产品经理职责：如何对产品进行数据分析？

数据分析是作为产品经理的重要工作，尤其是跟专业的搜索、商业产品经理，每天都会接触大量的数据，数据处理已经成为产品经理求职网的重要内容，下面为大家说说如何针对产品进行有效数据分析。

方法/步骤

1、Query

这是一切搜索或者类似产品的质量提升源泉没有之一 //至少我是这么认为的。

看了Query你才能知道用户真的在你这里干什么，于是就会理解了“访谈里都是骗人的……”。

举个栗子，访谈用户十个里面9.9个会义正言辞的告诉你，自己使用翻译的时候是多么正经的看论文啦学英语，跟外国友人交流啦看美剧。看看query你就会发现各种杂七杂八少儿不宜的都冒出来了。

Query最简单的一个使用方法就是选取query=>分析用户目的=>评价结果质量，然后针对质量问题进行进一步分析，之后给出解决方案。解决方案后的事情后面会再聊。

除此之外，query在合理的统计下可以看到相关的很多信息，虽然有不少用户疑神疑鬼以为隐私没了，但这些相关信息确实很大程度上进一步形象化了用户角色和真是场景，进一步协助了优化结果质量。

使用query前请务必让自己先搞清楚，自己拿到的query是什么时间什么渠道什么方式（随机or高频or其他方式）拿到的？该如何分析用户的请求目的？获得结果后当如何设计评价方式？

2、Visit

浏览行为在网页类产品的分析中是极为关键的，直接关系到这一页的所有功能被触发的可能性，最简单的用法就是可以分析某一个功能放在这一页的话有多大的可能被看到。

分析浏览量前，尽可能让自己先搞清楚，怎样算一个Visit（隔天的怎么算？一直没动但是刷了个新算一次吗？多久刷新的时候重记一个visit？浏览器关了再开继续浏览记不记一个Visit？）

3、Action

用户的操作行为有很多种，最常见的就比如click，同样最简单的应用方式是通过用户对功能的触发或者其他行为分析用户做同类触发或者进一步行为的可能性，除此之外要结合visit分析当前页面是否有需要优化的点，例如不是纯浏览性质的页面，很高的visit伴随着很低的action这就是很可疑的。

分析action前，也同样需要知道怎样算一次行为，这个行为是以什么样的标准记录到你可以查看到的数据表中的。

4、Time

time有可能是页面停留时间、访客停留时间、响应时间等很多种，可以直观得到你的用户在某行为上停留或者花费的时间。

停留时间长某些时候可能意味着用户认真在浏览网页，但有些时候则可能是遇到了使用障碍不得不花费时间继续，这里需要结合行为一起来看。

5、Source

来源反应了给当前页面带量的源头，同样是分析如果影响你当前页访问和用户量的关键数据。

关于source需要知道的是具体的来源是怎样的，来源的原始形态是什么样的，用户以什么样的形式才能触发进入你的页面。

6、Visitor/User

人数这个是任何平台的任何产品都最核心的数据，功能的用户数关系着这个功能会影响多少人，结合visit和action来看就会更加有意思，你可以获得你的用户活跃程度、主动操作程度等信息。最简单的用法就是结合活跃程度推测与之相关的新功能可能涉及到什么量或的用户或者有多少用户可能会参与这个新功能。

关于用户数需要弄明白的事情就更多了，用户数的记法有很多很多种：启动用户数、登陆用户数、活跃用户数、主动操作用户数、触发搜索用户数总之各种用户数。还是一样，需要问清楚这些个用户数到底是怎么记得，记得是浏览器信息？IMEI号？登陆名？还是其他什么？

怎么样算一个活跃用户？访问了就算（比如很多web产品）？启动了就算（比如杀毒只要启动了就在你后台工作了）？触发搜索才算（如果打开词典什么都不干就关了好像不活跃啊）？主动操作一次算一个（打开个计算器什么都不点就关了好像也不活跃啊）？登陆了才算（打开个QQ都不登陆好像还是不活跃啊）？

7、走势。

这个地方我不太确定专业的叫法是什么，于是编了个名字，总之就是将你的数据可视化后，就能看到随着时间的变化数据会呈现一条有趣的曲线，这条曲线能非常清楚明白的看出一些特征。

比如在什么日子增什么日子降，什么时间峰值什么时间谷底，然后找出关键的时间点，就可以分析推测你的用户有什么特征。打个比方，你的用户要是6月12月呈现出巨大的变化，那你的用户很大可能跟学生有密切关系，因为6月12月是考试月。又假如你的用户在早上11点左右有个峰值，那么也可以据此推测11点哪些用户会有异常（比如IT民工陆陆续续都上班了）。

走势的分析就要注意的是基本的统计知识了，随便一搜一大把我这里不罗嗦了。

8、各种率

比如残留率、召回率、流失率、成交率。计算方法很多，能直接反应你的各种特征，类似于残留可以反应出你的用户还愿不愿意来，成交率反应出你的用户对你展示的商品满不满意等。需要了解的同样是详细的各种率是什么比什么。

9、其他各种特征。

比如设备特征、地域特征、版本号、浏览器等特征，以此可以根据这些特征结合常见的普遍网络人口特征进行对比，比如比起普遍特征来说你的用户群体里IE用户特别特别多，那么可以结合ip地址分布推测自己的用户是不是二三线城市的特别多。

注意事项

对数据要谨慎，短期的小数据直接拿出来说服力是很低的，要多对比；

发现问题以后不要急着下结论，最好按各种方式拆分排查；

我不仔细看运营周报结果没发现周一的骤降，果然偷懒和粗心是不对的，更多内容我们可以一起交流，下面是我的链接，希望大家找到一份好的PM工作。