編輯導語：當今時代是數據時代，數據分析的重要性不言而喻，數據思維或者數據分析能力已經成為這個時代的必須，本文作者通過萬字長文講解了完整數據分析過程，一起來看看吧。
筆者支付產品經理，本篇文章內容基于自己從事支付領域從0到1搭建支付業務數據分析實戰經驗。
從一個小白接觸支付業務，毫無章法胡亂看數據，到開始有點門道看表層數據，再到此篇文章輸出的成體系的數據分析系列篇章，前后經歷了2年多時間。此篇文章內容皆為當前階段認知，并不全面，后續肯定會持續做迭代更新。
一、為什麼需要數據分析數據分析的重要性不言而喻，沒有數據，就是感性呀。
你說你做完這個功能可以獲得什麼價值回報，沒有數據支撐，太過蒼白無力，沒人信服你。但是只要你說，你做完這個項目，可以提升訂單轉化率多少個點，并且信誓旦旦講，那沒有人不會不理你。畢竟，這是赤裸裸的錢，誰不愛錢呢。
數據不會被觀點打敗，數據只能被數據打敗。人家拿數據得出的結論，跟你的直覺再對不上，你心里再不服氣，想反駁，也必須拿數據說話。
我們現在妥妥地已經進入了數據時代。
互聯網公司，無一例外地強調自己的數據驅動決策；傳統企業，現在最重要的戰略就是數字化轉型。
相信今天你能感覺得到，數據在我們的工作和生活中，已經成了空氣和水一樣的存在。
數據思維或者數據分析能力已經成為這個時代的必須，不是可選。
那麼數據分析為何如此重要呢，我從以下4點來闡述。這些場景也是日常發生在我實際工作中的，我們用數據每天來做各種分析、洞察或者決策。
1. 量化IT投資成效，以數據驅動決策無論哪家公司開發資源永遠不夠，每個產品經理都想爭取開發資源做自己的項目，說自己項目更有價值。如何評估優先級，數據來說話。
站在公司或者決策者角度，數據最本質的作用，是作為資源調配的裁判，幫我們用最客觀的方式將資源投到最有價值的事情上。
目前我所在公司運轉方式為：年初制定年度KPI，如轉化率或者用戶滿意度，那麼接下來一年內所有產品經理運行的項目將按照這個指標來。
產品經理A和產品經理B同時啟動了自己的項目，那麼IT資源投到誰的項目上，A和B需要去做項目 ROI 的論述。誰的ROI更高，業務總負責人就同意將資源調配到哪個項目上，這樣A和B都沒什麼話說，IT資源也將被用在刀刃上，減少資源浪費。
產品經理在論述項目價值時，采用自下而上的論證方式。比如說這個項目要完成哪些功能，功能1、功能2、功能3……每個功能帶可以帶來多大的價值，如轉化率可以提升多少，這些都來自數據。
有時候我們以為的很大項目價值經這種層層靈魂拷問，最后驗證預估價值不大，在早期就能減少資源浪費，而不是真的要等到功能上線才發現對業務價值幫助不大，那時候開發資源已被浪費。
如果你一直抱著項目上線后看真實數據反饋，除非你家開金礦的，可以容忍不斷做嘗試創新類實驗。運氣好成功了，大家都開心；運氣不好，大家失敗了，不怕，反正家里開金礦，大不了重頭再來。但是，我想這應該是個偽命題。
今日頭條系產品為何能快速發展？它們的產品方法論是什麼？
今日頭條是一家流量運作公司，對流量ROI的運用純熟度與效率非常高。依賴強大的數據和算法系統，通過AB test 同時運行幾千條功能測試，用最短的時間去找出最有價值的業務方向，得到結論后，快速推出市場，搶占先機。
中國互聯網已經進入到一個獲取流量成本很高的時代，企業并沒有那麼多容錯機會給到大家不斷嘗試試錯。要提高決策準確性，主要依賴數據論證。
2. 通過數據分析驗證產品成效你在面試時，你說你牛逼。如何叫人信服你？你說你牛逼，你就真牛逼？
相信大家已經習慣了小套路，說自己曾經做的某個項目轉化率提高了多少個點之類的。
