① 如何让数据帮助产品进行决策
1、对整个市场的销售情况进行分析，包括品牌、产品、价格等；2、对消费者热搜情况进行分析，挖掘出消费者需求；3、根据消费者需求对市场不同产品进行归类，划分细分市场，分析市场趋势。对细分市场规模、趋势、品牌格局、价格趋势、产品爆款，消费者评价等数据都进行了分析。
② 产品经理9种数据分析方法
大家好，我是天王寺一哥，目前在北京做产品经理。
产品经理日常工作中，分析数据已经必不可少。利用分析结果来做产品的决策，复盘，成为了产品经理必备技能。
最近我系统性的学习了产品经理数据分析课程，觉得其中“9种数据分析方法”非常实用，现总结下来，并结合自己的理解做一个汇总。
这“9种数据分析方法”为：
下面按照“比什么”、“和谁比”来说明：
日常看到的数据数值通常有两种类型：
1）绝对值：数据本身具备参考价值，例如电商销售金额、文章阅读数
2）比例值：需要看比例值才能获得相关价值的数据，例如留存率、活跃占比等数据
所以对比分析主要是分析比例值。往往我们有两种比较方式：
1）同比：指当前时间范围某个位置的数值与上一个时间范围的相同位置的数据对比，英文是：Same period last year/month/day。例如5月第一周同比4月第一周。
2）环比：指当前时间范围的数值对比相邻的上一个时间范围，例如5月销售总额环比上涨20%，指5月销售总比对比4月销售总额上涨了20%
1）和自己比
日常工作中，大部分对比分析都是当前数据与往期数据对比。可以从不同的角度进行对比，例如时间维度、渠道维度、业务线维度等。
2）和行业比
在做数据分析时，需要全盘考虑行业整体趋势。例如公司为在线教育行业，今年用户增长较快，团队认为是运营的作用。可如果对比一下行业数据，增长可能低于行业平均，增长是因为疫情原因导致的自然增长，这时候就需要调整运营策略了。
我们在分析数据的时候，会力求从有限的数据中挖掘出最大的价值，获取到更多的隐藏信息。这时候就需要从多个维度去拆解问题。
以一个实际的案例来说明：
小明公司产品为一个象棋平台，平台内有象棋资讯、象棋视频、提升课程，问答社区等。平台内金币为虚拟流通货币。凭此金币可以查看付费资讯、付费视频、打赏等。现老板要求获知金币的消耗量这一个数据指标。
小明接到任务后，将金币的消耗量按照实际的业务场景，进行多维度拆解，梳理了以下维度：
a.时间。6月初平台进行了重大更新，玩儿更多样，所以此次数据分析只统计6月份以后的，并以周为单位进行统计。
b.金币消耗基本数据：消耗总量、总消费人数、消费次数、充值次数等
c.金币的消费场景：将所有消费场景进行分析，期望将消费场景按照金币量进行排序，并将具体消费内容罗列，挖掘信息。
d.金币的消费人群：搞清楚是消费者的画像，分析消费人群特征
通过将一个单一指标，多维度的进行分析，是比较常见的分析方法
此分析方法适合于“用户达成某个目标有清晰的使用路径”。例如分析某个课程的购买率。用户是否购买往往与之前的步骤紧密相关，如登录——首页点击广告——试看——提交订单——支付成功。
此案例单独看购买率高或低没有意义，必须对整个流程进行多维度拆解，找到里面的关键时刻予以改善。
漏斗，适合于观察有明确使用流程的数据。漏斗是一连串前面影响后面的用户行为，层层相扣。
例如某象棋APP的课程购买，最终支付是最后一层漏斗，则其漏斗路径为：
用户注册——查看推荐内容——点击课程——试看——提交订单——支付。其中用户是否注册登录决定了是否能正常查看推荐内容，用户查看推荐内容的数据影响了点击课程链接的数据等等。
我们日常使用漏斗观察，需注意漏斗的三个误区：
