現在做產品經理越來越難了，天天撕完情懷還要來撕資料。資料分析能力雖然說是產品經理的一項基本功，但是我瞭解到的產品經理其實都對資料分析有一種淡淡疏遠心理，特別的是非技術的產品經理更是對資料敬而遠之。

我想來想去，原因就一個：大家現在越來越不愛數學。其實通常意義上的產品資料分析用不了多少資料知識，用到的也都是非常簡單加減乘除。但是要注意到，其實加減乘除是非常強大的，可以解決大部分的問題，而且成本非常低，你使用了複雜的演算法，可能精確度也只能上升不到5個百分點。

我觀察而言，對於傳統網頁的資料分析已經有很多資料了，但是針對於移動端的資料分析資料往往較少。隨著H5應用的普及，app其實和網頁一樣可以使用網站傳統的分析方法達到相應的目的。但是針對移動網際網路的特點，和傳統網站又有一些差異。比如app更重視DAU、MAU等指標。但是這些都是針對一個app的整體而言的一些指標，我這次要講的是針對轉化而且進行的一些資料統計方面的內容。

什麼樣的頁面需要自己來埋點？

我們有很多統計工具，比如CNZZ、GA、Umeng來實現針對app全域性的資料掌控。所謂埋點其實就是自定義統計，通常來講我們只針對於特定頁面進行自定義統計，比如購買頁面、特定轉化頁面等等。但是這個還是具體看分析人員的側重點，這樣才能知道那些頁面那個位置最適宜進行埋點。

一、埋點原則

具體怎麼來埋呢？這是大家最關心的問題，我分析方法供大家參考。

下面這個表，是一個能實現基本功能的埋點規則。我們依次選取了：PV、UUID、新使用者數、出口1、出口2、…其中，我解釋一下出口的含義，別的大家應該都清楚。所謂出口其實就是所有能夠離開頁面的出口，任何一個點都不能漏，比如返回、購買等等，只要離開了該頁面，就成為一個出口。出口數量是按照頁面請求數來統計，也可以是去重之後按照UUID數量進行統計，看不同分析重點。我們的例子按照請求數量進行統計。

隨著日子的積累，每個頁面都會形成這樣一個表。

二、分析步驟

我們分析主要按照以下步驟進行：

• 對出口進行分類
• 按頁面依次分析
• 分析頁面流
  

按出口進行分類

每個頁面很多出口，可能多達20個也不無可能。這麼多的出口我們需要將相似的出口歸為同一類，比如一個商品列表頁不同的商品，同類商品的出口可以歸為一類。將出口歸類可以方便的進行統計規劃而且不會使得統計變得非常凌亂。

按照頁面依次分析

每個頁面我們都會產生一個上面的表格，每個頁面需要進行詳細的分析。我們需要得出每個出口的跳出比例、每類出口的跳出比例、每個頁面停留時間與出口型別的關係（迴歸分析）。

分析頁面流

在分析完每個頁面的出口之後，可以大體的看出使用者對頁面的走向。比如50%會從頁面1跳轉到頁面2，30%的使用者會從頁面1跳轉到頁面3，這是一類很重要的結論。可以驗證我們的引流是否成功。當觀察到引流沒有按照我們預計結果進行時，就代表著我們的流程或者使用者體驗出了問題。

我下面舉一個具體的例子來說明上述分析是如何進行的。

下面是一個圖書購買app的購買頁面，我們分析其中3個頁面來說明上述的分析方法。由於我們能給出的頁面不完整，很多對應的出口頁面沒有給出，所以在此僅就分析方法的使用進行說明，諸多不嚴謹的地方請各位產品大牛海涵。

上面三個圖是最簡單產品購買流程頁面，分別是產品列表頁、產品詳情頁、購買頁面。我們假設點選確認購買按鈕完成一次轉化，我們的主要目的就是為了讓更多的使用者去點選確認購買按鈕。我們用10天的資料來做說明

