編輯導語：作為一個産品經理，除了每天都會處理的各種産品需求以外，在進行業務處理的時候，數據分析也是産品經理需要掌握的技能；産品經理學會一些數據分析的技能後，對于之後的産品以及業務就能更加得心應手；本文作者分享了關于産品經理必備的數據分析入門三技能，我們一起來了解一下。

　　脫離了業務的數據分析都是耍流氓，所以在寫這篇數據分析技能類文章之前，我先假定一個業務場景：某日化類電商産品經理想要通過2020年9月份的銷售數據，找找看可以從哪些方面降本增效，在月度彙報的時候，根據數據分析結果制定接下來的戰略方向。

　　那麼根據這三個技能要怎麼做呢？下面我們一一展示。

　　01 技能一：取數 作為一個産品經理，你可能會納悶為什麼要學會取數？這等小事随便找個數據組的人去幹好了。

　　這麼說也沒錯，但是想象一下，你不可能隻有這一次的需求，後邊會遇到各種各樣的需求，諸如：

　　産品上線一個新功能，想要查看用戶對于該新功能的使用情況；數據異常值排查，進行産品上線前後歸因；新老版本産品，用戶使用情況數據對比；不同畫像用戶對某功能的滲透情況、功能留存等；不同産品的數據報表需求，監控産品數據情況。 想要解決這些問題，你自以為提取數需求就一切搞定，然而并不是，你會遇到以下困難：

　　第一：很多你提的數據需求都是較個性化且一次性的，對于數據同學來說，除非你是個很重要的業務部門，或者數據部門就是為你這個部門服務的；那麼數據組同學必須要實現你提出的需求，不然很多這樣的需求對他們來說沒什麼提升，久而久之也會厭煩。

　　第二：一個公司或者一個團隊，不隻是有你一個産品有取數需求，還會有多個運營組同學或者多個産品組同學都有取數需求，而且問到緊急程度，大家都會說很急。

　　這時候就會涉及到需求排期，你也急他也急，好一些的數據組同學肯定會說你們内部協商好了我再來做，脾氣不好的就說都不做了。如果你的需求可能确實并沒有那麼急，但是對于你驗證一個問題或者産品接下來的規劃至關重要，難道你要一直等着麼？你能等，市場可不等你。

　　第三：提數需求隻是屬于業務支撐，對于數據組同學來說并不會有什麼産出，也體現不出數據分析師的價值，人家年終彙報也沒什麼體現。

　　有人說，跟數據組同事搞好關系，關鍵時刻能夠幫你一把，如果你總是這樣有事沒事耽誤人家工作時間，時間浪費了，也沒什麼切實利益，就随便請人家吃一兩頓飯、喝一兩杯奶茶就解決了？人都是将心比心的，人家會幫你也是想有一天你能反過來幫他，不要總想着做一個隻會吸取不會給予的吸血蟲。

　　所謂技多不壓身，學會取數不僅與人方便，也與己方便；你可以和數據組同學搞好關系，拜個師啥的，讓數據同學教你一些快捷入手的取數技巧，這樣在你遇到重要且求助無門的取數需求時，就可以自行解決，也不耽誤工作效率。

　　在取數技能中，我們最需要修煉的是SQL技能，取數時，基本利用SQL的一些基礎語法，就足夠我們實現大部分的操作。

　　SQL基礎語法包括Select、From、Where，基本的函數語法包括分組、統計、加減乘除的計算，能看懂英語單詞就能明白SQL語法的含義。

　　以前言中說到的業務場景為例，首先需要到數據庫中查詢到2020年9月份的銷售數據，SQL代碼以及查詢結果如下圖：

　　02 技能二：用數 用數之前，需要對數據的整體質量做評估，對于大數據量的情況，這一步還有專門的數據質量産品來完成；例如：Informatica的DataQuality、IBM的QualityStage、袋鼠雲DataValid、網易EasyDQC等，感興趣的同學可以自行搜索了解。

　　對于有明顯數據質量問題的數據就需要進行數據清洗。數據清洗是指将取出來的數據中的髒數據，例如：空值、異常值、錯誤值等使用ETL工具清洗或者讓數據開發工程師協助處理，如果數據量少的也可使用Excel處理。

