数据分析，如今互联网人群口中的高频词汇。身为产品经理的你，如果还不懂得如何在工作中应用好数据分析，那么建议你，好好读完本系列文章。

本文为数据分析系列的第1篇——讲解何为数据分析工作？

为帮助大家尽快熟悉数据分析工作，接下来会引用一个比较经典但是通俗易懂的故事。

1 根据老板需求制定数据指标

故事中，你是一家便利店的店长，在某一天接到了老板下达的月度任务：下个月，需要将店铺的销售额提升至120%。那么，拥有数据思维的你为了完成目标，做了以下分析：

• 首先，对“销售额”进行公式化拆分，销售额=平均客单价*付费总单数。
• 其次，提出设想，在客单价不变化的情况下，如果能将付费单数提升至120%，就可以完成将销售额提升至120%的目标。
• 然后，再对“付费单数”进行公式化拆分：①付费单数=进店人数*付费率，②进店人数=路过人数*进店率。又因为店铺路过人数一般为恒定值，不是能控制的变量。
• 最终，销售额提升方案定为通过店铺开展促销让利活动，提高店铺路过人群的进店率。

2 运用促销手段提升指标

找准方向的你，在便利店门前拉起了横幅，依次推出以下促销活动：

• 平时销量最高的饮料品类，每瓶打88折
• 每天的第一单消费，可进行随机金额减免抽奖
• 利润空间较高的速食盒饭，第二盒半价

同时，为了检验进店率是否真的有因为活动而上涨，你又请了一位大学生统计便利店每天的人数，只要有人路过店铺则路过统计人数+1，有人进入店铺则进店统计人数+1，有人付费成功则付费统计单数+1。

3 分析数据，完成任务

终于，在你的一顿操作下，便利店在一个月内表现喜人。

便利店门前的促销横幅，吸引了更多进店人群，相比上个月的进店人数，本月上涨了32%

促销活动吸引了更多的精准付费客户，使得付费率上涨15%，乘于进店人数上涨的32%，付费单数总共上涨48%

虽然因为营销活动让利于客户，导致客单价整体下降了14%，但由于付费单数48%的大幅增长，总体销售额仍然上涨了28%，成功保住店长位置。

4 数据分析各环节工作

通过上面的故事，相信大家对数据分析工作也有了基本的了解。

业务需求

老板提出的“下个月，需要将店铺的销售额提升至120%”，就是一个业务需求。

数据分析工作始于业务，并且终于业务。数据分析一定得是为了解决业务需求而存在，同时也要求进行数据分析的人必须熟悉业务，否则制定的数据指标或分析结果都可能会不切实际，难以落地。

制定数据指标

很明显，“销售额”就是你和老板都认同的数据指标。不同的业务需求，所对应的数据指标不同，即使同一业务需求，也可对应多个不同数据指标。

• 判断app投放渠道的优质程度——用户7日日留存、转化用户数
• 判断工具类产品的实用程度——每日PV/UV、人均使用次数
• 判断某段视频的受欢迎程度——播放次数、播放人数、人均播放时长

制定数据指标的本质就是跟业务需求、跟团队人员对齐口径，没有绝对正确的数据指标，只有业务、团队都认同的数据指标。

数据埋点

数据埋点，也叫数据采集。付费单数、进店人数、路过人数，这些统计数据都是由大学生站在便利店门前不断数人数，累加出来的，这一过程就叫数据埋点。

一般在活动和功能上线前，统计团队就应该想好埋点方案，并保证在上线后，系统能同时采集到相关统计数据，不完整的数据有可能误导出完全不一样的判断结果。

数据分析模型

这里的数据分析，指的是各种分析数据的方法和思维。故事中，因为业务需求简单且明确，采用了“对比分析法”，对活动前后的销售额指标进行对比即可。但在实际工作中，面向的业务需求往往比较复杂，需要采用不同的分析模型，如AAARR漏斗分析模型、用户画像分析模型。（后面数据分析章节细讲）

数据分析系列第1篇——讲解何为数据分析工作，大致就讲到这里，干货不多，希望能帮助大家快速了解数据分析的相关工作流程。

笔者是一只野生的产品经理，人微言轻，希望各位同行不吝赐教、拍砖。感谢阅读~

已更新数据分析系列文章列表：

数据分析系列的第2篇：如何拆解业务需求并选取数据指标？

本文由 @LiuCTao 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议