数据：首先要确定你的数据包含哪些？比如市场规模、年增长率、用户数量、成本、竞争对手的人力和财力投入、获取用户数、用户转化率、日活数、月活数、某个页面的Uv、PV、元素的点击量、用户停留时长、页面跳出率等数据指标。
AARRR模型是硅谷的一个风险投资人叫戴维·麦克鲁尔在2008年的时候创建的。
这个模型是用来分析新公司和新产品的可行性，提出赢得客户需要经历的5各阶段，但是在数据分析领域同样适应！
1、什么是AARRR模型
包括获取、激活、留存、收益、推荐。
获取：获取也就是我们常说的引流，也叫做产品推广，这是整个产品运营的基础。常用的引流方式有很多，从形式上来分分为文字引流、图片引流、音频引流、视频引流，所有能让你的产品信息触达用户的渠道都是你引流的战场。在这个过程中我们需要关注的指标可能很多，通常会有曝光数、点击数、打开率、下载量、安装量、用户获取成本等。
激活：用户来了以后，都是僵尸用户也不行，我们不仅要关注数量，更要关注质量。不同产品对活跃的定义不一样，有的产品可能登录就算活跃，贷款产品定义用户上传相关信息才算活跃，活跃的定义根据产品的性质来区分。这个阶段我们关注的指标有设备激活量、订阅量、时长达成数、日活跃率等。
留存：如果你的产品不是一次性筷子，那么留存是每个产品都要考虑的事情。所谓的留存是当用户体验过我们的产品之后，我们的重点放在吸引客户持续使用我们的产品上来，在这个过程中会有一些指标作为参考，比如说次日留存率、七日留存率、距离上次使用的时长、DAU/MAU、7日回访率等。
收入：这个阶段我们关注的主要指标可能有付费率、付费频次、客单价、和用户价值等。
推荐：在这个阶段我们关注的指标可能会有转发数、邀请数、评论数、K因子等。
做好数据分析需要考虑三个问题，数据从哪来，数据到哪去，数据怎么去？今天我们来讲讲数据怎么去的问题，也就是数据分析步骤。
一、定义
“勿忘初心，方得始终”，做数据分析前要想好针对的问题是什么，想通过数据分析解决什么问题，数据分析的结果能帮助你达到什么目的，对现阶段你的产品有何实际的意义。
基于分析目的确定分析范围。比如你想分析用户流失原因，你分析的范围就是流失的用户，你不能去分析新增的用户，再比如电商类产品，你想对高价值用户进行分析，那么什么是高价值用户，那么你可能确定范围：“xx年xx月xx号-xx年xx月xx号，购买次数5次以上，总金额在3000元以上的用户”，这些都是我们在数据分析之前需要确定的，只有范围确定清楚了，分析的数据才具有指导意义。
规划分析的进度和质量。比如说你要做数据的采集，你就需要考虑清楚用什么样的技术手段采集数据，用什么样的方法进行分析，然后这个过程中产生的误差多大范围内是可接受的，或者是自身有了预判，我知道这种数据分析方式会带来什么样的影响，对最后的结论带来多少干扰。
二、测量
测量包含收集获取数据和数据预处理。
收集获取数据。是用问卷的方式定量分析？还是从服务器调取日志进行分析...，这些都是数据的来源
预处理：比如说做调查问卷，对于回收来的问卷我们需要判断哪些数据是有效的，哪些数据是无效的，比如调查问卷共15道题，用户就答了一道题，这个就属于无效问卷，需要剔除出去，这个时候他的数据是不完整的，放进去反而会影响最终的数据结果。同样对数据库的数据也需要预处理，比如说你想统计新增用户，但是来了很多羊毛党用户，这部分用户对你是没有价值的，也需要处理掉。预处理的好坏，直接决定数据分析结果的质量。
三、分析
分析包含对数据的统计描述和针对问题的归纳和总结。
数据的统计描述。统计是对数据的定量分析，描述是对数据的定性分析，就是对你的数据进行定性和定量的客观性描述。
问题的归纳总结。这个是最重要的，也就是拿出我们的结论，数据本身没有价值，数据分析的结果才有价值。
那常用的数据分析方法有哪些呢？
1、趋势分析
趋势分析一般用于核心指标的长期跟踪，比如：点击率、GMV、活跃用户数。一般做成简单的数据趋势图，但光制作成数据趋势图还不算分析，必须像上面一样，数据有那些趋势上的变化，有没有周期性，有没有拐点，并分析背后的原因，无论是内部原因还是外部原因。
2、对比分析
横向对比：横向对比就是跟自己比。最常见的数据指标就是需要跟目标值比，来回答我们有没有完成目标；跟我们上个月比，来回答我们环北增长了多少。
纵向对比：简单来说就是跟他人比。我们要跟竞争对手比，来回答我们在市场中的份额和地位是怎样的。
老版本迭代的时候，我们一般列出一些指标，来评估版本迭代的好坏。比如访问频次、使用时长、启动次数、关键事件达成率、留存率....
