业余时间怎么培养数据分析的能力
想要培养数据分析的能力，我认为可以从两部分来着手：一是数据分析方法论的建立，二是数据分析从入门到精通的知识学习。
那么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？做数据分析有哪些具体的方法？又如何学习数据分析？
我把我之前的两篇文章整理下，和大家分享一下这些问题。
Part 1 | 数据分析方法论 & 知识体系
1. 数据分析体系：道、术、器
「道」是指价值观。要想做好数据分析，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大家进行数据采集、数据分析、数据可视化等工作，节省时间和精力，帮助更好理解用户、更好优化产品。
2. 数据分析的价值
数据分析不能为了分析而分析，而要将落脚点放到业务、产品和用户上。以产品经理为例，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。
当我们上线了一个新的产品（product）或者功能时，需要对其进行数据监控和衡量（measure）。然后从监控中采集到产品的用户行为数据（data），并对这些数据进行分析和总结（learn）。最后从分析中得出结论和观点（idea），如果数据证明我们的新产品/功能是优秀的，那么可以大力推广；如果数据说明我们的产品还存在问题，就需要对产品进行新一轮的优化（build）。
在「产品——数据——结论」的不断循环中，我们不断用数据来优化我们的产品，加快产品迭代的步伐、提升用户体验。
3. 数据分析的方法
（1）流量分析
a. 访问 / 下载来源，搜索词
网站的访问来源，App 的下载渠道，以及各搜索引擎的搜索关键词，通过数据分析平台都可以很方便的进行统计和分析，分析平台通过归因模型判断流量来源，产品经理在分析这些流量时，只需要用自建或者第三方的数据平台追踪流量变化即可，第三方平台如 Google Analytics 、GrowingIO等；
b. 自主投放追踪
平时我们在微信等外部渠道投放文章、H5 等，许多产品都会很苦恼无法追踪数据。
分析不同获客渠道流量的数量和质量，进而优化投放渠道。常见的办法有 UTM 代码追踪，分析新用户的广告来源、广告内容、广告媒介、广告项目、广告名称和广告关键字。
c. 实时流量分析
实时监测产品的访问走势，尤其要关心流量异常值。举个例子，某互联网金融平台因为一个产品 Bug 导致用户疯狂抢购造成的流量峰值，产品经理发现实时数据异常后迅速下线该产品修复 Bug，避免了损失扩大。
（2）转化分析
无论是做网站还是 App，产品里面有很多地方需要做转化分析：注册转化、购买转化、激活转化等等。一般我们借助漏斗来衡量用户的转化过程。
影响转化率的因素很多，我们总结了三个大的方面：渠道流量、用户营销、网站 / APP 体验。以渠道流量为例，通过优选渠道并且量化分配我们的投放资源，可以有效提升总体的转化率。
更详细的转化分析方法，可以参考我之前的这篇回答 如何提升转化率？ - 张溪梦的回答 。
（3）留存分析
在互联网行业里，通常我们会通过拉新把客户引过来，但是经过一段时间可能就会有一部分客户逐渐流失了。那些留下来的人或者是经常回访我们公司网站 / App 的人就称为留存。
在一段时间内，对某个网站 / App 等有过任意行为的用户，称之为这个网站 / App 这段时间的活跃用户，这个任意行为可以是访问网站、打开 App 等等。
现在大家经常会用到所谓的「日活」 （日活跃用户量，DAU）、「周活」 （周活跃用户量，WAU）来监测我们的网站，有的时候会看到我们的「日活」在一段时期内都是逐渐地增加的，以为是非常好的现象，但是如果没有做留存分析的话，这个结果很可能是一个错误。
留存是产品增长的核心，用户只有留下来，你的产品才能不断增长。一条留存曲线，如果产品经理不做什么的话，那么用户就慢慢流失了。
这是一个常见的留存曲线，我把它分成了三个部分：第一部分是振荡期，第二部分是选择期，第三部分是平稳期。
从产品设计的角度出发，找到触发留存的关键行为，帮助用户尽快找到产品留存的关键节点。之前我们发现我们产品里面，使用过“新建”功能用户的留存度非常高；于是我们做了产品改进，将“新建”按钮置于首页顶部刺激用户使用，效果非常好。
硅谷流行的 Magic Number（魔法数字）也是留存分析的一部分，比如 Facebook 发现「在第一周里加 10 个好友」的新用户留存度非常高。作为产品经理，我们也需要通过数据分析来不断探索我们产品里面的魔法数字，不断提高用户留存度和活跃度。
更详细的留存分析方法，可以参考这篇文章 你能找到的最深入的留存分析文章 - 留存 · 增长 · Magic Number 。
（4）可视化分析
用户体验，是一个非常抽象的概念，我们可以对其进行形象化。目前一个普遍的方法就是对用户的数据进行可视化，以热图的形式呈现。
