图6-3PEST数据分析法包含的内容

　　那么，如何保证分析框架的体系化呢？以营销、管理等理论为指导，结合产品的实际业务情况，建立分析框架，这样才能确保数据分析维度的完整性、结论的有效性和正确性。主要的理论模型有以下几种。

　　1．PEST

　　主要用于行业分析。即政治、经济、社会文化、技术4个方面，如图6-3所示。

　　图6-3PEST数据分析法包含的内容

　　2．5W2H

　　5W2H，即何因（Why）、何事（What）、何人（Who）、何时（When）、何地（Where）、如何做（How）、何价（How much），应用相对广泛，可用于用户行为分析、业务问题专题分析、营销活动等。这对产品的决策和执行性的活动措施能起到非常大的帮助，也有助于弥补考虑问题时的疏漏（见图6-4）。

　　图6-45W2H用户行为分析

　　3．逻辑树

　　逻辑树又称问题树、演绎树、分解树，是将问题的所有子问题分层罗列出来，从最高层开始，逐步向下扩展。它可以帮助企业厘清产品思路，避免对产品进行重复和无关的思考。逻辑树的使用必须遵守以下三项原则，如图6-5所示。

　　图6-5使用逻辑树分析需遵守的三项原则

　　4．4P

　　即产品、价格、渠道、促销，主要用于产品整体经营情况分析（见图6-6）。

　　图6-64P分析法部分关注的重点

　　5．用户使用行为

　　即用户为获取、使用产品或服务而采取的各种行动。用户对产品先有一个认知与熟悉的过程，然后才会试用，再决定是否购买，最后成为忠实用户。用户使用行为的完整过程为：可以通过用户行为理论，梳理产品分析的各关键指标之间的逻辑关系，构建符合实际业务的产品分析指标体系（见图6-7）。

　　图6-7用户使用行为

　　6.2.4数据展现

　　完成数据分析之后，下一步动作就是如何将分析得到的产品数据展现出来。数据展现是一个非常关键的步骤，展现得当，企业才能快速得到准确的信息。一般来说，数据展现采取的都是可视化的方式。

　　数据可视化和信息可视化是可视化的两种方式。数据可视化是把数据库中的每个数据项目作为单个图文元素来表示。大量的数据集构成图像，同时把数据的各个属性值以多维数据的方式展现出来，这样企业就可以从不同的维度观察产品数据，从而对数据进行更深入的观察和分析。信息可视化则是把数据资料以视觉化的方式展现出来，是一种将数据与设计结合起来的图片，有利于企业向用户进行简短而有效的信息传播。

　　1．数据可视化的图表类型

　　数据可视化有很多既定的图表类型，每种类型都有不同的使用场景，也有不同的优劣势。

　　（1）柱状图。适合场景：二维数据集，每个数据值包括X和Y两个值，但只有一个维度需要比较。优势：可利用柱状的优势，反映数据差异，辨识度高。劣势：只适用于中小规模的数据集（见图6-8）。

　　图6-8柱形图

　　（2）折线图。适合场景：二维大数据集，尤其是趋势比单个数据点更重要的情况，同时适合多个二维数据集的比较。优势：容易反映出数据变化的趋势（见图6-9）。

　　图6-9折线图

　　（3）饼图。适合场景：简单的占比图，一般用于不要求数据精度的情况。劣势：一般情况下避免使用，因为视觉不明显（见图6-10）。

　　图6-10饼图

　　（4）雷达图。适合场景：多维数据集（4维以上），且每个维度必须可以排序。劣势：用户不熟悉雷达图，解读有困难，使用时需加以说明。局限是数据点最多有6个，否则无法辨别，因此适用场景有限（见图6-11）。

　　图6-11雷达图

　　2．数据可视化制作需注意的点

　　（1）饼图顺序不当。最好将份额大的部分放在12点钟方向，顺时针放置第二大份额的部分，以此类推。

　　（2）在线状图中使用虚线。虚线会让人分心，用实线搭配合适的颜色更容易区分。

　　（3）数据被遮盖。设计时确保数据不会丢失或覆盖。可以在面积图中使用透明效果来确保用户可以看到全部数据。

　　（4）耗费用户更多精力。通过辅助的图形元素可以让数据更易于理解，比如在散点图中增加趋势线。

　　（5）柱状过宽或过窄。调研数据显示，柱子的间隔最好调整为1/2。

　　（6）数据对比困难。选择合适的图表，让数据对比更加明显。

　　（7）错误呈现数据。确保数据呈现准确。例如，气泡图的面积大小应与数值一致。

　　（8）不要过分设计。标明数据即可，避免使用与主要数据不相关的颜色，干扰视觉。

　　6.3数据驱动精细化运营

　　前文说过，数据是驱动产品精细化运营必不可少的部分。那么，如何利用数据驱动精细化运营呢？这才是关键性的问题。其实在数据的内容控制上有4个关键点，只要把握住这4个关键点，就可以掌握数据驱动产品精细化运营的技巧。这4个关键点分别是属性的定义、地域的特点、运营的内容和行为的记录。

　　案例

　　电商，数据驱动出行市场精细化运营

　　某电商在针对出行行业做精细化运营时，就通过数据搭建了一个模型。这个模型的数据包括用户画像、关联分析和实时监控（见图6-12）。

　　1．用户画像

　　车企的用户画像是怎样的呢？年龄层次：30～35岁，需养家。这类用户对于实用型产品的需求大于消费型产品，比如座