- 基于历史数据和业务背景构建指标体系或者模型。
- 基于指标体系，监控线上业务数据并制定相应的监控规则。
- 输出数据分析报告或者提供可执行策略，推动业务的发展。
横纵相结合，才能得到一套完整的指标体系。
纵向上，梳理出分析问题的整个流程。比如对于电商产品，需要分析出用户从进入网站到最终下单的整个流程；对于工具类产品，则需要关注用户使用过程中的体验以及用户流失情况。
横向上，需要拓展不同的维度。如基于用户画像的人群分类，根据不同业务背景的时间拓展以及业务线的划分。
了解用户行为的核心节点，实际上就是纵向分析的过程。互联网公司大多针对 C 端用户进行分析，这里就以 C 端用户为例进行介绍。对于 C 端用户，核心的三个节点是新增、活跃、留存 / 流失，大多数分析都是围绕这三个节点进行的。
- 对于新增用户，指标有：新增用户数量、新增用户留存率、新增用户活跃率等。
- 对于活跃用户，指标有：活跃用户数量、活跃用户中的新增用户数量、活跃用户中的老用户数量等。
- 对于老用户，指标有：老用户数量、老用户流失率、老用户唤醒率等。
- 对于流失用户，指标有：流失用户数量、流失用户与新增用户比例等。
活跃用户部分是需要重点关注的，通过对从新增到流失整个流程指标的构建，可以清晰地看出在哪个环节最终活跃用户数增加了或者减少了。
对于活跃用户，要研究其活跃行为，从而提高用户的体验。针对不同类型的产品，需要进行相应的细分设计。
以电商产品为例，需要关注的是从来访用户到用户最终成功支付的整个流程。针对流程的每一步都可以统计出相应的用户数量以及上一步的转化率。比如来访用户数量、点击用户数量、加入购物车用户数量、下单用户数量、支付用户数量、最终成功支付用户数量，以及各种转化率，如：点击 / 曝光转化率，下单 / 点击转化率、下单 / 加购转化率、支付 / 下单转化率、成功支付 / 支付转化率。这些指标就构成了一个完整的纵向指标体系，通过这些指标可以清晰的看出哪个环节存在问题。对于电商产品，除了要关心用户数量，金额也是要关心的指标。从加购开始，每个环节在用户数量的基础上都需要增加金额指标以及相应的客单价指标。
以短视频为例，需要分为视频的观看者和视频的发布者两个独立的用户群体进行分析。对于视频的观看者需要考虑的是各种行为数据，路径节点包括打开APP、观看视频、点赞视频 / 评论视频 / 跳过视频 / 不喜欢视频。对于视频的发布者则需要关注整个流程，看在某个环节的转化上是否存在问题，造成发布视频数量减少。
除了纵向分析还需要横向分析，横向分析是指对同一个指标基于不同的维度进行相应的拓展，常用的维度包括时间维度和用户维度。
对于时间维度常用的分析方法是关注最近一段时间的数据，时间的长短要根据业务的具体特征来确定。对于一些高频的 APP 或者功能，通常关注最近 1~7 天的整体数据情况即可，也可以是自然周。对于一些相对低频的 APP 或者功能，则需要将时间拉长，关注最近 15 天、30 天、90 天甚至更长时间的整体数据，也可以是自然月、季度甚至自然年。
另外与时间维度相关的有同比和环比的概念。因为单纯地关注一段时间的数据，并不能很好地看出趋势情况，需要与之前的数据进行对比。对于同比和环比的概念，在实际应用中不需要进行很明确的划分。常用的对比方法是对比当日与上日、本周与上周、本月与上月的数据。对于一些周期性比较强的产品，则需要先确定产品的周期，比如有些产品会受到周末的影响，此时比较合理的对比方法是用本日数据与上周同一日的数据进行对比。有些产品会受到大型节假日的影响，此时针对节假日数据就需要与上一个大型节假日的数据进行对比。对于一些对实时性要求高的产品，需要将数据指标细化到小时级别。
比如对于用户所在地可以分为城市、省份，甚至华东、华南等大区。
对于用户的基本属性可以分为年龄、性别、职业等。
对于用户使用的设备情况可以分为终端类型、客户端版本、厂商、机型等。
对于新老用户也可以拓展出一些指标。对于新用户，需要关注的是用户来源渠道，通常分为自然新增用户、活动新增用户、广告新增用户等渠道，通过对渠道的划分，可以在一定程度上避免一些大型活动对新增用户分析带来的影响。对于老用户，根据用户的生命周期进行划分，通常分为有效用户、活跃用户、忠诚用户、沉睡用户和流失用户，可以对产品整体趋势有一个清晰的了解。
