1. 认识数据：产品经理与数据分析
   1. 数据的客观性
      1. 数据真的是客观的吗？什么情况下数据会犯错？
         1. 人在处理数据时犯错，因为分析方法和手段有主观因素
         2. 女生，身高170cm，不同人看法不一样
         3. 网站改版调研
            1. 要看样本范围，看样本提取手段等其他因素
            2. 网站A：满意度20%
            3. 其实，网站A发展很好，但参与调查数占总人数不到10%，沉默用户未发声
            4. 网站B：满意度80%
            5. 已经比较失败了，只剩铁杆粉丝在用
         4. 面对数据要有谨慎和求证的态度，要追问
            1. 数据的来源？
            2. 是否经过二次处理？
            3. 数据的样本是否完整？
      2. 数据对产品经理意味着什么？
         1. 量化事物的手段
      3. 最终要强调的一点
         1. “数据“本身具有天然的客观性，无论我们是否触碰它，它已经发生并且就在那里。而在面对海量数据的时候，我们更像是一个”求知者“。如果我们希望在数据当中找到答案，我们更应该带着一个”求证“的态度，去读取，去分析，去解读。
      4. 怎么探索数据背后隐含信息？如何为产品经理所用？
         1. 取决于解决什么问题，对问题的理解，对答案方向的预判
         2. 举例：10%用户会点赞后取消点赞，为什么？
            1. 行为时间分布数据，90%第一天内，大部分一分钟、几秒钟内--->误操作！
            2. 处理方式：更改页面交互设计，数据回归正常
   2. 培养面对数据的“智慧”
      1. 培养数据敏感性
         1. 真正优秀的产品经理，既不是任由自己的感性思维天马行空，也不是让自己的理性思维控制自己，而是能够控制自己的感性和理性，在该发散的时候有巧妙的想法，在该聚集的时候有思辨的逻辑。
         2. 反复的练习以及对各种数据的阅历会反过来让产品经理综合的“智慧”更加的饱满
         3. 举例：吃汉堡大餐，发现生产芝麻的商机
      2. 如何开始与数据打交道？
         1. 第一，学习如何提出数据统计需求
            1. 提出数据需求的过程，是一个“界定产品目的和目标，根据目标提出假设、预判产品效果”的过程，要求对功能目标、功能预期有完整且清晰的掌握
            2. 一个完整的数据需求包括
            3. 1、功能设计方案
            4. 2、功能目的和目标
            5. 3、功能上线后需要跟踪的数据指标，及指标精确定义
            6. 案例：网站注册流程功能的数据统计需求
            7. 注册流程的完整方案设计文档
            8. 做这个功能的意义：让所有新用户快速完成注册流程，并正确提供所需的必要个人信息
            9. 所需指标及定义：围绕2中的目标设计所需的数据指标，思考哪些数据指标，可以描述目标完成情况；比如：每一个注册环节的用户跳出率，每一个注册填写字段的出错率，各类注册错误的出现频次分布等
         2. 第二，学习如何解读数据
            1. 对数据足够敏感，能够敏锐的发现数据当中的隐含信息，并通过逻辑推理，进一步提出好的追问和假设，然后通过数据或其他手段来验证。
            2. 案例：周日电商网站成交量下降-->可以考虑
            3. 进一步追问、推测
            4. 周日的转化率是否与其他工作日持平？是下降还是升高？
            5. 周日的网站访问量下降比例幅度是多大？周日仍然留在网站上购物的用户，有没有一些共通的特性？
            6. 周日的成交量下降，是每一类商品的成交都在下降吗？会不会有个别类目周日的成交不降反升？
            7. 好的追问，能指引产品经理发现机会；而提出好的追问，就需要实践经验的积累
   3. 数据分析当中的“误区”
      1. 误区1：忽略沉默用户
         1. 案例一：网站改版调研
         2. 用户迫切需要的需求不等于产品的核心需求：你所听到的需求，或许只是少部分用户迫切需要，而大部分用户并不在乎。 结论：没有始终全盘的去考虑用户需求，听到用户声音的时候就做出了决策，而忽略了产品大部分目标用户的核心需求。
      2. 误区2：过分依赖数据
         1. 一方面会让我们做很多没有价值的数据分析，另一方面也会限制产品经理本来应有的灵感和创意
         2. 很多优秀甚至伟大的产品决策，并非通过数据发现的，而是一个PM综合智慧的体现
         3. 例子：更快的马车->发明汽车
         4. 产品经理要有自己独立思考和灵活判断的智慧
      3. 误区3：错判因果关系和相关关系
         1. 因果关系：A发生导致了B的发生。比如醉酒驾驶导致交通事故，醉酒就是交通事故的原因之一。
         2. 相关关系：A和B两件事情的出现，都是出自同一个原因。比如火锅消费高峰期和冰淇淋消费低谷总是在同一阶段出现，都是因为天气变冷，气温下降。
