往后的文章內容皆是實操，從產品運營角度來看，文章的瀏覽者皆是用戶，且該平臺的讀者皆傾向于學習實操的產品朋友們。將直接能落地使用的方式方法呈現出來，最為合理。所以這篇數據分析沒有各種華麗矩陣模型大框架，沒有特別深入難懂的數據，僅是通過提煉一般日常工作中的核心數據、關鍵數據、基礎數據來輸出可用的產品能力/功能。

方法簡介

這次是第一次數據分析干貨分享——核心數據反推。

即通過捕捉最核心的數據，來達到產品/運營目的，該方法好學易用，能夠解決90%的產品分析需求。

工作上，你可以通過該方法，向自己輸入行業市場數據，輸出工作內容，從而產出具體且合理的工作成果。生活上你可以通過該方法，處理好自身的財務問題，生活問題，規劃更好的未來方向。

你常碰到的問題有哪些？

工作中，你是不是經常會遇見這幾個問題？

• 剛分配到的一個項目不知如何入手；
• 對于產品功能，或者運營活動不知如何處理，或者不知道如何取舍；
• 面對領導和研發人員的“為什么要這么做？”，不知道如何回答；
• 無法給出產品的發展方向和產品優劣形式；
• 無法自信地復盤，并輸出一份詳細的數據分析報告；
• 等等……

你是如何去解決上述問題的？

如果你已經有很好的辦法，很清晰的思路，那么請出門左拐。如果沒有，以下的分析思路可以解決以上的問題。

第一步：獲取核心數據

在進行數據分析之前，我們要先捋請一下思路，以便準備抓取你想要的的核心數據。

你是為了達到什么目的而要進行這次的數據分析？

這個目的，就是你的核心數據，這個目的也將會伴隨著一次或多次的測試數據動作，貫穿始終。

注意：一般情況下只會有1-2個核心數據，整體項目一個核心數據，小功能點也會有相應的一個核心數據。

例如你這次版本迭代的目的是為了提升日活、還是留存、利潤、訂單轉化、客單價等等這，是大版本核心數據。例如一個社區頁面的社交元素調整，是為了提升頁面留存，轉化、粘性等，這是小功能點的核心數據。明確后，就可以開始常規數據分析了。

第二步，挖掘關聯數據

關聯數據就是無時無刻為核心數據服務的數據。

我們日常所關注的產品數據有DAU（日活躍數據）、新增、留存等幾像最為基礎的數據。如果這幾項是你的核心數據，那么可以通過他們來分析為他們服務的數據是哪些？例如拉新數據，如果以肉眼可見的趨勢下降，那么是因為什么原因導致的？可能是推廣渠道，裂變功能，落地頁數據等。找到潛在能引發留存下降的功能點數據，便就是留存的關聯數據。

第三步，歷史數據清算

通過挖掘出的關聯數據，產出一個合適的數據表頭，查詢產品當前及歷史數據。
這一步很關鍵，以史為鏡可以知興替。你要清楚自己產品當前及歷史數據指標是什么樣的，哪些有更大的優化空間，哪些數據已經到頭了。把精力放在提升空間大的地方，才能四兩撥千斤。

我經?？吹揭恍┤巳祿臅r候，數據表的表頭雜亂無章，可能連自己都不知道應該拿哪些數據，反正能想到的數據就一股腦寫下來。這樣做不僅效率低下，而且容易丟三落四，受人白眼。

第四步，由關聯數據輸出成果

這一步就是數據分析產出的結果。獲取關聯數據后，再由關聯數據倒推出相應的產品/運營功能。這樣，你的產品/運營功能就能一環接一環地去推動關聯數據，再推送核心數據的改變。

案例說明

當前你負責的是一個電商板塊，上半年的核心指標是利潤的提升。

那么，你就可以針對利潤這個數據提升進行反推思考，發散你的思路：有哪些可以促使利潤的提升呢？

1. 提煉關聯數據

也就是說哪幾個重要的數據指標提升后，能夠直接帶動利潤的提升？

你會得到這樣的一個思路：

如果說自己不是很確定這數據的重要性，咱們問自己幾個問題：

• GMV：全站的GMV增加了，利潤會不會提升？
• 訂單量：訂單量的增多，利潤會不會提升？
  
• 成本：成本控制在一定范圍內，相對的利潤會不會提升？
  

如果有否定的答案，結合業務的具體情況，進行增減。例如近期并沒有節約成本的打算，可能還要加大成本，那么久去掉成本這一項。

這樣就剝離出第一層的數據了。

2. 繼續往下提煉，細化數據

客官不要停，繼續往下深入，針對獲得的關聯數據，問自己幾個問題：

• 與GMV關聯的數據有哪些？
• 與訂單量關聯的數據有哪些？
• 與成本關聯的數據有哪些？

繼續反推，你的思維會更有針對性的發散。

根據自身情況，可以根據自身產品情況繼續往下細化，過于細的地方暫時省略。

還是繼續問問題，新提煉出的數據真的有用嗎？是不是少了？可以去掉哪些？

由于最終的目的都是指向核心數據，所以細化的數據中，會有部分重疊。

3. 導出歷史數據，分析當下數據形式

通過以上兩點，可以產出你想要的數據表格，并導出該產品歷史數據進行評估。

這樣就能看清自己產品當下的局面了，哪些數據提升空間大，哪些提升空間小。

一般分析的時間軸盡量長一些，看清產品數據的歷史趨勢。在關鍵的數據轉折中，找出當時的產品做了什么樣的調整或是出了什么問題導致了數據波動。

4. 得出最終細化數據，輸出產品/運營能力

分析完歷史數據情況后，就可以輸出產品/運營功能了（方式千千萬，并沒有列全，僅舉例，喜歡交流的可在留言處補充）。

別忘了繼續多問自己幾個問題，以上的功能真的有用么？

結合用戶場景分析：

DAU：全站是有一定的訂單轉化率，日活的提升可能導致訂單轉化率相對下降，但是訂單量卻增多了。那么所分析出的產品功能，簽到打卡能否提升用戶活躍？提升留存的功能是不是也能提升站內活躍？

訂單量：拼團、優惠券、活動促銷等功能，雖然是運營型功能，可能會增大成本，但是，這些運營所帶來的訂單量和利潤，是不是能夠抵消成本并留有富足？

等等…….（剩余的內容都可以照這個思路進行，直到完成）

當該剔除的功能剔除，該保留的功能都保留下來了之后，就可以開始通過你的分析結論做該死的需求。

這樣，一個適用于大部分的數據分析流程就結束了。

總結

很簡單，找到核心目標數據→倒推出關聯關鍵數據→再倒推出關聯數據→明確當前及歷史數據→產出目標功能/運營活動。

麥子還有話說：還需了解哪方面，可以在下方留言說明，我會將問題提煉成實際可用的文章，供大家一起交流學習。

作者：麥子；微信公眾號：麥子有梗，熟悉電商、社區型產品，主攻拉新、留存、數據分析、商城運營等。

本文由 @麥子 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議