想要培养数据分析的能力，我认为可以从两部分来着手：一是数据分析方法论的建立，二是数据分析从入门到精通的知识学习。

那么该如何搭建自己的数据分析知识体系？数据分析的价值又在哪里？做数据分析有哪些具体的方法？又如何学习数据分析？

我把我之前的两篇文章整理下，和大家分享一下这些问题。

Part 1 | 数据分析方法论 & 知识体系

1. 数据分析体系：道、术、器

「道」是指价值观。要想做好数据分析，首先就要认同数据的意义和价值。一个不认同数据分析、对数据分析的意义缺乏理解的人是很难做好这个工作的。

「术」是指正确的方法论。现在新兴的「Growth Hacker」（增长黑客）概念，从 AARRR 框架 ( 获取、激活、留存、变现与推荐五个环节）入手进行产品分析，这是一个非常好的分析方法。

「器」则是指数据分析工具。一个好的数据分析工具应该能帮助大家进行数据采集、数据分析、数据可视化等工作，节省时间和精力，帮助更好理解用户、更好优化产品。

2. 数据分析的价值

数据分析不能为了分析而分析，而要将落脚点放到业务、产品和用户上。以产品经理为例，数据分析应该帮助产品经理不断优化产品设计和迭代，驱动产品和用户增长。

当我们上线了一个新的产品（product）或者功能时，需要对其进行数据监控和衡量（measure）。然后从监控中采集到产品的用户行为数据（data），并对这些数据进行分析和总结（learn）。最后从分析中得出结论和观点（idea），如果数据证明我们的新产品/功能是优秀的，那么可以大力推广；如果数据说明我们的产品还存在问题，就需要对产品进行新一轮的优化（build）。

在「产品——数据——结论」的不断循环中，我们不断用数据来优化我们的产品，加快产品迭代的步伐、提升用户体验。

3. 数据分析的方法

（1）流量分析

a. 访问 / 下载来源，搜索词

网站的访问来源，App 的下载渠道，以及各搜索引擎的搜索关键词，通过数据分析平台都可以很方便的进行统计和分析，分析平台通过归因模型判断流量来源，产品经理在分析这些流量时，只需要用自建或者第三方的数据平台追踪流量变化即可，第三方平台如 Google Analytics 、

GrowingIO

等；

b. 自主投放追踪

平时我们在微信等外部渠道投放文章、H5 等，许多产品都会很苦恼无法追踪数据。

分析不同获客渠道流量的数量和质量，进而优化投放渠道。常见的办法有 UTM 代码追踪，分析新用户的广告来源、广告内容、广告媒介、广告项目、广告名称和广告关键字。

c. 实时流量分析

实时监测产品的访问走势，尤其要关心流量异常值。举个例子，某互联网金融平台因为一个产品 Bug 导致用户疯狂抢购造成的流量峰值，产品经理发现实时数据异常后迅速下线该产品修复 Bug，避免了损失扩大。

（2）转化分析

无论是做网站还是 App，产品里面有很多地方需要做转化分析：注册转化、购买转化、激活转化等等。一般我们借助漏斗来衡量用户的转化过程。

影响转化率的因素很多，我们总结了三个大的方面：渠道流量、用户营销、网站 / APP 体验。以渠道流量为例，通过优选渠道并且量化分配我们的投放资源，可以有效提升总体的转化率。

更详细的转化分析方法，可以参考我之前的这篇回答

如何提升转化率？ - 张溪梦的回答

。

（3）留存分析

在互联网行业里，通常我们会通过拉新把客户引过来，但是经过一段时间可能就会有一部分客户逐渐流失了。那些留下来的人或者是经常回访我们公司网站 / App 的人就称为留存。

在一段时间内，对某个网站 / App 等有过任意行为的用户，称之为这个网站 / App 这段时间的活跃用户，这个任意行为可以是访问网站、打开 App 等等。

现在大家经常会用到所谓的「日活」 （日活跃用户量，DAU）、「周活」 （周活跃用户量数据分析论文，WAU）来监测我们的网站，有的时候会看到我们的「日活」在一段时期内都是逐渐地增加的，以为是非常好的现象，但是如果没有做留存分析的话，这个结果很可能是一个错误。

留存是产品增长的核心，用户只有留下来数据分析论文，你的产品才能不断增长。一条留存曲线，如果产品经理不做什么的话，那么用户就慢慢流失了。

这是一个常见的留存曲线，我把它分成了三个部分：第一部分是振荡期，第二部分是选择期，第三部分是平稳期。

从产品设计的角度出发，找到触发留存的关键行为，帮助用户尽快找到产品留存的关键节点。之前我们发现我们产品里面，使用过“新建”功能用户的留存度非常高；于是我们做了产品改进，将“新建”按钮置于首页顶部刺激用户使用，效果非常好。

