产品经理如何做好数据分析

1. 产品经理如何做好数据分析

流量相关数据：IP、PV、在线时间、跳出率、新用户比例;

订单相关数据：总订单、有效订单、订单有效率、总销售额、客单价、毛利润、毛利率;

转化率相关：下单转化率、付款转化率。

　　第二项：每周数据分析(核心)
用户下单和付款不一定会在同一天完成，但一周的数据相对是精准的，所以我们把每周数据作为比对的参考对象，主要的用途在于，比对上周与上上周数据间的差别，运营做了某方面的工作，产品做出了某种调整，相对应的数据也会有一定的变化，如果没有提高，说明方法有问题或者本身的问题并在与此。

网站使用率：IP、PV、平均浏览页数、在线时间、跳出率、回访者比率、访问深度比率、访问时间比率;

2. 产品经理9种数据分析方法

大家好，我是天王寺一哥，目前在北京做产品经理。
  
 产品经理日常工作中，分析数据已经必不可少。利用分析结果来做产品的决策，复盘，成为了产品经理必备技能。
  
 
  
  
 最近我系统性的学习了产品经理数据分析课程，觉得其中“9种数据分析方法”非常实用，现总结下来，并结合自己的理解做一个汇总。
  
 这“9种数据分析方法”为：
  
 下面按照“比什么”、“和谁比”来说明：
  
 日常看到的数据数值通常有两种类型：
  
 1）绝对值：数据本身具备参考价值，例如电商销售金额、文章阅读数
  
 2）比例值：需要看比例值才能获得相关价值的数据，例如留存率、活跃占比等数据
  
 所以对比分析主要是分析比例值。往往我们有两种比较方式：
  
 1）同比：指当前时间范围某个位置的数值与上一个时间范围的相同位置的数据对比，英文是：Same period last year/month/day。例如5月第一周同比4月第一周。
  
 2）环比：指当前时间范围的数值对比相邻的上一个时间范围，例如5月销售总额环比上涨20%，指5月销售总比对比4月销售总额上涨了20%
  
 1）和自己比
  
 日常工作中，大部分对比分析都是当前数据与往期数据对比。可以从不同的角度进行对比，例如时间维度、渠道维度、业务线维度等。
  
 2）和行业比
  
 在做数据分析时，需要全盘考虑行业整体趋势。例如公司为在线教育行业，今年用户增长较快，团队认为是运营的作用。可如果对比一下行业数据，增长可能低于行业平均，增长是因为疫情原因导致的自然增长，这时候就需要调整运营策略了。
  
 
  
  
 我们在分析数据的时候，会力求从有限的数据中挖掘出最大的价值，获取到更多的隐藏信息。这时候就需要从多个维度去拆解问题。
  
 以一个实际的案例来说明：
  
 小明公司产品为一个象棋平台，平台内有象棋资讯、象棋视频、提升课程，问答社区等。平台内金币为虚拟流通货币。凭此金币可以查看付费资讯、付费视频、打赏等。现老板要求获知金币的消耗量这一个数据指标。
  
 小明接到任务后，将金币的消耗量按照实际的业务场景，进行多维度拆解，梳理了以下维度：
  
 a.时间。6月初平台进行了重大更新，玩儿更多样，所以此次数据分析只统计6月份以后的，并以周为单位进行统计。
  
 b.金币消耗基本数据：消耗总量、总消费人数、消费次数、充值次数等
  
 c.金币的消费场景：将所有消费场景进行分析，期望将消费场景按照金币量进行排序，并将具体消费内容罗列，挖掘信息。
  
 d.金币的消费人群：搞清楚是消费者的画像，分析消费人群特征
  
 通过将一个单一指标，多维度的进行分析，是比较常见的分析方法
  
 此分析方法适合于“用户达成某个目标有清晰的使用路径”。例如分析某个课程的购买率。用户是否购买往往与之前的步骤紧密相关，如登录——首页点击广告——试看——提交订单——支付成功。
  
 此案例单独看购买率高或低没有意义，必须对整个流程进行多维度拆解，找到里面的关键时刻予以改善。
  
 
  
  
 漏斗，适合于观察有明确使用流程的数据。漏斗是一连串前面影响后面的用户行为，层层相扣。
  
 例如某象棋APP的课程购买，最终支付是最后一层漏斗，则其漏斗路径为：
  
 用户注册——查看推荐内容——点击课程——试看——提交订单——支付。其中用户是否注册登录决定了是否能正常查看推荐内容，用户查看推荐内容的数据影响了点击课程链接的数据等等。
  
