产品对于数据分析能力方面的提升，有什么具体建议及好的学习资源（电商方面）？数据分析是一个大而杂，且非常非常重要的能力！第一，应该是要学会看数据，然后是归纳分析数据的能力，最后可能是从分析数据结果中，辨别产品的优化方向等等，但是第一步该怎么做呢？求指教！
@顾先森（淘米 产品经理）
1. 了解业务，熟悉数据框架、体系
了解你的业务是做什么的，业务的发展规划有什么，衡量的核心指标有哪些，列出KPI或是核心指标，一般重点指标就那么几个；然后对几个核心指标进行拆解，这点也需要根据你的业务属性进行，你的业务凡是会影响到这个指标的有哪几个元素，举个简单的例子，你开发的手机APP上的登录次数、用户数，你拆分为是ios、安卓、wp7还是其它，如果你是接入的新浪或者QQ的开放平台账号，拆分为新浪账号、QQ账号、人人网账号或是单独注册等一系列；
拆分的好处是你能对一个具体的指标很清晰它是怎么组成的，好像庖丁解牛，当然这个过程可以不断拆分下去，加上一些公共属性，例如时间、用户性别、用户年龄、用户职业等公共的纬度进去细切，不过个人觉得这是建立在有专人专团队做这事的基础上去不断细分数据，这些结果可以帮助你更精准的定位你的产品，为你后面的运营、推广、品牌等定位出一个比较精准的模型；
2. 对现有数据指标进行思考；多维度集中分析找规律
在熟悉产品需要关注的指标、框架之后，了解现有每个指标的运营现状；如果有同行业指标对比更好，看是否有提高的空间；或者是，希望通过某个运营的动作，提高哪一个指标，提高到多少；回到1中的例子，例如发现安卓的女性用户偏高，且登录时间集中在周五晚上，那下一次如果做活动运营的内容可能有所偏重，同时发布时间也尽量靠近那个时段；通过一系列的比较精准命中，预估运营能够提升指标到一个什么水准；
另外有一个精准模型的好处是了解你的核心用户后，你可以单独针对这部分用户进行产品用研与需求挖掘，更利于你内心确定哪些指标是可以通过什么手段提升的；
同时找规律，对于拆解出来的指标，想办法做一些分析，这里的分析个人觉得并不一定需要很复杂的手段，更重要的是一种感觉和意识，可能觉得某些数据之间会关联，例如可能登录高的时候用户的UGC内容产生频率也很高（这种简单的不能再简单的相信一般人都会有意识=。=容我举个这么简单的栗子），这里的例子是很明显易见的关联，但其实有很多数据之间的关系可能没那么明显，需要一种直觉去组合，然后判断，如果不是通过归纳分析能得到结论的，甚至可以想办法去做一些改动证明；
3. 规律验证，经验总结
找到规律了，内心明白了，下一次做事情心里会更透亮一些，对产品的理解又会更深一些；很多事情，就是这样一点点去熟悉，去深入慢慢产生亲切感的；数据是让你和你的产品心灵贴近的一个话题而已，聊到一定程度对于PM来说就差不多了，可以聊些别的了；更高级更深入人心的数据沟通，不妨还是交给专业的数据处理人员吧，就好像不是人人都是心理咨询师一样；
总之，对于PM而言，个人觉得数据是一种意识，而非技术，是一种方法总结，而非理论科学，关注数据是个优点；但PM也还有很多别的事儿要干呢，PM的角色不就是%@#￥%，不是么….