                                                        頁面1的統計資料

第一步：出口分類

我們可以將出口分為4類。

• 第一類：搜尋入口。出口1，這個出口可以直接通向搜尋頁面，代表使用者無法通過列表頁面快速定位找到自己想要的書籍，需要通過搜尋頁面查詢。
• 第二類：廣告頁面。出口6，這個出口是由大幅banner展現，可以體現廣告的價值。
• 第三類：列表內容。出口2-1，2-2，2-3都是這類，該類出口通往各欄目的詳情頁面。
• 第四類：其他類目。出口3，4，5都屬於這類出口，直接將使用者引導到其他內容頁面。
  

第二步：各類頁面依次分析

1.分析各個出口的流量佔比

出口1是搜尋引擎的一個入口，說明大約有10%的使用者被誘導到了搜尋頁面。於此同時，對於廣告出口6，波動比較大，說明和推廣內容非常相關。我們可以推測，可能是由於使用者差異分化嚴重而導致。按照這個方式，將所有的出口都進行統計後比較，可以看出使用者主體是流向那個出口。這部分工作都可以在埋點中直接體現，在大家熟悉的Umeng中自定義事件中就可以完成。

2.分析各類出口的流量佔比

通過以上行為，將我們所說的出口合併後集中統計，便可以知第幾類出口佔比是多少。

3.對出口結構與停留時間進行迴歸化分析

每個頁面的停留時間和出口種類有什麼樣聯絡，具體相關性是多少，這個問題我們通過迴歸分析來解決。迴歸過程暫且省卻。擬合結果，此處省略假設檢驗

ans =

-61.4292     %截距項

0.0008    %出口1

0.0005    %出口2-1

0.0011    %出口2-2

0.0005    %出口2-3

-0.0002    %出口3

-0.0009    %出口4

-0.0048    %出口5

-0.0004    %出口6

我們可以看出，對於第一類出口和第三類出口對該頁面的停留時間為正相關，其他出口對該頁面的停留時間為負相關，我們需要考慮該頁面的性質來進行判定。同時，如果我們完成對全頁面的分析，可以對各個頁面的停留時間對轉換數目進行建模，這樣可以看出哪些頁面停留時間與付費轉換的關係。

第三步：分析頁面流

看看將幾個頁面人數最多的出口串聯起來，驗證自己的引流是否符合自己當初的設計。如果引流和轉化的方向不一致，則需要及時調整頁面重新構思引流方式。

找出每個頁面的出口流量，分析出使用者使用流程：

如果我們發現出口2-1的流量最大，說明使用者來到了書籍詳情，我們又發現書籍詳情頁中出口1流量最大，說明使用者來到了購買頁面。這樣我們的引流就是成功。其實這個也是最基本的埋點方式，在大家熟悉的Umeng中，頁面的扭轉早已有了非常成熟的視覺化圖表。

三、資料推動產品發展

對於資料如何推動產品發展，其實這裡很難用一個例子來說清楚。因為一個產品的推動在於功能的改進同時觀察資料的變化行為，以此來判斷功能改進是否正確。如此迴圈往復，通過資料來決策未來的功能，通過資料來驗證已經實現的功能。簡單說說我理解分為下面幾步：

1. 確定資料表中的唯一核心資料（OMTM）

確定資料表中的核心資料是我們分析的起點，一般來講移動網際網路我們講活躍度作為評價app的一個重要指標。

2. 不同版本間的核心資料比對

針對不同版本優化的不同功能，我們觀察核心指標的變化情況。一方面驗證我們核心指標的準確性，一方面判定功能改進對核心指標的影響。

3. 功能優化放大

在確定功能與核心指標的關係後，迅速放大該功能並觀察核心指標的變化。

總之，資料推動產品實現是一個過程，需要一定資料積累與資料比對。只要產品行程自己的節奏並且形成相應的資料集，就可以用資料的力量來促進產品的發展。