数据分析，是许多⼈想做但做不起来、想拥有但不曾拥有、做了等于⽩做的⼀件事情。

有那么一大撮互联网人，最会做的就是造词：

体验

链路

闭环

洞察

对齐

……

一个拢共30多年的行业，最缺的就是系统的知识、有文化的从业者与持续发展的智慧。

没文化且不创造价值的一群人，你能指望他能做什么。

其中，有一个词被几乎每个人会挂在嘴边——数据分析。

数据分析，是许多⼈想做但做不起来、想拥有但不曾拥有、做了等于⽩做的⼀件事情。

表⾯上看，数据分析，是关于数据、统计、归因、分析、策略的⼀整套框架。

对，没错，这些仅仅算是表⾯。

那么，数据分析的内核是什么。

让我们先来看看，当我们在ChatGPT上问「⽤户分析，究竟是在分析什么？」这个问题后，他给出的回答是：

1.⽤户⾏为维度：包括⽤户访问量、停留时间、点击率、转化率等，通过对这些⾏为的分析，可以了解⽤户的兴趣、偏好、购买⾏为等。

2.⽤户属性维度：包括年龄、性别、地域、职业等，通过对这些属性的分析，可以了解⽤户的基本情况和消费能⼒。

3.⽤户来源维度：包括搜索引擎、社交媒体、⼴告等，通过对这些来源的分析，可以了解哪些渠道对⽤户的吸引⼒更⼤。

4.⽤户画像分析：通过对⽤户的⾏为、属性、来源等多维度数据进⾏深度分析，构建⽤户画像，更准确地洞察⽤户需求，提升⽤户体验。

5.⽤户价值分析：通过对⽤户的消费⾏为、购买⼒、留存率等数据进⾏分析，识别⾼价值⽤户和低价值⽤户，制定差异化营销策略，提⾼⽤户留存和复购率。

6.事件分析：通过对⽤户在产品或⽹站上的⾏为进⾏分析，识别关键事件和⾏为路径，了解⽤户的⾏为习惯和需求，提升⽤户体验和转化率。

7.A/B测试：通过对不同版本或不同策略的⽐较，分析⽤户的反应和⾏为，确定最优的运营⽅案，提⾼⽤户转化率和满意度。

对，但对的地⽅不多。

为什么呢？

你能否理解这件事，将会直接把⼤家分为两⼤类群体：

懂数据分析
不懂数据分析

我懂ChatGPT在说什么，但是，如果你通过这个思路去理解⽤户分析和⽤户洞察时，就会陷⼊⼀个怪圈：

你知道的维度越多，你分析的周期就越⻓，你能分析出来的东⻄越少。

为什么会存在这个问题？

当你已经开始意识到这个问题，说明你已经开始渐入佳境，为了你能够更好的解决数据分析的问题，我来给大家一份通关秘籍。

第一关：数据量过大？分析机制宕机

在这⾥，我需要引⼊⼀个之前的一篇文章《如何做好知识管理》中引入过的一个观点，即你平时接触到的各种信息，就像是即将进入工厂的材料，有些是原材料、有些是粗加工、有些是半成品，你需要对齐加以区分，分门别类的使用。

图片[1]-被裁员之前，请做到心里有「数」 - NowX 游读社-NowX 游读社

最左侧的“数据”，指的是没有特定时间、空间和意义的数字、符号、图像等；

接下来就是绝多数⼈错认为知识的，“信息”，则是经过处理的，有特定意义的数据，我们通常看到的观点、定义、描述、术语等都是信息；

接下来才是正主，“知识”，并不是简单整理、组合信息，⽽是通过结构化、可重复应⽤信息，指导⼈们达成⽬的；

再接下来是“洞察”，通过经验、理论明确信息之间的相关性的能⼒；

“智慧”，并不是数据到信息、信息到知识、知识到洞察组合或延伸，⽽是融合了信息获取能⼒、知识管理能⼒、洞察⼒之后，能够找到事物之间明确发展路径，从⽽拥有解决问题的⼀切能⼒。

因此，终于可以揭开前面提到的问题了。

你知道的越多，你分析出来的东西越少。

本质上，是因为你盲⽬的搜集了⼤量的Data后，对于⾃⼰需要哪些信息、总结成哪些知识、获取哪些洞察、形成哪些智慧，完全没有⽬标。

做任何事情，如果没有没有想好⽬标，⾃然也就⽆法控制过程，没有⼀个可控的过程，⾃然⽽然就⽆法得到想要的结果。

这个过程，就像是郭靖、杨过、⼩⻰⼥这⼏位顶尖⾼⼿⼀样，最⼀开始他们都要把⼼法、⼝诀烂熟于⼼，再等到时机成熟之后，去学习套路和招式才能发挥出神功的威⼒来。否则就像是鸠摩智、欧阳锋⼀样，不仅功⼒没有精进，反⽽会⾛⽕⼊魔。