         3. 例1：电商网站商品的评论数量和销售额成正比。那么商品评论和销量是什么关系？---相关关系，因价格、质量、季节等
         4. 例2：吸烟真的是短命的原因吗？玩网游让学生成绩变差？打篮球让人长高？
      4. 误区4：通过数据表达方式欺骗
      5. 误区5：妄谈大数据
         1. 什么是大数据？
            1. 阅读《大数据时代》这本书
            2. 用全部数据
            3. 当通过数据分析一个问题的时候，涉及到所分析问题的所有数据都必须纳入到计算范围当中，无论是常规合理数据，还是一些异常的样本数据都必须包含。甚至传统数据分析中可能都完全忽略的数据，都需要包含在大数据分析当中。
            4. 注重相关关系
            5. 通过大数据分析，最终分析获得并关注数据当中的相关关系，并通过相关关系指导分析、决策、预测，但对因果关系的探索，将不再是这种数据分析所关注的核心内容。
            6. 全新的计算方法
            7. 计算过程不再是传统数据分析中，必须精确统计、不容许任何脏数据、错误数据的分析方法，而是包含了各类混杂数据的简单相关性计算。
2. 获取数据：产品分析指标和工具
   1. Web网站数据指标
      1. 博客：网站分析在中国
      2. 网站分析工具
         1. 免费的网站排名工具：Alexa、中国网站排名、网络媒体排名
         2. 免费的网站监测工具：Google Analytics、百度统计、CNZZ网站分析
      3. 网站监测关键指标
         1. 访问量
            1. 什么是访问？一次访问就是指一个人来到网站，然后浏览了一些内容之后离开网站的过程。这个过程也被称为会话，也就是session。
            2. 定义：一段时间的访问量就是这段时间内的会话次数（进入网站后访问第二个页面都算一个会话中）
         2. 访客数
            1. 也称为独立访客数（Unique Visitor，缩写UV），就是访问网站的人数。
            2. 如何识别一个用户？依据用户的浏览器、设备型号等信息，为用户分配一个编号，这个编号称为cookie
            3. 访客数就是访问网站的cookie数，如果同一个人换了浏览器或设备访问网站，那么他的cookie也就变化了
         3. 浏览量
            1. PV(PageViews)，就是浏览页面的数量。
         4. 网站停留时长
            1. 访客一次会话的时间长度，等于网站所有访问量的总停留时长／访问量
         5. 页面停留时长
            1. 访客一次访问在某个页面停留的时间，等于这个页面的总停留时长／这个页面的访问量
         6. 跳出率
            1. 网站的所有会话当中，来到网站之后没有任何动作就离开的比例。等于只访问了落地页面的访问量／总访问量
         7. 退出率
            1. 跳出率vs退出率？--退出率是无论从哪个页面进入网站，最终从这个页面退出的比例；跳出率是指从这个页面进入网站，没有做任何事，就从这个页面退出的比例
            2. 衡量从某个页面退出网站的比例，等于从一个页面的退出次数／访问次数
         8. 转化率
            1. 达成某种目标的访问量／总的访问量，或达成某种目标的访客数／总访客数
            2. 采用访问量还是访客数作为分母？--业务理解！访问量：意味着每次访问都认为是下单或购买的机会；访客数：认为一个访客在购买之前，多次访问是正常的。
            3. 达成目标：比如客户提交订单
      4. 举例：网站监测工具--Google Analytics
         1. 主要模块
            1. 受众群体：描述用户特征
            2. 概览
            3. 活跃用户
            4. 同类群组分析
            5. 受众特征
            6. 兴趣
            7. 地理位置
            8. 行为
            9. 技术
            10. 用户的浏览器、分辨率
            11. 移动
            12. 用户在移动设备上的使用行为
            13. 流量获取：描述用户从哪里来
            14. 概览
            15. 所有流量
            16. Adwords
            17. 搜索引擎优化
            18. 社交
            19. 广告系列
            20. 用户行为：用户的参与情况
            21. 概览
            22. 行为流
            23. 网站内容
            24. 浏览了哪些页面，热门着陆页、高退出页
            25. 网站速度
            26. 网站搜索
            27. 搜索了哪些关键词，了解用户需求
            28. 事件
            29. 点击动作
