

 

收益类事件意义：用户自定义收益类事件，系统会自动生成该事件的发生次数、人数以及分布情况，会根据你选择的数值类型属性，计算该数值的总值、人均值以及次均值。也就是能够看到用户都咋花钱的。

5. 用户特征

 

用户特征意义：能够看到我们的用户，都是哪些牛鬼蛇神~

02 分析

有了埋点的数据以后，那就是怎样利用这些数据，充分发掘这些数据的价值了。

 

数据分析的套路就更多了，把下面这些学会，应该“二八原则”里面的“八”就能够搞定了~

1. 常见的数据分析指标

 

综合性指标：反映产品的整体情况。

 

流程性指标：反映用户的使用行为。

 

业务性指标：反映具体的业务情况。

2. 常见的数据分析维度

 

数据细分：通过不同的细分维度分析，往往可以追溯到问题发生的原因，还能为后续的一些动作提供参考依据。

 

数据对比：没有对比就没有伤害，一方面是横向比较，即自身和别人进行对比，如长江的同比、环比；另一方面是纵向比较，即自身和自身进行对比，比如行业竞品、全站数据、AB测试等。

3. 常见的数据分析方法

 

HEART模型：Google HEART模型的提出，可以让大家反思自己的产品设计思维，同时运用相关设计工具去提高HEART五项指标来完善用户体验，打造更好的产品。

 

AARRR模型：该模型出自于《增长黑客》，它是在2007提出，当年的获客成本还比较低廉，而这种模型很简单又很直观地突出了增长的所有重要元素，所以这个模型很长时间内都很受欢迎。

 

RARRA模型：而现在获客的成本与日俱增，市场情况和2007年已经完全不同。现在黑客增长的真正关键在于用户留存，而不是获客。于是，一个突出了用户留存重要性的模型RARRA诞生了。

03 可视化

有了统计的数据以及分析的维度之后，最后一步工作就是可视化啦！

 

这个环节的目标很简单，就是让领导看到之后，不由地发出“卧槽，牛x！”这样的感慨，那就ojbk了~

 

而想要完成这一步，又快又好的方法，那自然就是参考各种规范啦，首先我们可以去一个叫做“e-chars”的网站，去查看各种可视化图表，因为开发很多时候，就是依照这些开源的图表库进行撸代码的~

 

而我们设计的时候，就需要借助各种原型组件啦。数据可视化的内容有很多，我们来举几个典型例子：

1. 折线图

 

注意事项：选用的线型要相对粗些，线条一般不超过5条，不使用倾斜的标签，纵坐标轴一般刻度从0开始。预测值的线条线型改为虚线。

2. 柱形图

 

注意事项：同一数据序列使用相同的颜色。不使用倾斜的标签，纵坐标轴一般刻度从0开始。一般来说，柱形图最好添加数据标签，如果添加了数据标签，可以删除纵坐标刻度线和网格线。

3.  条形图

 

注意事项：同一数据序列使用相同的颜色。不使用倾斜的标签，最好添加数据标签，尽量让数据由大到小排列，方便阅读。

4. 饼图

 

注意事项：把数据从12点钟的位置开始排列，最重要的成分紧靠12点钟的位置。数据项不要太多，保持在6项以内，不使用爆炸式的饼图分离。不过可以将某一片的扇区分离出来，前提是你希望强调这片扇区。

 

饼图不使用图例，不使用3D效果，当扇区使用颜色填充时，推荐使用白色的边框线，具有较好的切割感。

5. 其他

 

这种数据可视化的图表还有很多，而它的意义就在于，用图表代替大量堆砌的数字，有助于阅读者更形象直观地看清楚问题和结论。

 

我也在工作中搜集到了一些不错的数据可视化原型组件，有需要的同学，可以在公众号后台回复“数据可视化”几个字，就可以自行下载啦~

04结语

好了，以上就是今天的所有内容了，正如前言所说的，我们今天只讨论武功招式，不讨论内功心法。

 

延伸一下： 数据统计分析，最终还是要从业务中来，到业务中去，一切的形式，都是次要的，关键还是要以解决业务问题为根本！

 

但对于我们这些“新手”来说，经验主义自然也是要借鉴的！相信今天总结的内容，也足够支撑大家比葫芦画瓢啦。