本文目录一览：
产品运营如何做好数据挖掘与分析
对于产品和运营避免不了要和数据打交道，在打交道的同时如何让数据为产品和运营服务呢？从数据的变化中发现产品的问题，让数据说话，准确的汇报产品和运营的各维度指标的。那就需要通过一些维度来定义产品、运营数据。对于产品和数据分析一般思路可以归集为：了解产品现状的数据、了解发展趋势的数据呈现、发现问题的数据记录、认清用户对产品的使用情况的数据、营销和推广数据。数据分析的维度科划分为：产品现状、了解趋势、发现问题、认清用户、营销与推广。
对于着几个大维度，又回需要不同小维度的划分。产品现状维度会记录数据的来源、PV、UV、人数、次数、收入、用户属性、活跃度。通过这些数据来考量产品的现状。了解趋势的数据，环比、同比、流动模型、增长率、留存率、流失率。发现问题的收集：漏洞模型、问卷调查。认清用户偏好的数据：功能模块使用（数据埋点）、以及热度分析。运营推广的数据：精准化投放、用户生命周期的管理、拉新、留存等。
为什么要做数据分析师：职业规划很重要
“数据分析”作为近几年最火热的词汇，越来越受到大家的关注。但和一些应届生或者数据分析师沟通时，发现很多人都对数据分析的职业规划很迷茫。今天我们主要从业务方向的数据分析入手，聊聊数据分析的入门条件及职业规划。
“0基础入行数据分析要掌握哪些技能？”
“怎么能最快找到数据分析工作？”
“数据分析师未来的发展方向是什么？”
数据分析是什么？
数据分析是有关“数据”类岗位的总称。从事这些工作的人，通过分析数据发现业务问题，洞察商业机会点，为运营活动、业务增长及企业发展提供合理建议及参考依据。
数据分析主要是与数据打交道，但数据分析≠分析大数据，所以大家不要对这个职位产生恐惧感，零基础转行数据分析是可行的。要入门的话，3个月的时间也是足够的。
需要注意的是：
1.如果本身对数据不敏感，或者看到复杂的数据就眼晕头疼，那说明你可能不太适合这个岗位。
2.目前数据分析已不再是专职技能，而是职场人必备的通用技能，建议每个职场人都可以学一下，会让你在职场竞争中更有优势。至于是否从事数据分析工作，还是看你对数据的敏感程度以及你对这个岗位的热爱程度。
数据分析岗位方向及工作内容
数据分析可以简单分为业务和技术2大方向：
业务方向——数据运营、数据分析师、商业分析、用户研究、增长黑客、数据产品经理等
技术方向——数据开发工程师、数据挖掘工程师、数据仓库工程师等
业务类岗位的数据分析师大多在业务部门，主要工作是数据提取、支撑各部门相关的报表、监控数据异常和波动，找出问题、输出专题分析报告。
在日常工作中，业务部门往往更关心某个指标的为什么下跌或上升、产品的用户属性是怎样的，如何更好的完成自己的KPI等。
以活跃指标为例，数据分析人员通常要解决以下问题：
指标下跌了多少？是合理范围内的数据波动，还是突发式?（what）
下跌是从什么时候开始的？（when）
是整体用户下跌，还是部分用户？（who）
下跌的原因是什么？产品更新？还是某个渠道推广到期？（why）
怎么解决下跌的问题（how）
在经过了数据提取-数据清洗-多维分析-交叉分析等一系列步骤之后，你发现是某个地区的活跃下跌了，但这并不能作为分析的结论。因为某个地区的活跃下跌只是现象，并不是根本原因。
所以数据分析师要解决的是，为什么这个地区的活跃跌了？是政策因素？还是竞争对手？或者是渠道问题，这些都是需要深入分析的范畴。
找到原因后，数据分析师还需要预测未来的发展趋势，根据目前的分析结果输出可执行的改善策略，最后推动业务部门落地，再次复盘效果，最终形成闭环的分析路径。
对数据分析师而言，解决问题只是一方面，另一方面数据分析师的职责是将业务数据体系化，形成一套指标框架。比如活跃下跌，本质上也是指标问题，如“日活”等指标。
技术方向的岗位如数据挖掘/算法专家等岗位有的归在研发部门，有的则单独成立数据部门。与业务方向的数据分析师相比较来说，数据挖掘工程师要求更高的统计学能力及编程技巧。因为数据挖掘工程师对工具的要求比较高，所以数据挖掘的平均薪资也会高于数据分析师。
数据分析师岗位技能要求