图片[2]-被裁员之前，请做到心里有「数」 - NowX 游读社-NowX 游读社

第二关：分析了，但是作用不大

如果你以为搞懂了分析的目标，就可以开始用数据分析大杀四方了，那就有点太乐观了。

大多数情况下，存在的问题是，你明知道自己应该实现的目标、明知道自己该做的基建都做，但是拿回来的数据，没有一个可以帮你真正让业务变得更好的。

这就让很多人陷入一个两难的境地：明知道数据分析是对的，但就是用不起来，一直用一些偏方、大力出奇迹的事情。

为什么呢？

因为，我们拿到的数据有很多，但是这些数据都是人在用，人在分析，只要存在人，就会存在人的视角的问题。

一般而言分析有三个视角，第一个视角是业务视角，第二个视角是用户视角，第三个视角是数据视角。

业务视角：你看到的是，转化率，GMV，人效比，成单率，退单率，下单数，转化数，退单数。

用户视角：在线数，完播数，分享数，停留时间，跳转率等等。

数据视角：留存率，留存数，高意向用户数等等。

简言之，业务视角，是老板的视角，是赚钱的视角；用户视角，是能够反映出用户体验却不与结果有直接关联的数据；而数据视角，单纯是为了让我们的分析在逻辑上更加自洽的概念性数据。

作为负责人和老板，你嘴上说，我们以用户为中心，但是你满脑子想的都是转化率、GMV、ROI、成本等等，更可悲的是，你不知道用户视角、数据视角的数据如何跟业务视角关联起来，最可悲的是，你自己不想去思考老是寄希望于有一个专业的人帮你想明白，你自己的生意，你都不愿意负责任的去讲底层逻辑想清楚，上帝来了都教不了你啊。

第三关：有报表，但提炼不出有效的信息。

很多⼈上来就说，⽼师你别跟我说这些虚头巴脑的东⻄，你就告诉我⼀个框架，我需要做什么就完事了。

图片[3]-被裁员之前，请做到心里有「数」 - NowX 游读社-NowX 游读社

好呀，如果你坚持，那我就直接给你。

我们半个月之后再见。

半月之后，你就会发现一个事实：明明我已经拿到了数据分析的报表、数据、字段和对应的触点，为什么这些数对我来说好像作用不大。

我分享东西从来不是说，只教给大家一套「术」。

术的局限性非常大，因为术的应用需要具体问题具体分析，那么关于术的总结，就会被限定在很多特殊性上，你遇到的情况与我的情况不一样，你怎么那么敢确定，我的经历可以原封不动的照搬到你的身上。

大家先跟我一起来明确一个，道，层面的问题。

数据分析，究竟在分析什么。

数据分析，最本质的任务就是要无限接近用户在具体购买决策过程中的影响因子的真实状态，并将整个决策过程进行解构，从而能够找到针对性的推动用户更快完成购买。最终，我们是要推动用户完成购买——站在用户的角度，即最终我的需求要被满足，不论你是以什么形式、什么姿态。

这就是你去做数据分析的心法口诀。

第四关：找到分析框架

看起来，用户分析的本质、分析最重要的两个方向都被解构了，那是不是就可以开始着手做用户分析了。

实际上，还缺少一步。

用户运营好比是盖新房子，你得从地基开始一点点盖起来、把框架搭起来、再把梁架起来、最后封顶。

而用户分析有所不同，用户分析就好比是翻修老房子，得先把框架和梁找出来、把承重墙确定了，再一点点的看你用得什么砖瓦、如何优化走线和通风。

那么，用户分析的骨架是什么？

是分析模型。

用户分析，用户洞察，都不是瞎分析，什么都要看，什么能用，而是确认好你要分析什么之后，用最合适的模型去把关键信息挖掘出来，进而高效指导实践，否则洞察和分析就失去了意义。

我有一篇文章，提到过《这些用户需求洞察分析模型，帮你快速搭建用户分析体系》《这些用户偏好捕捉分析模型，帮你快速搭建用户分析体系》。可以到这里看一看有哪些模型可以选用。今天我主要帮当家快速明确方向即我应该在什么时候选用什么模型。

设计一套完整的用户数据分析体系需要考虑到覆盖整个用户旅程各个阶段，在这里我们引入了一个概念用户旅程，关于用户旅程究竟是什么，大家可以文后移步查看我的另一篇文章《如何做好用户旅程》。

