数据分析是一项实战性的工作内容，只有在不停的优化中才能越做越好。
对一个刚入门的产品经理来说，为一个全新的产品或项目做数据分析，都会有手足无措的感觉。现在，笔者把自己在数据分析这块工作上的所遇所思写成文章分享给大家，按照文章的步骤，你也能做出一个基本的数据分析。
做数据分析前，一定要先确定好目标，这样后面的每一步才能不偏离大方向。那么，你做数据分析的目的是什么？
- 检测用户对新功能的喜爱程度？
- 优化用户在使用过程中的槽点？
- 寻找新的流量增长点？
这几条实际上都只是大数据分析框架中的某一个模块，在这个模块之上还有一个更重要的大框架。
做数据分析的时候，最好先把这个整体的数据分析框架整理出来，在这个框架之下，再填补具体某个模块的分析需求。这样的数据分析才更饱满，更具有参考价值。
AARRR模型是所有产品经理都要了解的一个数据模型。著名的《增长黑客》里面的数据分析基础，也是以这个模型为基础的。
- 获取（Acquisition）：用户如何发现（并来到）你的产品？
- 激活（Activation）：用户的第一次使用体验如何？
- 留存（Retention）：用户是否还会回到产品（重复使用）？
- 收入（Retention）：产品怎样（通过用户）赚钱？
- 传播（Retention）：用户是否愿意告诉其他用户？
这个模型将数据分析分成了五个大的模块，我们依据这个模型，把每一个模块划分出更细分的维度，罗列出影响每一个维度的变变量，整理出一些表格，这些表格就成了我们做数据分析的基础。
下面以APP为例详细分析下这个AARRR模型：
1. 获取部分：
获取部分一般需要评估的维度有：渠道的获客数量、获客质量等。
获客数量示例：
从上边的表格中看出，360应用市场的获客数量要明显好于其他的安卓应用市场渠道。而且线上活动的获客数量比线下活动的获客数量多，说明这款产品可能更适合在线上做一些推广。当然也有可能是活动本身的质量影响了获客量。
除了渠道获客数量之外，一定要分析渠道获客质量。结合数量和质量两个维度，才能更好的筛选出适合企业自己的优质渠道，更客观的评估公司做的推广活动的效果。
获客质量示例：
通过渠道数量和质量这两个指标的分析，我们发现线上活动带来的用户数量、质量都比较高，所以这可能是更适合这个APP的获客渠道。我们筛选出优质的渠道后，就可以在这个渠道上投放更多的资源，从而为公司带来源源不断的新用户。
渠道数量和质量的指标还有很多，要依据产品及公司业务模块区分制定，一般有：每日新增、累积新增、启动次数、首次交易户、首绑交易户、一次性用户数、平均使用时长等。
2. 激活部分：
激活一般指注册激活、主动活跃、推送活跃、交易活跃等。
很多用户下载一个APP后，只是浏览了几个页面，就把应用卸载了。那这个用户数量可以记录在APP新增下载量里面，注册激活就不会记录。
激活示例：
上边的数据显示这个APP的交易活跃明显大于主动活跃，那么可以推断这个APP是交易驱动，可能是一个电商或者理财类的APP。对于一些新闻、娱乐、社交类的APP，它们的主动活跃一般会高于交易活跃。
这里要特别说明的是注册激活部分。注册激活部分需要进行详细的页面埋点，列出影响注册激活的因素，对这些元素不断优化，最后提高产品的注册激活数量。
具体的埋点部分在文章后面有介绍。
3. 留存部分：
用户只有留存下来，才有可能与APP发生更多接触，才有可能最终促成付费。
留存示例：
一般来说，次日留存>3日留存>7日留存>次月留存。用户的留存量刚开始会下降的比较严重，到了后期会逐渐稳定在一个数量级上。稳定下来的这些用户，基本上就是产品的目标用户了。
留存还有很多指标，如：次日留存、3日留存、每日流失、每日回流、用户声明周期、平均生命周期贡献、7日回访用户、使用间隔、页面访问量、回访率等等。具体选定哪个维度进行统计要依据自己的产品和业务重新定制。
4. 收入部分：
收入部分主要是公司的业务层面的数据，用户使用APP后，浏览了什么样的商品和服务，选了了什么商品和服务，最后支付了多少。关于固体交易金额的数据，第三方工具一般统计不了，公司也不可能把这部分数据接口开放给第三方，所以这块是需要我们在产品后台单独做埋点的。
整个支付环节的埋点一般有两个主要因素要考虑，一是看用户的支付支付体验是否顺畅，是否有一些页面卡主了用户，让用户无法进行交易。二是看在哪一个页面流失最高，用控制变量的方法调整流失率高的页面的栏位、交互等。
5. 传播部分：
传播部分一般可以分成两个维度，舆情监控维度（包括用户的主动传播分享）和产品的引导分享维度。
大一点的公司一般都有专业的部门来负责舆情监控，会收集和处理一些负面的评论，积极传播产品的正面价值。
产品内部的引导分享可以参照上面的表格制定一些监控因素，最后统计数据，指导下一步工作。
有了数据分析的框架后，该用什么工具进行数据分析呢？
一般来说，都是要自己做一个数据后台的，用来统计产品功能页面的数据和业务层面的数据。没有条件的可以由开发部门按照产品经理的需求从数据库导出数据，产品经理再进行分类整理。
或者可以对接第三方数据统计工具。
常见的第三方工具有：
- APP分析工具：友盟、TalkingData、Flurry等。
- 网站分析工具：GA、Alexa等。
我们知道了数据分析的框架，知道了数据分析的工具，接下来要做的就是如何使用这些框架和工具了。这就涉及到数据分析最基本的步骤——埋点。
所谓埋点，就是在正常的功能逻辑中添加统计逻辑。一个全新的APP，即使对接了tailingdata、友盟这样的平台，产品经理也需要做后台事件埋点的。因为talkingdata等平台主要是统计页面相关的数据，点击、使用、访问等。更深层次的用户与后台交互的一些数据和业务申请层面的数据，还是要在自己的后台埋点统计的。
下面以在行APP的首页、登录页面进行埋点示例：
在行-首页：
在行-登录页：
做埋点的时候， 一般要做两张表格，一张是埋点事件表，一张是埋点统计表。
数据埋点（事件）表：
数据埋点事件表一般是记录每个页面的交互事件，一般是后台记录次数。比如点击登录按钮的次数、点击获取验证码的次数，进入某个页面的次数、退出某个页面的次数等
在这里统计的时候有两个维度需要区分。一个是PV，一个是UV。
- PV： 访问量， 即Page View， 即页面浏览量或点击量，用户每次刷新即被计算一次。
- UV：独立访客，即Unique Visitor，访问您网站的一台电脑客户端为一个访客。00:00-24:00内相同的客户端只被计算一次。
数据埋点（统计）表：
这一部分就是你要直接看的数据了，一般可以直接生成图表，定制一个图表导出的规则，每天在某个时点导出发送一次。
整理完这两张表后，再带上你的产品页面图（交互稿也可），就可以愉快的去找开发的小伙伴们提需求了。经过一场撕X大战后，你的需求可能需要再优化下，然后就就可以等开发、测试、上线了。