漏斗上一个流程对下一个流程起作用，所以漏斗的流程需要确定合理的时间。例如上面象棋APP的支付漏斗，用户的决策时间通常为当天，但如买房决策周期可能持续数月。
漏斗如:A—B—C—D—E。在观察时候，不能直接A—C—E。这样观察每一层的转化率得出的相应结论是不准确的。
有时候如果发现最终调查的数据有错误，则需要确定，是否在统计一个目标的数据时，遗漏了其他漏斗路径
一个事件不仅仅只有累计数据这个指标，还可以从该事件在不同维度上的分布情况具体分析。
例如分析用户总量，可以研究用户总量分布在不同性别，不同年龄和省份的情况。又例如分析某个页面的用户浏览数据，可以将总浏览量分布在不同时间、不同流量次数上进行研究。
如图：
在进行留存分析之前，需要搞明白留存的定义，不同的公司对留存有不同的计算方法。
1）留存算法1=（第七天/第一天）*100%
2）留存算法2=（第二天至第七天所有用户相加去重）/第一天*100%
具体应该采用哪种计算方法，需要看我们计算留存的目的。例如：
1）对比不同渠道来的用户的质量采用算法1。因为所有渠道都采用第一日和第七日的数据，忽略的信息都是一致的，故可以公平比较
2）若分析一款教人做菜的APP，此APP用户主要在周末打开。则宜采用算法2。这样更能真实的反映留存情况。
还需要注意的是，有些有些公司会将第一天称为第0天。这样做的好处是，在计算7日留存的时候可以比较对比的是同一个“星期几”。
根据具体业务场景，分析留存需要选择不同的时间跨度，如:
1）了解某一个渠道的质量宜采用日留存（如7日留存）。
2）观察整个大盘的数据宜采用周留存和月留存，较为宏观的观察用户在平台上的粘性
我们长说的用户画像分成两种：
1）用户的详细标签。如身份、年龄、婚姻、身高体重等。通过对用户各类特征进行标识，给用户贴上各类标签，通过标签将用户进行组合分类，以便对不同的群体进行精细的产品/运营动作。
2）根据用户访谈等手段建立的极具代表性的虚拟用户，在产品规划时，使用虚拟用户，能快速让团队达成共识。
用户标签种类繁多，大致可以分成四大类：
1）基础属性：年龄、性别、生日、星座、教育、身高、收入、职业等
2）社会属性：婚姻关系、有无小孩、性取向等
3）行为特征：注册时间、注册渠道、是否买过某个商品、是否关注过某个问题等
4）业务相关：如健身APP关心用户睡眠质量、体脂率、高矮胖瘦等
面对如此繁多的标签，该如何获取呢，通常有两种方式可以获得：
1）直接获取
我们常见的某些产品，注册时必须要完善填写相关信息
2）通过用户行为推导分析得到
如通过用户的手机机型推导其消费能力，通过购买的产品推导其性别、通过其关注的话题推导其兴趣等。
在实际工作中，一些明确的业务目标往往要进行归因，找到目标达成的关键因素，将有限的资源投入到关键因素中。
按照不同的业务场景，大致有三种归因方法：
1）末次归因
此方法适用于转化路径短，且事件之间关联性强的场景。此类场景需要重点关注达到目标前一步。
如下直播打赏案例，关注目标为充值：
对案例分析得知，私信主播后进行充值的路径占比较大，故应尽快提升私信体验。
2）递减归因
此方法适用于转化路径长，转化链条上各个事件差异不大，没有完全占据主导的事件。
3）首次归因
此方法适用于强流量依赖的业务场景，用户进入环节比后续所有事都重要。例如借贷产品。
在漏斗分析中，往往整个流程已经十分清晰。但是在实际业务场景中，我们不太清除用户的使用流程或者流程较为复杂、随机，没有很强的顺序。这时候就比较适合于应用路径挖掘。
具体方法为找到所有流程里面的事件，设置流程的流入与流出页面，将所有的事件放在这个流里，用数据工具进行分析。
在进行分析之前，要搞清楚分析的目的，一般适用于以下两种场景：
1）有明确的起始场景。希望分析数据，观察这个场景之后到底发生了什么
