产品运营统计分析(产品运营视阈下的数据分析)

数据分析者的不同职业阶段，也对应着数据分析的不同业务流程。怀疑数据，主要是怀疑数据的真实性与有效性。比如说整体分享次数，由业务基础来看，它由个部分的分享次数累计而得，可以初步归纳为“整体=部分A部分B部分C…”这样的计算公式；

产品运营视阈下的数据分析

编辑导读：数据分析对于产品运营来说，是一面可以反映业绩情况、检验运营效果的镜子，更是一种工作能力和处事思维。数据分析者的不同职业阶段，也对应着数据分析的不同业务流程。本文作者将对数据分析的四个阶段进行分析，希望对你有帮助。

什么是数据分析？数据分析是目标，是工具，是思维。正如水仙临水自照，其实数据分析对于产品运营来说更像是一面镜子，可反映业绩情况，可激励工作目标，可检验运营效果，但最重要的是，它是一种工作能力，一种处事思维。

如果说数据分析也有生命周期的话，那便是“相信数据——怀疑数据——重塑数据——反省数据”。这是数据分析的业务流程，是数据分析者的心态历程，也对应着数据分析者的职业阶段，即菜鸟、初阶、中阶、高阶。

做数据分析，首先要相信数据。作为一名合格的产品运营菜鸟，自然要首先奉其为圭臬，尊其为标杆，方能进一步深入挖掘数据。具体而言，可从日常的日报、周报、月报入手，熟悉KPI的数据指标情况，以其关键数据为圆心，向关联数据辐射。比如，如果KPI的关键数据指标是分享数据，那么以其为圆心，可关注分享人数、分享次数、分享回流UV等细分数据维度，又因活跃数据与分享数据密切相关，还可关注诸如活跃、拉新这样的关联数据。

但“相信数据”是很多人的工作误区，即以数据为数据，看数据是数据，为数据做数据。这样的数据解读是肤浅的，只停留在事物的表面，而未深及核心本质。常见的此类情形是：围绕工作目标KPI数据去做工作，被数据驱动，就像是数据的负债人，在漫漫的KPI之路负重而行。

稍微高阶一点的呢，则是将工作KPI进行分解，大而化小，小而化微，通过更加细化的数据维度开展工作，从而达到完成KPI的目标。比如说微信群的“好友数”这个数据，又可以细拆分为开营好友数、结营好友数、1V1触达好友数、付费好友数等细分指标。就像爬山，一步一步慢慢来，总会成功登顶的，虽然这过程有点慢，但蜗牛也能到达金字塔。

从相信到怀疑，这是一个非常艰难的过程，其难度不下于重塑世界观。但这又是初阶人员迈向中阶人员的必经蜕变期，如同羽化成蝶，虽过程艰辛，但其前景曼妙。经过这个时期的产品运营，油然而生一种柳暗花明的豁然开朗之感。

怀疑数据，主要是怀疑数据的真实性与有效性。数据来源与统计结果是真实情况吗？最终结果全部有效吗？有效样本是多少？为什么会出现这种情况？

拿APP来说，由于产品的历史遗留问题，注册用户需要填写的字段有所变化，所统计的用户明细表格中有很多数据是缺失的，这些缺失的字段就是无效数据。像我们去办信用卡，“个人年收入”那一栏未必填写得完全准确，一部分是因为填写者的收入不固定，除了基本工资，可能又有季度奖、绩效奖、年终奖等奖金和各种补贴；另一方面是因为填写者的本人薪资是浮动的，随着工龄的增长或跳槽等情况，工资是会产生变化的；此外，另有一些用户由于虚荣心理或者自私心理将原本的工资往高了填，为了取得较高的信用额度。上面的这些情况说的就是数据的真实性，海绵吸足喝饱了水之后，当然有所“增重”。

那么什么是数据的有效性呢？与有效相对应的是无效，容易产生无效数据的情形主要有：数据样本容量过小，不够全面，比如说用100个大学生的调查数据去概括千万个大学生的学习现状，这无异于管中窥豹了；数据样本不符合预设条件，比如要调查白领阶层的薪资情况却让蓝领阶层填写问卷调查；还有调研方法不恰当、分析方法有误等复杂因素。

除了怀疑数据的真实性与有效性，还要不放过任何一个疑点，通过对疑点的寻根究底来锚准目标、反哺业务。诸如：“这样的数据分析有必要做吗？”、“数据分析的结果好像不太对？”而此类的数据疑问往往需要我们跨部门沟通协作，找出答案所在，通过这样的“数据追究”，去发现数据背后的真相，来为业务增长做服务。

柳暗花明之后，需要圈地自营。注意的是，圈地自营不是圈地自萌，不是自嗨，而是自省。通过自省提高数据分析的运营境界，重构自己的数据思维逻辑，建立自己的数据分析方法论。

到达这个阶段的产品运营，能够根据自己的需求或者目的来筛选数据、呈现数据，并且对影响某项数据的主要因素了然于心。就拿筛选数据来说，可以选择不同颗粒度的数据（比如日粒度、周累、月累等），还可以选择数据的关键项（比如性别、地域、从业年限等）。

那么如何呈现数据呢？比较常用的是绝对数VS相对数。打个比方，如果做工作汇报的时候发现，绝对值其实并不突出，但是相对数很突出（环比、同比等），这个时候就可以选择相对数（比例、比率等）作为呈现的数据。

数据呈现结果，而如何分析结果背后的原因则是关键所在。从业务场景中找真相，从常识与逻辑中找答案，深入挖掘数据结果背后的成因。比如说整体分享次数，由业务基础来看，它由个部分的分享次数累计而得，可以初步归纳为“整体=部分A+部分B+部分C+…”这样的计算公式；此外，根据逻辑常识，活跃、拉新以及线下的业务场景都对分享数据有一定的影响，则可通盘考虑、整体归纳。

进入高阶的数据分析，达到了职业生涯的巅峰期。这个阶段的产品运营主要反省数据，换言之，则是以一种较为通盘的思想进行经验总结，将以往的数据分析案例变成可复用、可迁移的知识财富。

回溯以往，哪些数据是可以更好地归类整理与交叉分析的？哪些数据是可以反哺产品、促进产品的迭代优化的？哪些数据是可以做成自动化的数据报表的？哪些数据可以做成数据看板的？有哪些数据反映了真实的业务情况且对业务有推动作用？……

通过对诸如此类的数据问题进行深刻的反省，产品运营将数据经验条理化，整理出一套属于自己的数据分析方法体系，包括撰写数据需求文档、促进BI工具优化、使用数据分析工具、梳理数据维度、收集并筛选数据、拆解细分数据、分析数据成因、归纳数据结论等方面。

反省数据的过程其实包罗万象，业务、活动、运营、品牌、市场等因素皆是其中的关键项，对数据的反思可以说是对工作的回溯、归纳、复用，将以往的数据经验内化为宝贵的个人经验储蓄。

相信数据、怀疑数据、重塑数据、反省数据，对于产品运营来说，这是做数据分析工作的自然历程，也是从菜鸟、初阶、中阶到高阶的职业成长之路。掌握数据分析的精髓，实现蜕变式的成长，这需要“厚积薄发”的经验沉淀，也需要一以贯之的坚韧态度。

以上仅为个人的一点浅见，欢迎大家批评指正。

本文由 @李嘟嘟 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议