对业务方向的数据分析师而言，掌握工具只是基础，还需要对业务有深入的理解以及较强的数据分析能力。
在工具使用上，数据分析师需要掌握Excel、SQL、PPT、Python等工具。
Excel是日常工作中用到的最多的工具，常用的函数及数据透视表都要学。
SQL是数据分析的核心工具，主要学习Select、聚合函数以及条件查询等内容。
Python重点掌握Pandas数据结构、Matplotlib库、Pyecharts库及Numpy数组。
关于工具的部分，需要注意不同行业对工具的要求会有差异，比如金融行业会要求SAS等工具。一般情况下Excel、SQL、PPT、Python这4种工具就能搞定大部分数据分析工作。
除工具的使用外，数据分析师要了解基本的统计学知识及数据分析方法。
统计学知识：环比、同比、概率分布、变量、抽样等。
数据分析方法：假设检验、回归分析、漏斗分析、多维分析、对比分析等。
针对0基础的小伙伴，建议大家先将精力放在数据分析的思路和训练上，多去看一些商业数据模型和数据分析案例的资料，最终形成自己的分析思路。千万不要一上来就啃Python，可以先上手Exce+SQL这2个简单的数据分析工具来入门。有SQL基础后再学Python会相对容易些。
数据分析师的成长路线
业务方向的数据分析师有2条发展路径。
一条是专精业务，晋升成为商业分析师、战略分析师或管理岗。从业务型发展上来的好处是具备商业网洞察能力，这点是直接做数据挖掘所不具备的。
另一条是提升技术能力，成长为算法专家或数据科学家。
如何快速入门数据分析
应届生想要入行数据分析，建议先做学习规划：
明确自己想走业务方向还是技术方向。
充分调研目标领域的行业知识，了解行业背景及行业相关的指标（在行业的选择上，擅长的、热爱的和有发展前景的即是最佳行业领域）
了解目标行业常用的数据处理工具、数据生产流程及数据应用。针对数据工具进行系统性学习。
0基础转行数据分析，建议先罗列自己的个人优势和行业背景，找到最佳突破口：
如果有运营相关经验，基础工具掌握一般，可以先学习SQL，再从数据运营岗入门。
如果有产品经验，对交互设计和用户体验有深入的理解，可以选择数据产品经理。
如果有金融、物流等行业工作经验，可以借用行业优势，转到相关行业的数据分析岗位。
也就是说，转行数据分析的路径不只有一条，我们要做的是根据自己的背景及优势，找到最适合自己的那条路。
总结：
作为一名合格的数据分析师，你需要至少以下三点技能：
必要的SQL、Excel+python\R技能；
正确的理解业务；
基本的数据使用意识和学习能力。
转行过程中个人必要技能的锤炼是很重要，但保持良好积极的心态也是转行成功的必备要素之一。
什么是增长黑客？
增长黑客的概念起源于硅谷企业家Sean Ellis，是介于技术和市场之间的一个新角色。它主要依靠技术和数据的力量来实现营销目标，而不是通过砸钱来获得用户的传统手段。这一概念引入中国后，“用户增长”成为其知名度的核心。在早期的成长圈中，企业使用的成长手段包括但不限于渠道投放、任务体系、线下活动、优化路径等，行业内曾有一个不成文的规定，不管怎样，只要能带动成长，就去做。
增长的概念在初创企业中很常见。它的手段与营销团队的手段相似，常常混淆。以“成长型产品经理”为例。产品经理主要负责产品开发，以提出用户需求和解决问题为导向；营销团队负责新用户数量和用户参与度；而成长型产品经理处于产品与市场之间，目标是用户成长，通过对用户行为的分析，促进一定指标数据的成长。一般来说，成长团队的运营资金远远少于营销团队。因此，我们应该用更直截了当的语言来理解增长团队在做什么——使用低成本甚至零成本的“技术”手段来实现有效增长的目标。更具体地说，在成长目标的前提下，成长成员观察用户行为，分析行为，划分优先级，然后设计并启动实验进行测试。
目前，国内用户增长可分为“产品导向型”和“新媒体导向型”两类公司。以产品为导向的公司，比如今天的头条新闻，有一个成长团队的目标，就是让用户更频繁、更长久地使用他们的客户。所以成长团队的工作就是通过分析数据寻找机会，通过检验设计“实验假设”，分析结果，看看假设是对是错。假设适用于右翼；如果错误被纠正了，假设就被纠正了，下一个实验将继续。因此，成长团队的大部分工作都与“试错”有关。在这个过程中，掌握SQL技能可以帮助您成长。