以下是我建议的分析体系，包括以下五个阶段：

1、意识阶段：

用户行为分析：通过分析用户的搜索、访问、浏览行为，了解用户在网站、应用或社交媒体上的行为模式和习惯。

关键词分析：分析用户搜索的关键词，了解他们的需求和兴趣点。

参与度模型：通过分析用户的参与度，了解用户在不同平台、场景下的行为特征。

2、探索阶段：

任务及情境分析模型：通过分析用户在使用产品或服务时的任务和情境，深入了解他们的需求和痛点。

需求分解模型：通过分析用户需求，将其拆分成更加具体、可操作的任务和功能点。

驱动力模型：通过分析用户的驱动力和动机，了解他们为什么要使用你的产品或服务。

3、决策阶段：

场景化思考模型：通过分析用户在特定场景下的使用情况，了解他们的需求和问题。

需求地图模型：将用户需求转化成一张需求地图，展示用户在使用过程中的需求结构和关联关系。

Jobs-to-be-Done模型：通过分析用户使用产品或服务的目的，了解他们在完成具体任务时的需求。

4、使用阶段：

用户心智模型：通过分析用户的期望和体验，了解他们在使用过程中的满意度和不满意点。

情境分析模型：通过分析用户在特定情境下的反馈和意见，了解他们的意见和建议。

文化人类学模型：通过分析用户所处的文化和社会背景，了解他们的价值观和行为方式。

5、忠诚阶段：

用户偏好捕捉模型：通过分析用户偏好和行为数据，了解他们的购买习惯和兴趣点。

用户生命周期价值模型：通过分析用户在产品或服务使用周期中的行为，了解他们对企业的价值和忠诚度。

用户调研和反馈：通过定期的用户调研和反馈收集用户意见和建议，为产品优化提供参考。

还是那个老问题，是不是确定了分析模型之后，就可以开始做用户分析了。

其实，还不可以，你会发现，做到这一步之后，我们仅仅是把房子的框架搞明白了，知道下一步该怎么做了，就像是泥瓦匠没有趁手的工具，一面墙也砌不平一样，接下来才是平时大家最关心，最开始做的，但是却没有做好用户数据分析体系的搭建了。

我们继续往下来聊。

第五关：最终BOSS，硬钢不过要各个击破

我们在前面两个部分，确定了用户洞察的方向、用户分析的模型，接下来就是真刀真枪的开始做分析了。正如我们前面提到，就像是郭靖、杨过、小龙女这几位顶尖高手一样，最一开始他们都要把心法、口诀烂熟于心，再等到时机成熟之后，去学习套路和招式才能发挥出神功的威力来，否则就像是鸠摩智、欧阳锋一样，不仅功力没有精进，反而会走火入魔。每个阶段，每个环节那么多模型可以选用，这些我们搞清楚了，接下来我们必须要明确每个模型下究竟应该去看哪些数据指标，才能帮我们把一整套剑谱打出来，否则就会像得到剑谱前的林平之、熟读武学秘籍的王语嫣一样，难以发挥出日常的修为。

为了帮助大家快速定位，我这里依然选用户旅程这个概念，建议大家先熟读《如何做好用户旅程》这部分。

我将按照五个阶段中，需要的过程指标和结果指标来帮大家搭建数据分析体系：

阶段一：意识阶段

在这个阶段，用户开始意识到你的品牌、产品或服务。他们可能通过社交媒体、广告、推荐或搜索引擎等渠道了解你的品牌。在这个阶段，你需要关注的指标包括：

过程指标：

曝光量（Impressions）：广告或推荐的展示次数。
访客数/用户数：公司内部认可的用户数，比如可以是UV，比如可以是拥有临时或唯一ID的用户数。
点击率（Click-Through Rate, CTR）：可以是广告的点击率，可以是网页某个CTA的点击率，可以是公众号用户数、小程序的UV数等等。
参与度：包括页面停留时间、页面浏览量、社交媒体分享等，反映用户与你的品牌或产品的交互程度。

结果指标：

阶段二：考虑阶段

在这个阶段，用户已经对你的品牌、产品或服务产生了兴趣，他们开始更深入地了解你的品牌或产品。在这个阶段，你需要关注的指标包括：

过程指标：

用户活跃度：即用户在各个触点上与品牌互动的频次、规模、偏好、占比等
产品/服务关注度：用户对于不同产品/服务的关注度，如产品/服务页面的浏览量、收藏量、分享量等。计算方法：使用网站分析工具，例如 Google Analytics，统计每个产品/服务页面的浏览量、收藏量、分享量等。
用户兴趣度：根据用户行为数据，挖掘用户的兴趣偏好，如浏览的产品/服务、关注的信息等。计算方法：通过用户行为分析工具，使用用户浏览行为和关注行为，挖掘用户的兴趣偏好。