實際上，在我們做的每個項目或者功能中，都應該用數據來驗證產品成效。
電商網站的收銀臺大家耳熟能詳，比如以下：
參照國內競品調研和產品交互設計師自以為的產品目標：給用戶傳遞安全感——通過增加底部“確認支付”按鈕來實現。
實際上線效果卻不盡如意，新版本比老版本跌了3個點左右。
事后我們反思了整個過程，得到一些啟發：
支付需要用戶沖動型消費，不需要用戶那麼理性思考。按鈕操作，讓用戶有種儀式感，反而增加了用戶猶豫心理。
比如淘寶換成了指紋支付，或者刷臉支付，轉化率會提高。我作為用戶，使用了淘寶指紋支付后，下單支付快了很多。我也有同事，一不小心刷臉支付后，就懶得再發起退款了~
支付產品的核心是：安全和快捷。如果品牌背書，用戶已經覺得安全，那麼接下來就是快 ！去掉按鈕才是讓用戶有快速支付的感覺。
于是，我們又花了一些時間，去掉底部“確認支付”按鈕，用戶選擇支付方式就可以進到支付環節，轉化率竟然又提升了！
去掉了底部“確認支付”按鈕
整個團隊從這個案例中都得到較大感觸，充分體現了我們自以為更好的方案對用戶或者從業務角度并不是最好的。如果沒有數據來驗證，我們還會一直停留在自己覺得設計很好的功能中自嗨！
用AB test 測功能，用數據來驗證功能成效是最有說服力的手段。
3. 通過數據分析洞察用戶用戶研究是產品經理必須要去做的一件事，懂用戶，挖痛點，給方案。
用戶研究常用的方法除了用戶訪談、調查問卷等定性研究外。從已存數據中發現用戶的行為偏好，建立數據與用戶畫像之間的關聯，針對不同人群需求或者痛點給出合理的產品解決方案也是數據驅動決策的手段。
比如從歷史訂單數據中，挖掘新老用戶購買商品的偏好，可以針對新老用戶群體做個性化的商品推薦，這也是大家能夠感知到的電商產品推薦。你去逛淘寶首頁，是不是會覺得淘寶比自己還懂自己？給自己推薦的大部分商品是自己喜歡的。
通常對用戶歷史行為數據收集越詳細，越是能夠了解用戶，為用戶做出合理的產品設計。
為什麼人們總說作為電商平臺和支付平臺的阿里有最完整的行為數據乃至最完整的人群畫像，那是因為根據生活消費的商品和服務，幾乎能夠推斷一個人全部的特征，而越是習慣網上購物的用戶，衣食住行都用同一個支付手段的用戶，就越能夠被電商和支付平臺完整描述。
產品在做產品功能設計時，并不只是單純為用戶提供功能和服務就可以，理所當然以為用戶會來使用。定要對用戶需求或者痛點挖掘地足夠深，才能精準提供服務。從過去已存數據中挖掘用戶行為偏好或者痛點，是產品設計的第一步。
這里借用《產品思維》一書中提到的例子。
我們是一個創業小團隊，正在做一個P2P（個人對個人）金融產品。平臺上已經有了一定量的用戶，他們購買了我們的理財產品。我們正在考慮要不要增加VIP（貴賓）套餐服務，定位高價值用戶，定向提供理財顧問服務。
我們會請許多專家，提供很多額外的分析工具，讓這些用戶享受高端服務，贏利方式就是VIP年費。單拿這個服務來看，肯定是沒有什麼問題的。
“許多類似的產品都有這樣的服務。”也許老板就會這麼跟你說。但這不能成為我們就一定要提供VIP套餐服務的理由，我們還是要看看我們的用戶是什麼樣的。
可以先統計下當前用戶購買理財產品的行為數據，看看大部分買的額度有多大。其實，額度背后代表的是這些用戶的收入水平和對理財的態度。
比如粗暴一點假設，我們看用戶的行為，過去99%的用戶都是奔著投資5萬元，鎖定期6個月，年化收益率5%的產品去的。
這些行為代表什麼呢？從生活經驗判斷，對年化收益率要求不高，對流動性也要求不高，對安全性要求比較高的人，應該都是普通的上班族。這些人在理財方面非常保守，而且還比較年輕，理財額度并不高。
