針對如何快速搭建數據分析體系這個問題，本文給出了四個搭建原則：明確要統計分析的業務功能、拆分衡量指標/提出分析假設、尋找對比數據、明確數據獲取渠道。

產品設計和優化基於數據而高於數據。數據是反映產品效果的一種有力輔助手段，因此，在設計產品、迭代功能前，最好都提前規劃好本次“更新換代”的數據統計分析體系，並在上線後不斷觀察，根據數據反饋指導進一步的產品優化。然而，面對繁雜的數據指標和功能流程，該如何快速而清晰搭建起合適的數據衡量體系，是一個很重要的問題。

無論是搭建一套完整的體系，還是單純用於衡量某個功能/優化的上線效果，一般而言，可以從下面四個步驟進行：

1. 明確要統計分析的業務功能
2. 拆分衡量指標/提出分析假設
3. 尋找對比數據
4. 明確數據獲取渠道

1. 明確要統計分析的業務功能

數據是產品效果的表達方式，在搭建數據體系前，必須先明確業務類型、明確驗證目標：

A. 業務區分上，不同的行業領域，其關注點是有很大差異的：

（1）互聯網金融領域，看重的是保有量非0的用戶數、用戶的資金保有量、申購量、用戶財富指數等；

（2）電商行業，看重的是產生購買行爲的用戶數、用戶購買金額、購買頻次、復購週期等；

（3）社交類產品，看重的是用戶活躍程度，如日活躍時長、社區活躍度（評論、發帖）等。

B. 場景區分上，是功能優化迭代驗證效果？是差異化競爭的對比分析？是基於用戶場景的拉新、留存、促活？還是流失場景的挽留？

產品數據體系，一般而言可以分爲數據統計、數據分析兩大類。

（1）數據統計更多與產品功能效果掛鉤，用於衡量某一個產品指標，如用戶數量、DAU、MAU、用戶購買金額等。

（2）數據分析則更多用於產品路徑流程剖析、問題發現、迭代指導、運營效果反饋等場景。

不同的業務、不同的目標，決定了我們要選取什麼數據指標來衡量。

2. 拆分衡量指標/提出分析假設

明確了業務場景、統計/分析目標，下一步則是繼續拆分合適的衡量指標；對於數據分析需求來說，還需要在此之前提出分析的假設。以下舉例說明：

A. 分析某個產品功能的轉化率

轉化率一般可分爲註冊轉化率、申購轉化率、場景用戶轉化率、入口轉化率等，亦即“用戶對某款產品路轉粉”的過程。

進一步拆分，轉化率鏈路上的關鍵數據，分別有：曝光UV→點擊UV→轉化用戶數，對應的則是“用戶看到→用戶感興趣並嘗試→用戶被轉化”的行爲。

將轉化率放到場景中做分析，目標一般有兩種：

（1）看某個產品/運營流程的轉化效果，統計新用戶從接觸到最終被成功轉化的轉化率，多用漏斗模型來表現轉化率數據；

（2）對於多渠道多入口觸達的產品，或產品功能正在進行A/B test，需通過比較多渠道多入口的轉化率，對比每一個路徑的效果。

B. 通過用戶活躍度分析指導產品優化方向

活躍度指標可分爲用戶登錄/訪問頻次、場景設置頻次、申購/購買頻次、互動頻次等，主要是看用戶在產品上的留存和活躍程度，比如用戶近30天內登錄過10次，用戶近90天內發生了30次申購行爲。

有些產品/功能上線後，用戶抱着嚐鮮的態度被轉化，使用爲數不多的幾次後即流失，即可明確下一階段工作重點是提升用戶的留存率。相反，有的產品用戶留存率很高，但深究發現用戶大部分處於不活躍狀態，即可明確下一階段的工作重點是用戶促活。

C. 監控用戶健康度

產品的健康度在某種意義上說跟活躍度有點交叉，有些廣義的概念可把活躍度包含於健康度內。

比如，ARPU值、用戶流動性、會員體系下的用戶升降級速度…都是衡量一款產品健康度的指標。

以會員體系下的用戶升降級速度爲例：設計一套會員體系時，數據體系的搭建就必須有事前規劃測算、事中驗證跟蹤、事後調整這3個階段。事前的規劃測算一般需花費較大的時間和精力演算，因爲一旦會員規則對外放開了，就不好輕易做調整。也因此，第3個階段的調整，最好是能避免則避免。

會員體系需要擬合升降級曲線，一般達到的效果就是升級先易後難，降級留有一定buffer值。升級太快降級太慢，有導致體系被擊穿、成本hold不住等風險，升級太慢降級太快，用戶不買賬沒粘性。升降級速度，體現的是該產品的健康程度。

D. 用戶流失節點分析

很多產品上線一段時間後，發現流失率越來越高，這個時候可關注用戶在整個鏈路上的流失節點：用戶主要是在哪一步開始流失的，用戶流失的集中時間點是在什麼時候，從流失節點着手進行產品優化、適當的流失挽留堵漏等操作。

如互金平臺定投功能的使用，經過觀察和分析可能會發現，用戶在第一次扣款前後的流失率最高，且扣款高峯會伴隨着流失高峯，可能的原因有以下：

• 扣款前：用戶設置時僅抱着嚐鮮的心態，在扣款（實際發生資金行爲）前及時終止定投“止損”；或者對扣款行爲的安全感不足。
• 扣款後：對資金的安全和流動性存在擔憂；自身無法保證銀行卡資金在扣款日是充足的，因資金不足扣款失敗而放棄。