借助热图，产品经理可以非常直观了解用户在产品上的点击偏好，检验我们的产品设计或者布局是否合理。
热图的概念、原理、类型和应用，可以参考这个回答 热力图是什么原理? - 张溪梦的回答 。
（5）群组分析 & 挖掘用户需求、改进及优化产品
千人千面，产品经理对用户精细化的分析必不可少。不同区域、不同来源、不同平台甚至不同手机型号的用户，他们对产品的使用和感知都可能存在巨大的差异。产品经理可以对不同属性的用户进行分群，观察不同群组用户的行为差异，进而优化产品。
之前我们做过一次分析，网站的总体注册转化率是 6%；但是使用 Chrome 浏览器的新用户注册转化率高达 12%，使用 IE 浏览器的新用户注册转化率才 1%。这样一分的话，问题就很明显了，极有可能是浏览器兼容性的问题，产品经理应该关注一下这个问题。
详细的群组分析操作流程，可以参考这个回答 产品经理一般是怎么搜集产品不好用之处的？ - 张溪梦的回答 。
Part 2 | 数据分析知识学习
从入门到精通：互联网数据分析的书籍清单！
任何一个技能的学习，都有从浅到深的过程，数据分析也不例外。因此我把推荐书籍划分成几个段位，更便于大家挑选。
1. 入门版
适合对数据分析的入门者，对数据分析没有整体概念的人，常见于应届毕业生，经验尚浅的转行者。
深入浅出数据分析 (豆瓣)：HeadFirst 类的书籍，一向浅显易懂形象生动，可以对分析概念有个全面的认知。
谁说菜鸟不会数据分析 (豆瓣)：不仅讲解了一些常见的分析技巧，并附带 Excel 的一些知识以及数据分析在公司中所处的位置，对职场了解亦有一定帮助。
赤裸裸的统计学 (豆瓣)：作者年轻时是个追求学习意义的学霸，后来自己从统计学中发掘了很多可以应用到生活的地方。这也是本书的主旨，结合生活讲解统计知识，生动有趣。可以避免统计学一上来就大讲贝叶斯概率和随机分析的枯燥。
同样类似的书籍还有「统计数字会撒谎 (豆瓣)」，这本书知名度要高点，不过我还没看…
2. 进阶版
具有一定的行业针对性，要求具备一定的分析常识，适合网站分析师，商业分析师以及数据产品经理。
精通 Web Analytics 2.0 (豆瓣)：此书虽老，但其中很多思想和流量分析的案例仍然很有借鉴意义，现在纸质书只能上淘宝买旧书了。
与此类似的有「网站分析实战 (豆瓣)」，是国内一本讲网站分析的书，没有上面经典，但胜在新出，很多案例和理念都有及时的更新。
深入浅出统计学 (豆瓣)：Headfirst 类书籍，可以帮助你快速了解统计方面的知识。
数据化管理：洞悉零售及电子商务运营 (豆瓣)：黄成明著，讲解在企业中应用数据的例子，读完受益匪浅，里面举的很多例子都很接地气。虽说偏向于零售业管理，但大道归一，可适用于很多行业，当时依据里面的理念规划了美团外卖面向 BD 的数据产品。
MySQL 必知必会 (豆瓣)：这本也是我当年学习 SQL 的入门书，薄册子一本，看起来很快。SQL 是个性价比很高的技能，简单而强大。任何想进一步提高自己数据分析技能的产品/运营/分析师 同学，都建议点亮 这个技能点。
互联网增长的第一本数据分析手册：我司 GrowingIO 出的一本数据分析的增长手册（封面和目录见下图），我们一直在做互联网行业数据分析知识的普及，目前我们已经做了15 期「GrowingIO 数据分析公开课」，面向产品经理、运营等等，这里是我们整理出来的「互联网增长的第一本数据分析手册」。为大家提供常见的分析手段讲解，如漏斗分析，同期群分析等等。可点击书籍名字在 GrowingIO 技术论坛中免费下载。
3. 高阶版
更高阶的数据相对来说专业性较强了，如涉及到企业内部数据治理，数据结合的业务分析，数据可视化等。当然，还有数据挖掘算法之类的更深入的东西，这块没有研究就不瞎推荐了。
决战大数据 (豆瓣)：阿里巴巴前数据副总裁车品觉老师所著，讲解了阿里巴巴在企业内部治理数据过程中的心得，所讲“存-通-用”数据管理三板斧和“从数据化运营到运营数据”，字字珠玑，可堪借鉴。
精益数据分析 (豆瓣)：此书优势在于将企业分成了几个大的行业类别，并分门别类的讲解了每个行业的商业模式特点及分析技巧，对使用者的分析能力要求较高，且必须具备相应的业务知识。
The Wall Street Journal Guide to Information Graphics (豆瓣)，华尔街日报负责商业分析的人做的可视化指南，精华且实用，我之前在公众号上写过读书笔记「华尔街日报是这样做数据可视化的（1）」，可供大家参考。
《数据仓库经典教程》：网上有人整理出来的资料，优点是简单明了，不像正常的数据仓库教材厚厚一本。
| 结语
数据分析是一门多学科、多领域的交叉学问，涉及到的东西非常多。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。