具體的驗證可以通過訪談和調研來完成。假如結果顯示，這些用戶群體基本都是畢業三年內的職場新人，理財行為非常保守，而且還比較年輕，理財額度并不高。
這時回過頭來看，這個VIP套餐服務的吸引力就特別有限了。僅從用戶特征來看，幾乎就可以給這個創意判死刑了。
從已存數據中分析用戶需求或者痛點，找到用戶行為偏好，精細化用戶群體，了解用戶，才能判斷業務模式的可行性。而不是理所當然覺得用戶會使用這個功能。
4. 通過數據分析找到機會點在剛做支付業務時，首先就對Top10、各端做了支付成功率分析，很快就發現某些國家的轉化率是低于其他國家的，自此這些國家被列為重點和困難國家。我們的機會點也是優先提高這些國家的支付轉化率。
再比如做商城購物流程優化項目時，首先拉取了商詳頁-購物車-結算頁-收銀臺-支付成功 發現商詳頁和結算頁轉化率兩個環節在整個路徑中轉化率最低，因此馬上定出了事項優先級，優先解決這兩個頁面的轉化問題。
職場中如何價值最大化？可不就是發現最嚴重的問題，找到最大的機會點，把資源用在刀刃上。
5. 結語管理大師德魯克說：“不能衡量，就無法管理。”
產品經理完拍腦袋、憑感覺、憑經驗做決策的時代已經過去了。如果你還沒有數據思維或者數據分析相關的能力，被時代淘汰真的是，早晚的事！
產品經理不需要成為數據分析方面的專家，但什麼時候分析數據、分析哪些數據、如何分析數據、如何用數據輔助決策、如何用數據驅動業務，這些問題是產品經理必須要回答的。
二、數據分析的框架我以支付業務為例來講解。
用戶來到支付收銀臺后，在頁面上有很多點擊行為，比如選擇各種支付方式，微信支付、ApplePay 支付等最后完成支付，也有可能點擊左上角返回鍵或者右上角訂單中心離開當前頁面。
這個過程會產生很多數據，從數據大類上分成：用戶數據、行為數據和業務數據。
誰（用戶數據）做了什麼（行為數據）結果如何（業務數據）？
用戶數據指用戶本身的特性，如用戶畫像，使用你產品的用戶男性多還是女性多，年齡多大等。
行為數據指用戶使用產品在頁面上的各種點擊行為，在頁面上停留時長等。
業務數據指用戶行為之后，實際產生的結果，業務數據會落庫業務數據表。分析業務數據的意義，可以衡量商業價值，是業務最終呈現結果，用以推動公司業務的發展。
用戶數據和行為數據通常可以從第三方數據工具，如友盟、Google Analytics 直接獲取，業務數據一般要內部建設。
今天重點講業務數據搭建完整過程，以阿里云的Quick BI為例。
在整個數據分析的框架中，分為五大層次，依次是：數據生成、獲取數據、數據建模、數據分析和數據應用。
1. 數據生成還是以支付業務為例，用戶選擇支付方式完成支付后，落庫核心的兩張業務表：訂單表和交易表。一個訂單會對應多筆交易（每選擇一種支付方式生成一筆交易，一筆訂單可以使用多個支付方式嘗試支付），其實還會產生其他表，比如收貨地址表等。
2. 獲取數據通常使用第三方工具如ETL將業務系統的數據經過抽取（Extract）、清洗轉換（Transform）之后加載（Load）到數據倉庫的過程，數據呈現在BI的數據源。
3. 數據建模所有數據進到數倉以后，需要根據實際想要看的業務數據進行數據建模，建模后的數據呈現在數據集。數據集作為數據源和可視化展示的中間環節，承接數據源的輸入，并為可視化展示輸出數據表。
4. 構建數據模型數據建模是什麼含義呢？
底層的業務數據表其實很多，幾十張上百張都有，但到了業務數據分析階段，當需要分析的數據存儲在不同的表，可以通過數據關聯，把多個表連接起來，形成模型進行數據分析。
