① 如何讓數據幫助產品進行決策
1、對整個市場的銷售情況進行分析，包括品牌、產品、價格等；2、對消費者熱搜情況進行分析，挖掘出消費者需求；3、根據消費者需求對市場不同產品進行歸類，劃分細分市場，分析市場趨勢。對細分市場規模、趨勢、品牌格局、價格趨勢、產品爆款，消費者評價等數據都進行了分析。
② 產品經理9種數據分析方法
大家好，我是天王寺一哥，目前在北京做產品經理。
產品經理日常工作中，分析數據已經必不可少。利用分析結果來做產品的決策，復盤，成為了產品經理必備技能。
最近我系統性的學習了產品經理數據分析課程，覺得其中「9種數據分析方法」非常實用，現總結下來，並結合自己的理解做一個匯總。
這「9種數據分析方法」為：
下面按照「比什麼」、「和誰比」來說明：
日常看到的數據數值通常有兩種類型：
1）絕對值：數據本身具備參考價值，例如電商銷售金額、文章閱讀數
2）比例值：需要看比例值才能獲得相關價值的數據，例如留存率、活躍佔比等數據
所以對比分析主要是分析比例值。往往我們有兩種比較方式：
1）同比：指當前時間范圍某個位置的數值與上一個時間范圍的相同位置的數據對比，英文是：Same period last year/month/day。例如5月第一周同比4月第一周。
2）環比：指當前時間范圍的數值對比相鄰的上一個時間范圍，例如5月銷售總額環比上漲20%，指5月銷售總比對比4月銷售總額上漲了20%
1）和自己比
日常工作中，大部分對比分析都是當前數據與往期數據對比。可以從不同的角度進行對比，例如時間維度、渠道維度、業務線維度等。
2）和行業比
在做數據分析時，需要全盤考慮行業整體趨勢。例如公司為在線教育行業，今年用戶增長較快，團隊認為是運營的作用。可如果對比一下行業數據，增長可能低於行業平均，增長是因為疫情原因導致的自然增長，這時候就需要調整運營策略了。
我們在分析數據的時候，會力求從有限的數據中挖掘出最大的價值，獲取到更多的隱藏信息。這時候就需要從多個維度去拆解問題。
以一個實際的案例來說明：
小明公司產品為一個象棋平台，平台內有象棋資訊、象棋視頻、提升課程，問答社區等。平台內金幣為虛擬流通貨幣。憑此金幣可以查看付費資訊、付費視頻、打賞等。現老闆要求獲知金幣的消耗量這一個數據指標。
小明接到任務後，將金幣的消耗量按照實際的業務場景，進行多維度拆解，梳理了以下維度：
a.時間。6月初平台進行了重大更新，玩兒更多樣，所以此次數據分析只統計6月份以後的，並以周為單位進行統計。
b.金幣消耗基本數據：消耗總量、總消費人數、消費次數、充值次數等
c.金幣的消費場景：將所有消費場景進行分析，期望將消費場景按照金幣量進行排序，並將具體消費內容羅列，挖掘信息。
d.金幣的消費人群：搞清楚是消費者的畫像，分析消費人群特徵
通過將一個單一指標，多維度的進行分析，是比較常見的分析方法
此分析方法適合於「用戶達成某個目標有清晰的使用路徑」。例如分析某個課程的購買率。用戶是否購買往往與之前的步驟緊密相關，如登錄——首頁點擊廣告——試看——提交訂單——支付成功。
此案例單獨看購買率高或低沒有意義，必須對整個流程進行多維度拆解，找到裡面的關鍵時刻予以改善。
漏斗，適合於觀察有明確使用流程的數據。漏斗是一連串前面影響後面的用戶行為，層層相扣。
例如某象棋APP的課程購買，最終支付是最後一層漏斗，則其漏斗路徑為：
用戶注冊——查看推薦內容——點擊課程——試看——提交訂單——支付。其中用戶是否注冊登錄決定了是否能正常查看推薦內容，用戶查看推薦內容的數據影響了點擊課程鏈接的數據等等。
我們日常使用漏斗觀察，需注意漏斗的三個誤區：