1）有明确的结果目标。希望分析数据观察来的用户是怎样一步一步达到目标的
通过路径挖掘，可以找到我们关注的关键路径。只有找出关键路径上面的关键行为，才能打造良好体验。
路径挖掘是挖掘大量用户的行为路径，但有时候我们比较关注个体行为，希望了解此个体在使用产品时的完整事件时间线。如下图：
挖掘单个用户的行为序列通常适用于以下两个场景：
1）寻找被数据统计掩盖掉的信息，还原用户具体的使用场景
2）找到个体的行为特征，找到产品价值提升的机会点
案例：
象棋在线平台推出新功能，邀请象棋高手入驻，在线教课。功能推出3天，共1万名用户使用体验了该功能。现需要给2名销售分配任务，电话联系有意向的老师。
现使用个体行为序列分析，寻找到反复使用某个功能且停留事件较长的用户，筛选后将1000名用户分配给销售，大大提交了合作转化率。
以上就是产品在日常数据分析中，常用的9种分析方式。我是天王寺一哥，一个产品界的小学生，期待与大家多沟通，多交流。
③ 用数据挖掘的方法如何帮助决策者进行决策
一般决策大致包括发现问题、确定目标、价值准则、拟定方案、分析评估、方案选优、试验验证、普遍实施这8个基本步骤。数据挖掘是一种决策支持过程，它通过高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。
利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等， 它们分别从不同的角度对数据进行挖掘。从而方便决策者作出正确的抉择。分类是通过分类模型将数据库中的数据项映射。回归分析方法反映的是事务数据库中属性值在时间上的特征，聚类分析主要应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。关联规则是描述数据库中数据项之间所存在的关系的规则……
如果您想了解更多关于数据挖掘等相关方面的知识，建议您前往CDA数据分析师官网进行咨询。CDA数据分析师的课程培养学员硬性的数据挖掘理论与Python数据挖掘算法技能的同时，还兼顾培养学员软性数据治理思维、商业策略优化思维、挖掘经营思维、算法思维、预测分析思维，全方位提升学员的数据洞察力。点击预约免费试听课。
④ 如何让大数据为决策可用
对已收集到的大数据进行分析
许多公司都收集了大量的数据，他们感觉这些数据存在着商业价值，但并不知道怎样从这些弄出来的值大的数据。不同行业的数据集有所不同，比如，如果你处于网络营销行业，你可能会有大量Web站点的日志数据集，这可以把数据按会话进行划分，进行分析以了解网站访客的行为并提升网站的访问体验。同样，来自制造业的质量保证数据将有助于公司生产出更可靠的产品和选择更好的供应商，而通过rfid数据可以帮助你更深入地供应链中产品的运动轨迹。
重点分析对你的行业有价值的大数据
大数据的类型和内容因行业而异，每一类数据对于每个行业的价值是不一样的。比如电信行业的呼叫详细记录（cdr），零售业、制造业或其他以产品为中心的行业的rfid数据，以及制造业（特别是汽车和消费电子）中机器人的传感器数据等等，这些都是各个行业中非常重要的数据。
理解非结构化的大数据
非结构化的信息主要指的是是使用文字表达的人类语言，这与大多数关系型数据有着很大的不同，你需要使用一些新的工具来进行自然语言处理、搜索和文本分析。把基于文本内容的业务流程进行可视化展示，比如，保险索赔过程，医疗病历记录，各个行业的呼叫中心和帮助台应用程序，以及以客户为导向的企业情感分析等内容均可以在进行处理后以可视化的形式表现出来。
使用社交媒体数据来扩展现有的客户分析