比如上述的業務底層訂單表到了數據分析階段衍生的訂單表字段發生變化，name 和 city 是從業務地址表取來的數據。
總的來說，數據模型是完全面向數據分析的業務場景形成的新表。以支付業務為例，我構建的數據模型有：用戶表、訂單表和交易表。
5. 設計維度和度量指標對數據字段可以進行下一步分類：
在統計學中，單一數據字段可以被分為離散和連續。離散通常是維度，比如城市名稱、用戶名字，特征是有限數量的值；連續通常是度量，比如銷量、利潤或成功率，特征是不可羅列，可能為任一數值。維度和度量中有許多灰色區域，比如金額，可以做維度，也可以做度量。
在上述訂單表中，device、city 等是維度，對order_id 計數的總訂單數、對status = success 計數的成功訂單數是度量。
度量可以再分原子度量和派生度量。
原子度量指從維度里直接獲取到，上表中的總訂單數和成功訂單數。
派生度量并不能直接從數據表中獲取，而需要基于已有數據進行加工處理得到，上表中的訂單成功率是成功訂單數/總訂單數得到。
6. 數據分析有了維度和度量的概念后，接著引入聚合概念。對于數據分析來說，往往關心的并不是最底層一行一行的的明細數據，更注重分析數據的角度，關心的是數據的總體特征。
聚合，簡單講就是數據源里的多行數據按照一定的標準計算成一個數據，不管數據集里有1行還是多行，視圖里的數據都是聚合后的結果，一行數據也是要聚合的，當然一行數據聚合的結果是一樣的。實際上，維度為數據聚合提供依據，而度量是依據維度聚合得到的結果。
配置了聚合計算的計算字段，將根據配置的維度自動進行聚合運算。
如：
求和：SUM([字段])計數：COUNT([字段])計數去重：COUNT(DISTINCT [字段])求平均值：AVG([字段])
表述的業務含義為時間周圍為2021.3.1 ~ 2021.3.15 范圍內pc端的訂單成功率為0.5。
計算過程：根據created_at=2021.3.1 ~ 2021.3.15 和device =pc ，SUM([總訂單數])= 2，SUM([成功訂單數])=1，SUM([成功訂單數])/SUM([總訂單數])=1/2=0.5。
Quick BI 提供電子表格和儀表盤兩種可視化工具做以上分析。
電子表格：
儀表盤：
通過可視化的圖標去分析數據，找出機會點或者異常。
7. 數據應用通過可視化的圖表去分析數據，找出機會點或者異常。可以說，前面1、2、3、4 所有的工作都在為了第5部分數據應用上。
數據從用戶中來，通過一系列的數據沉淀、處理和分析找出機會點做決策再回到用戶中去，提升用戶體驗，帶動業務增長，此即數據驅動業務。
8. 結語本篇文章介紹了分析數據的數據框架拆解、數據處理加工過程。
但是海量數據怎麼看，看哪些？度量指標應該怎麼設計，度量指標中什麼是業務的北極星指標等此文還沒提到，在第三部分數據指標體系設計中講解。
三、數據分析 | 數據指標體系設計接著來講數據分析的第三篇文章數據指標體系設計，是整個數據分析篇章中最核心的內容。
在第二篇文章中講到，我把數據分為：用戶數據、行為數據和業務數據，再往下又分了維度和度量兩個概念。
盡管如此，維度也好，度量也罷，都會產生很多散落的數據，你并不知道數據與數據之間的關聯性，也不知道眾多數據中什麼是最核心的，什麼最能表示業務最終呈現效果或者哪個數據指標表示目標達到。
數據與數據之間的關聯性或者相關邏輯性稱作數據指標體系。指標體系指將零散單點的具有相互聯系的指標，系統化的組織起來，通過單點看全局，通過全局解決單點的問題。
說白了就是找個框架把所有的數據以一定的邏輯性組裝起來，框架也即數據模型。此篇文章針對用戶數據、行為數據和業務數據分別給出代表性模型，用以各自領域的數據分析。