　　清洗之後的數據可使用Excel、python或者專業的BI工具，如tableau、fineBI等做數據可視化，将取出來的數據轉換成可通俗易懂的圖表。

　　有句俗語：十表不如一圖。當我們取出來數據之後，單看數據很難發現其中有什麼問題，處理成我們需要的圖表後，能夠很直觀的反映出現階段業務的情況。

　　在這個技能中，需要學會Excel、Python、BI等一些數據分析工具，來幫助我們處理數據以及将數據可視化；基本上學會這三個對于産品經理來說做數據分析，已經是綽綽有餘了，不用一味沉迷于豐富工具的學習中。

　　python數據可視化：

　　BI工具tableau數據可視化：

　　Excel數據可視化：

　　經過第一步取數并清洗之後，利用Excel、python等工具作圖表，如下圖：

　　03 技能三：析數 “析”是指解析的析；經過取數，用數，處理之後，要結合業務情況能分析出來數據給我們展現出的意思。

　　前面兩部分都是講做數據分析需要用到的工具有哪些，以及對應的工具幹了什麼事，這部分是講如何利用數據指導業務、助力增長。

　　通過對第二步得到的圖表分析，結合最初業務場景的目的，可以得出一些降本增效的結論：

　　根據用戶地域分布圖，可以看出用戶群體在浙江、上海等長三角區域，廣州深圳珠三角區域以及中西部重慶地區分布較多，那麼可選擇在這些地方創建發貨基地，減少發貨成本；

　　根據商品相關屬性圖，可以看出顔色越深的代表商品相關性越高，例如口紅和面膜的相關系統是0.79，那麼可以将這兩樣商品進行捆綁銷售，或者在展示其中一件商品時，附帶同時推薦另外一件商品，增加購買率。

　　根據男女用戶轉化率和銷售額對比圖分析，發現女生的轉化率普遍高于男生，且銷售額的高低受女生轉化率高低的影響較大，可以選擇多舉辦幾次主要針對女性的活動，提升轉化率。

　　根據用戶年齡分布圖和用戶學曆分布圖分析，消費用戶普遍在20-40歲，學曆是本科和碩士人群較多，那麼我們就可以有針對性的選擇這樣的區間用戶投放廣告，用來拉新。

　　等等……經過數據分析之後，針對業務場景目标中的增效降本已經有了初步的方案，那麼就可以針對産品、運營、銷售等做一些調整和規劃。

　　數據分析的目的包括：

　　探索性分析（從數據中找出一些特點并得出結論）；診斷性分析（分析發生某件事之後的原因）；預測性分析（預測發生某件事之後的影響是什麼）；驗證性分析（更新産品功能或者運營活動之後驗證和猜想是否一樣）。 在這個業務場景中，分析的目的是探索性分析，即從數據中找出一些特點并得出一些可驗證的結論，使得整個業務的發展有方向性；所以我們做數據分析之前一定要先明确目的，帶着目的去分析，确定适合的數據、适合的工具、适合的方法、适合的分析模型。

　　不隻是做數據分析要明确目的，幹什麼事都要有針對性。就像前面兩項的技能學習，首先要明确為什麼要學？學會之後拿來做什麼？學習起來才會事半功倍，而不是胡子眉毛一把抓。

　　每個行業的數據分析流程相似，但是分析的模式和内容差别很大，做好數據分析除了數據分析基礎能力，還需要擁有對行業的認知。

　　不論我們學習什麼樣的分析工具，都是輔助我們高效工作的一個途徑，最值錢的還是分析邏輯和思維。

　　作為産品經理，數據分析技能重要的還是“析”，如何從數據中尋找到讓産品變得更好、讓業務獲得增長的方向是我們最應該着重去培養的技能；希望大家能夠在高效工作的同時，還需要去着重鍛煉自己的數據分析思維。

　　加油學習吧！老鐵們。

　　本文由 @金豌豆 原創發布于人人都是産品經理，未經許可，禁止轉載

　　題圖來自 Unsplash，基于 CC0 協議

　　,