前言：

“数据”这个词，是产品经理永远绕不过的话题，但从我多年面试经验看，很多2-3岁的产品经理对数据的理解仍是模糊无章法的，鉴于本人也有着2年的数据产品经验，特整理成文，给产品新人普及一下基本的数据知识。 

1、基本概念 

什么是“移动App的数据分析”？为什么要进行“移动App的数据分析”？

简单来说，通过在App中进行埋点采集，或读取App存储在数据库中的业务数据，以一定目的，将数据进行“筛选、清洗、加工、解析”，产出对产品设计、运营计划有帮助的结论的过程，就是“数据分析”的过程。持续的数据分析可监控产品的运营状态、提升推广效果、发现产品问题、优化产品体验。 

2、基本术语 

这里举几个我常遇到的术语，便于同开发和运营进行沟通。

埋点：一般意义上的埋点，是利用如友盟、Talkingdata等第三方公司的SDK，通过在App中嵌入一段SDK代码，设定触发条件，当满足条件时，SDK会记录日志，并将日志发送到第三方服务器进行解析，并可视化地呈现给我们。这一过程就叫埋点。

埋点方式也分“简单埋点”和“自定义埋点”，所谓“简单埋点”就是直接拿到第三方key，写到App代码的配置文件中即可。而“自定义埋点”则对应一种叫“自定义事件”的功能，一般第三方统计工具都支持，我们可通过设置“自定义事件”查看App特定的操作行为数据，如点击按钮次数、打开指定页面次数等，通常创建“自定义事件”都需要产品经理告知开发App的哪些条件下需要触发“自定义事件”，以及触发时要如何通过不同参数区分不同的点击行为。

如同样是点击按钮事件，可通过设置参数“Action”，来区分Action=Yes和Action=No这两个按钮分别点击的次数。整个埋点流程如下图所示：

维度：维度就是指我们平时看事物的角度，也可理解成分析一个数据能从哪些方面去分析，这些“角度”都是有值且可被枚举的。比如我们注册用户数有10万，那可分析的维度有：用户所在省份、用户性别、用户角色、用户来源等。不同维度来观察数据，可以得出不同结论，能否拓展观察维度，也是评估数据分析能力的一个关键。 

度量：度量和维度相辅相成，是指可量化的数值，用于考察不同维度观察的效果，也可理解成“数据指标”。观察度量值可总体查看，如App总用户数，也可配合“维度”分层查看，如不同省份的注册用户数、活跃用户数，不同来源的App启动次数、平均日使用时长等。 

渠道：指App的不同安装来源，如通过第三方应用市场安装，通过广告点击安装，通过地推二维码扫码安装，通过官网下载安装等。互联网公司的商务工作一般就是拓展渠道，观察不同渠道带来的数据表现，不断优化渠道质量。 

3、基本指标

注：以下所说的指标，均以移动App常见的核心指标为主，不涉及业务相关指标。目的是希望产品经理在谈起某个数据时，能统一认识。 

新增用户：安装App后，首次启动App的设备数，需要按“设备号”去重。新增用户主要为了衡量推广效果，以及当前产品在整个生命周期所处阶段。 

活跃用户：时间段内，启动过App的设备数，需要按“设备号”去重。活跃用户主要为了衡量运营效果，以及产品使用情况。 

启动次数：时间段内，启动App的次数，无需去重。启动次数主要为了衡量推送效果，以及App的内容是否足够吸引人。 

留存率：时间段内的新增用户，经过一段时间仍启动App的用户，占原新增用户的比例。“时间段”的划分方式有：按日、按周、按月，对应指标还可细分为“日留存率、周留存率、月留存率”。而“经过一段时间”的划分方式有：次日、7日、14日；次周、+2周；次月、+2月等。一般一款App的次日留存率为30-40%，次月留存率为20%，已经算是不错的成绩了。 

使用时长：时间段内，从启动到结束App使用的总时长。所谓“结束App”，通常指杀掉进程，或者将App退到后台超过30秒。一般会按“人均使用时长、次均使用时长、单次使用时长”分析，衡量产品粘性和活跃情况。 

使用频率：用户上次启动App的时间，与再次启动的时间差。使用频数分布，可观察到App对用户的粘性，以及运营内容的深度。 

4、基本技术 

数据采集技术——抓包。所谓“抓包”，一般指观察App上传到服务器上的数据都有哪些。通过“抓包”观察，一方面可判断自家App是否正确上传了想要统计的数据，另一方面还可抓取到手机上安装的其他App的上传数据，用来分析竞品内容更新情况。一般在Mac系统上，我习惯用Charles工具，Windows系统可以用Wireshark。当然抓到的数据如果想进行详尽分析，需要一点基本的http协议知识和json格式知识。

数据提取技术——sql语言。sql语言一般用于从数据库中进行数据的增删改查，需要企业运维人员或DBA人员开启权限才可访问，大公司的产品经理基本没机会用到，但如果你是小公司的高级产品经理，且和技术商议仅开启只读权限，还是可以尝试使用的。