            30. 发布商
            31. 实验
            32. 网页内分析
            33. 点击热点，哪些区域点的最多
            34. 用户转化：用户的达成目标情况
            35. 目标
            36. 自定义目标，如电商中的购买
            37. 电子商务
            38. 多渠道路径
            39. 转化漏斗
            40. 归因
            41. 对网站宏观分析
            42. 1、有多少访客访问网站，访问深度怎么样？
            43. 查看“受众群体”概览页来了解
            44. 2、这些访客从哪里来，效果怎么样？
            45. 查看“流量获取”的概览页了解网站的流量从哪里来
            46. Referral
            47. 引荐网站：指向本网站的其他网站，如博客、联盟等
            48. Direct
            49. 直接进入
            50. Organic Search
            51. 自然搜索
            52. Paid Search
            53. 一般是付费的广告流量
            54. Other
            55. 付费搜索
            56. 各类渠道的效果怎么样
            57. 哪种渠道跳出率比较高等
            58. 3、访客在网站做了什么？
            59. 流量最大的着陆页
            60. GA“行为”模块的“着陆页”，着重优化，降低跳出率
            61. 流量最大的页面
            62. GA“行为”模块的“所有页面”
            63. 页面点击热图
            64. GA“行为“模块的”网页内分析“
            65. 主要流程的转化漏斗
            66. GA“行为”模块的“渠道可视化”定义转化漏斗，找出流失最多的步骤，着重优化
   2. 移动应用类数据指标（免费）
      1. 指标
         1. 用户获取
            1. 下载量
            2. 已下载应用的用户数量，以及应用商店排名和评分
            3. 安装激活量
            4. 安装并打开应用的设备数
            5. 激活率
            6. 激活设备数／安装设备数
            7. 新增用户数
            8. 设备是首次激活应用，那么这个设备就是新增
            9. 用户获取成本
            10. 每获取一个用户所需要的费用
         2. 用户活跃与参与
            1. 数据指标
            2. 日活跃用户数
            3. 一段时间内启动过应用的设备数，表示用户规模
            4. 月活跃用户数
            5. 相对稳定，一般用这个
            6. 质量指标
            7. 活跃系数
            8. 日活跃用户数／月活跃用户数（0.2以上市委合格）
            9. 平均使用时长
            10. 平均每个用户一天使用应用的时间
            11. 功能实用率
            12. 使用某功能的用户数／活跃用户总数
         3. 用户留存
            1. 次日留存率
            2. 统计日期新增的用户或活跃用户，在第N天又来使用的比例 可以参考行业值来对标自己应用的留存是否健康
            3. 7日留存率
            4. 30日留存率
         4. 用户转化
            1. 付费用户比例
            2. 付费用户／总用户，单独对待付费用户！
            3. 首次付费时间
            4. 用户激活后多久才会开始付费，把握转化用户的时间点
            5. 用户平均每月营收
            6. 一个月的收入／月活跃用户数
            7. 付费用户平均每月营收
            8. 一个月的收入／月付费用户数
         5. 获取收入
            1. 收入金额
            2. 付费人数
      2. 留存率低怎么办？
         1. 次日低，新手指南太差？
         2. 7日低，内容不好玩？
         3. 30日低，版本迭代规划不好？
      3. 如何用上面指标评估版本迭代效果？（云音乐）
         1. 整体数据-关注留存
            1. 同比
            2. 环比
         2. 整体数据-核心功能的实用率
         3. 新功能使用-使用率和继续使用率
         4. 新功能使用-对核心功能的促进效果
            1. 核心贡献率：使用过功能A的听歌人数比例-未使用过功能A的听歌人数比例
