感谢各位的同仁的催更，前面几篇，很多看官说对他们工作帮助很大，得到了很多的认可，希望我继续写下去，我又不要碧脸来继续更新了。
感情话，我就写这么多吧，还是聊聊正事，今天给大家带来一篇数据分析的结构思维希望能帮到你。
前面几篇我大概讲了从产品调研到上线的一个全过程。其实对于很多新手以为这个产品就算结束了，在我接触的很多产品新人中，很多是“管生不管养系列”，需求上线后，然后就去迭代下一个需求。这样反复造轮子。如果一直是这样的过程那么和 SA（需求分析师）很像。
PS：需求分析师/需求策划其实也是很早就有的岗位，只是后来慢慢的更多企业更喜欢叫产品经理。因为员工更喜欢这个岗位，毕竟带了经理二字，导致很多人都是用岗位名称定义岗位职责，觉得自己在产品岗位上就是和 乔布斯、雷布斯等等一样的神圣角色。其实已经偏离岗位了。
产品上线只是开始，因为产品是否真的适合这个市场，是否得到用户的认可。这些才是关键。因为在一个商业市场中，产品只有得到用户的喜欢，用户的认可，才能产生更多的商业价值（变现）。毕竟开公司做产品是为了赚钱。不是用爱发电。
其实数据驱动产品是伴随着产品的整个生命周期。如果不重视数据，那么你负责的产品到死都不知道是什么原因，你也不清楚用户在上产品上的动向。
我们废话说了那么多，上我们本章的干货框架。让大家读起来有全文结构。
一、数据的本质
记住一句话，所有的数据都是基于用户在使用产品而产生的痕迹。然后痕迹的处理依靠严谨的数据计算口径。
这里就产生了一个关键的数据词：统计口径（有效数据的统计逻辑）
这个是一个很难学习点，很多产品意识到产品数据很重要，但是在进行提供给技术统计口径时，往往自己没想清楚逻辑，导致通过这个口径提取的数据不准，然后失去了业务指导建议。
举一个简单的例子，产品访问数据，人数和次数都不进行区分，这样在进行功能使用分析就失真了。
二、数据的意义
2.1 业务层面
1.可以查看业务流程的健康程度，这个其实就需要提一下漏洞率这个东西（脑袋里浮现倒三角），查看整个业务流程中，每个关键漏洞是否达到预期。如出现异常就需要进行进一步分析。
2.除了看纯业务漏斗，那么还需要看用户的活跃数据，新增数据。因为这个是保证上面业务漏斗的可漏斗数。如果口子都没多少用户，漏斗下来肯定是更少了。
3.产品停留时长，可以分析出用户对产品的依赖程度，像抖音这种很多人每天都刷好几个小时，这种的用户活跃极高。越依赖越容易转化。（比如今年很火的抖音带货）
2.2 功能层面
功能使用率变化与健康度，上升或者下降，这种适合很多人重视这块，很多产品大部分时候是没办法或者没机会去把控整个产品的方向，更多的是在企业造轮子（迭代），既然做这些功能，那么就有必要去知悉功能的使用情况。这样也好证明功能是否有价值。
三、数据的分类
说了那么多比较虚的东西，那么说点比较实在的。数据本质就两类，行为数据和业务数据。
3.1 行为数据
其实上面写数据意义的时候也有提过，用户在平台产生的数据。可能有以下几类：
—用户基本数据：地区 、性别、年龄、姓名、……
—用户衍生数据：手机机型、运营商、使用时间短分布、……
—用户访问数据：功能点击人数、功能点击次数 、……
3.2 业务数据
—平台数据：新增、留存、活跃、沉默、……
—转化数据：支付人数、支付订单数、平均支付停留时长、……
根据时间维度对针对行为数据、业务数据，就可以得到对应的日、周、月、季、半年、年的相关数据。
大家看到的一些数据白皮书就是这么来的，比如外卖白皮书，XXX 地方的人喜欢点辣椒炒肉、XXX 地方的人更喜欢点夜宵……
四、数据的分析
上面列举的很多数据，在数据分析中，其实可以定义为原始数据（未进行任何变量加工的数据），将不同的数据进行有目的的组合，提供出有业务价值指引的数据分析。
简单举例（以大家熟知的电商产品为例）：
- 用户性别(行为数据)+商品(业务数据)=性别偏好产品
- 用户年龄(行为数据)+商品(业务数据)=不同年龄段的人喜欢买什么
- 使用时间段(行为数据)+商品(业务数据)=时间段偏好(中午外卖爱点什么)………
当上面的这些数据变量之间多维度，多场景的组合那么就可以得出很多对业务非常有价值的数据，然后这些数据后续可进行数据建模，做“千人千面”推荐模型起到至关重要的作用。
五、数据的监控
其实很多人对这个还是很陌生的，当然一般的产品数据是不需要进行监控的，但是一些特殊的产品参数（与钱相关）的数据是需要进行监控的，比如：互联网支付、互联网小贷等等。
异常监控：套现、洗钱、资金路由….
给大家举个例子，比如大家在日常进行微信/支付宝扫码支付的时候，其实数据就是被监控的。因为支付宝/微信本身不知道这笔支付是否是真实交易，所以会建立风控模型进行自动的异常支付拦截。（这里不展开讲，也不是本文重点）
简单说就是一个店铺在风控模型中，店铺日均笔数、日均金额都是有范围的。
比如早餐店，日均金额是 10 块。但是突然这家店铺出现了高频且整数的交易金额，系统就会进行判断这个是套现行为，会拦截支付端进行支付，商户端进行限制。（风控也是分等级，有提示风险，有限制交易）
上面这个例子就是数据的监控场景。
掌握数据驱动模型，方能驱动产品走向成功！