媒体导向型企业，由于其“媒体属性”，不仅要随时关注新的增长点，更需要有强烈的内容意识来判断一个话题是否会成为热点。最后，分享运营用户增长的“常规”：aarrr，即获取、激活、保留、实现和推荐。这是最基本的增长方法。简而言之，我们应该关注用户的生命周期，并以数据为导向，直到商业化。
产品经理需要学习数据分析吗？
需要
产品经理要想做好数据分析，应该有一套完整的思维体系，在价值观、方法论和工具三个层面上储备相关知识。同时立足于产品和用户，用数据来打磨产品，用数据来检验迭代，不断提升用户体验。
这两年，随着大数据、精益化运营、增长黑客等概念的传播，数据分析的思维越来越深入人心。处于互联网最前沿的产品经理们接触了大量的用户数据，但是却一直困扰于如何做好数据分析工作。
那么产品经理该如何搭建自己的数据分析知识体系？数据分析的价值又在哪里？产品经理做数据分析有哪些具体的方法？又如何学习数据分析？本文将和大家分享一下这些问题。
数据分析体系：道、术、器
“道”是指价值观。产品经理要想是做好数据分析，首先就要认同数据的意义和价值。一个不认同数据分析、对数据分析的意义缺乏理解的人是很难做好这个工作的。
“术”是指正确的方法论。现在新兴的“Growth Hacker”（增长黑客）概念，从AARRR框架 ( 获取、激活、留存、变现与推荐五个环节）入手进行产品分析，这是一个非常好的分析方法。
“器”则是指数据分析工具。一个好的数据分析工具应该能帮助产品经理进行数据采集、数据分析、数据可视化等工作，节省产品经理的时间和精力，帮助产品经理更好理解用户、更好优化产品。
数据分析的价值
产品经理不能为了数据分析而分析，而要将落脚点放到产品和用户上。数据分析应该帮助产品经理不断优化产品设计和迭代，驱动产品和用户增长。
什么是 Growth Hacker？
“Growth Hacker”在中国普遍译为“增长黑客”，这个在硅谷风靡已久的概念，近几年在国内也不断地被各个企业重视起来。但是这个翻译似乎并不能完全表达Growth的意义。那么首先要先了解其蕴含的意义，那什么是Growth Hacker呢？Growth Hacker指那些能够帮助企业或团队成长的黑客。这个成长可以是用户、流量、营收，而帮助的手段是通过信息技术进行持续的数据营销。Growth Hacker是技术和营销的混血儿，你不仅要懂技术会编程，而且要对数据和用户体验敏感，还要有创造性和好奇心。增长黑客早已经不是一个单打独斗的独行侠形象，而是转变为有体系、有模型、强调试验、追求结果、以团队的形式来推动增长。曲卉（Acorns 市场总监，原 GrowthHackers.com 增长产品经理）在2016 GrowingIO 数据驱动增长大会时讲到增长是下一代的营销，原因如下：关注整个用户生命周期，而不仅仅是获客；
通过数据驱动的方法，不断试验迭代；将增长机制产品化，把增长做到产品里面去。以 LinkedIn 的双重病毒营销为例，老用户可以给新用户发邀请邮件，起到拉新的作用；新用户加入的时候会给老用户发一份提醒邮件，问他要不要来看看，这样可以起到促活的效果。这样的双重循环，LinkedIn 早期的增长团队花了一年半的时间进行打造、细化、优化，甚至为此主动延期其他功能的上线。增长团队日常的运营模式主要是两大部分：战略部分和执行部分。战略部分中，增长团队需要去理解整个公司的商业模式，找重点，定战略，这是比较欠缺的。战略部分需要稍微长一点的周期，比如聚焦做用户激活中某个点，定一个30-90天的小目标。“Growth Hacker”这个词之所以被国外创业公司竞相讨论，并不是因为它只是个媒体创造出来的浮夸辞藻，而是因为 growth hacking 在 Facebook、Twitter、Quora、LinkedIn 等等成功的初创企业背后扮演着举足轻重的角色，这些公司也的确专门为这个角色成立了独立的部门，全权负责用户的增长。