以我个人经验，掌握sql只是基本要求，更关键的在于了解数据库表结构和关联关系，以及你提取数据的思路，sql只是工具而已。sql语言本身也和数据库软件相关，推荐学习mysql的sql语法，简单易试。至于语句，只要掌握group by的维度，where的限制条件，还有join语句的表连接逻辑，基本就能应对80%的数据查询需求，剩下的就是熟能生巧了。 

数据处理技术——Excel、Python、JS。提取出来的数据，要深入分析，肯定得进行二次加工。按使用的难度高低，需要掌握工具如下： 

Excel：大名鼎鼎的office工具，有着极其强大的数据处理能力。常用数据分析功能有透视表和命令行。推荐一个我喜欢的处理命令： 

VLOOKUP：这是一个查找函数，给定一个查找目标，它就能从指定的查找区域中返回想要查找到的值。它的基本语法为：

VLOOKUP（查找目标，查找范围，返回值的列数，false）

我们可在一堆数据中，根据指定条件，进行二次筛选，非常方便。当然这个函数的作用还不止如此，有兴趣的同学可以深入研究一下。

此外，包括COUNTIF、IF等判断语句，也是筛选数据非常好用的函数。 

Python、JS：Python、JS其实是一种通用脚本语言，不止适用于数据分析，但由于其安装、使用方便，函数库丰富，特别适合有开发基础的同学尝试。举个例子，mysql提取出来的数据，DBA通常会以Excel格式提供，简单的二次处理可用Excel完成，但涉及根据业务不同，要根据Excel做数据的条件判断计算，以及循环处理，就要借助第三方开发语言了（当然Excel自带的VBA也很强大）。此外，如果希望以更可视化的方式查看数据，还可通过JS技术，调取第三方开发库，如百度地图的API，进行更丰富的呈现。比如之前我在e代驾做的车辆运行轨迹图：

5、基本分析方法 

介绍几个常用的数据分析思路： 

对比：字面上理解，就是非孤立地看数据，而是多个数据提取进行比较。根据对比方法不同，分为“横向对比”和“纵向对比”。 

横向对比：指空间维度的对比。相当于一个指标，在不同条件下的对比，但每个条件都属于一个层级。举个例子，App功能的A/B测试数据对比，各个渠道的新增用户对比，都属于横向对比。 

纵向对比：指时间维度的对比。一般的对比方法有：同比、环比。同比一般指是指本期数据与上年同期数据对比，环比则是本期统计数据与上期比较。观察时间轴上的数据折线图来判断产品运营状态也是一种纵向对比。 

拆分：分析这个词，从字面意义上理解，就是“拆分”和“解析”，当某个维度对比后发现问题需要找原因时，就需要进一步“拆分”了。举个例子，如果发现某日的销售额只有昨日的50%，就需要对销售额指标拆分为：成交用户数 x 客单价，而成交用户数 = 访客数 x 转化率。那么我们接下来就可分别针对：访客数、转化率、客单价，观察今日和昨日相比的数据变化，找出原因。 

降维：当维度太多时，我们不可能全部分析，这时就要筛选出有代表性的关键维度，去除掉那些无关数据，这就是“降维”。比如“成交用户数 = 访客数 x 转化率”，当同时存在这三个指标时，其实我们只要三选二就能得出结论了。 

增维：增维和降维是相对的，如果当前观察的维度无法解释当前问题，就需要对数据进行运算，多增加一个指标。在可视化分析领域，也可将不同类型的图表嵌套使用，能达到增加信息展现维度，扩展分析广度的目的，如下图所示：（将环形图和折线图进行增维嵌套）。

分组：也可叫聚类，合适的分组能更好地理解业务和场景。例如用户画像过程，就是一个按不同维度对数据分组的过程。通过用户画像，可以很清晰地知道产品的用户地区、用户兴趣、用户年龄、用户性别等属性占比，产品经理可通过画像进一步了解用户需求。 

漏斗分析：主要用于分析产品使用的关键路径，通过设定一系列操作步骤，统计每一步中的操作用户数，并将用户数以柱状图纵向排列，就可形成用户流失漏斗，我们可分析漏斗每个环节的流失率，并观察改进环节交互体验后，流失用户的变化情况，以此来验证改动效果。

AARRR模型：该模型一般用于游戏数据分析，是Acquisition、Activation、Retention、Revenue、Refer，这五个单词的缩写，分别对应一款移动应用生命周期中的5个重要环节。AARRR本身是一个循环，使用者需观察每个环节的数据情况，以此来分析产品是否在执行一个正循环过程。这其中的任一环节除了问题，都会导致产品数据的异常。

6、总结 

以上内容，从“基本概念、基本术语、基本指标、基本技术、基本分析方法”这几个方面，讲解了产品经理应了解的基本数据知识，其实每个方面都可再深入讲解，但由于篇幅有限，只能择期再开新话题.