数据分析是验证产品设想的最具说服力的工具，但忽略数据分析背后的人性和商业思考，那么数据分析也就在根本上失去了意义。
数据分析的核心并不在于数据本身，而在于设计有意义、有价值的数据指标，通过科学有效的手段去分析，进而发现问题优化迭代。数据分析因价值而存在，数据分析本就是一个价值增量的过程。
数据分析三个核心要点：
什么是数据分析？（What）
为什么数据分析？（Why）
如何数据分析？(How)
第一个问题就不多赘述了，重点实例解析第二、三个问题。数据分析的缘由/出发点很复杂，甚至有时候让人很焦灼，因为不同用户数据分析的出发点及分析过是完全不一样的。站在一个更高视角分析数据，或者说数据分析的维度不仅限于产品思维概念上的数据需要，而是一个关乎产品一体性的命题。
案例分析
下面将逐一以实例的形式解读数据分析的两个核心问题，大致分为以下几步：
第一步：确认数据分析的对象
产品名称：企查查APP V9.1.8
产品愿景：中国企业信息搜集的综合体，为投资者、金融相关从业者等提供企业的一站式信息服务。
分析范畴：产品迭代、产品优化、产品分析/验证
背景概述：现阶段笔者从事征信行业的产品工作，正在参与一款企业信用信息查询APP V2.x的升级迭代。此次的该类分析过程侧重数据指标制定和建模的过程，而并非实际数据的展示（别人家的应用，没有办法拿到完整的数据源）。再次强调，数据指标的制定远比数据分析过程要重要的多或者说更加富有创造性。
第二步：制定数据分析指标
1.商业模式/盈利方式分析
免费增值模式，先做成流量的入口，后期分享流量红利扩大转化率。
2.了解产品现状/定量分析产品
2.1 用户分析
用户规模：
用户群体按照群体大致分为个人、企业，分析出个人和企业用户的人数比例，明确整体的用户分布情况。
每月/日/日的新增用户、流失用户、回流用户的比例的走势，选择恰当的走势变化渠道；
用户质量：产品粘性及病毒性的反应，体现在用户的活跃度上，一般包括，日活跃（DAU）、周活跃（WAU）、月活跃（MAU）；
采用同期群和用户分类的分析方法，特定用户群体的特定分析过程，用户质量也是渠道或营销活动效果的间接体现，以便后期及时的调整和处理；
用户质量的标准制定，包括忠诚用户、联系活跃用户、流失用户等等，为反应不同指标设置特定的用户质量指标；
2.2 应用分析：
启动次数，某日/周/月的启动次数占所选时段总启动次数的比例，直接反应用的生活时间成本；
版本分布，对开发和维护的意义非常深刻，展示累计用户排名前10的各个版本变化趋势，可以帮助了解每个版本的新增用户，最新版本的升级情况，目前的哪些版本状况；
使用情况，统计周期内，一次启动的使用时长；一天内启动应用的次数；用统一用户相邻两次启动间隔的时间长度；
设备终端和错误分析也是很有必要的；
2.3 行业分析：
a. 行业数据可以帮助了解行业内应用的整体水平，可以查看应用的全体应用或同类应用中各个指标的数据、排名及趋势，有助于衡量应用的质量和表现；
b. 了解行业数据，可以知道自己的APP在整个行业的水平，可以从新增用户、活跃用户、启动次数、使用时长等多个维度去对比自己产品与行业平均水平的差异以及自己产品的对应的指标在整个行业的排名，从而知道自己产品的不足之处。
以上并没有对具体的数据源实施实质性的分析并结论，这部分的都是基本的处理过程就不做赘述。而下文，我将结合实际业务场景深入分析《企查查APP V9.1.8》的某个数据指标。
业务场景：
1. 查首页支持企业名称、人名、品牌名等信息的模糊查询，并且在搜索系统之下直接提供四个维度[企业名称]、[股东高管]、[经营范围]、[品牌管理]的一级辅助搜索条件。
2. 企业信息维度算是一款企业信息服务平台的资源性优势，也是一款内容应用的核心模块。不同类型的用用户对不同类型的信息的感兴趣程度都存在个性化的特征，而用户行为特征数据的记录和挖掘是一件意义非凡的事情。
产品分析：
企业信息查询第一级别的功能是搜索，第二级别的功能是条件搜索；理论上讲，后者在搜索的精确程度上要更加有优势。
确认哪些企业信息查询维度，在偌大的信息描述标签中，初生代的产品大致会以常规经验型知识选择冷启动的内容。
数据指标：
1. 不同检索维度的搜索量；
结论：以信息检索维度的搜索量，选出哪些企业信息搜索维度置于条件搜索中，并决定其分布的顺序和位置；
2. 不同描述维度的查询量
结论：
a. 以信息描述维度的查询次数，区分哪些企业信息描述维度置于的受关注程度，量化区分不同信息的关注度和用户价值；
b. 交叉分析不同维度的信息，用户属性，比如：行业+查询维度，综合分析不同特征的用户群的核心关注点。该类信息的分析挖掘有利于新产品的创新和尝试，比如精简版企业信用报告，”体量最小化，价值最大化”，不错的产品尝试和良好的用户体验；
c. 内容受欢迎程度及需求的迫切程度，面向不同类型的用户，比如：普通用户、企业用户（行业细分——P2P、银行、VC、海关、政务等等），内容分级、资源分层更好地配合免费增值模式、会员等级产品形态。正对不同用户特征给予不同的需求满足形式都是值得尝试和探索的，单一、传统的直销的商业模式或许有被迭代升级的可能；
小结
数据分析很简单，并不是大家所描述地那样神秘不可破。产品数据分析意义在于指导产品设计，传达感性认知背后的理性意义。斗胆分享以下我个人的数据分析理念（关键字）：
产品阶段
分析目的
商业模式
产品形态
无论数据分析的结论积极还是负面，都是产品价值映射，必须投以客观的态度。数据分析是验证产品设想的最具说服力的工具，但忽略数据分析背后的人性和商业思考，那么数据分析也就在根本上失去了意义。
管理学大师彼得.德鲁克说过：你无法衡量的东西，你也无法管理。数据分析可以有效的制衡产品经理本身的那种内在妄想，通过数据分析能帮助我们找到更加合适的产品和市场，甚至说缔造出一个更加可持续、可复制、持续在增长的商业模式。