客户的各种行为比如评论品牌、评价产品、参与营销活动或表示他们的喜好等等，会在客户中相互影响。社交大数据可以来自社交媒体网站，以及自有的客户能够表达意见及事实的渠道。我们可以使用预测性分析发现规律和预测产品或服务的问题。我们也可以利用这些数据来评估市场知名度、品牌美誉度、用户情绪变动和新的客户群。
把客户的意见整合到大数据中
通过运用大数据（与原有的企业资源集成），我们可以对客户或其他商业实体（产品，供应商，合作伙伴）实现360度全景分析，分析的维度属性从几百个扩展到几千个。新增的粒状细节带来更准确的客户群细分，直销策略和客户分析。
整合大数据以改善原有的分析应用
对于原有的分析应用，大数据可以扩大和扩展其数据样本。尤其在依赖于大样本的分析技术的情况下，比如统计或数据挖掘；而在欺诈检测、风险管理或精确计算的情况下同样也得用上大样本的数据。
⑤ 大数据如何改善营销决策
近几年，数据的增长速度呈现爆炸式趋势，数据营利成为或将成为收入的主要来源。大部分的商业智能应用均针对营销决策，在这一领域的主要影响如下。
(1)、规划分析
数据科学家为营销部门提供了对客户行为最新趋势的精湛分析，使营销人员能够制定全面的战略并为更有效的活动做好准备。这就是为什么很多营销主管会说数据驱动型营销对于在竞争激烈的全球经济中取得成功至关重要的原因。他们现在不仅能够将消费者定位为大群体，也可以将其定位为具有特定特征的分段子群体，从而使他们有可能单独修改，并适应每一个用众。
(2)、私人定制
用户体验是业务成功的基本先决条件之一。在大数据时代，营销人员能够定制操作，并改善客户旅程，使得几乎每一个客户都可以根据个人喜好来接受产品或服务。例如，Facebook单独存储和分析数十PB的用户生成数据。这样巨大的数据使得企业不仅可以确定目标群体的基本人口特征，还要深入了解个人用户的喜好。
(3)、企业定价
作为市场营销组合中最重要的因素之一，企业的定价始终需要分析和仔细的监测。但是自从应用大数据以来，营销人员可以实时调整产品和服务的价格。如今，企业有可能根据众多因素进行价格差异化。例如，电影院为普通消费者提供定期门票，但也为价格敏感的人士提供一定的奖励，如优惠券，周末促销等。
(4)、 客户忠诚度
忠诚消费者是每个企业的业务核心。他们是品牌产品或服务的推广者。调查显示，55%的美国消费者通过向他们的朋友和家人推荐他们喜欢的品牌和公司表达忠诚度。使用大数据，企业可以检测到常见的购买模式，调整他们的服务，最终扩大忠实消费者的基础。
(5)、盈利能力
正如人们现在可以看到的那样，不仅大数据有能力改善企业营销策略，而且还有助于改善其各个细分市场。由于商业智能服务的更多投入，广告是获得更多利润的因素之一。广告现在是个性化的，并针对特定的消费群体，这使得他们看起来更具吸引力，并且参与的机会大大改善了这种宣传方式。这就是为什么广告业尤其是在线广告在过去几年中稳步增长的原因。
(6)、投资回报率
令人惊讶的是，很多营销人员实际上并不知道如何衡量投资回报率。根据一些调查，一半的B2B营销主管认为很难将营销活动直接归因于收入结果，以作为预算合理化的一种手段。采用大数据消除了这个问题：它考虑到所有营销渠道，活动和投资，并对每个元素进行成本效益分析。这样可以使企业的营销活动和相应的预算得到回报。
(7)、趋势预测
数据科学能够分析当前的营销策略，但也有能力成功预测未来趋势。这就是为什么营销人员利用它来创建业务预测的原因，这使得他们能够更加积极主动，并且比竞争对手领先一步。在不断争取更多市场份额的环境中，大数据的这个功能对许多公司而言至关重要。
如今，营销人员一直在寻找一种方法来利用人们所创建的大量数据。而随着数据科学的兴起，现在有可能对这些材料进行分析，并最终将其转化为富有成效的营销决策。