找到了可能的問題所在，即可對齊進行相應的用戶教育和引導，降低流失率。一個水缸多個孔，堵住其中1個或幾個，水流失的速度自然就慢了下來。

E. 通過假設潛在用戶畫像進行投放和驗證

產品對用戶做觸達的時候，總會選擇潛在目標用戶，以提高轉化率等各項指標。但何爲“目標用戶”，用戶的年齡？用戶所在的地區？用戶的在線支付頻次？需要通過多次投放嘗試總結，可假設多個變量，通過調整潛在目標用戶的畫像進行用戶包提取觸達，比較多個投放渠道之間的數據差異，從而達到驗證的目的。

3. 尋找對比數據

沒有對比的效果指標評價，都是耍流氓。一款產品上線效果，產品經理要看到其中的利弊，並且找到合適的參照物來對比效果，纔可以做出評價和結論。

舉個例子：一款社區類產品上線至今，總用戶數100萬，日均活躍用戶8萬人。

這個數據是好是壞？我們需要找到一個對比衡量的標準，對比競品，我們這個活躍用戶水平算是較高的？對比過去的日均活躍用戶5萬人，則很明顯有了提高。

因此，得到產品的上線效果數據後，需要找到對應的產品做標的，而這個標的，可以是競品、可以是歷史經驗數據沉澱、也可以是行業內默認的標準等。

4. 明確獲取數據渠道

規劃好了數據衡量體系，接下來即是產品上線前的數據埋點工作和上線後的數據獲取來源，有下面的一串口訣： 轉化數據點擊流，用戶屬性渠道號，反饋抽樣用問卷，廣義普適第三方。

A. 轉化數據點擊流

在看用戶登錄訪問、購買等產品的路徑轉化數據時，常選擇用戶數爲統計分析維度，這個時候，用相對簡單的點擊流埋點，一般可滿足需求；主要統計產品流程中，每一步操作的用戶數量，可形成漏斗模型。

B. 用戶屬性渠道號

在申購金額、購買數量和金額、評論互動等帶有用戶屬性的場景下，需要適當深挖，這個時候可以用渠道號等標記對用戶進行“打標”，方便跟蹤監控用戶的後續行爲。

C. 反饋抽樣用問卷

有的時候，我們需要探究用戶行爲原因，瞭解用戶的主觀操作意向，獲取用戶使用反饋時，通過上述的純客觀數據是難以得出合適的指導意見的，該情況下可以選擇問卷的方式進行；可以獲取足夠反饋問題的樣本數據。

D. 廣義普適第三方

有一些第三方數據平臺，如友盟、TalkingData、微信指數、百度指數等數據平臺，適用於監控大行業大領域數據。如通過微信指數，可知道某個詞彙的近期網絡搜索次數，環比增減情況，添加對比詞彙等。

方法論講完，是不是還有點似懂非懂？那就給大家舉一個案例：

對於luckin coffee來說，品牌定位更多在“職場咖啡”與“社交咖啡”上，因此，在獲客初始節點，進行了不同商圈的線下試點門店鋪設，通過各類優惠福利做app的推廣下載和刺激用戶分享獲客。該階段，如若進行數據分析，則首先需要明確分析目標：

1. 線下不同商圈的試點效果
2. 用戶對職場咖啡的訴求及預期
3. app推廣效果/社交咖啡營銷裂變效果

針對上述3點，可進一步提出對應的分析假設並尋找、拆分衡量指標：

1. IT白領辦公區域的門店效果優於市中心商圈；外帶門店銷售量高於堂食門店。
2. 中午13:00~14:00和下午15:00~17:00是點單高峯；外賣訂單30~40分鐘內送達符合用戶心理預期，30分鐘內則可超出預期；職場白領更偏好美式，女生更偏好瑞納冰系列等。
3. 社交分享推廣目標，如老用戶人均分享3次/周，人均轉化拉新3人/周，人均購買3杯/周，復購率在60%以上等。

針對上述分析假設，爲更客觀進行數據比較，可將上述假設進一步抽象爲數據衡量指標，例如：

1. 用各商圈門店的日均銷售咖啡杯數、各品類咖啡（價格）銷售數量佔比、外賣&堂食銷售數量佔比來衡量各試點門店的銷售效果，輔助擴張鋪設/縮減投入的決策；
2. 收集購買咖啡的用戶畫像屬性數據，匹配性別、年齡、購買時間段、品類愛好、客戶對外送單的反饋等，進而篩選出業務主打客羣，完善飲品和服務細節；
3. 通過數據埋點的方式，追蹤客戶的app UV/PV、咖啡購買杯數、優惠券鏈接分享次數、通過該分享鏈接點擊進入並註冊轉化的新用戶數量、用戶在註冊1周內二次下單的佔比等數據；可得出對應app下單轉化率、分享率、分享點擊率、老拉新轉化數、復購率等可精準客觀對比的數據。

很多人都用luckin coffee來對標星巴克、連咖啡，將三者作爲競爭對比。同理，如何衡量luckin coffee交出的這份答卷數據的好壞，則可通過對標星巴克、連咖啡相關業務的數據情況，如星巴克門店日銷售量、日銷售額，星巴克用星說禮品卡的銷售量、贈送量等，將兩者進行數據對比，進而得出結論。

按照數據體系搭建的四步法則，在產品上線前後提前做好產品數據的統計分析佈局，驗證效果、功能優化不再無從下手！

本文由 @漏網之魚 原創發佈於人人都是產品經理 ，未經許可，禁止轉載。

題圖來自 unsplash，基於 CC0 協議

相關文章