 我们日常使用漏斗观察，需注意漏斗的三个误区：
  
 漏斗上一个流程对下一个流程起作用，所以漏斗的流程需要确定合理的时间。例如上面象棋APP的支付漏斗，用户的决策时间通常为当天，但如买房决策周期可能持续数月。
  
 漏斗如:A—B—C—D—E。在观察时候，不能直接A—C—E。这样观察每一层的转化率得出的相应结论是不准确的。
  
 有时候如果发现最终调查的数据有错误，则需要确定，是否在统计一个目标的数据时，遗漏了其他漏斗路径
  
 
  
  
 一个事件不仅仅只有累计数据这个指标，还可以从该事件在不同维度上的分布情况具体分析。
  
 例如分析用户总量，可以研究用户总量分布在不同性别，不同年龄和省份的情况。又例如分析某个页面的用户浏览数据，可以将总浏览量分布在不同时间、不同流量次数上进行研究。
  
 如图：
  
 
  
                                          
 
  
  
 在进行留存分析之前，需要搞明白留存的定义，不同的公司对留存有不同的计算方法。
  
 1）留存算法1=（第七天/第一天）*100%
  
 2）留存算法2=（第二天至第七天所有用户相加去重）/第一天*100%
  
 具体应该采用哪种计算方法，需要看我们计算留存的目的。例如：
  
 1）对比不同渠道来的用户的质量采用算法1。因为所有渠道都采用第一日和第七日的数据，忽略的信息都是一致的，故可以公平比较
  
 2）若分析一款教人做菜的APP，此APP用户主要在周末打开。则宜采用算法2。这样更能真实的反映留存情况。
  
 还需要注意的是，有些有些公司会将第一天称为第0天。这样做的好处是，在计算7日留存的时候可以比较对比的是同一个“星期几”。
  
 
  
  
 根据具体业务场景，分析留存需要选择不同的时间跨度，如:
  
 1）了解某一个渠道的质量宜采用日留存（如7日留存）。
  
 2）观察整个大盘的数据宜采用周留存和月留存，较为宏观的观察用户在平台上的粘性
  
 
  
  
 我们长说的用户画像分成两种：
  
 1）用户的详细标签。如身份、年龄、婚姻、身高体重等。通过对用户各类特征进行标识，给用户贴上各类标签，通过标签将用户进行组合分类，以便对不同的群体进行精细的产品/运营动作。
  
 2）根据用户访谈等手段建立的极具代表性的虚拟用户，在产品规划时，使用虚拟用户，能快速让团队达成共识。
  
 用户标签种类繁多，大致可以分成四大类：
  
 1）基础属性：年龄、性别、生日、星座、教育、身高、收入、职业等
  
 2）社会属性：婚姻关系、有无小孩、性取向等
  
 3）行为特征：注册时间、注册渠道、是否买过某个商品、是否关注过某个问题等
  
 4）业务相关：如健身APP关心用户睡眠质量、体脂率、高矮胖瘦等
  
 面对如此繁多的标签，该如何获取呢，通常有两种方式可以获得：
  
 1）直接获取
  
 我们常见的某些产品，注册时必须要完善填写相关信息
  
 2）通过用户行为推导分析得到
  
 如通过用户的手机机型推导其消费能力，通过购买的产品推导其性别、通过其关注的话题推导其兴趣等。
  
 在实际工作中，一些明确的业务目标往往要进行归因，找到目标达成的关键因素，将有限的资源投入到关键因素中。
  
 按照不同的业务场景，大致有三种归因方法：
  
 1）末次归因
  
 此方法适用于转化路径短，且事件之间关联性强的场景。此类场景需要重点关注达到目标前一步。
  
 
  
                                          
 如下直播打赏案例，关注目标为充值：
  
 
  
                                          
 对案例分析得知，私信主播后进行充值的路径占比较大，故应尽快提升私信体验。
  
 
  
  
 2）递减归因
  
 此方法适用于转化路径长，转化链条上各个事件差异不大，没有完全占据主导的事件。
  
 
  
                                          
 
  
  