漏鬥上一個流程對下一個流程起作用，所以漏斗的流程需要確定合理的時間。例如上面象棋APP的支付漏斗，用戶的決策時間通常為當天，但如買房決策周期可能持續數月。
漏斗如:A—B—C—D—E。在觀察時候，不能直接A—C—E。這樣觀察每一層的轉化率得出的相應結論是不準確的。
有時候如果發現最終調查的數據有錯誤，則需要確定，是否在統計一個目標的數據時，遺漏了其他漏斗路徑
一個事件不僅僅只有累計數據這個指標，還可以從該事件在不同維度上的分布情況具體分析。
例如分析用戶總量，可以研究用戶總量分布在不同性別，不同年齡和省份的情況。又例如分析某個頁面的用戶瀏覽數據，可以將總瀏覽量分布在不同時間、不同流量次數上進行研究。
如圖：
在進行留存分析之前，需要搞明白留存的定義，不同的公司對留存有不同的計算方法。
1）留存演算法1=（第七天/第一天）*100%
2）留存演算法2=（第二天至第七天所有用戶相加去重）/第一天*100%
具體應該採用哪種計算方法，需要看我們計算留存的目的。例如：
1）對比不同渠道來的用戶的質量採用演算法1。因為所有渠道都採用第一日和第七日的數據，忽略的信息都是一致的，故可以公平比較
2）若分析一款教人做菜的APP，此APP用戶主要在周末打開。則宜採用演算法2。這樣更能真實的反映留存情況。
還需要注意的是，有些有些公司會將第一天稱為第0天。這樣做的好處是，在計算7日留存的時候可以比較對比的是同一個「星期幾」。
根據具體業務場景，分析留存需要選擇不同的時間跨度，如:
1）了解某一個渠道的質量宜採用日留存（如7日留存）。
2）觀察整個大盤的數據宜採用周留存和月留存，較為宏觀的觀察用戶在平台上的粘性
我們長說的用戶畫像分成兩種：
1）用戶的詳細標簽。如身份、年齡、婚姻、身高體重等。通過對用戶各類特徵進行標識，給用戶貼上各類標簽，通過標簽將用戶進行組合分類，以便對不同的群體進行精細的產品/運營動作。
2）根據用戶訪談等手段建立的極具代表性的虛擬用戶，在產品規劃時，使用虛擬用戶，能快速讓團隊達成共識。
用戶標簽種類繁多，大致可以分成四大類：
1）基礎屬性：年齡、性別、生日、星座、教育、身高、收入、職業等
2）社會屬性：婚姻關系、有無小孩、性取向等
3）行為特徵：注冊時間、注冊渠道、是否買過某個商品、是否關注過某個問題等
4）業務相關：如健身APP關心用戶睡眠質量、體脂率、高矮胖瘦等
面對如此繁多的標簽，該如何獲取呢，通常有兩種方式可以獲得：
1）直接獲取
我們常見的某些產品，注冊時必須要完善填寫相關信息
2）通過用戶行為推導分析得到
如通過用戶的手機機型推導其消費能力，通過購買的產品推導其性別、通過其關注的話題推導其興趣等。
在實際工作中，一些明確的業務目標往往要進行歸因，找到目標達成的關鍵因素，將有限的資源投入到關鍵因素中。
按照不同的業務場景，大致有三種歸因方法：
1）末次歸因
此方法適用於轉化路徑短，且事件之間關聯性強的場景。此類場景需要重點關注達到目標前一步。
如下直播打賞案例，關注目標為充值：
對案例分析得知，私信主播後進行充值的路徑佔比較大，故應盡快提升私信體驗。
2）遞減歸因
此方法適用於轉化路徑長，轉化鏈條上各個事件差異不大，沒有完全占據主導的事件。
3）首次歸因
此方法適用於強流量依賴的業務場景，用戶進入環節比後續所有事都重要。例如借貸產品。
在漏斗分析中，往往整個流程已經十分清晰。但是在實際業務場景中，我們不太清除用戶的使用流程或者流程較為復雜、隨機，沒有很強的順序。這時候就比較適合於應用路徑挖掘。
具體方法為找到所有流程裡面的事件，設置流程的流入與流出頁面，將所有的事件放在這個流里，用數據工具進行分析。
在進行分析之前，要搞清楚分析的目的，一般適用於以下兩種場景：
1）有明確的起始場景。希望分析數據，觀察這個場景之後到底發生了什麼
