产品经理要掌握的数据知识思维导图

笔灵AI论文写作三步搞定，GO>>

当前位置:树图

思维导图模板

IT互联网

互联网干货

产品经理要掌握的数据知识思维导图

免费下载

免费使用文件

宠上天

浏览量：6

2023-03-02 12:16:24

已被使用0次

查看详情

前言：“数据”这个词，是产品经理永远绕不过的话题，但从我多年面试经验看，很多2-3岁的产品经理对数据的理解仍是模糊无章法的，鉴于本人也有着2年的数据产品经验，特整理成文，给产品新人普及一下基本的数据知识。

树图思维导图提供产品经理要掌握的数据知识在线思维导图免费制作，点击“编辑”按钮，可对产品经理要掌握的数据知识进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：677b69860d90dd23d560d65448c6f5f5

产品经理,数据

举报/反馈

思维导图大纲

产品经理要掌握的数据知识思维导图模板大纲

前言：

“数据”这个词，是产品经理永远绕不过的话题，但从我多年面试经验看，很多2-3岁的产品经理对数据的理解仍是模糊无章法的，鉴于本人也有着2年的数据产品经验，特整理成文，给产品新人普及一下基本的数据知识。

1、基本概念

什么是“移动App的数据分析”？为什么要进行“移动App的数据分析”？

简单来说，通过在App中进行埋点采集，或读取App存储在数据库中的业务数据，以一定目的，将数据进行“筛选、清洗、加工、解析”，产出对产品设计、运营计划有帮助的结论的过程，就是“数据分析”的过程。持续的数据分析可监控产品的运营状态、提升推广效果、发现产品问题、优化产品体验。

2、基本术语

这里举几个我常遇到的术语，便于同开发和运营进行沟通。

埋点：一般意义上的埋点，是利用如友盟、Talkingdata等第三方公司的SDK，通过在App中嵌入一段SDK代码，设定触发条件，当满足条件时，SDK会记录日志，并将日志发送到第三方服务器进行解析，并可视化地呈现给我们。这一过程就叫埋点。

埋点方式也分“简单埋点”和“自定义埋点”，所谓“简单埋点”就是直接拿到第三方key，写到App代码的配置文件中即可。而“自定义埋点”则对应一种叫“自定义事件”的功能，一般第三方统计工具都支持，我们可通过设置“自定义事件”查看App特定的操作行为数据，如点击按钮次数、打开指定页面次数等，通常创建“自定义事件”都需要产品经理告知开发App的哪些条件下需要触发“自定义事件”，以及触发时要如何通过不同参数区分不同的点击行为。

如同样是点击按钮事件，可通过设置参数“Action”，来区分Action=Yes和Action=No这两个按钮分别点击的次数。整个埋点流程如下图所示：

维度：维度就是指我们平时看事物的角度，也可理解成分析一个数据能从哪些方面去分析，这些“角度”都是有值且可被枚举的。比如我们注册用户数有10万，那可分析的维度有：用户所在省份、用户性别、用户角色、用户来源等。不同维度来观察数据，可以得出不同结论，能否拓展观察维度，也是评估数据分析能力的一个关键。

度量：度量和维度相辅相成，是指可量化的数值，用于考察不同维度观察的效果，也可理解成“数据指标”。观察度量值可总体查看，如App总用户数，也可配合“维度”分层查看，如不同省份的注册用户数、活跃用户数，不同来源的App启动次数、平均日使用时长等。

渠道：指App的不同安装来源，如通过第三方应用市场安装，通过广告点击安装，通过地推二维码扫码安装，通过官网下载安装等。互联网公司的商务工作一般就是拓展渠道，观察不同渠道带来的数据表现，不断优化渠道质量。

3、基本指标

注：以下所说的指标，均以移动App常见的核心指标为主，不涉及业务相关指标。目的是希望产品经理在谈起某个数据时，能统一认识。

新增用户：安装App后，首次启动App的设备数，需要按“设备号”去重。新增用户主要为了衡量推广效果，以及当前产品在整个生命周期所处阶段。

活跃用户：时间段内，启动过App的设备数，需要按“设备号”去重。活跃用户主要为了衡量运营效果，以及产品使用情况。

启动次数：时间段内，启动App的次数，无需去重。启动次数主要为了衡量推送效果，以及App的内容是否足够吸引人。

留存率：时间段内的新增用户，经过一段时间仍启动App的用户，占原新增用户的比例。“时间段”的划分方式有：按日、按周、按月，对应指标还可细分为“日留存率、周留存率、月留存率”。而“经过一段时间”的划分方式有：次日、7日、14日；次周、+2周；次月、+2月等。一般一款App的次日留存率为30-40%，次月留存率为20%，已经算是不错的成绩了。

使用时长：时间段内，从启动到结束App使用的总时长。所谓“结束App”，通常指杀掉进程，或者将App退到后台超过30秒。一般会按“人均使用时长、次均使用时长、单次使用时长”分析，衡量产品粘性和活跃情况。

