一、为什么需要数据分析

数据分析的重要性不言而喻，没有数据，就是感性。数据不会被观点打败，数据只能被数据打败。我们现在妥妥地已经进入了数据时代。

1. 量化IT投资成效，以数据驱动决策

站在公司或者决策者角度，数据最本质的作用，是作为资源调配的裁判，帮我们用最客观的方式将资源投到最有价值的事情上。

中国互联网已经进入到一个获取流量成本很高的时代，企业并没有那么多容错机会给到大家不断尝试试错。要提高决策准确性，主要依赖数据论证。

2. 通过数据分析洞察用户

用户研究是产品经理必须要去做的一件事，懂用户，挖痛点，给方案。

用户研究常用的方法除了用户访谈、调查问卷等定性研究外。从已存数据中发现用户的行为偏好，建立数据与用户画像之间的关联，针对不同人群需求或者痛点给出合理的产品解决方案也是数据驱动决策的手段。

从已存数据中分析用户需求或者痛点，找到用户行为偏好，精细化用户群体，了解用户，才能判断业务模式的可行性。而不是理所当然觉得用户会使用这个功能。

3. 通过数据分析找到机会点

比如做商城购物流程优化项目时，首先拉取了商详页-购物车-结算页-收银台-支付成功发现商详页和结算页转化率两个环节在整个路径中转化率最低，因此马上定出了事项优先级，优先解决这两个页面的转化问题。

产品经理不需要成为数据分析方面的专家，但什么时候分析数据、分析哪些数据、如何分析数据、如何用数据辅助决策、如何用数据驱动业务，这些问题是产品经理必须要回答的。

二、数据分析的框架

用户数据指用户本身的特性，如用户画像，使用你产品的用户男性多还是女性多，年龄多大等。

行为数据指用户使用产品在页面上的各种点击行为，在页面上停留时长等。

业务数据指用户行为之后，实际产生的结果，业务数据会落库业务数据表。分析业务数据的意义，可以衡量商业价值，是业务最终呈现结果，用以推动公司业务的发展。

1. 数据生成

各种业务系统、APP等，填报记录的数据。

2. 获取数据

通常使用第三方工具如ETL将业务系统的数据经过抽取（Extract）、清洗转换（Transform）之后加载（Load）到数据仓库的过程，数据呈现在BI的数据源。

数仓平台 – 派可数据商业智能BI可视化分析平台

3. 数据建模

所有数据进到数仓以后，需要根据实际想要看的业务数据进行数据建模，建模后的数据呈现在数据集。数据集作为数据源和可视化展示的中间环节，承接数据源的输入，并为可视化展示输出数据表。

4. 构建数据模型

底层的业务数据表其实很多，几十张上百张都有，但到了业务数据分析阶段，当需要分析的数据存储在不同的表，可以通过数据关联，把多个表连接起来，形成模型进行数据分析。

5. 设计维度和度量指标

对数据字段可以进行下一步分类：

维度（Dimensions）

度量（Measures）

在统计学中，单一数据字段可以被分为离散和连续。离散通常是维度，比如城市名称、用户名字，特征是有限数量的值；连续通常是度量，比如销量、利润或成功率，特征是不可罗列，可能为任一数值。维度和度量中有许多灰色区域，比如金额，可以做维度，也可以做度量。

维度 – 派可数据商业智能BI可视化分析平台

度量可以再分原子度量和派生度量。

原子度量指从维度里直接获取到，上表中的总订单数和成功订单数。

派生度量并不能直接从数据表中获取，而需要基于已有数据进行加工处理得到，上表中的订单成功率是成功订单数/总订单数得到。

6. 数据分析

聚合，简单讲就是数据源里的多行数据按照一定的标准计算成一个数据，不管数据集里有一行还是多行，视图里的数据都是聚合后的结果，一行数据也是要聚合的，当然一行数据聚合的结果是一样的。实际上，维度为数据聚合提供依据，而度量是依据维度聚合得到的结果。