      4. 移动应用分析工具
         1. 国外：flurry、GA
         2. 国内：友盟、TalkingData
         3. Crash分析工具：crashlytics
   3. 电商类数据指标（考拉海购）
      1. 关键指标
         1. 销售额
            1. 销售额=访客数（UV）*转化率*客单价
            2. 网站的收入
         2. 购买客户数
            1. 购买了商品的人数，账号去重计算
            2. 老客数
            3. 统计当天之前就购买过商品的客户数
            4. 统计当天首次购买商品的客户数
            5. 新客数
         3. 客单价
            1. 每个客户购买的金额，销售额／购买客户数
         4. 购买转化率
            1. 购买客户数／访客数
            2. 详情页到达率
            3. 商品详情页下单率
            4. 支付成功率
         5. UV
            1. 访客数，来到网店的人数
         6. 详情页UV（IPV_UV）
            1. 访问商品详情页的人数
         7. 订单数
            1. 关系到支付压力和仓库发货的任务量
         8. 在线商品数
         9. 妥投及时率
            1. 按照约定时间妥投的比例
         10. 重点商品缺货率
             1. 爆款缺货的比例
      2. 分析指标变化方法
         1. 流量增长因素
            1. PC端／Web端
            2. 媒体1
            3. 媒体2
            4. APP端
            5. Android
            6. 渠道包
            7. IOS
            8. IDFA
            9. 跟踪工具跟踪来源
         2. 客单价增长因素
            1. 客单价=人均购买件数*件单价
            2. 人均购买件数：衡量关联销售的效果
            3. 组合装／单件装比例
            4. 推荐效果：推荐带来的销售额
            5. 件单价：销售额／销售量
            6. 热销商品价格变动
         3. 转化率增长因素：转化漏斗
            1. 入站UV
            2. 浏览商品详情页
            3. 详情页来源
            4. 导出率：点击该页面上的链接的次数／进入该页面的次数 商品导出率：在该页面上点击商品详情页的次数／进入该页面的次数 推荐商品点击率：在商品详情页看到推荐的访客中，点击推荐商品的比例
            5. 直接落地到详情页
            6. 从首页进入详情页
            7. 从频道页进入详情页
            8. 从分类页进入详情页
            9. 从品牌页进入详情页
            10. 通过关联销售从一个商品到另外一个商品
            11. 提交订单
            12. 支付成功
   4. 用户生产内容（UGC）类数据指标
      1. UGC产品的特征
         1. 目标：让用户产出内容
            1. 访客-->产出内容
            2. 发表文章
            3. 点赞
            4. 订阅
            5. 评论
            6. 其他行为（分享）
      2. UGC产品的参与度
         1. 参与度指标
            1. 访客数
            2. 停留时长
            3. 产出内容（点赞、评论、发表文章等）
            4. 微博：转发微博、发表微博
            5. 易信、朋友圈：发表状态
            6. 博客：发表博文
      3. 举例：网易LOFTER参与度指标
         1. 活跃用户规模
            1. 访客数：访问网站或打开APP的人数，等于web端访客数+移动端访客数
            2. 登陆访客数及占比：登陆的访客数以及占总访客的比例
         2. 留存及访问深度
            1. 沉默用户数及占比：超过7天未访客数来访的账号数占总账号的比例
            2. 平均停留时长：总停留时长／访客数
         3. 核心功能使用情况
            1. 点赞访客数及占比：点赞的访客数／登录访客数
            2. 推荐访客数及占比：点击推荐的访客／登录访客数
            3. 分享访客数及占比：点击分享的访客／登录访客数
            4. 评论访客数及占比：发表评论的访客／登录访客数
            5. 创作访客数及占比：创作访客数／登录访客数