 3）首次归因
  
 此方法适用于强流量依赖的业务场景，用户进入环节比后续所有事都重要。例如借贷产品。
  
 
  
                                          
 
  
  
 在漏斗分析中，往往整个流程已经十分清晰。但是在实际业务场景中，我们不太清除用户的使用流程或者流程较为复杂、随机，没有很强的顺序。这时候就比较适合于应用路径挖掘。
  
 具体方法为找到所有流程里面的事件，设置流程的流入与流出页面，将所有的事件放在这个流里，用数据工具进行分析。
  
 在进行分析之前，要搞清楚分析的目的，一般适用于以下两种场景：
  
 1）有明确的起始场景。希望分析数据，观察这个场景之后到底发生了什么
  
 1）有明确的结果目标。希望分析数据观察来的用户是怎样一步一步达到目标的
  
 通过路径挖掘，可以找到我们关注的关键路径。只有找出关键路径上面的关键行为，才能打造良好体验。
  
 
  
  
 路径挖掘是挖掘大量用户的行为路径，但有时候我们比较关注个体行为，希望了解此个体在使用产品时的完整事件时间线。如下图：
  
 
  
                                          
 挖掘单个用户的行为序列通常适用于以下两个场景：
  
 1）寻找被数据统计掩盖掉的信息，还原用户具体的使用场景
  
 2）找到个体的行为特征，找到产品价值提升的机会点
  
 案例：
  
 象棋在线平台推出新功能，邀请象棋高手入驻，在线教课。功能推出3天，共1万名用户使用体验了该功能。现需要给2名销售分配任务，电话联系有意向的老师。
  
 现使用个体行为序列分析，寻找到反复使用某个功能且停留事件较长的用户，筛选后将1000名用户分配给销售，大大提交了合作转化率。
  
 
  
  
 以上就是产品在日常数据分析中，常用的9种分析方式。我是天王寺一哥，一个产品界的小学生，期待与大家多沟通，多交流。

3. 「产品经理如何做好行业研究」第三节：行业研究的方法-市场规模分析

（一）、市场总量——看市场的天花板 
  
  首先，要看一下整个市场的总量，最核心的点是看市场的天花板，看市场的天花板是在看这个盘子到底有多大。 
                                          
 当我们自己投身到一个行业的时候，一定要找一个天花板够高的行业。
  
 你说要去做一个“小而美”的行业，“小”可以去做到，但是往往一个小行业很难做到“美”。因为只有当一个市场的天花板足够高的时候，那么才会有更加多的热钱、更加多的企业、更加多的投资涌入到里面。
  
  什么是天花板？天花板就是这个行业现在整个的收入规模是多少，它未来的增长预测又是多少。 
  
  收入规模，什么盘子才是够大的？ 至少要到一千亿才是一个大的行业，一百亿是一个相对来说行业的低配版；如果整个行业总共只有几千万的规模，那这是一个极其小的行业，非常的小众、非常窄，做这个行业的意义就没有那么的大。
  
  为什么只有几千万或1个亿的小盘子有问题？ 没有太多的公司会进入这个行业，因为其背后的市场太小，最后的结果是看上去竞争很小，但是当你的公司都很小时候，竞争性、流动性都会小，即当什么地方没有竞争，什么地方就不会有特别多的好的待遇。
  
 什么叫做“怕入错行”，在“水浅王八多”的行业就是入错了行，会出现大量低水平的恶劣竞争。
  
  所以，首先行业盘子足够大，其实就已经有一个比较好的机会了。再看细分领域，即你在一个行业的价值链上的哪个环节，在这个环节上看你自己有无竞争的优势，你到底是怎样的地位。 
  
  （二）、市场规模趋势 
  
  另一点，我们还要去看这个行业的增长趋势，即市场规模趋势。 
  
 我们不止要去看大、也要去看小，用交叉比对法来去做这件事，因为很多人会说自己做的是一个大领域中的一个小盘子，这个小的细分行业到底是什么情况？
  
 例如：美食菜谱社区，这个就是大领域中的小盘子。这种盘子我们能看什么样的报告呢？
  
 在去看一个大行业中的小赛道，这时我们应该怎么做？我们可以看一些周边的报告，用比较差值法来评估。
  
  （三）、行业细分报告——看占比 
  
  此外，我们还要来看占比，即通过行业细分报告去看占比。 
  
 在真正情况下，我们一定是在一个大盘子中去做一个细分赛道。我们“看小”是为了真正能够落到自己所做的事情上。
                                          
 比如中国互联网广告的市场总量2017年3750亿元、2018年4914亿元，移动广告的市场总量2017年2549亿元、2018年3814亿元，这是整个大赛道的数据。然后，我们再往下搜下一个层次，一层一层的拆解到中国短视频营销市场，其2017年是22.6亿元，2018年是140亿元。
  
