想到數據分析，首先想到的肯定是收集數據，然后采用各種方法來(lái)對數據進(jìn)行分析，其起點(diǎn)在于數據的收集。對于已經(jīng)持續迭代多期的產(chǎn)品功能，數據的來(lái)源自然是現成就有的?？墒菍τ谝豢钊碌漠a(chǎn)品或者一個(gè)全新的功能，數據的收集本身就是數據分析最大的門(mén)檻。

套用同事的話(huà)說(shuō)就是先生雞還是先生蛋的問(wèn)題。收集數據的意義在于分析，分析的目的在于為產(chǎn)品功能做決策；而唯有有了產(chǎn)品功能，才能產(chǎn)生最真切的數據。

此處需要的便是使用mvp方法嘗試新功能，建立新case，以此得到相應的數據然后做出相應的調整，或者推翻重來(lái)。那么如何才能讓測試簡(jiǎn)單有效呢？

顯然如果先上功能，想著(zhù)盡可能多的收集一些雜亂的數據，然后再根據數據胡亂的分析是不合理的。運氣好還能得到一些結論，如果運氣不好可能就是努力半天也得不到任何的反饋。如此周而復始的測試是不具任何意義的。

建立一個(gè)數據收集case，最根本的點(diǎn)在于你究竟想通過(guò)測試得到什么樣的認知，用戶(hù)習慣的操作是什么，用戶(hù)對什么感興趣？說(shuō)白了就是在設計case之前，你需要一個(gè)目標導向的設定，最開(kāi)始你需要做的便是確認數據收集的目標是什么。

例如，如果你想給用戶(hù)發(fā)放優(yōu)惠券，但是又擔心優(yōu)惠券的吸引力不足，于是你想通過(guò)游戲的噱頭來(lái)吸引用戶(hù)獲取對用戶(hù)的優(yōu)惠券的認知。但是你無(wú)法確認你的idea是否有效。如果你在之前的產(chǎn)品中已經(jīng)有過(guò)這樣的case，自然能夠很清楚的知道其是否有效，但是如果你沒(méi)有這樣的經(jīng)驗，此刻最好的 辦法便是通過(guò)新建case，收集數據，對數據進(jìn)行分析，然后再得出結論。你需要對部分的用戶(hù)進(jìn)行case的推送，在這個(gè)例子中，我們最需要驗證的便是該方式是否足夠吸引用戶(hù)。此時(shí)需要收集的便是游戲的轉化率，優(yōu)惠券的轉化率等等。知道收集什么數據之后才可開(kāi)始case的設置。

對于一個(gè)新功能，如果先做好數據分析，最重要的是采用科學(xué)的方法對最核心的數據進(jìn)行最為有效的收集。

數據分析分析什么？

通過(guò)新建case，我們收集到了數據，然后呢？數據分析分析的到底是什么，我們需要驗證新的case是否行之有效，確實(shí)，可是知道新的case是否行之有效之后就沒(méi)了嗎？

最重要的是搞清楚原因，新case好的原因是什么？不好的原因又是什么？隱藏在該數據背后的原因才是數據分析的根源。而數據得出的結論應該是，某類(lèi)用戶(hù)在某種情況下因為什么偏向于做出什么行為，如此才是最為合適的數據結論

當然有時(shí)候我們的數據分析會(huì )陷入一個(gè)兩難的局面，例如上面的例子，我們最終通過(guò)測試驗證出使用游戲為噱頭發(fā)放優(yōu)惠券的方式效果非常好，bannar的UV轉化率要比一般的的bannar轉化率高出10倍?？墒俏覀儫o(wú)法確定的是用戶(hù)究竟是對游戲感興趣還是對優(yōu)惠券感興趣。

當然這不是一個(gè)很好的例子，因為從一開(kāi)始或許我們就可以預測到這個(gè)雙選出現的可能性，如果在最開(kāi)始就對此設計一個(gè)AB測試，可能能夠更加快速的得到結論?？墒?，它卻能很好的說(shuō)明一個(gè)問(wèn)題，在我們不知道是否一次可以得到結論的情況下，我們需要在 當前已知的認知上進(jìn)行新case的設計，而當有新的數據出來(lái)以后，我們通過(guò)新的數據往往能夠得到新的認知，此時(shí)則可在新的認知上面進(jìn)一步case檢測。

數據分析的方法論

確定數據分析的目標——設立相應的指標——對結果進(jìn)行可能性預測并做好調整準備——進(jìn)行case的建立——對數據進(jìn)行統計——得到最終的解決——對用戶(hù)的心理以及行為模式產(chǎn)生一個(gè)新的認知——累積認知

數據分析的意義

數據分析的意義在于通過(guò)數據 ，我們對目標用戶(hù)在某一方面的心理以及行為有了一個(gè)較新的認識，如果能夠得到新的認識，則case必然是成功的，無(wú)論其是否產(chǎn)生非常直接的價(jià)值，但是其本身的價(jià)值一定是不可少的。