業余時間怎么培養數據分析的能力？

想要培養數據分析的能力，我認為可以從兩部分來著手：一是數據分析方法論的建立，二是數據分析從入門到精通的知識學習。

那么該如何搭建自己的數據分析知識體系？數據分析的價值又在哪里？做數據分析有哪些具體的方法？又如何學習數據分析？

我把我之前的兩篇文章整理下，和大家分享一下這些問題。

Part 1 | 數據分析方法論 amp; 知識體系

1. 數據分析體系：道、術、器

「道」是指價值觀。要想做好數據分析，首先就要認同數據的意義和價值。一個不認同數據分析、對數據分析的意義缺乏理解的人是很難做好這個工作的。

「術」是指正確的方法論。現在新興的「Growth Hacker」（增長黑客）概念，從 AARRR 框架 ( 獲取、激活、留存、變現與推薦五個環節）入手進行產品分析，這是一個非常好的分析方法。

「器」則是指數據分析工具。一個好的數據分析工具應該能幫助大家進行數據采集、數據分析、數據可視化等工作，節省時間和精力，幫助更好理解用戶、更好優化產品。

2. 數據分析的價值

數據分析不能為了分析而分析，而要將落腳點放到業務、產品和用戶上。以產品經理為例，數據分析應該幫助產品經理不斷優化產品設計和迭代，驅動產品和用戶增長。

當我們上線了一個新的產品（product）或者功能時，需要對其進行數據監控和衡量（measure）。然后從監控中采集到產品的用戶行為數據（data），并對這些數據進行分析和總結（learn）。最后從分析中得出結論和觀點（idea），如果數據證明我們的新產品/功能是優秀的，那么可以大力推廣；如果數據說明我們的產品還存在問題，就需要對產品進行新一輪的優化（build）。

在「產品——數據——結論」的不斷循環中，我們不斷用數據來優化我們的產品，加快產品迭代的步伐、提升用戶體驗。

3. 數據分析的方法

（1）流量分析

a. 訪問 / 下載來源，搜索詞

網站的訪問來源，App 的下載渠道，以及各搜索引擎的搜索關鍵詞，通過數據分析平臺都可以很方便的進行統計和分析，分析平臺通過歸因模型判斷流量來源，產品經理在分析這些流量時，只需要用自建或者第三方的數據平臺追蹤流量變化即可，第三方平臺如 Google Analytics 、 GrowingIO 等；

b. 自主投放追蹤

平時我們在微信等外部渠道投放文章、H5 等，許多產品都會很苦惱無法追蹤數據。

分析不同獲客渠道流量的數量和質量，進而優化投放渠道。常見的辦法有 UTM 代碼追蹤，分析新用戶的廣告來源、廣告內容、廣告媒介、廣告項目、廣告名稱和廣告關鍵字。

c. 實時流量分析

實時監測產品的訪問走勢，尤其要關心流量異常值。舉個例子，某互聯網金融平臺因為一個產品 Bug 導致用戶瘋狂搶購造成的流量峰值，產品經理發現實時數據異常后迅速下線該產品修復 Bug，避免了損失擴大。

（2）轉化分析

無論是做網站還是 App，產品里面有很多地方需要做轉化分析：注冊轉化、購買轉化、激活轉化等等。一般我們借助漏斗來衡量用戶的轉化過程。

影響轉化率的因素很多，我們總結了三個大的方面：渠道流量、用戶營銷、網站 / APP 體驗。以渠道流量為例，通過優選渠道并且量化分配我們的投放資源，可以有效提升總體的轉化率。

更詳細的轉化分析方法，可以參考我之前的這篇回答 如何提升轉化率？ - 張溪夢的回答 。

（3）留存分析

在互聯網行業里，通常我們會通過拉新把客戶引過來，但是經過一段時間可能就會有一部分客戶逐漸流失了。那些留下來的人或者是經常回訪我們公司網站 / App 的人就稱為留存。

在一段時間內，對某個網站 / App 等有過任意行為的用戶，稱之為這個網站 / App 這段時間的活躍用戶，這個任意行為可以是訪問網站、打開 App 等等。

現在大家經常會用到所謂的「日活」 （日活躍用戶量，DAU）、「周活」 （周活躍用戶量，WAU）來監測我們的網站，有的時候會看到我們的「日活」在一段時期內都是逐漸地增加的，以為是非常好的現象，但是如果沒有做留存分析的話，這個結果很可能是一個錯誤。

留存是產品增長的核心，用戶只有留下來，你的產品才能不斷增長。一條留存曲線，如果產品經理不做什么的話，那么用戶就慢慢流失了。

這是一個常見的留存曲線，我把它分成了三個部分：第一部分是振蕩期，第二部分是選擇期，第三部分是平穩期。

從產品設計的角度出發，找到觸發留存的關鍵行為，幫助用戶盡快找到產品留存的關鍵節點。之前我們發現我們產品里面，使用過“新建”功能用戶的留存度非常高；于是我們做了產品改進，將“新建”按鈕置于首頁頂部刺激用戶使用，效果非常好。

硅谷流行的 Magic Number（魔法數字）也是留存分析的一部分，比如 Facebook 發現「在第一周里加 10 個好友」的新用戶留存度非常高。作為產品經理，我們也需要通過數據分析來不斷探索我們產品里面的魔法數字，不斷提高用戶留存度和活躍度。