            6. 文字、图片、音乐、视频创作访客数及占比
      4. 如何评价一篇内容是否优质？
         1. 热度=分享次数+评论次数+点赞次数，代表文章的受欢迎程度
      5. 分析工具：同上，把点赞定义成一个事件，计算事件使用率
   5. 互联网产品指标思路
      1. 1、有多少访客，访客有什么特征？
         1. 访客访问的时间段
         2. 在哪些地域访问
         3. 用什么设备以及用什么网络
      2. 2、访客从哪些渠道获取，效果怎么样？
         1. 带来多少新访客、浏览深度怎么样、是否留存、转化率情况
         2. web端网站：新访客占比（代表渠道拓展用户的能力）、跳出率、浏览页面数、转化率
         3. 移动应用：新设备占比、次日留存率、转化率
      3. 3、访客的参与深度如何？
         1. 跳出率
         2. 浏览页面数
         3. 转化率
      4. 4、这些访客最终有没有转化？转化漏斗是否顺畅？
         1. 任何有意义的动作都可以认为是转化
   6. 获取指标的方式
      1. 分析日志
         1. 难度较大
         2. 1、程序员记录日志
         3. 2、分析师／产品经理给出计算逻辑
         4. 3、程序员计算指标
         5. 4、Excel分析或报表
      2. 分析工具
         1. 自定义事件分析功能使用率；自定义转化漏斗分析转化流程和参与深度
         2. 网站分析工具
         3. 移动应用分析工具
3. 分析数据：产品数据分析框架
   1. 基本分析方法
      1. 数据分析更多的是基于业务背景来解读数据，把隐藏的数据背后信息提炼和总结出来，发现有价值的内容
      2. 对比分析
         1. 横向对比--跟自己比
         2. 纵向对比--跟别人比
      3. 举例：APP版本分析
         1. 评估指标：访问频次、使用时长、启动次数、关键事件达成率、留存率。。
         2. 对比方式：对比新版本发布前后新版本用户和老版本用户个数据指标的差异--不合理
            1. 通常做此类分析会选择两个版本发布初期的新用户，保证对比指标之外的其他因素尽可能保持一致！
      4. 数据多的时候有没有快捷方法？
         1. 画图！
         2. 象限分析法
            1. 依据数据的不同将各个比较主体划分到四个象限中
      5. 交叉分析法
         1. 对数据在不同维度进行交叉展现，进行多角度的结合分析
         2. 举例：APP分析
            1. 终端维度
            2. 时间维度
            3. 渠道维度
   2. 数据分析框架
      1. 数据分析方法：具体方法，用来挖掘数据背后隐藏的有用信息 数据分析框架：分析思路，教我们如何开展数据分析的工作
      2. 数据分析框架有什么具体作用？
         1. 把抽象的问题具体化，基于业务特征和数据指标来构建相关的分析体系，保证分析结果的准确性、可靠性和针对性
      3. 常见的分析框架
         1. PEST分析框架
            1. 政治、经济、社会、技术
         2. SW2H分析框架
         3. SWOT分析
            1. 战略分析
         4. SMART分析
            1. 目标管理
         5. 4P理论
      4. AARRR模型
         1. 分析新公司和新产品的可行性，提出赢得客户的五个阶段
            1. 获取（Acquisition）：曝光数、点击数、打开率、下载量、用户获取成本
            2. 激活（Activation）：设备激活量、新注册用户数、订阅数量、事件达成数、浏览数、日活跃率
            3. 留存（Retention）：次日留存率、7日留存率、距离上次使用时长、DAU/MAU（日／月活跃）、七日回访率
            4. 收入（Revenue)：付费率、付费频次、客单价、用户价值
            5. 推荐（Refer）：转发数、邀请数、评论数、K因子值
         2. 举例：渠道分析
            1. 渠道A：引入10w个用户，单个用户成本3元
            2. 获取：10w，3元
            3. 激活：5w
            4. 留存：5k，60元
            5. 收入：1k，300元
            6. 渠道B：引入5w个用户，单个用户成本10元
            7. 获取：5w，10元
            8. 激活：4.5w
            9. 留存：2.5w，20元
            10. 收入：1.5w，33元
      5. 逻辑分层拆解框架
         1. 产品经理最为关注的核心指标
            1. 网易云音乐--日活跃用户数
            2. 网易考拉海购--销售额