 如果只看数据，感觉好像整个的短视频营销市场很小，才20个亿。但是，我们可以通过数据看到这个小盘子的整个占比规模：2017年占互联网广告市场的0.6%，2018年占整个互联网广告的2.8%。
  
 我们还看到，短视频营销的增速是非常快的：
  
  （四）、看趋势 & 看增速 
  
  接下来，我们就要看趋势。 
                                          
 并不见得现在“大”就永远“大”，我们要找的是风口——风口不是此时此刻很“大”，是今天还不“大”，而未来非常“大”。
  
 当我们投身到一个行业的时候，也要看到其整个的一个增长情况。最好是现在它还很弱小，未来它的盘子非常大，这才是一个非常好的状态。如果现在已经很成熟了，我们进去就也只是一个螺丝钉、一块砖。
  
 数据显示，移动广告的增速是快于大盘的。所以，大家就知道为什么Web端、PC端的广告是明日黄花，没有人愿意去做，是夕阳行业了，大家都愿意去做App、小程序、H5。
  
 我们最终的目的是为了广告的转换，移动广告的增速（49%）高于大盘（31%）。
  
 中国短视频营销市场的状态：环比增长是520%，1年时间5倍的增速。数据显示，在后续2~3年内，依然有超过70%的快速增长。增速如此大的原因是：短视频整个的用户使用习惯已经养成，整个的用户量很大。在2018年2月15号，短视频的DAU数量永久性的超过了长视频的量。
  
 所有的行业最终都会慢慢变慢，但是我们要看变慢之后停留在的那个数值，是否足够大、是否是一个千亿级别的状态。
  
  看一个行业的趋势：在未来几年是否能够保持一个快速增长的波段，而且大概率是一个千亿往上的状态 （2B没有那么大，此处主要指2C）。
  
  （五）、看此消彼长 
  
  除了看趋势之外，还要看此消彼长、看云起云落。 
                                          
 这些年，中国不同形式的网络广告市场份额是在不断变化的：信息流广告在涨（从2013年2.2%的份额，涨到2019年30%、2020年35%），同时电商广告也在涨（27%涨到了30%）；视频贴片广告在降（7%降到4%），品牌图形广告也在降（21%降到9.5%，份额直接被腰斩了）。
  
 因此，推导出结论：广告市场正在快速地向着碎片化、短视频化去变化，传统品牌广告的整个增幅在大幅度的降低，而信息流、短视频这种轻量级的营销广告的增幅非常明显。
  
 - End -

4. 那种产品的市场数据，自己如何调研分析？

做好市场调研需要掌握专业的方法，我们今天来重点讲一下 3C。3C 是运用 MECE 的一种框架。它的目的，是使用「顾客」、「竞争对手」和「本公司」三个要素，来分析自家公司所处的行业环境。因为这三项要素的平衡感很好，所以它在商务领域被广泛使用。只要把握这三点，在概览业务整体时，就基本能够无遗漏无重复地掌握要点了。
在实际运用 3C 的过程中，我们可以根据三个层面，将各个要素填入 3C 框架。在顾客方面，市场规模、成长性、市场细分、市场需求、结构变化等等都是值得探讨的要素。
在竞争对手方面，我们可以研究市场寡占度、入行门槛、是否存在价格竞争、竞争对手的强弱项等等。在研究企业自身层面，本公司的市场份额、品牌形象、技术实力、销售实力、经营资源等等都是重要的要素。
但是，如果将所有要素全部写出，不光文字量太大，结果也会变得复杂。而框架的优势，在于简明扼要。因此，在填写 3C 时，我们需要提炼重点哦。我们以三得利清凉饮料业务为例，来看一下 3C 的实际运用。
从顾客角度看，三得利很难扩大在日本的本土市场了。所以，必须降低对本土市场的依赖程度。从竞争对手角度看，在渠道、广告方面不如可口可乐。所以，就算推出热销商品也会被模仿，市场份额转眼之间就会被夺走。
因此，三得利公司应该充分发挥自己公司的强项，也就是「拥有众多强力商品」和「商品开发具有一定实力」，同时进一步提升广告力度，来拉开与竞争对手的差距。
我们可以将目前的经营环境总结在 3C 表格中，就能看清楚今后业务的大致发展方向了。

