众所周知，数据是支持决策的重要依据！

所以我们可以看到几乎所有的产品都会有数据统计分析的功能模块。

做大，比如数据中心；向高端，如大数据屏、数据广告牌、数据驾驶舱；本质上其实就是对数据的统计分析。

作为一个非数据产品经理或者初级产品经理，应该如何设计这个功能模块？

如果你正好被这个困扰，不妨试试我最近研究的这个三部曲:统计+分析+可视化！

序

关于数据的统计分析，首先我想表达一个我很赞同的观点。

一个好的数据分析师应该像眼科医生一样:可能有很多专业的验配眼镜的方法和工具，但是在验配的过程中，医生并不是纠结于自己的理论，而是关注用户是否能看清楚，不断的问用户“这样可以吗？”这样更清楚吗？再试一次？”——接地气的陈老师。

相信在我们的工作中，会经常碰到一些“孔乙己”式的数据统计分析，从“xx指标体系”开始，加上大量“权威、标准、BAT认可”等修饰词。

这是典型的虚假数据分析，因为这些东西，看起来牛X的那么吵，蒙蔽了大家的眼睛，但是很多时候，费时费力，却不解决实际问题！

而这种虚假的数据统计分析，以及它所遵循的理论模型。

而真正的数据统计分析，正如太极拳的精髓:“只看重其意，不看重其招。如果你把所有的招式都忘了，你就会变成阿泰姬传。”(以解决业务问题为基础！)

当你完成的时候，你的境界会是这样的:

张三丰：“你记住没有？”张无忌：“没记住。”张三丰：“这套叫什么拳？”张无忌：“不知道”张三丰：“你老爸姓什么？”张无忌：“我忘了。”张三丰：“好，你只要记住，把这两个混蛋打成废人就行了。”

但是，但是，但是，这是张三丰百岁才悟出的拳法，而且张无忌还有九日神兵护体，所以他们可以“只重其义，不重其招”(这太凡尔赛了)。

对于我们这些不是数据型产品经理或者初级产品经理的人来说，自然还是需要从一招练到另一招。否则结局指定为“被那两个混蛋打成残废”。

模仿是超越它的唯一途径。今天就来研究一下怎么模仿吧。

一.统计

要对数据进行统计分析，首先要有数据，也就是数据的统计工作。

说到数据统计，自然要避开数据埋点。至于葬地怎么埋，随便查查，会有很多文章总结的很好。

但是，我想说的是，如果你的公司从来没有做过这整个事情，它不会需要太多的麻烦，因为在这个行业已经有很多成熟的公司，如厕神，友盟等。直接花钱办事就行了，也不贵。

今天，掩埋遗址可以得到什么数据？总结起来，大概有五类:

整体概况；用户获取；活跃与留存；事件转化；用户特征。

来，我们逐一分析一下这几类数据，具体包含了什么，获取这些数据有什么用。

1.总体概述

实时数据意义：可以获取到每个小时的产品实时数据，帮助你了解产品目前的实时情况。使用概况意义：产品整体的使用情况，包括用户量、访问情况、留存等，帮助你对产品整体指标有一个大致的了解。

2.用户获取

渠道访问意义：每个渠道的用户的使用情况，包括渠道中新用户的占比、留存等，帮助你了解产品在获客层面上的优势与不足。版本数据意义：每个版本的使用情况，帮助你了解在产品升级的过程中，是否在活跃和留存方面有所改善。

3.活动和保留

访问流量意义：产品的每日访问数据，指标集中在新老用户的访问行为上，提供访问次数、时长、次数分布、访问时段高峰等指标，帮助了解新老用户在使用产品时的一些行为特征。用户留存意义：提供用户 7 日、次日、次周、次月留存的数据，帮助你了解新老用户的使用粘性。

4.事件转换

自定义事件意义：用户自定义关键事件，系统会自动生成该事件的发生次数、人数以及分布情况，也就是能够看到用户都在干啥。收益类事件意义：用户自定义收益类事件，系统会自动生成该事件的发生次数、人数以及分布情况，会根据你选择的数值类型属性，计算该数值的总值、人均值以及次均值。也就是能够看到用户都咋花钱的。

5.用户特征

用户特征的意义:我们可以看到我们的用户，他们是什么样的人~

二。分析

有了被埋没的数据，就是如何利用它，充分发掘它的价值。

数据分析的套路比较多。学了下面这些，应该就能解决“二十八条原则”中的“八”了吧~

1.通用数据分析指标

综合性指标：反映产品的整体情况。流程性指标：反映用户的使用行为。业务性指标：反映具体的业务情况。

2.数据分析的常见维度

数据细分：通过不同的细分维度分析，往往可以追溯到问题发生的原因，还能为后续的一些动作提供参考依据。数据对比：没有对比就没有伤害，一方面是横向比较，即自身和别人进行对比，如长江的同比、环比；另一方面是纵向比较，即自身和自身进行对比，比如行业竞品、全站数据、AB测试等。

3.常用数据分析方法

1)心脏模型

Google HEART模型的提出，可以让大家反思自己的产品设计思维，同时利用相关的设计工具来完善HEART的五项指标，以改善用户体验，创造更好的产品。

2)AARRR模型

这个模型来自成长黑客，是2007年提出的，当时客户获取成本比较低。这个模型简单直观，突出了成长的所有重要元素，所以这个模型在很长一段时间内都非常受欢迎。

3)RARRA模型

现在获客成本与日俱增，市场情况与2007年完全不同。现在黑客成长的真正关键在于用户的留存，而不是客户的获取。于是，一个名为RARRA的模型诞生了，这个模型突出了用户留存的重要性。

第三，可视化

有了统计数据和分析维度，最后一步就是可视化了！

这个环节的目标很简单，就是领导看到后，忍不住说一句“卧槽，牛X！”这样的感情，没事~

要完成这一步，一个又快又好的办法自然是参考各种规范。首先，我们可以去一个叫“e-chars”的网站查看各种可视化图表，因为很多时候，开发都是基于这些开源的图表库。

当我们设计时，我们需要使用各种原型组件。数据可视化的内容很多。下面举几个典型的例子。

1.折线图

注意:选择的线型要比较粗，一般不超过5条线，不带斜标签，纵坐标轴一般从0开始。预测值的线型变为虚线。

2.柱形图

注意:相同的颜色用于相同的数据系列。使用不倾斜的标签，纵坐标轴一般从0开始。一般来说，最好给柱形图添加数据标签。如果添加数据标签，可以删除纵坐标刻度线和网格线。

3.条形图

注意:相同的颜色用于相同的数据系列。使用不会倾斜的标签。最好加上数据标签，尽量将数据由大到小排列，方便阅读。

4.圆形分格统计图表

注意:从12点钟位置开始排列数据，最重要的部件在12点钟位置旁边。数据项不要太多，保持在6项以内，不要用爆炸式饼状图分离。但是，如果你想强调某个部分，你可以把它的各个部分分开。

饼图不使用图例和三维效果。扇区填充颜色时，建议使用白色边框线，切割感好。

5.其他的

这种数据可视化的图表有很多，其意义在于，用图表代替大量堆积的图形，会帮助读者更形象直观地看到问题和结论。

四。结论。

好了，今天就到这里。正如前言所说，今天只讨论武学招式，不讨论内功心法。

延伸:数据的统计分析最终会从企业到企业。一切形式都是次要的，关键是解决业务问题！

但是对于我们这些“新手”来说，经验主义自然是值得借鉴的！相信今天的总结足以支撑大家拿葫芦画瓢的对比。