使用频率：用户上次启动App的时间，与再次启动的时间差。使用频数分布，可观察到App对用户的粘性，以及运营内容的深度。

4、基本技术

数据采集技术——抓包。所谓“抓包”，一般指观察App上传到服务器上的数据都有哪些。通过“抓包”观察，一方面可判断自家App是否正确上传了想要统计的数据，另一方面还可抓取到手机上安装的其他App的上传数据，用来分析竞品内容更新情况。一般在Mac系统上，我习惯用Charles工具，Windows系统可以用Wireshark。当然抓到的数据如果想进行详尽分析，需要一点基本的http协议知识和json格式知识。

数据提取技术——sql语言。sql语言一般用于从数据库中进行数据的增删改查，需要企业运维人员或DBA人员开启权限才可访问，大公司的产品经理基本没机会用到，但如果你是小公司的高级产品经理，且和技术商议仅开启只读权限，还是可以尝试使用的。

以我个人经验，掌握sql只是基本要求，更关键的在于了解数据库表结构和关联关系，以及你提取数据的思路，sql只是工具而已。sql语言本身也和数据库软件相关，推荐学习mysql的sql语法，简单易试。至于语句，只要掌握group by的维度，where的限制条件，还有join语句的表连接逻辑，基本就能应对80%的数据查询需求，剩下的就是熟能生巧了。

数据处理技术——Excel、Python、JS。提取出来的数据，要深入分析，肯定得进行二次加工。按使用的难度高低，需要掌握工具如下：

Excel：大名鼎鼎的office工具，有着极其强大的数据处理能力。常用数据分析功能有透视表和命令行。推荐一个我喜欢的处理命令：

VLOOKUP：这是一个查找函数，给定一个查找目标，它就能从指定的查找区域中返回想要查找到的值。它的基本语法为：

VLOOKUP（查找目标，查找范围，返回值的列数，false）

我们可在一堆数据中，根据指定条件，进行二次筛选，非常方便。当然这个函数的作用还不止如此，有兴趣的同学可以深入研究一下。

此外，包括COUNTIF、IF等判断语句，也是筛选数据非常好用的函数。

Python、JS：Python、JS其实是一种通用脚本语言，不止适用于数据分析，但由于其安装、使用方便，函数库丰富，特别适合有开发基础的同学尝试。举个例子，mysql提取出来的数据，DBA通常会以Excel格式提供，简单的二次处理可用Excel完成，但涉及根据业务不同，要根据Excel做数据的条件判断计算，以及循环处理，就要借助第三方开发语言了（当然Excel自带的VBA也很强大）。此外，如果希望以更可视化的方式查看数据，还可通过JS技术，调取第三方开发库，如百度地图的API，进行更丰富的呈现。比如之前我在e代驾做的车辆运行轨迹图：

5、基本分析方法

介绍几个常用的数据分析思路：

对比：字面上理解，就是非孤立地看数据，而是多个数据提取进行比较。根据对比方法不同，分为“横向对比”和“纵向对比”。

横向对比：指空间维度的对比。相当于一个指标，在不同条件下的对比，但每个条件都属于一个层级。举个例子，App功能的A/B测试数据对比，各个渠道的新增用户对比，都属于横向对比。

纵向对比：指时间维度的对比。一般的对比方法有：同比、环比。同比一般指是指本期数据与上年同期数据对比，环比则是本期统计数据与上期比较。观察时间轴上的数据折线图来判断产品运营状态也是一种纵向对比。

拆分：分析这个词，从字面意义上理解，就是“拆分”和“解析”，当某个维度对比后发现问题需要找原因时，就需要进一步“拆分”了。举个例子，如果发现某日的销售额只有昨日的50%，就需要对销售额指标拆分为：成交用户数 x 客单价，而成交用户数 = 访客数 x 转化率。那么我们接下来就可分别针对：访客数、转化率、客单价，观察今日和昨日相比的数据变化，找出原因。

降维：当维度太多时，我们不可能全部分析，这时就要筛选出有代表性的关键维度，去除掉那些无关数据，这就是“降维”。比如“成交用户数 = 访客数 x 转化率”，当同时存在这三个指标时，其实我们只要三选二就能得出结论了。

增维：增维和降维是相对的，如果当前观察的维度无法解释当前问题，就需要对数据进行运算，多增加一个指标。在可视化分析领域，也可将不同类型的图表嵌套使用，能达到增加信息展现维度，扩展分析广度的目的，如下图所示：（将环形图和折线图进行增维嵌套）。

分组：也可叫聚类，合适的分组能更好地理解业务和场景。例如用户画像过程，就是一个按不同维度对数据分组的过程。通过用户画像，可以很清晰地知道产品的用户地区、用户兴趣、用户年龄、用户性别等属性占比，产品经理可通过画像进一步了解用户需求。

漏斗分析：主要用于分析产品使用的关键路径，通过设定一系列操作步骤，统计每一步中的操作用户数，并将用户数以柱状图纵向排列，就可形成用户流失漏斗，我们可分析漏斗每个环节的流失率，并观察改进环节交互体验后，流失用户的变化情况，以此来验证改动效果。

AARRR模型：该模型一般用于游戏数据分析，是Acquisition、Activation、Retention、Revenue、Refer，这五个单词的缩写，分别对应一款移动应用生命周期中的5个重要环节。AARRR本身是一个循环，使用者需观察每个环节的数据情况，以此来分析产品是否在执行一个正循环过程。这其中的任一环节除了问题，都会导致产品数据的异常。