1）有明確的結果目標。希望分析數據觀察來的用戶是怎樣一步一步達到目標的
通過路徑挖掘，可以找到我們關注的關鍵路徑。只有找出關鍵路徑上面的關鍵行為，才能打造良好體驗。
路徑挖掘是挖掘大量用戶的行為路徑，但有時候我們比較關注個體行為，希望了解此個體在使用產品時的完整事件時間線。如下圖：
挖掘單個用戶的行為序列通常適用於以下兩個場景：
1）尋找被數據統計掩蓋掉的信息，還原用戶具體的使用場景
2）找到個體的行為特徵，找到產品價值提升的機會點
案例：
象棋在線平台推出新功能，邀請象棋高手入駐，在線教課。功能推出3天，共1萬名用戶使用體驗了該功能。現需要給2名銷售分配任務，電話聯系有意向的老師。
現使用個體行為序列分析，尋找到反復使用某個功能且停留事件較長的用戶，篩選後將1000名用戶分配給銷售，大大提交了合作轉化率。
以上就是產品在日常數據分析中，常用的9種分析方式。我是天王寺一哥，一個產品界的小學生，期待與大家多溝通，多交流。
③ 用數據挖掘的方法如何幫助決策者進行決策
一般決策大致包括發現問題、確定目標、價值准則、擬定方案、分析評估、方案選優、試驗驗證、普遍實施這8個基本步驟。數據挖掘是一種決策支持過程，它通過高度自動化地分析企業的數據，做出歸納性的推理，從中挖掘出潛在的模式，幫助決策者調整市場策略，減少風險，做出正確的決策。
利用數據挖掘進行數據分析常用的方法主要有分類、回歸分析、聚類、關聯規則、特徵、變化和偏差分析、Web頁挖掘等， 它們分別從不同的角度對數據進行挖掘。從而方便決策者作出正確的抉擇。分類是通過分類模型將資料庫中的數據項映射。回歸分析方法反映的是事務資料庫中屬性值在時間上的特徵，聚類分析主要應用到客戶群體的分類、客戶背景分析、客戶購買趨勢預測、市場的細分等。關聯規則是描述資料庫中數據項之間所存在的關系的規則……
如果您想了解更多關於數據挖掘等相關方面的知識，建議您前往CDA數據分析師官網進行咨詢。CDA數據分析師的課程培養學員硬性的數據挖掘理論與Python數據挖掘演算法技能的同時，還兼顧培養學員軟性數據治理思維、商業策略優化思維、挖掘經營思維、演算法思維、預測分析思維，全方位提升學員的數據洞察力。點擊預約免費試聽課。
④ 如何讓大數據為決策可用
對已收集到的大數據進行分析
許多公司都收集了大量的數據，他們感覺這些數據存在著商業價值，但並不知道怎樣從這些弄出來的值大的數據。不同行業的數據集有所不同，比如，如果你處於網路營銷行業，你可能會有大量Web站點的日誌數據集，這可以把數據按會話進行劃分，進行分析以了解網站訪客的行為並提升網站的訪問體驗。同樣，來自製造業的質量保證數據將有助於公司生產出更可靠的產品和選擇更好的供應商，而通過rfid數據可以幫助你更深入地供應鏈中產品的運動軌跡。
重點分析對你的行業有價值的大數據
大數據的類型和內容因行業而異，每一類數據對於每個行業的價值是不一樣的。比如電信行業的呼叫詳細記錄（cdr），零售業、製造業或其他以產品為中心的行業的rfid數據，以及製造業（特別是汽車和消費電子）中機器人的感測器數據等等，這些都是各個行業中非常重要的數據。
理解非結構化的大數據
非結構化的信息主要指的是是使用文字表達的人類語言，這與大多數關系型數據有著很大的不同，你需要使用一些新的工具來進行自然語言處理、搜索和文本分析。把基於文本內容的業務流程進行可視化展示，比如，保險索賠過程，醫療病歷記錄，各個行業的呼叫中心和幫助台應用程序，以及以客戶為導向的企業情感分析等內容均可以在進行處理後以可視化的形式表現出來。
使用社交媒體數據來擴展現有的客戶分析