硅谷流行的 Magic Number（魔法数字）也是留存分析的一部分，比如 Facebook 发现「在第一周里加 10 个好友」的新用户留存度非常高。作为产品经理，我们也需要通过数据分析来不断探索我们产品里面的魔法数字，不断提高用户留存度和活跃度。

更详细的留存分析方法，可以参考这篇文章

你能找到的最深入的留存分析文章 - 留存 · 增长 · Magic Number

。

（4）可视化分析

用户体验，是一个非常抽象的概念，我们可以对其进行形象化。目前一个普遍的方法就是对用户的数据进行可视化，以热图的形式呈现。

借助热图，产品经理可以非常直观了解用户在产品上的点击偏好，检验我们的产品设计或者布局是否合理。

热图的概念、原理、类型和应用，可以参考这个回答

热力图是什么原理? - 张溪梦的回答

。

（5）群组分析 & 挖掘用户需求、改进及优化产品

千人千面，产品经理对用户精细化的分析必不可少。不同区域、不同来源、不同平台甚至不同手机型号的用户，他们对产品的使用和感知都可能存在巨大的差异。产品经理可以对不同属性的用户进行分群，观察不同群组用户的行为差异，进而优化产品。

之前我们做过一次分析，网站的总体注册转化率是 6%；但是使用 Chrome 浏览器的新用户注册转化率高达 12%，使用 IE 浏览器的新用户注册转化率才 1%。这样一分的话，问题就很明显了，极有可能是浏览器兼容性的问题，产品经理应该关注一下这个问题。

详细的群组分析操作流程，可以参考这个回答

产品经理一般是怎么搜集产品不好用之处的？ - 张溪梦的回答

。

Part 2 | 数据分析知识学习

从入门到精通：互联网数据分析的书籍清单！

任何一个技能的学习，都有从浅到深的过程，数据分析也不例外。因此我把推荐书籍划分成几个段位，更便于大家挑选。

1. 入门版

适合对数据分析的入门者，对数据分析没有整体概念的人，常见于应届毕业生，经验尚浅的转行者。

深入浅出数据分析 (豆瓣)

：HeadFirst 类的书籍，一向浅显易懂形象生动，可以对分析概念有个全面的认知。

谁说菜鸟不会数据分析 (豆瓣)

：不仅讲解了一些常见的分析技巧，并附带 Excel 的一些知识以及数据分析在公司中所处的位置，对职场了解亦有一定帮助。

赤裸裸的统计学 (豆瓣)

：作者年轻时是个追求学习意义的学霸，后来自己从统计学中发掘了很多可以应用到生活的地方。这也是本书的主旨，结合生活讲解统计知识，生动有趣。可以避免统计学一上来就大讲贝叶斯概率和随机分析的枯燥。

同样类似的书籍还有「

统计数字会撒谎 (豆瓣)

」，这本书知名度要高点，不过我还没看…

2. 进阶版

具有一定的行业针对性，要求具备一定的分析常识，适合网站分析师，商业分析师以及数据产品经理。

精通 Web Analytics 2.0 (豆瓣)

：此书虽老，但其中很多思想和流量分析的案例仍然很有借鉴意义，现在纸质书只能上淘宝买旧书了。

与此类似的有「

网站分析实战 (豆瓣)

」，是国内一本讲网站分析的书，没有上面经典，但胜在新出，很多案例和理念都有及时的更新。

深入浅出统计学 (豆瓣)

：Headfirst 类书籍，可以帮助你快速了解统计方面的知识。

数据化管理：洞悉零售及电子商务运营 (豆瓣)

：黄成明著，讲解在企业中应用数据的例子，读完受益匪浅，里面举的很多例子都很接地气。虽说偏向于零售业管理，但大道归一，可适用于很多行业，当时依据里面的理念规划了美团外卖面向 BD 的数据产品。

MySQL 必知必会 (豆瓣)

：这本也是我当年学习 SQL 的入门书，薄册子一本，看起来很快。SQL 是个性价比很高的技能，简单而强大。任何想进一步提高自己数据分析技能的产品/运营/分析师 同学，都建议点亮 这个技能点。

互联网增长的第一本数据分析手册

：我司 GrowingIO 出的一本数据分析的增长手册（封面和目录见下图），我们一直在做互联网行业数据分析知识的普及，目前我们已经做了 15 期「GrowingIO 数据分析公开课」，面向产品经理、运营等等，

来源【首席数据官】，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！