回顾下前文：
数据分析（一）：认识数据埋点
数据分析（二）：数据埋点管理
本文在前文基础上，将介绍一下埋点数据分析。
一、常用的数据指标
UV（unique visitor）：是网站独立访客和独立用户，指访问某个网站的独立IP的数量，00:00-24:00内相同的IP只被计算一次。
PV（page view）：是指网站的页面访问量，统计的是用户打开网站的次数。
DAU（daily active user）：是指日活跃用户，是统计一天内用户登录或使用产品的用户数（去除重复用户数）。
WAU（week active user）：周活跃用户，是统计一周内用户登录或使用产品的用户数（去除重复用户数）。
MAU（month active user）：是指月活跃用户，是统计一个月内用户登录或使用产品的用户数（去除重复用户数）。
PCU：最高同时在线人数
DNU（daily new user）：日新增用户。
转化率：在统计周期内，完成转化行为的次数占总数的比率。计算方法是某种产出除以独立访客或是访问量，根据转化率可以反映运营活动是否有效。比如某天通过运营活动100个人下载打开了APP查看了活动，但是只有50个人完成了注册，那么注册转化率就是50%。
留存率：在一定的周期后，每日活跃用户数在第N日仍启动该App的用户数占比的平均值。其中N通常取2、3、7、14、30，分别对应次日留存率、三日留存率、周留存率、半月留存率和月留存率。
活跃度：主要衡量产品的粘性，用户的稳定性以及核心用户的规模，观察产品在线的周期性变化，如日活、月活。
跳出率：跳出率可以分解到两个层次：一是整个应用的跳出率，二是重点的着陆页的跳出率，甚至是搜索关键词的跳出率。跳出率的指标可操作性非常强，通过统计跳出率可以直接发现页面的问题，发现关键词的问题。
其中，DAU和UV区别是：
1、DAU是日活跃用户数量；UV是网站独立访客。
2、DAU有时间限制，是计算在一日之内，不重复的访问用户数量；UV没有时间限制，使用UV作为统计量，可以更加准确的了解单位时间内实际上有多少个访问者来到了相应的页面。
3、DAU主要是计算登录或使用了某个产品的用户数；UV是计算在单位时间内实际上有多少访问者访问网站。
二、数据评估和数据分析
在一段时间的数据采集之后，排除掉异常数据后，形成相应的数据样本，就可以进行数据分析了。
1、异常数据排查
若近期发生的数据骤增或骤降的情况，我们可以从宏观、中观、微观三个层次逐步排查。
（1）宏观社会因素：宏观的社会效应，是由于大环境的变换影响整个行业，导致产品数据突增或突降，如：
假期效应：国庆节，导致全国用户出行暴增，从而导致携程等旅游产品用户数据暴增。
政策影响：深圳政府7.15房地产制度，提出购房指导价，对整个深圳的房地产都产生了不小的冲击，进而导致买房app在此期间用户访问数据下降。
（2）中观市场因素：中观的市场因素，是由于行业变化或短期市场波动导致的，如：
热点事件：315点名导致平台品牌受损，用户访问量下降。
大型活动：双11、618等活动导致电商平台影响。
竞品调整：竞品上线新功能或新的运营能力，如爱奇艺上线超前点播功能，对优酷、腾讯视频用户产生影响。
城市因素：如某城市突降暴雨，导致该城市打车用户突增，滴滴的产品数据也猛然上涨。
（3）微观内部因素：如果宏观和中观都排除之后，通常就是产品本身出现了问题，如：
产品版本迭代：产品上了新功能模块，导致某页面访问用户增加或减少。
运营策略：如运营做了产品推广策略，导致一段时间内产品用户突增。
底层数据问题：如上报逻辑出错，导致多渠道数据埋点未能正常上报。
为了减少异常数据发展成更为严重的产品事故，也为了提高我们的工作效率，我们可以在产品的核心流程中，增加告警上报机制。
2、常见的分析方法
漏斗分析：漏斗分析是漏斗图，有点像倒金字塔，是一个流程化的思考方式，反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。比如电商的购买下单路径，从浏览商品到最后下单购买成功，每一个步骤的转化率是多少，对于漏的比较多的那个步骤我们肯定要着重关注，分析原因。
对比分析：是通过实际数与基数的对比来提示实际数与基数之间的差异，借以了解经济活动的成绩和问题的一种分析方法。通常用于对比迭代前与迭代后的数据对比。
分布分析：是指通过对质量的变动分布状态的分析中发现问题的一种重要方法。通常用于分析特定行为的在某个维度的分布情况，可以展现出用户对产品的依赖程度，分析客户在不同地区、不同时段所购买的不同类型的产品数量、购买频次等。比如电商APP的下单行为，一天24h的下单量分布，来分析一天内哪个时间内是下单高峰期。
用户路径分析：是用户在APP或网站中的访问行为路径。为了衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，时常要对访问路径的转换数据进行分析。以电商为例，买家从登录APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程，而在用户真实的选购过程是一个交缠反复的过程，例如提交订单后，用户可能会返回首页继续搜索商品，也可能去取消订单，每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后，能为找到快速用户动机，从而引领用户走向最优路径或者期望中的路径。
留存分析：用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。常见指标有次日留存、7日留存、15日留存、30日留存等。
上述是一些常用的分析思路，除此之外还有很多：点击分析、用户分群分析、属性分析、行为事件分析等等。
三、解决方案
产品经理的职责就是发现问题，然后解决问题。通过数据分析来定位问题，找到影响上述量化指标的产品问题点，然后对症下药，制定解决方案。比如，是否在设计上改进，或者是否是隐藏的 bug。
根据产品问题制定的优化方案上线后，我们的工作也还没结束，重点要观察对应的指标有所提高或者降低，与优化前的版本相比较是否有所改善，很多时间往往不可能一步到位就把问题解决掉，需要迭代优化，不断通过数据跟踪来修正设计策略，达到我们最终的设计目标。
四、写在最后
1、只有前期将埋点规划好，后期才可能做用户行为分析，而且埋点的分层做的越细致，可分析的维度也就越细致。要统计的数据庞大时，建议分阶段分版本进行埋点，先对主要事件关键路径进行埋点，一步一步完善。
2、我们要养成看数据的习惯。我们在分析事情，或说服他人的时候，都能用数据来证明自己的想法。在看到数据时，要会去思考数据的合理性与准确性。培养数据感和产品感一样，都是需要我们长时间对数据的思考、沉淀和积累之后，实现从量变到质变的过程。
3、一个懂数据分析的产品经理可以利用数据驱动产品设计优化，并提升客户体验，实现更多的价值。
阅读原文
对产品经理感兴趣的朋友，可以移步“产品经理做什么”，期待共同交流。