1. 用戶數據之AARRR模型提到用戶本身，馬上會想到經典的AARRR 模型，即獲取用戶（Acquisition）、提高活躍（Activation）、提高留存率（Retention）、獲取營收（Revenue）和自傳播（Referral）。
每個環節都有這個環節應該關注的指標，這些環節并不一定遵循嚴格的先后順序。
獲取（Acquisition）：用戶如何發現（并來到）你的產品？激活（Activation）：用戶的第一次使用體驗如何？留存（Retention）：用戶是否還會回到產品（重復使用）？收入（Revenue）：產品怎樣（通過用戶）賺錢？傳播（Refer）：用戶是否愿意告訴其他用戶？AARRR模型是非常經典的用戶分析模型，且需要結合具體業務展開來講，這里不做過多描述。
2. 行為數據之UJM+OSM模型UJM即User-Journey-Map，用戶旅程地圖模型；OSM分別指目標、策略和衡量，Objective-Strategy- Measurement。
UJM+OSM，通過拆分用戶使用產品的階段性行為，從中挖掘用戶的需求，在每個階段確定能夠提升的指標，將用戶旅程和業務目標結合起來。
目標（ Objective）指業務目標。業務或者產品，存在的目的是什麼、能夠解決用戶什麼問題、滿足用戶什麼需求？如上述業務目標為購買轉化率，購買轉化率越高，說明用戶體驗越佳，商業價值越高。
策略（Strategy）指為了達到業務目標，應當采取什麼策略。如上述為了提升用戶首頁-商詳轉化，策略1可以為視覺提升、策略3可以為交互流程改善等。策略1的視覺提升可以進一步拆解為頁面整體顏色、卡片樣式等。
衡量（Measurement）：用來衡量策略的有效性，反映策略執行是否能達成業務目標的度量指標。如上述首頁轉化率可以為進到首頁用戶數轉化到商品詳情頁的用戶數，轉化率越高，說明用戶對首頁青睞度越高，首頁的產品呈現內容越有效。
基于用戶的行為路徑來拆解目標，對于每個子目標找到最終可落地的方案，啟動項目\需求，通過用戶功能滿足達到最終的業務目標。
如購買轉化率目標為提升15%，那麼估算首頁改版項目提升的目標為8%，商詳改版項目提升的目標為5%，下單結算改版項目提升的目標為3%，收銀支付改版項目提升的目標為2%。
按照價值從高到低依次投入開發資源去實現目標，項目上線后再復核業務目標是否達成，若未達成，進行差距分析。
3. 業務數據之指標分層談到業務數據時開始涉及角色的問題，業務和產品的角色分工，不同的角色在不同的場景下關注的指標并不相同。
基于此，一開始就把指標進行分層級，分為業務、產品和流程三個層級，業務關注業務的，產品關注產品的。不同層級的指標有不同的思考維度和分析方法。
以支付業務為例，先明確指標層級后，根據指標設計原則，去做關鍵指標的拆解，一級指標可以拆解到二級指標，二級指標還可以繼續拆解到三級指標等等。
業務層級的指標用來衡量商業層面的客戶發展、增長與獲利、競爭力與盈利能力等。
業務從用戶那里掙錢，需要通過產品作為載體或媒介，互聯網產品的使命是利用技術賦能業務，幫助企業降本增效。所以談到產品，需要去思考產品定位、產品能提供的核心價值、產品帶給用戶的產品使用體驗、產品如何實現業務目標。
進一步細化，一個產品往往有著很多功能，承載著不同的用戶交互步驟或操作流程。梳理并整理出整個轉化流程中各個關鍵節點，去實現產品的核心指標。
從業務模式，到根據產品的價值與體驗，再分解到具體流程的步驟效率。這提供了一種縱向的，自上而下、由粗到細的分析模型，在每一個層級上，又會有不同關注點和類別的指標。以數據為基礎，主導產品布局，拆解流程步驟，賦能業務增長。
