1.1 什么是数据分析
在数据分析越来越火爆的时代，越来越多的人开始学习数据分析，希望掌握数据分析技能，从而利用数据分析技能解决实际问题。
对产品经理来说，学习数据分析可以分析用户的活跃行为、用户的留存行为、用户的付费行为。通过分析用户的这些行为，可以更好地了解用户下载APP后的使用情况，帮助产品经理进行产品功能迭代的决策。
对销售人员来说，可以从海量的数据中挖掘出有价值的信息，比如，什么样的用户是我们的目标用户，怎么提高销售转化率等。
对教育机构的运营人员来说，可以分析学生上课的数据情况，以及每一个课程的销售数据，从而发现现有课程的设置问题，并挖掘潜力课程，为学生提供更加适合的课程。
对从事财务工作的人员来说，也需要经常和数据打交道，怎么运用数据分析的技能，帮助我们发现财务数据背后有价值的信息，并提高财务人员的工作效率。
对设计师来说，除了基本的设计灵感，也需要从现有的数据中挖掘用户行为的规律。比如，从用户的点击行为数据，可以发现一些无用的按钮；从A/B测试中挖掘用户对不同的设计颜色及样式的偏好，从而为设计的科学性决策提供依据。
对管理层来说，面对公司经营的多个数据指标，如何选择合适的指标评估公司经营的健康度，以及如何快速发现数据背后的问题，并采取对应的解决策略。
那么，什么是数据分析呢？
百度百科中写道：数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。
简单来说，数据分析就是利用数据采取一定方法获取洞察，发现问题和潜在机会，并驱动产品改变和提升的完整过程。
针对百度百科的内容，笔者总结了数据分析完整的流程图方便读者理解，如图1-1所示。
图1-1
这里有3个关键点。
第一个关键点是数据。要进行数据分析必须有大量的数据，这是数据分析的基础。
什么是数据呢？数据是由指标组成的，指标主要分成两种，一种是绝对值指标，一种是比率型指标。
● 绝对值指标即数字型的指标，比如，某电商APP的活跃用户数为1亿人，每天下单人数为3000万人，每天浏览商品人数为8000万人，每天成交金额为30亿元等。
● 比率型指标是指百分比的指标，比如，某电商APP的下单转化率为50%、搜索渗透率为80%、支付失败率为5%等。这些比率型指标是基于几个指标计算得出的，比如，下单转化率=下单的人数/活跃的总人数。
第二个关键点是数据分析的过程。拿到一份数据后，从哪里开始分析？应该分析什么？用什么方法分析？怎么提取核心结论？这也是很多读者在面试中会面临的问题。
我们需要专业的数据分析思维和方法来进行分析（见图1-2），数据分析方法指的是用于解决数据问题所用的思维及对应的手段。
图1-2
常用的数据分析思维和方法有：5W2H分析法、漏斗分析法、相关性分析法、对比细分分析法、麦肯锡逻辑树分析法、用户画像分析法、Aha时刻分析法、RFM用户分群等，这些方法会在第4章进行详细讲解。
例如，我们拿到的数据是某电商APP下单转化率降低了20%，那么这个下降了20%就是数据呈现出来的业务现状，我们需要通过分析去发现原因，获取洞察。
我们可能会进行如下分析。
通过漏斗分析对下单的环节进行拆解、量化，分析下单的转化率是在哪一个环节中降低比较多；通过用户画像分析，分析转化率低的用户群体的特征，如，集中在哪一个年龄、性别、地域等特征；通过麦肯锡逻辑树分析法，可以分析完整的结构维度，如图1-3所示。
图1-3
第三个关键点是数据分析的结果。数据分析的目的在于最大化数据的价值，就是希望通过分析挖掘，定位出问题的原因，并且给出相对应的结论。
数据分析的结论要保证是从数据分析的过程中得到的，不要加入个人经验的判断，因为这样很难保证数据分析结论的严谨性。
还是上面那个例子，假如我们发现下单转化率降低主要是由于用户活跃到浏览商品这一个环节所引起的，那就可能是用户不喜欢我们推荐的商品，或者用户搜索不到他想要的商品。我们可以给业务方提出建议：有针对性地优化推荐的结果或者搜索的结果，从而提升这个环节的转化率，也就是图1-1所说的驱动改变、迭代增长。
驱动改变描述的就是利用数据来驱动产品功能的改变；迭代增长说明产品的功能优化是需要不断迭代的，这样才可以带来用户增长。