如何对数据进行分析和运用？如何利用数据分析问题( 四 ) _数据分析

不过话说回来，真正用于数据分析的时候，上面这些吓人的表格一定不能这样组织和分析。如果这样分析，自己会崩溃，提出研发需求也会被杀。掌握异常能力——业务抽象能力，我一般会抽象出下表直接交给R&D，一目了然，也可以一起勾选填写：
研发只需要知道尺寸。交叉分析是您应该询问或数据分析师应该做的事情。不要以为千百种可能性是可怕的。数据分析师可以轻松处理这些问题。如果是针对用户属性及其敏感业务，必须将用户逐个分层，然后带入后续流程进行分析，即编号为ny的表，每个属性的用户对后续操作的转化率可能不同：

文章插图
你可能制定了一个对大多数用户组都有效的策略，正数多负数少，而且似乎正数对大数有效：
但这不是做成长产品的态度。市场增长就是千方百计，从牙缝里扣东西。
拆解每个策略对用户的正负影响，保留对新策略积极的用户组，回滚其他用户组，保证不会减少：
如果你一直这样下去，你的产品会越来越复杂，但你真的可以得到真正的认知产品、分析结论和用户增长。
这些数据维度和指标不仅代表了你的产品实力，也代表了你的需求水平。在规划需求的时候一定要考虑到这些，才能更好的预估后续研发工作的难度和时长。否则，等待你的要么是不确定的修订，要么是黑暗的推迟。
请说明您的要求。前提是你能明白你想要什么。不要认为这是理所当然的。每个动作都涉及许多因素。想清楚然后去做。此外，此过程仅限于关键操作。拆解，后面的影响分析比较重要，也就是上面提到的回流、阅读、在线时间等。假设你采取了一种策略，通过欺骗手段提高了用户的转化率，但整体7天效率下降了。说真的，影响充值功能怎么办？一定要考虑后果。
上表只是一个例子。更详细的拆解和分析我就不做了。有兴趣的小伙伴可以继续做。它应该对刚接触该产品的学生有所帮助。他们必须从相同的结果动机开始。在此过程中找到一个具有相同动机的对照组来了解用户。只有在修订前进行数据辅助分析，才能真正估计修订的合理性和需求的真实性。
得出结论后，还要学会验证结论。您可以使用交叉验证的方法从侧面验证结论，使分析更加可靠和严谨。
三、还有一些话
上面列举了一个最近的案例，不是我自己的，都是基于个人兴趣去挖玩，但是数据分析不是万能的，对大家有一些误区：
1. 选择了错误的样本大小
有效用户被忽略，无效用户被包括在内。在上述案例中，如果对用户行为进行拆解，可以发现许多不同的特征和细节。同时，有时由于样本量的原因，样本太少会使结果难以预测。，太多的样本可能只关心少数用户的数据而忽略整体。有时需要制定相同的抽样规则，以减少分析结论的偏差。
2. 误判因果关系
如果因果关系判断错误，产品评论越多，产品销量会不会越多？在上面的例子中，你能发现流失越少就是刷新的功劳吗？不一定，有时分母的差异是你得出错误结论的罪魁祸首。分析数据时，要正确地找出数据指标的逻辑关系。相关性而非因果性。
3. 被数据呈现的艺术蒙蔽了双眼
在做数据分析的时候，我们需要警惕一些数据处理的小计、最小区间、上下极值、主轴和次轴等，以免被数据的视觉效果所蒙蔽。
4. 过度依赖数据
不要过分依赖数据，做一些毫无价值的数据分析，很多牛逼的产品决策不是通过数据发现的，而是一个产品经理综合智慧的体现。