5. 怎样做一种产品的市场调查与分析？

对于新产品市场进入的可行性调研一般从三个方面进行专业调研
1，消费者调研，你可以对目标潜在消费者进行问卷调研
2，终端调研，你可以对酒类销售终端进行观察调研，了解终端销售产品的基本状况
3，经销商调研，你可以对目标经销商进行深度访问。
通过对以上调研采集的数据进行专业分析，从而得出专业的调研报告。

不过这些工作都是比较专业的，最好找专业调研公司去操作。比如策点市场调研，益普索调研，新华信之类的

6. 产品经理需求分析的方法汇总

产品概念筛选之后，就需要投入资源开始推动项目进度了。首先要进行的就是需求采集，需求采集在产品研发和迭代过程中是非常重要的一环，就像前面几篇文章所讲的，产品为满足需求而生，有了需求才有了产品前进的方向。 一般面对需求，要经过需求采集、需求验证、需求转化等过程，那么需求采集的方法有哪些呢？需求采集完了之后，如何进行有效转化呢？下面一起来探讨一下。
  
 需求的采集分类维度有很多种，下面主要阐述两种分类维度。
  
 1.第一个维度：直接采集与间接采集
  
  直接采集和间接采集分别对应着一手需求和二手需求 。区分一手需求和二手需求最主要是看需求是原始的还是加工过的，比如直接从用户采集的，那就是一手需求，而从行业报告、数据资料采集的需求那就是二手需求；另一方面可以看需求的提出者，如果需求提出者就是用户自身，那就是一手需求，如果需求的提出者是转述的需求 ，那就是二手需求。
  
 直接采集可以保证自己的产品更真实、更准确、更接底气，实际工作中，我们要保证采集到的需求有一定比例是直接采集，而对于二手需求，则要带着问号去看，要进行需求的深挖，防止需求被曲解。但是，某些二手需求比如客户反馈周报是已经经过整理的，准确性实用性都比较能得到保证，使用效率也更好。因此在实际需求采集工作中，也要灵活使用直接采集和间接采集。
  
 2.第二维度：Z字采集法
  
 Z字采集法的四个维度，说和做、定性和定量，用两个关键轴进行联系。两条关键轴将这个方法分成了四个象限，分别叫做定性地说、定量地说、定性地做、定量地做，这个路径恰似一个Z字，所以又称Z字采集法，如下图所示：
                                          
 上图中每一个象限都对应一种常见的需求采集方法，分别为用户访谈、调查问卷、可用性测试（即通过观察用户使用产品的过程，发现需求）、数据分析， 比如在产品的规划阶段，听用户定性地说，随机取样200个用户访谈，确定产品方向；在项目早期，听用户定量地说，投放30万份调查问卷，确定需求优先级是什么；在项目实施阶段，听用户定性地做，通过选取20个用户进行可用性测试，更好地去满足需求；在项目上线 后，看用户定量地做，通过数据分析，不断改进产品。
  
 Z字采集法是一个螺旋上升的的循环过程，不断地采集、升级迭代来优化产品。
  
 3.实用的采集方法
  
 腾讯的10/100/1000：产品经理每个月必须做10个用户调查、看100篇用户写的相关文章、处理1000个用户反馈，以此来保持和用户接触的强度。
  
 阿里让产品去做客服，由此来熟悉客户。同理，产品经理去销售岗、技术支持岗轮训，都能加深对用户的理解。
  
 利用网络搜索引擎也是个好办法，例如使用百度搜索产品名称，可以看到最多搜索，以此来了解的困扰用户最多的问题。
  
 4.需求转化：Y模型
  
 采集用户的需求并解决它，是我们产品人的目标，我们要采取的策略是用心听但不要照着做。这就涉及到需求有效分析。需求分析有一种比较有效的方法叫Y模型分析法，如下图所示:
                                          