更詳細的留存分析方法，可以參考這篇文章 你能找到的最深入的留存分析文章 - 留存 middot; 增長 middot; Magic Number 。

（4）可視化分析

用戶體驗，是一個非常抽象的概念，我們可以對其進行形象化。目前一個普遍的方法就是對用戶的數據進行可視化，以熱圖的形式呈現。

借助熱圖，產品經理可以非常直觀了解用戶在產品上的點擊偏好，檢驗我們的產品設計或者布局是否合理。

熱圖的概念、原理、類型和應用，可以參考這個回答 熱力圖是什么原理? - 張溪夢的回答 。

（5）群組分析 amp; 挖掘用戶需求、改進及優化產品

千人千面，產品經理對用戶精細化的分析必不可少。不同區域、不同來源、不同平臺甚至不同手機型號的用戶，他們對產品的使用和感知都可能存在巨大的差異。產品經理可以對不同屬性的用戶進行分群，觀察不同群組用戶的行為差異，進而優化產品。

之前我們做過一次分析，網站的總體注冊轉化率是 6%；但是使用 Chrome 瀏覽器的新用戶注冊轉化率高達 12%，使用 IE 瀏覽器的新用戶注冊轉化率才 1%。這樣一分的話，問題就很明顯了，極有可能是瀏覽器兼容性的問題，產品經理應該關注一下這個問題。

詳細的群組分析操作流程，可以參考這個回答 產品經理一般是怎么搜集產品不好用之處的？ - 張溪夢的回答 。

Part 2 | 數據分析知識學習

從入門到精通：互聯網數據分析的書籍清單！

任何一個技能的學習，都有從淺到深的過程，數據分析也不例外。因此我把推薦書籍劃分成幾個段位，更便于大家挑選。

1. 入門版

適合對數據分析的入門者，對數據分析沒有整體概念的人，常見于應屆畢業生，經驗尚淺的轉行者。

深入淺出數據分析 (豆瓣) ：HeadFirst 類的書籍，一向淺顯易懂形象生動，可以對分析概念有個全面的認知。

誰說菜鳥不會數據分析 (豆瓣) ：不僅講解了一些常見的分析技巧，并附帶 Excel 的一些知識以及數據分析在公司中所處的位置，對職場了解亦有一定幫助。

赤裸裸的統計學 (豆瓣) ：作者年輕時是個追求學習意義的學霸，后來自己從統計學中發掘了很多可以應用到生活的地方。這也是本書的主旨，結合生活講解統計知識，生動有趣。可以避免統計學一上來就大講貝葉斯概率和隨機分析的枯燥。

同樣類似的書籍還有「 統計數字會撒謊 (豆瓣) 」，這本書知名度要高點，不過我還沒看…

2. 進階版

具有一定的行業針對性，要求具備一定的分析常識，適合網站分析師，商業分析師以及數據產品經理。

精通 Web Analytics 2.0 (豆瓣) ：此書雖老，但其中很多思想和流量分析的案例仍然很有借鑒意義，現在紙質書只能上淘寶買舊書了。

與此類似的有「 網站分析實戰 (豆瓣) 」，是國內一本講網站分析的書，沒有上面經典，但勝在新出，很多案例和理念都有及時的更新。

深入淺出統計學 (豆瓣) ：Headfirst 類書籍，可以幫助你快速了解統計方面的知識。

數據化管理：洞悉零售及電子商務運營 (豆瓣) ：黃成明著，講解在企業中應用數據的例子，讀完受益匪淺，里面舉的很多例子都很接地氣。雖說偏向于零售業管理，但大道歸一，可適用于很多行業，當時依據里面的理念規劃了美團外賣面向 BD 的數據產品。

MySQL 必知必會 (豆瓣) ：這本也是我當年學習 SQL 的入門書，薄冊子一本，看起來很快。SQL 是個性價比很高的技能，簡單而強大。任何想進一步提高自己數據分析技能的產品/運營/分析師 同學，都建議點亮 這個技能點。

互聯網增長的第一本數據分析手冊 ：我司 GrowingIO 出的一本數據分析的增長手冊（封面和目錄見下圖），我們一直在做互聯網行業數據分析知識的普及，目前我們已經做了 15 期「 GrowingIO 數據分析公開課」 ，面向產品經理、運營等等，這里是我們整理出來的「互聯網增長的第一本數據分析手冊」。為大家提供常見的分析手段講解，如漏斗分析，同期群分析等等。可點擊書籍名字在 GrowingIO 技術論壇中免費下載。

3. 高階版

更高階的數據相對來說專業性較強了，如涉及到企業內部數據治理，數據結合的業務分析，數據可視化等。當然，還有數據挖掘算法之類的更深入的東西，這塊沒有研究就不瞎推薦了。

決戰大數據 (豆瓣) ：阿里巴巴前數據副總裁車品覺老師所著，講解了阿里巴巴在企業內部治理數據過程中的心得，所講“存-通-用”數據管理三板斧和“從數據化運營到運營數據”，字字珠璣，可堪借鑒。

精益數據分析 (豆瓣) ：此書優勢在于將企業分成了幾個大的行業類別，并分門別類的講解了每個行業的商業模式特點及分析技巧，對使用者的分析能力要求較高，且必須具備相應的業務知識。

The Wall Street Journal Guide to Information Graphics (豆瓣) ，華爾街日報負責商業分析的人做的可視化指南，精華且實用，我之前在公眾號上寫過讀書筆記「 華爾街日報是這樣做數據可視化的（1） 」，可供大家參考。

《數據倉庫經典教程》：網上有人整理出來的資料，優點是簡單明了，不像正常的數據倉庫教材厚厚一本。

| 結語

數據分析是一門多學科、多領域的交叉學問，涉及到的東西非常多。要想做好數據分析，應該有一套完整的思維體系，在價值觀、方法論和工具三個層面上儲備相關知識。同時立足于產品和用戶，用數據來打磨產品，用數據來檢驗迭代，不斷提升用戶體驗。

注：本文中熱圖、實時等產品功能均來自 GrowingIO 官網 硅谷新一代數據分析產品 。