大數據的應用是一個非常系統和復雜的工作，中培偉業《大數據分析及可視化技術應用實戰》培訓專家鐘老師在這里詳細介紹了大數據分析應注意的細節問題。

1. 明確數據分析的目的

做數據分析，必須要有一個明確的目的，知道自己為什么要做數據分析，想要達到什么效果。比如：為了評估產品改版后的效果比之前有所提升或通過數據分析，找到產品迭代的方向等。

明確了數據分析的目的，接下來需要確定應該收集的數據都有哪些。

2. 收集數據的方法

說到收集數據，首先要做好數據埋點。所謂“埋點”，個人理解就是在正常的功能邏輯中添加統計代碼，將自己需要的數據統計出來。

目前主流的數據埋點方式有兩種：

第一種：自己研發。開發時加入統計代碼，并搭建自己的數據查詢系統。

第二種：利用第三方統計工具。

常見的第三方統計工具有：

網站分析工具

Alexa、中國網站排名、網絡媒體排名(iwebchoice)、Google Analytics、百度統計

移動應用分析工具

Flurry、Google Analytics、友盟、TalkingData、Crashlytics

不同產品，不同目的，需要的支持數據不同，確定好數據指標后，選擇適合自己公司的方式來收集相應數據。

3. 產品的基本數據指標

新增：新用戶增加的數量和速度。如：日新增、月新增等。

活躍：有多少人正在使用產品。如日活躍(DAU)、月活躍(MAU)等。用戶的活躍數越多，越有可能為產品帶來價值。

留存率：用戶會在多長時間內使用產品。如：次日留存率、周留存率等。

傳播：平均每位老用戶會帶來幾位新用戶。

流失率：一段時間內流失的用戶，占這段時間內活躍用戶數的比例。

4. 常見的數據分析法和模型

漏斗分析法。這種方法用來分析從潛在用戶到最終用戶這個過程中用戶數量的變化趨勢，從而尋找到最佳的優化空間，這個方法被普遍用于產品各個關鍵流程的分析中。

當然，上面這是我們設計的一種理想化的漏斗模型，數據有可能是經過匯總后得出的。而真實的用戶行為往往可能并不是按照這個簡單流程來的。此時需要分析用戶為什么要經過那么復雜的路徑來達到最終目的，思考這中間有沒有可以優化的空間。

5. 常見的數據分析法和模型

在上篇提到的漏斗分析法和AARRR模型外，這里再補充一個：交叉分析法。

交叉分析法：通常是把縱向對比和橫向對比綜合起來，對數據進行多角度的結合分析。

6. 如何驗證產品新功能的效果

驗證產品新功能的效果需要同時從這幾方面入手：

a. 新功能是否受歡迎

衡量指標：活躍比例。即：使用新功能的活躍用戶數同期活躍用戶數。

使用人數的多少還會受該功能外的很多因素影響，千萬不可只憑這一指標判斷功能好壞，一定要結合下面的其他方面綜合評估。

b. 用戶是否會重復使用

衡量指標：重復使用比例。即：第天回訪的繼續使用新功能的用戶數第一天使用新功能的用戶數。

c. 對流程轉化率的優化效果如何

衡量指標：轉化率和完成率。轉化率即：走到下一步的用戶數上一步的用戶數。完成率即：完成該功能的用戶數走第一步的用戶數。

這個過程中，轉化率和完成率可以使用上篇中提到的漏斗分析法進行分析。

d. 對留存的影響

衡量指標：留存率。用戶在初始時間后第天的回訪比例，即：日留存率。常用指標有：次日留存率、日留存率、21日留存率、30日留存率等。

e. 用戶怎樣使用新功能

真實用戶行為軌跡往往比我們設想的使用路徑要復雜的多，如果使用的數據監測平臺可以看到相關數據，能引起我們的反思，為什么他們會這么走，有沒有更簡便的流程，以幫助我們作出優化決策。

7. 如何發現產品改進的關鍵點

產品改進的關鍵點，是藏在用戶的行為中。想要找到這些關鍵點，除了通過用戶調研、訪談等切實的洞察用戶外，在產品中設置相關數據埋點記錄用戶的行為，觀察其行為軌跡，不能完全替代洞察用戶的行為，不過也可以有助于決策產品改進點。