而且我们一般采用对比方式来对比新版本发布前后新版本用户和老版本用户各数据指标前后的差异。
经常得出的结论是新版本的数据优于老版本的数据，然而真的是这样么？通常喜欢升级新版本的用户都是最活跃的用户，因为他们本身对产品的依赖度强，使用频度高，升级的机率自然就大。
如果想做此类数据分析，最好选择两个版本发布初期的新用户，保证对比指标之外的其他因素尽可能保持一致。
3、象限分析
依据数据的不同，将各个比较主体划分到4个象限中。
一般p2p产品注册用户都是有第三方渠道引流的，如果按照流量来源的质量和数量可以划分四个象限，然后选取一个固定时间点，比较各个渠道的流量性价比，质量可以用留存的总额这个维度作标准。对于高质量高数量的渠道继续保持，对于高质量低数量的渠道扩大引入数量，低质量低数量pass，低质量高数量尝试一下投放的策略和要求，这样的象限分析可以让我们在对比分析的时候得到一个非常直观和快捷的结果。
4、交叉分析
对比分析既有横向对比，又有纵向对比。如果既想横向对比，又想纵向对比，就有了交叉分析法。交叉分析法就是对数据从多个维度进行交叉展现，进行多角度的结合分析。
在分析app数据的时候，通常会分ios和安卓来看，从下图我们可以看出ios和安卓的数量比例，以及两者之间的差距。
常见的维度有：
分时：不同时间段数据是否有变化。
分渠道：不同流量来源数据是否有变化。
分用户：新注册用户和老用户相比是否有差异，高等级用户和低等级用户相比是否有差异。
分地区：不同地区的数据是否有变化。
交叉分析法是一个从粗到细的过程，也可以叫做细分分析法。
数据分析框架是一种偏战略的数据分析思路，当面对产品问题的时候，告诉我们该如何去开展工作。
日常在开展数据分析工作的时候，往往会进入误区，往往希望展现那种比较大，比较全的指标，而没有针对我们需要去分析的问题深入，数据分析的框架能够帮助我们把抽象的问题具体化，基于业务特征和数据指标来构建相关的分析体系，保证分析结果的准确性，可靠性和针对性。
四、改进
改进就是找到问题的解决方案和降低负面影响。
给出解决方案。比如最近产品用户流失比较厉害，你通过调查问卷和用户访谈了解用户流失原因，当得到分析结果以后，你需要给出解决方案。是你的体验没做好，还是竞争对手挖墙脚，亦或是你的商品价格提高了...这些都是原因，找到主要原因，给出专业的解决方案，老板要的是方案，不关心你分析的过程。
降低负面影响。比如电商的购物流程，浏览商品--》加入购物车--》下单--》支付--》完成购买，你通过漏斗模型分析，发现从加入购物车到下单流失很多，你通过数据分析发现流失的原因是设计上的问题，那么就可以重新优化设计方案，降低负面影响。
五、控制
数据分析是一个持续性的过程，所以需要持续的跟踪反馈，比如做数据的日报、周报、月报，它是一个非常持久的工作，而且数据分析的结果发出去以后，不同的人可能会有不同的看法，那么我们产品经理就需要收集不同的观点。
更新迭代。更新迭代是我们产品经理的一份重要的工作内容，不论是功能上的更新迭代，还是数据上的更新迭代。有的人可能说为什么要做数据上的跟踪迭代呢？因为数据具有时效性，我们分析的往往是一个时间段内的数据，数据会随着时间的推移发生变化，根据这些变化，我们需要做一轮新的数据分析。