            3. 网易游戏--ARPU（用户平均收入）
            4. 网易新闻web端--UV（网站访问人数）
         2. 逻辑拆解
            1. 寻找跟核心指标逻辑相关的指标，必须清楚了解它们是如何影响核心指标的
         3. 分层拆解
            1. 第一层：核心指标变动的大的方向
            2. 第二层：针对这个大方向的细分，从而能够将问题定位的更加准确和可操作
            3. 原则：同一层各指标没有相关性
         4. 举例：核心指标--销售额
            1. 避免不全，可以头脑风暴
            2. UV
            3. 推广来源流量
            4. 新访客、老访客
            5. 转化率
            6. 跳出率
            7. 购物车流失率
            8. 客单价
            9. 新用户客单价
            10. 老用户客单价
      6. 漏斗分析
         1. 进入网站
            1. 100%／100%
         2. 浏览商品
            1. 40%／40%
            2. 上个月 40% 行业均值 36%
            3. 要对比！
         3. 加入购物车
            1. 20%／50%
         4. 支付订单
            1. 16%／80%
         5. 支付成功
            1. 13%／82%
            2. 上个月 91% 行业均值 90%
   3. 数据会说谎
      1. 如何避免数据图形的欺骗？
         1. 添加趋势线和对应公式，看斜率！
      2. 样本量的大小
         1. 总体大小
         2. 样本内部差异程度
      3. 被平均
      4. 辛普森悖论
         1. 产品形态是个混淆变量，细分之后可能就不具有可比性率
4. 利用数据：数据驱动产品
   1. 数据应用的场景
      1. 需求分析
         1. 用户层面
            1. 数据作用：去伪存真
            2. 普通用户
            3. 产品经理自身
         2. 公司层面
            1. 数据作用：验证并提供证据
            2. 高层想法
            3. 战略目标
      2. 产品设计
         1. 设计前：通过数据分析发现问题
         2. 设计中：数据辅助决策，判断思路
            1. 案例：考拉海购新人礼失效时间--数据分析！
            2. 小tips：A/B test
            3. 抽样
            4. 50%流量--A方案
            5. 50%流量--B方案
         3. 设计后：数据验证方案
      3. 开发测试
      4. 产品上线
      5. 迭代升级
   2. 数据驱动产品的方法
      1. 数据驱动产品的闭环
         1. 发现问题
         2. 确定指标
         3. 产品设计
         4. 开发测试
         5. 产品上线
         6. 数据验证
         7. 发现问题
      2. 案例：考拉海购首页改版
         1. 通过数据分析发现问题
            1. 问题1 部分模块吸引力不足
            2. 问题2 频道页分走较多流量，首页信息展现不足
            3. 问题3 部分用户需求未得到满足
            4. 问题4 pc和移动端风格不统一
         2. 确定改版数据指标
            1. 首页导出率：从首页点击到下级页面的浏览量／首页的总浏览量
            2. 首页点击率：首页的点击数／首页的浏览量
            3. 用户整体满意度：通过问卷调查收集
         3. 产品设计
            1. 品牌调性
            2. 首页架构
            3. 个性化推荐
            4. 凸显品牌
         4. 上线后的数据验证
         5. 发现问题
   3. 如何培养数据分析能力
      1. 心法层面：热爱生活
         1. 好奇心
         2. 求知欲
      2. 基础层面
         1. 核心基础概念：PV、UV、跳出率、转化率、访问数、点击数
         2. 基本统计原理：cookie、访问请求、日志等
         3. 推荐网站：网站分析在中国、蓝鲸的网站分析笔记
         4. 推荐书籍：《精通Web Analytics 2.0--用户中心科学与在线统计艺术》、《流量的秘密》
      3. 实战层面
         1. 学会数据驱动产品的思维方式
         2. 对业务足够了解
         3. 重视数据，保持敏感