客戶的各種行為比如評論品牌、評價產品、參與營銷活動或表示他們的喜好等等，會在客戶中相互影響。社交大數據可以來自社交媒體網站，以及自有的客戶能夠表達意見及事實的渠道。我們可以使用預測性分析發現規律和預測產品或服務的問題。我們也可以利用這些數據來評估市場知名度、品牌美譽度、用戶情緒變動和新的客戶群。
把客戶的意見整合到大數據中
通過運用大數據（與原有的企業資源集成），我們可以對客戶或其他商業實體（產品，供應商，合作夥伴）實現360度全景分析，分析的維度屬性從幾百個擴展到幾千個。新增的粒狀細節帶來更准確的客戶群細分，直銷策略和客戶分析。
整合大數據以改善原有的分析應用
對於原有的分析應用，大數據可以擴大和擴展其數據樣本。尤其在依賴於大樣本的分析技術的情況下，比如統計或數據挖掘；而在欺詐檢測、風險管理或精確計算的情況下同樣也得用上大樣本的數據。
⑤ 大數據如何改善營銷決策
近幾年，數據的增長速度呈現爆炸式趨勢，數據營利成為或將成為收入的主要來源。大部分的商業智能應用均針對營銷決策，在這一領域的主要影響如下。
(1)、規劃分析
數據科學家為營銷部門提供了對客戶行為最新趨勢的精湛分析，使營銷人員能夠制定全面的戰略並為更有效的活動做好准備。這就是為什麼很多營銷主管會說數據驅動型營銷對於在競爭激烈的全球經濟中取得成功至關重要的原因。他們現在不僅能夠將消費者定位為大群體，也可以將其定位為具有特定特徵的分段子群體，從而使他們有可能單獨修改，並適應每一個用眾。
(2)、私人定製
用戶體驗是業務成功的基本先決條件之一。在大數據時代，營銷人員能夠定製操作，並改善客戶旅程，使得幾乎每一個客戶都可以根據個人喜好來接受產品或服務。例如，Facebook單獨存儲和分析數十PB的用戶生成數據。這樣巨大的數據使得企業不僅可以確定目標群體的基本人口特徵，還要深入了解個人用戶的喜好。
(3)、企業定價
作為市場營銷組合中最重要的因素之一，企業的定價始終需要分析和仔細的監測。但是自從應用大數據以來，營銷人員可以實時調整產品和服務的價格。如今，企業有可能根據眾多因素進行價格差異化。例如，電影院為普通消費者提供定期門票，但也為價格敏感的人士提供一定的獎勵，如優惠券，周末促銷等。
(4)、 客戶忠誠度
忠誠消費者是每個企業的業務核心。他們是品牌產品或服務的推廣者。調查顯示，55%的美國消費者通過向他們的朋友和家人推薦他們喜歡的品牌和公司表達忠誠度。使用大數據，企業可以檢測到常見的購買模式，調整他們的服務，最終擴大忠實消費者的基礎。
(5)、盈利能力
正如人們現在可以看到的那樣，不僅大數據有能力改善企業營銷策略，而且還有助於改善其各個細分市場。由於商業智能服務的更多投入，廣告是獲得更多利潤的因素之一。廣告現在是個性化的，並針對特定的消費群體，這使得他們看起來更具吸引力，並且參與的機會大大改善了這種宣傳方式。這就是為什麼廣告業尤其是在線廣告在過去幾年中穩步增長的原因。
(6)、投資回報率
令人驚訝的是，很多營銷人員實際上並不知道如何衡量投資回報率。根據一些調查，一半的B2B營銷主管認為很難將營銷活動直接歸因於收入結果，以作為預算合理化的一種手段。採用大數據消除了這個問題：它考慮到所有營銷渠道，活動和投資，並對每個元素進行成本效益分析。這樣可以使企業的營銷活動和相應的預算得到回報。
(7)、趨勢預測
數據科學能夠分析當前的營銷策略，但也有能力成功預測未來趨勢。這就是為什麼營銷人員利用它來創建業務預測的原因，這使得他們能夠更加積極主動，並且比競爭對手領先一步。在不斷爭取更多市場份額的環境中，大數據的這個功能對許多公司而言至關重要。
如今，營銷人員一直在尋找一種方法來利用人們所創建的大量數據。而隨著數據科學的興起，現在有可能對這些材料進行分析，並最終將其轉化為富有成效的營銷決策。