7. 数据应用

通过可视化的图表去分析数据，找出机会点或者异常。

数据从用户中来，通过一系列的数据沉淀、处理和分析找出机会点做决策再回到用户中去，提升用户体验，带动业务增长，此即数据驱动业务。

三、数据指标体系设计

数据与数据之间的关联性或者相关逻辑性称作数据指标体系。指标体系指将零散单点的具有相互联系的指标，系统化的组织起来，通过单点看全局，通过全局解决单点的问题。

1. 用户数据之AARRR模型

提到用户本身，马上会想到经典的AARRR 模型，即获取用户（Acquisition）、提高活跃（Activation）、提高留存率（Retention）、获取营收（Revenue）和自传播（Referral）。

每个环节都有这个环节应该关注的指标，这些环节并不一定遵循严格的先后顺序。

2. 行为数据之UJM+OSM模型

UJM即User-Journey-Map，用户旅程地图模型；OSM分别指目标、策略和衡量，Objective-Strategy- Measurement。

UJM+OSM，通过拆分用户使用产品的阶段性行为，从中挖掘用户的需求，在每个阶段确定能够提升的指标，将用户旅程和业务目标结合起来。

按照价值从高到低依次投入开发资源去实现目标，项目上线后再复核业务目标是否达成，若未达成，进行差距分析。

3. 业务数据之指标分层

谈到业务数据时开始涉及角色的问题，业务和产品的角色分工，不同的角色在不同的场景下关注的指标并不相同。

业务 – 派可数据商业智能BI可视化分析平台

业务层级的指标用来衡量商业层面的客户发展、增长与获利、竞争力与盈利能力等。业务从用户那里挣钱，需要通过产品作为载体或媒介，互联网产品的使命是利用技术赋能业务，帮助企业降本增效。

但不管什么数据模型，核心都在于找到数据与数据之间的关联性，从海量数据中找出最核心的数据指标用以衡量目标是否达到，以系统和结构化视角思维来看数据分析。

四、数据呈现之数据分析方法

通过数据呈现，把分析的结果完整呈现出来，为决策者提供科学、严谨的决策依据，供决策者参考以做出决策。

1. 漏斗分析

漏斗分析能够科学反映用户行为状态，以及从起点到终点各业务流程的用户转化率情况，是一种重要的流程式数据分析方法。需要关注两点，第一是关注哪一步流失最多；第二是关注流失的人都有哪些行为。转化率最低的环节，往往是ROI 价值最大的地方。

数据分析 – 派可数据商业智能BI可视化分析平台

2. 趋势分析

建立趋势图表可以迅速了解市场、用户或者产品特征的基本表现，便于进行迅速迭代。趋势分析通常按时间维度的小时\天\周\月看度量指标的变化情况。

数据分析 – 派可数据商业智能BI可视化分析平台

3. 对比分析

同一维度还常常做度量指标的对比分析，主要用于对比同维度间的差异性。同漏斗分析类似，对比分析也可以快速找出最需要关注的维度指标，把资源用在刀刃上。

数据分析 – 派可数据商业智能BI可视化分析平台

4. 帕累托分析

帕累托分析，平常也称之为二八定律。在任何一组东西中，最重要的只占其中一小部分，其余尽管是多数，却是次要的。

帕累托模型即是以二八定律为基础原理构建出的商品分析模型，这个模型最大的好处是可以对商品或者产品进行分类，按照投入产出比的优先次序原则，将自己的资源尽量投入到头部产品当中，以期产生最大的效益。其核心思想就是少数项目贡献了大部分价值。

5. 交叉分析

交叉分析法就是将对比分析从多个维度进行交叉展现，进行多角度的结合分析，从中发现最为相关的维度来探索数据变化的原因。

报告图表化。用图表代替大量堆砌的数字会有助于人们更形象更直观地看清楚问题和结论，更容易做到有理有据。

移动BI_ERP数据分析_自助敏捷BI分析_数据可视化分析系统-派可数据

创业项目群，学习操作 18个小项目，添加微信：luao319 备注：小项目！

本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至 fqkj163@163.com 举报，一经查实，本站将立刻删除。
如若转载，请注明出处：https://www.fqkj168.cn/6899.html

bi数据分析，bi数据分析师

一、为什么需要数据分析

二、数据分析的框架

三、数据指标体系设计

四、数据呈现之数据分析方法

相关推荐