4. 結語本篇文章從用戶數據、行為數據和業務數據三方面介紹了3個數據指標體系模型。特別說明的是，文中提到的AARRR模型、UJM+OSM模型、指標分層3個數據模型僅舉例說明，實際還有更多模型，如PLC、HEART、GSM、PTECH模型等等，需在不同場景下評估綜合使用。
但不管什麼數據模型，核心都在于找到數據與數據之間的關聯性，從海量數據中找出最核心的數據指標用以衡量目標是否達到，以系統和結構化視角思維來看數據分析。
四、數據呈現之數據分析方法今天來講數據分析的第四篇文章數據呈現之數據分析方法，是整個數據分析篇章中最后一部分內容。
在前面第二部分、第三部分文章中，我們講了數據生成-獲取數據-數據建模-數據指標搭建這樣漫長的數據加工處理過程，到最后一步便是數據呈現和從數據中挖掘出來的問題或者機會點的數據應用。
有句話調侃講，辛苦干活兒一年還比不過一個做PPT的，同樣適用數據分析。如果前面做了大量數據加工處理工作，但是最后不會做數據分析和數據呈現，挖掘不到問題和機會點，那麼前面的工作將白費。
（或者說前面的工作皆屬于打地基，最后一步也就是本篇文章講述的內容是收獲果實。）
通過數據呈現，把分析的結果完整呈現出來，為決策者提供科學、嚴謹的決策依據，供決策者參考以做出決策。
好的數據呈現，需要有一個好的方式展現數據間的關系和規律，讓人一目了然，這是接下來要說的數據分析方法。常見的漏斗分析、多維拆解、趨勢分析、對比分析、帕累托分析和交叉分析等。
上篇講的數據指標體系設計是從宏觀層面指導如何進行數據分析，本章講的數據分析方法主要從微觀角度指導如何進行數據分析。從宏觀到微觀是不斷細化的過程。
1. 漏斗分析漏斗分析能夠科學反映用戶行為狀態，以及從起點到終點各業務流程的用戶轉化率情況，是一種重要的流程式數據分析方法。
比如：對于電商產品來說，最終目的是讓用戶購買商品，但整個流程的轉化率由每一步的轉化率綜合而定。這時，我們就可以通過漏斗分析模型進行監測。
如下圖所示，我們可以觀察用戶在每一個環節上的轉化率，尋找轉化路徑的薄弱點，優化產品，提升用戶體驗，最終提升整體的轉化率。
所有互聯網產品、數據分析都離不開漏斗，無論是注冊轉化漏斗，還是電商下單漏斗。需要關注兩點，第一是關注哪一步流失最多；第二是關注流失的人都有哪些行為。轉化率最低的環節，往往是ROI 價值最大的地方。
2. 多維拆解我自己本身是做支付業務的，日常呈現數據最多的形式便是多維拆解。（多維的意思是從多個維度拆解度量指標，如果對維度和度量不太了解的可以去看第三部分的內容。
首先呈現整體支付成功率，其次按照商戶維度分別去看各商戶支付成功率；每個商戶下有很多個國家，再按照國家維度去看支付成功率；每個國家有很多個支付端，再按照各個端維度去看支付成功率；每個端上有很多個支付方式，再按照各支付方式維度去看支付成功率。至此，拆到最小顆粒度。
在分析數據時，若整體支付成功率發生異常，按照此路徑拆解到最小顆粒度的支付方式，基本可以鎖定發生問題的原因。
3. 趨勢分析建立趨勢圖表可以迅速了解市場、用戶或者產品特征的基本表現，便于進行迅速迭代。趨勢分析通常按時間維度的小時\天\周\月看度量指標的變化情況（像我每天早上來第一件事是看昨天的支付成功率有無異常）。
趨勢分析有兩大作用：趨勢預測和數據監測。比如我現在正在做的項目業務數據監控，就是基于支付成功率在過去一段時間內的數據表現來預判當前支付成功率是否異常。如下圖中的7月和8月明顯低于其他月份，可判定這兩個月數據發生了異常，需要去尋找原因。