我觉得产品经理并不需要特别优秀的数据分析和数据挖掘的能力,当产品做大之后数据分析挖掘工作交给专业的BI工程师承担。但楼主的问题我特别能理解,在产品设计或运营初期不太可能有BI工程师的支持，想知道产品运营数据是否健康，往往落在产品经理头上，这时大多数的产品经理就感觉力不从心，于是就有了楼主的问题了。
每个产品经理在产品设计前就需要明白一个最简单的公式：
产品价值=产品带来的收益一设计研发运营成本>0
例如积分类的产品,如果使用了积分产品后净增的销售额*利率-积分充抵的商品价值（运营成本）-设计研发成本>0，如果用户会长期使用积分，设计研发成本可以忽略，其它数据可以比较容易拿到。再如页面改版类产品，改版带来忠实用户数*每忠实用户价值-新页面的设计研发运营成本>0，说明改版是成功的。
产品经理只要把握好这个基本公式，其其深入的数据分析交给更专业的人员去做吧，产品经理的主要精力还是放在用户需求分析层面。
@mrjesse （电商 产品经理）
作为一个电商产品经理，毕竟不是专业数据产品经理，我们不需要了解的太深，只需要关注最核心的一些内容，在明确数据分析之前，首先我们要明确电商产品的数据分析几大业务指标：
一. 用户角度
1、总活跃用户数、新注册用户数、总PV；
2、一定时间的活跃用户数、新注册用户数、总PV；
3、一定时间的转换关系；
4、不同渠道下，注册转换情况；
5、不同注册渠道下，注册用户的后续留存率；
6、一定时间有购买行为的用户的重复购买的分布情况
二. 订单角度
1、今日的订单总数、销售额、订单单价、有订单用户数、补贴比例；
2、过去一周每天的订单总数、销售额、订单单价、有订单用户数、补贴比例；
3、过去一周每天的订单平均送达时间；
三. 商品角度
1、按照商品分组，今日每个商品的浏览数、购买用户数、订单数、销售额；
2、按照商品分组，过去一周每天每个商品的浏览数、购买用户数、订单数、销售额；
四. 品类角度
1、按照商品品类分组，今日每个品类的浏览数、购买用户数、订单数、销售额、订单单价；
2、按照商品品类分组，过去一周每天每个品类的浏览数、购买用户数、订单数、销售额、订单单价；
五. 店铺角度
1、按照店铺分组，今日每个店铺的浏览数、购买用户数、订单数、销售额、订单单价；
2、按照店铺分组，过去一周每个店铺的浏览数、购买用户数、订单数、销售额、订单单价；
在基于以上指标进行数据的统计
我们再进行数据分析
1、首先数据分析建模，我们知道电商类产品模型一般以事件（点击，浏览等）用户属性进行建模
然后我们进行正式的数据分析
我们需要知道用户的一系列用户行为分析，常指用户画像
方法一：多维度数据分析
我们需要定义一些事件，如取消订单，提交订单，支付订单，浏览商品，加入购物车等等
然后基于这些事件，我们需要一个指标，比如说次数，总和
可是我们知道光有个数据罗盘还不够，我们需要对数据进行细分，这里我们做了事件，指标。所以还需要筛选用户的属性了，比如说城市，用的设备，支付方式，来源渠道。
这个方法，我们常用于用户画像，用户行为分析，数据异常排查分析等
方法二：转换率数据分析
我们进行一场活动，我们需要进行评估，这二天注册了多少人，订单转换率是多少，支付率是多少，我们就需要一个分析方法了。
从我刚讲的我们基于事件分析，所以我们就可以定义一个事件，筛选时间，先定义事件（注册），再次定义事件（提交订单），在次定义事件（支付订单），我们可以得到一个转换率
这个方法，我们常用于转换率分析，也称漏斗分析
方法三：留存数据分析
留存分析正如字面意思留存，我们需要对一段时间的用户就像数据分析，比如说我们搞了一个活动，我们需要看那段时间的注册用户，提交订单的情况，第一有多少提交，第二天有多少人提交，第三天有多少人提交等
数据分析一般为，我们还是根据我们的数据模型，首先定义一个事件（如注册用户），在次定义一个事件（如提交订单）得到一定事件的比列
这个方法，我们常用于观测一定事件的留存情况
方法四：活跃或回访数据分析
我们知道，我们定义了用户的行为数据分析了，可是我们需要看一段时间的，一个事件的使用次数，或者某个地方的用户使用情况，那我们怎么办呢。这里就是我所说的活跃数据分析情况了，
我们首先需要定义一个事件（如注册用户），在定义一个事件（如提交订单）的情况（这里一般为次天数），然后我们筛选用户的事件为什么，得到一个数据
这个方法，我们常用于调查用户使用情况，也是衡量一个用户活跃的关键数据分析指标
说了这么多，我们这些能干嘛呢
1、数据异常排查，细分逐一查看
2、关键页面的转换率提升
3、活动的情况评估，渠道数据分析评估
本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流，内容版权归原作者所有，如涉作品、版权和其他问题请给「我们」留言处理。