 “1”是用户需求场景，when/where/who/what，是需求的第一种深度——观点和行为；
  
 “2”是需求背后的目标和动机，是需求的第二种深度——目标和动机；
  
 “3”是解决方案，即满足这样的需求，我们做出了什么样的产品；
  
 “4”是人性，是需求的本质，对应马洛斯需求，是需求第三种深度——人性和价值观。
  
 再进行需求分析做出产品的时候，不能只听用户怎么说，即不能简单地从“1”到“3”，而要深入分析用户需求背后的目标和动机，即按照“1”到“2”再到“3”路径来进行分析和实现，更进一步地要上升到“4”，上升到人性和价值观的高度来思考需求背后的本质，每一款伟大的产品必然是满足人类最本真的欲望，如果能把需求挖掘到这个层次就找到了产品最本质的用户价值，例如Apple。

7. 产品经理需求分析方法总结

 需求分析是产品经理诸多工作中非常重要的一个环节，总结常用的分析方法如下：
   第一个方法： 1.透过现象看本质 ，通常用户或相关人员反馈过来的需求是表象，具体的建议。我们需要透过具体建议，找到客户的本质需求。本质需求通常表现在商家的目的，想解决什么问题。
   第二个方法： 2.用户行为及场景分析 ，需要我们对用户及其业务有充分的了解，再次基础上对客户建议中描述的场景和用户行为进行分析，从中抽象出客户的需求。
   第三个方法： 3.需求分级，可使用Kano模型 ，当我们抓到客户的本质需求后，还需要结合产品，用户，公司现状，对需求做出决策（是否采纳，优先级等问题）。
                                                                                   故刚刚的ABC三类需求，可分别为：基础型，期望型，兴奋型。所以若需求A在系统中未实现，需要立即优化。响应的优先级也是A>B>C