4. 對比分析同一維度還常常做度量指標的對比分析，主要用于對比同維度間的差異性。比如我做支付業務，會去對比Top 國家的支付成功率，看哪個國家是我重點要關注的國家。
同漏斗分析類似，對比分析也可以快速找出最需要關注的維度指標，把資源用在刀刃上。
（比如我印象很深，我的leader第一次做數據分析報告時，按Top國家做了國家維度的對比分析，大家很快知道哪些國家需要花資源重點解決，從此改變大家對支付業務的認知。以前大家可能以為支付需要持續接入新支付服務商，但是大家現在知道可以分重點國家差異性改善，不僅僅是無腦接入新支付服務商）
另外，在對比應用中，現在流行A/B test，A/B test的關鍵就是保證兩組中只有一個單一變量，其他條件保持一致，實驗組和對照組也是對比分析。
除了跟別人比，也可以自己跟自己比，統計學中的環比和同比便是自己跟自己比的經典應用。（比如到年底，我會做支付業務的復盤，會把連續幾年的訂單量和支付成功率做對比，看今年的整體情況）
5. 帕累托分析帕累托分析，平常也稱之為二八定律。在任何一組東西中，最重要的只占其中一小部分，其余盡管是多數，卻是次要的。
帕累托模型即是以二八定律為基礎原理構建出的商品分析模型，這個模型最大的好處是可以對商品或者產品進行分類，按照投入產出比的優先次序原則，將自己的資源盡量投入到頭部產品當中，以期產生最大的效益。
其核心思想就是少數項目貢獻了大部分價值。以款式和銷售量為例：男士服飾、運動服裝及用品、兒童服裝、女士皮鞋占總體銷售額的70%以上。
6. 交叉分析交叉分析法就是將對比分析從多個維度進行交叉展現，進行多角度的結合分析，從中發現最為相關的維度來探索數據變化的原因。
如下圖，從APP\PC 端的維度結合漏斗做對比分析，可以發現APP在每一步轉化率更好。
以上掌握了基本的數據分析方法，如何撰寫一份分析報告增加它的可讀性呢？
邏輯清晰。數據是怎麼來的；發現了什麼問題；總結問題發生的原因；如何解決這種問題；給出結論和解決方案。這樣一個簡單明了強邏輯關系的分析報告就能讓絕大多數人接受；
報告圖表化。用圖表代替大量堆砌的數字會有助于人們更形象更直觀地看清楚問題和結論，更容易做到有理有據；
規范化。整篇文檔的圖表風格統一、名詞統一。數據有來源，口徑有說明。（特別是第一次引入數據統計口徑時，要額外說明）
至此，數據分析文章系列全文完。
五、結語在最后，我想說的點是：數據分析重在思路，更多在實踐中訓練自己數據思維，要有數據意識。
盡管寫了此篇文章10000多字，也只是數據分析的一點點方法論，是工具層面的皮毛。到目前為止，我仍然有業務上的數據問題無法解開，可見，就算是成體系的所謂方法論也無法解決所有的實踐問題。
想加以強調的是，無論是看了我的文章還是別處學習了其他知識&技能，都需要在自己實際業務場景下去應用，否則信息就只是信息，永遠無法內化為自己的知識。
就我自身而言，從20年寫第一篇數據分析的文章，到現在21年寫四篇數據分析的文章。我相信在未來我還會持續迭代甚至推翻當前這套也是有可能，任何東西都不會學到即停止，它會被一直迭代和更新。
#專欄作家#花開不敗，微信公眾號：涵小仙女，人人都是產品經理專欄作家。文藝女青年一枚，白天工作，晚上碼字，愛美、愛跑步、愛旅行，愿我手寫我心，余生不將就。
本文原創發布于人人都是產品經理。未經許可，禁止轉載
題圖來自 Pixabay，基于 CC0 協議
關鍵詞：查八字解說本文來自：解夢佬，原地址：https://www.jiemenglao.com/suanming/335460.html