结果指标：

高意向用户转化率（Conversion Rate）：从潜在客户中转化为符合用户画像客户的用户数量与潜在客户的比率。
高意向客户转化数：通过用户活跃、用户打分或兴趣、产品、内容等方法确定的高意向用户数

其中，涉及到几个需要拓展的概念，比如符合用户画像的用户如何界定，比如用户打分怎么打，关于这两个问题，大家可以看我写得两篇文章：《如何做到精益求精，从做好细分说开去如何给线索打分》《如何给线索打分》

阶段三：决策阶段

在购买决策阶段，用户已经完成了信息收集、对比和评估，并且对某个产品或服务产生了购买意愿。这部分，是绝大多数企业都回去关注的阶段，并不会存在太多大家不知道的东西，唯一需要注意的是，通过下面的梳理来复盘，自己的数据分析体系，是不是真的在分析决策阶段。

在这个阶段，可以优先关注以下指标：

过程指标：

这里主要面向消费这业务场景，如果您是ToB读者，可以在此基础上做知识的迁移，本质上只要阶段相通，关注的数据是类似的。

购物车添加率：即每日活跃的用户中有多少将商品添加到购物车，问题的关键不是要计较我的业务里有没有购物车，而是要搞清楚你的用户已经明确表达我要购买的意向了，没有购物车的行业，可能是立即购买、可能是进入最终决策者评估、进入招标环节等等。不要过于死板的认为，我们行业没有购物车，那我们行业就不需要关注这环节的数据了，那就有点自欺欺人了。
购物车转化率：用户将商品加入购物车后，进入到支付环节转化率。计算方法：统计商品加入购物车的数量和进入支付环节的数量，计算购物车转化率。
订单完成率：完成订单的比率，即完成订单数/总订单数。计算方法：统计订单完成数和总订单数，计算订单完成率。
购买决策时间（Time to Purchase Decision）：用户从考虑购买你的产品或服务到做出决策的时间。
退货率（Return Rate）：购买后退货的用户数量与购买用户数量的比率。
价格敏感度：用户对于产品/服务价格的敏感度，包括对于价格的反应、使用优惠码的情况等。计算方法：使用调查问卷或者数据分析工具，收集用户对于价格的反应数据，如购买行为、使用优惠码等。

结果指标：

下单量（Order）：成功提交订单的数量。
下单金额（Order Amount）：所有订单的总金额。
购买转化率：购买人数/访问人数。该指标衡量了用户最终是否愿意购买产品或服务，可以用来评估产品或服务的销售能力。
平均订单价值：总销售额/订单数。该指标衡量了每个订单的平均价值，可以用来评估产品或服务的定价策略和用户的购买力。

阶段四：试用阶段

过程指标：

用户留存率（Retention Rate）：在一段时间内依然使用产品或服务的用户占总用户数的比例，可以反映用户的忠诚度。

用户活跃度（Active User）：在一段时间内使用产品或服务的用户数量，可以反映产品或服务的使用程度。

结果指标：

重复购买率（Repeat Purchase Rate）：衡量用户对产品或服务的忠诚度，即一个客户在某个时间段内再次购买同一产品或服务的概率。计算公式为：（重复购买次数 / 总购买次数） * 100%。

阶段五：忠诚和推广阶段

在推广和忠诚阶段，用户已经购买了产品或服务，可以通过推广和忠诚度提高用户的满意度和忠诚度。

在这个阶段，过程关注以下指标：

用户满意度（Customer Satisfaction）：用户对产品或服务的满意程度，可以通过问卷调查等方式获得。
网络推广者得分（Net Promoter Score）：通过用户调查来确定用户的忠诚度和满意度，反映用户推荐该产品或服务的可能性。
推荐转化率（Referral Conversion Rate）：衡量通过用户推荐获得的新客户占总客户数的比例。计算公式为：（新客户数 / 推荐人数） * 100%。
售后服务投诉率（After-sales Service Complaint Rate）：衡量售后服务团队面临的投诉数量。计算公式为：（投诉数量 / 总售后服务
售后服务响应时间（After-sales Service Response Time）：衡量售后服务团队对用户问题的响应速度。计算公式为：用户提出问题到响应的时间。
售后服务解决时间（After-sales Service Resolution Time）：衡量售后服务团队解决用户问题的速度。计算公式为：问题解决完成时间减去用户提出问题时间
售后服务满意度（After-sales Service Satisfaction）：衡量用户对售后服务的整体满意程度。可以通过调查问卷、用户反馈等方式进行调查。计算公式为：（非常满意用户数量 + 满意用户数量）/ 总用户数量 * 100%。