8. 产品经理必会的10种数据分析方法

产品经理必会的10种数据分析方法 
随着人口和流量红利的下降，互联网行业必然会朝着精益化运营的方向发展。数据分析在很多互联网人的工作中越发显得重要，而对于产品经理来说，更是如此。
本文将为产品经理介绍数据分析的基本思路，并基于此，衍生出 2 个常见方法和 7 个应用手段，希望在数据分析的实际应用中能给大家带来帮助。
一、数据分析的基本思路数据分析应该以业务场景为起始思考点，以业务决策作为终点。
基本思路为 5 步，首先要挖掘业务含义、制定分析计划、从分析计划中拆分出需要的数据、再根据数据分析的手段提炼业务洞察，最终产出商业决策。
接下来我们用一个案例来具体说明这 5 步思路：某国内 P2P 借贷类网站，市场部在百度和 hao123 上都有持续的广告投放，吸引网页端流量；最近内部同事建议尝试投放 Google 的 SEM；另外，也需要评估是否加入金山网络联盟进行深度广告投放。在这种多渠道的投放场景下，产品经理该如何进行深度决策？1. 挖掘业务含义
首先要了解市场部想优化什么，并以此为核心的 KPI 去衡量。渠道效果的评估，最重要的是业务转化：对 P2P 类网站来说，是否『发起借贷』远远比『用户数量』重要。
所以无论是 Google 还是金山渠道，都要根据用户群体的不同，优化相应用户的落地页，提升转化。
2. 制定分析计划
以『发起借贷』为核心转化点，分配一定的预算进行流量测试，观察对比注册数量及 ROI 效果，可以持续观察这部分用户的后续价值。
3. 拆分查询数据
根据各个渠道追踪流量、落地页停留时间、落地页跳出率、网站访问深度以及订单类型数据，进行用户分群。
4.提炼业务洞察
在不同渠道进行投放时，要根据 KPI 的变化，推测业务含义。比如谷歌渠道的效果不好，可能因为谷歌大部分的流量在海外，可能会造成转化率低。而金山网络联盟有很多展示位置，要持续监测不同位置的效果，做出最后判断。
5.产出商业决策
最后根据数据洞察，指导渠道的投放决策制。比如停止谷歌渠道的投放，继续跟进金山网络联盟进行评估，而落地页要根据数据指标持续地进行优化。
二、常见的数据分析方法（一）内外因素分解法内外因素分解法是把问题拆成四部分，包括内部因素、外部因素、可控和不可控，然后再一步步解决每一个问题。
社交招聘类网站，一般分为求职者端和企业端，向企业端收费方式之一是购买职位的广告位。业务端人员发现『发布职位』数量在过去的 6 个月里有缓慢下降的趋势。
对于这类某一数据下降的问题，从产品经理的角度来说，可以如何拆解？
根据内外因素分解法分析如下：
1.内部可控因素
产品近期上线更新、市场投放渠道变化、产品粘性、新老用户留存问题、核心目标的转化；
2.外部可控因素
市场竞争对手近期行为、用户使用习惯的变化、招聘需求随时间的变化；
3.内部不可控因素
产品策略（移动端/PC端）、公司整体战略、公司客户群定位（比如只做医疗行业招聘）；
4.外部不可控因素
互联网招聘行业趋势、整体经济形势、季节性变化；
（二）DOSSDOSS 是从一个具体问题拆分到整体影响，从单一的解决方案找到一个规模化解决方案的方式。
某在线教育平台，提供免费课程视频，同时售卖付费会员，为付费会员提供更多高阶课程内容。如果我想将一套计算机技术的付费课程，推送给一群持续在看 C++ 免费课程的用户，产品经理应该如何辅助分析？按 DOSS 的思路分解如下：
1.具体问题
预测是否有可能帮助某一群组客户购买课程。
2.整体
首先根据这类人群的免费课程的使用情况进行数据分析，之后进行延伸，比如对整体的影响，除了计算机类，对其他类型的课程都进行关注。
3.单一回答
针对该群用户进行建模，监控该模型对于最终转化的影响。
4.规模化
之后推出规模化的解决方案，对符合某种行为轨迹和特征的行为进行建模，将课程推荐模型加入到产品设计中。
三、数据分析的应用手段根据基本分析思路，常见的有 7 种数据分析的手段。（一）画像分群画像分群是聚合符合某中特定行为的用户，进行特定的优化和分析。
比如在考虑注册转化率的时候，需要区分移动端和 Web 端，以及美国用户和中国用户等不同场景。这样可以在渠道策略和运营策略上，有针对性地进行优化。（二）趋势维度
建立趋势图表可以迅速了解市场， 用户或产品特征的基本表现，便于进行迅速迭代；还可以把指标根据不同维度进行切分，定位优化点，有助于决策的实时性；（三）漏斗洞察通过漏斗分析可以从先到后的顺序还原某一用户的路径，分析每一个转化节点的转化数据；
所有互联网产品、数据分析都离不开漏斗，无论是注册转化漏斗，还是电商下单的漏斗，需要关注的有两点。第一是关注哪一步流失最多，第二是关注流失的人都有哪些行为。
关注注册流程的每一个步骤，可以有效定位高损耗节点。
（四）行为轨迹
行为轨迹是进行全量用户行为的还原。只看 PV、UV 这类数据，无法全面理解用户如何使用你的产品。了解用户的行为轨迹，有助于运营团队关注具体的用户体验，发现具体问题，根据用户使用习惯设计产品，投放内容；（五）留存分析留存是了解行为或行为组与回访之间的关联，留存老用户的成本要远远低于获取新用户，所以分析中的留存是非常重要的指标之一；
除了需要关注整体用户的留存情况之外，市场团队可以关注各个渠道获取用户的留存度，或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等。（六）A/B 测试A/B 测试是对比不同产品设计/算法对结果的影响。
产品在上线过程中经常会使用 A/B 测试来测试产品效果，市场可以通过 A/B 测试来完成不同创意的测试。
要进行 A/B 测试有两个必备因素：
1.有足够的时间进行测试；
2.数据量和数据密度较高；
因为当产品流量不够大的时候，做 A/B 测试得到统计结果是很难的。而像 LinkedIn 这样体量的公司，每天可以同时进行上千个 A/B 测试。所以 A/B 测试往往公司数据规模较大时使用会更加精准，更快得到统计的结果。
（七）优化建模当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数据挖掘的手段进行建模，预测该商业结果的产生；
例如：作为一家 SaaS 企业，当我们需要预测判断客户的付费意愿时，可以通过用户的行为数据，公司信息，用户画像等数据建立付费温度模型。用更科学的方式进行一些组合和权重，得知用户满足哪些行为之后，付费的可能性会更高。
以上这几种数据分析的方法论，仅仅掌握单纯的理论是不行的。产品经理们需要将这些方法论应用到日常的数据分析工作中，融会贯通。同时学会使用优秀的数据分析工具，可以事半功倍，更好的利用数据，实现整体增长。