针对这个问题，需要充分利用前面所讲的指标体系，按照如下步骤进行分析。
梳理与该问题相关的流程，确定纵向指标体系。比如是支付金额有所下降，就需要梳理：①曝光、②点击、③下单、④支付，这样完整的用户路径，以各个环节的转化率和用户量为核心指标。
针对核心指标确定所要对比的时间维度。比如基于所要分析的产品确定与前一天或者前一周的数据进行对比，发现问题所在。
确定问题所在的环节后，针对该环节以用户维度进行拓展，如基本属性、所在地、设备情况、新老用户等。确定引起该问题的用户群体，并针对这部分用户进行相应的策略调整。
除了上述问题，对于 “ 新版产品或者某个运营活动上线后，如何评估效果 ” 等问题，也可以采用相同的方法进行分析，只做微调即可。总结起来，整个思路就是：①梳理路径；②确定对比的指标；③选取对比的时间维度；④针对问题环节拓展用户维度。
- 看什么
- 怎么看
- 给谁看
- 据实际情况，在报表中增加对比数据。
- 用红色标注高于阈值的数据，用绿色标注低于阈值的数据。
- 通过数据看板平台输出。数据分析师将报表做好后放到数据看板平台，相关人员被授予权限后就可以看到。
- 通过邮件发送报表。邮件报表属于被动接收，传递信息更加快速、直接，通常都会设置为定时任务，在固定时间发送报表给相关人员。
-
领导层。提供给领导层的一定是最核心的指标数据，并且要采用最直观的展现方式。由于领导层每天要接收大量的来自不同业务线或者部门的信息，需要在短时间内获取最直观的业务数据，以便制定下一步的策略。因此提供给领导层的通常是邮件报表，并且在邮件报表中选取最核心的指标数据，将变化趋势直观的表现出来，是领导层对核心数据的变化情况一目了然。
-
业务层。不同于领导层关心最核心的指标，数据业务层需要对所有的相关数据都能够做到及时监控和分析，因此提供给业务层的数据务必要全面，能够将各个维度的信息都展现出来。所以通常将提供给业务层的数据集中展现在数据看板中，并且可以根据需要进行实时或者准实时更新，当数据出现波动或者异常时，能够第一时间通知到业务方进行排查。
-
客户。比如电商公司提供相应的报表给店铺或者供应商，指导其进行策略调整，也会采用数据看板，但是信息量会有所减少，因为要排除敏感数据和次要信息，主要围绕如何帮助他们提高销售额或者达到其他目标而更加有针对性地展示相关数据。
类似于周报、月报等常规的报表，数据内容和规定相对固定，比如部门周会要看的数据周报，这样的数据分析报告，更多的是让产品人员、运营人员和数据分析师针对近期数据形成统一的认知。如何聚焦于某个点给出分析数据，比如新功能上线后的数据分析报告、运营活动效果的分析报告等，其中一个最核心的问题就是如何提高质量。
-
明确整体分析思路。好的数据分析报告都依赖于一个明确的思路，需要在开始设计报告前就整理出一个基本的框架，然后在设计过程中进行适当的添加。切勿在开始设计数据分析报告前不做规划，“ 边做边加 ”，否则效率会大打折扣。 以分析一次电商营销活动的效果为例。首先需要对分析维度进行拆解，如分为活动的整体效果、各个商品的销售情况、各类人群的销售情况。然后需要确定衡量这次活动的核心指标，如：点击率（点击人数 / 曝光人数）、支付转化率（支付人数 / 点击人数）、点击单价（支付金额 / 点击人数）、客单价（支付金额 / 支付人数）等。
-
结论提前，清晰明了。是在一份数据分析报告中，运营方和决策层最关心的就是结论以及相应的策略，这是报告中最有价值的部分。刚入职时，很多人会习惯按照因果关系的顺序来设计数据分析报告，即先给出论据，再给出相应的结论，这一点是需要调整的。 需要注意的是，数据的罗列毫无价值，而是应该给出和一个标杆进行对比的数据。在结论中应该主要关注那些变化比较明显的点。剔除一些无关紧要的数据，整体结论中只放最核心的问题或者闪光点，并且给出相应的策略。
-
注意图表的信息量。图表的信息量过少则无法很好地展示数据；信息量过多则会影响他人的阅读，无法直观地看数据。