做資料分析，必須要有一個明确的目的，知道自己為什麼要做資料分析，想要達到什麼效果。比如：為了評估産品改版後的效果比之前有所提升；或通過資料分析，找到産品疊代的方向等。
明确了資料分析的目的，接下來需要确定應該收集的資料都有哪些。
說到收集資料，首先要做好資料埋點。
所謂“埋點”，個人了解就是在正常的功能邏輯中添加統計代碼，将自己需要的資料統計出來。
目前主流的資料埋點方式有兩種：
第一種：自己研發。開發時加入統計代碼，并搭建自己的資料查詢系統。
第二種：利用第三方統計工具。
常見的第三方統計工具有：
網站分析工具
alexa、中國網站排名、網絡媒體排名（iwebchoice）、google analytics、百度統計
移動應用分析工具
flurry、google analytics、友盟、talkingdata、crashlytics
不同産品，不同目的，需要的支援資料不同，确定好資料名額後，選擇适合自己公司的方式來收集相應資料。
新增：新使用者增加的數量和速度。如：日新增、月新增等。
活躍：有多少人正在使用産品。如日活躍（dau）、月活躍（mau）等。使用者的活躍數越多，越有可能為産品帶來價值。
留存率：使用者會在多長時間内使用産品。如：次日留存率、周留存率等。
傳播：平均每位老使用者會帶來幾位新使用者。
流失率：一段時間内流失的使用者，占這段時間内活躍使用者數的比例。
這裡主要科普下漏鬥分析法和aarrr分析模型。
漏鬥分析法
用來分析從潛在使用者到最終使用者這個過程中使用者數量的變化趨勢，進而尋找到最佳的優化空間，這個方法被普遍用于産品各個關鍵流程的分析中。
比如，這個例子是分析從使用者進入網站到最終購買商品的變化趨勢。
從使用者進入網站到浏覽商品頁面，轉化率是40%；浏覽商品到加入購物車轉化率是20%等，那要找出哪個環節的轉化率最低，我們需要有對比資料。
比如第一個，進入網站到浏覽商品，如果同行業水準的轉化率是45%，而我們隻有40%，那說明這個過程，沒有達到行業平均水準，我們就需要分析具體原因在哪裡，再有針對性的去優化和改善。
當然，上面這是我們設計的一種理想化的漏鬥模型，資料有可能是經過彙總後得出的。而真實的使用者行為往往可能并不是按照這個簡單流程來的。此時需要分析使用者為什麼要經過那麼複雜的路徑來達到最終目的，思考這中間有沒有可以優化的空間。
aarrr模型
這個是所有的産品經理都必須要掌握的一個資料分析模型。
aarrr（acquisition、activation、retention、revenue、refer）是矽谷的一個風險投資人戴維 · 麥克魯爾在2008年時建立的，分别是指擷取、激活、留存、收入和推薦。
舉個例子，用aarrr模型來衡量一個管道的好壞。
如果單從資料表面來看，a管道會更劃算，但實際這種結論是有問題的，用aarrr模型具體分析如下：
管道a的單個留存使用者成本是60元，單個付費使用者成本是300元；而管道b的單個留存使用者成本是20元，單個付費使用者成本是33元，這樣對比下來，明顯b管道的優勢遠遠大于a管道。
交叉分析法
通常是把縱向對比和橫向對比綜合起來，對資料進行多角度的結合分析。
舉個例子：
a. 交叉分析角度：用戶端+時間
從這個資料中，可以看出ios端每個月的使用者數在增加，而android端在降低，總體資料沒有增長的主要原因在于android端資料下降所導緻的。
那接下來要分析下為什麼android端二季度新增使用者資料在下降呢？一般這個時候，會加入管道次元。
b. 交叉分析角度：用戶端+時間+管道
從這個資料中可以看出，android端a預裝管道占比比較高，而且呈現下降趨勢，其他管道的變化并不明顯。
是以可以得出結論：android端在二季度新增使用者降低主要是由于a預裝管道降低所導緻的。
是以說，交叉分析的主要作用，是從多個角度細分資料，從中發現資料變化的具體原因。
驗證産品新功能的效果需要同時從這幾方面入手：
a. 新功能是否受歡迎？
衡量名額：活躍比例。即：使用新功能的活躍使用者數/同期活躍使用者數。
使用人數的多少還會受該功能外的很多因素影響，千萬不可隻憑這一名額判斷功能好壞，一定要結合下面的其他方面綜合評估。
b. 使用者是否會重複使用？
衡量名額：重複使用比例。即：第n天回訪的繼續使用新功能的使用者數/第一天使用新功能的使用者數。
c. 對流程轉化率的優化效果如何？
衡量名額：轉化率和完成率。轉化率即：走到下一步的使用者數/上一步的使用者數。完成率即：完成該功能的使用者數/走第一步的使用者數。
這個過程中，轉化率和完成率可以使用（上）篇中提到的漏鬥分析法進行分析。
d. 對留存的影響？
衡量名額：留存率。使用者在初始時間後第n天的回訪比例，即：n日留存率。常用名額有：次日留存率、7日留存率、21日留存率、30日留存率等。
e. 使用者怎樣使用新功能？
真實使用者行為軌迹往往比我們設想的使用路徑要複雜的多，如果使用的資料監測平台可以看到相關資料，能引起我們的反思，為什麼他們會這麼走，有沒有更簡便的流程，以幫助我們作出優化決策。
産品改進的關鍵點，是藏在使用者的行為中。
想要找到這些關鍵點，除了通過使用者調研、訪談等切實的洞察使用者外，在産品中設定相關資料埋點記錄使用者的行為，觀察其行為軌迹，不能完全替代洞察使用者的行為，不過也可以有助于決策産品改進點。
操作步驟：
原文釋出時間為：2016-08-12
本文來自雲栖社群合作夥伴“大資料文摘”，了解相關資訊可以關注“bigdatadigest”微信公衆号