你真的會數據分析嗎？什麼才是數據分析的正確打開方式？文章中舉出了幾種數據分析的常用例子與檢驗方式，一起來學習下。
不得不說，現在網際網路行業對產品經理的要求是越來越高了，不只是要求自己寫得了文檔、畫的了原型、鬥得過開發、忽悠過領導，還要分析得了各種數據。
目前產品經理使用比較多的數據分析方法，就是將每天的網站或者APP數據匯總到Excel中，然後用用折線圖，柱狀圖來展示數據的趨勢。比如下圖中如果是看UV，那就把每天的數據匯總出來，然後按照每周或者每月拉一下平均值，做個折線圖，是升還是降，一目了然。細緻一點就是對於一些關鍵的時間節點進行單獨分析，比如7月25日的上升期是做了哪些功能或者活動，導致UV的整體提升。
然而，這其實是非常粗糙的一種分析數據的方式，只是停留在數據的表面，並不足以是判斷數據變化的依據。
我們APP正在做一項運營活動，活動的目的是提升UV和拉新。在活動進行的第10天，我們出一版數據報告，主要看活動的進行的10天裡，APP的UV是否有增長。
具體數據如下，數據分析報告中給出的結果是APP的UV從活動前10天的平均167575提升至173514，提升了大概3.5%。領導們表示很開心，預計兩個月的活動進行到剛開始的10天，UV就有了提升。
然而這個數據真的能夠代表數據提升了麼？
實際上，我後來又重新做了一次分析，平均值和提升比例沒有問題，和原來一樣，但是通過對前後數據的差異性檢驗，發現活動前和活動中的UV數據之間並不存在明顯差異，也就是這種提升並不能明顯到稱其為提升。所以看到結果後也算痛打了我的臉。
從上面的案例做個總結就是：不能只是簡單看數據提升比率，還要看這個提升比率是不是有意義，提升了2%，和提升了12%，都是提升，哪種才是真正的提升。
如果是在全站做活動，則使用配對樣本T檢驗；
如果是分平臺，如安卓和蘋果用戶效果對比，則使用獨立樣本T檢驗。
如果A/B測試使用的同時分流量進行測試，則這時候應該是兩波獨立用戶，我們假設隨機分配的用戶不存在差異，可以用戶獨立樣本T檢驗。
如果A/B測試使用的是前後測試，即同一批用戶分別在A測試環境下做一段時間測試，然後再在B環境下做一段時間測試，則使用配對樣本T檢驗。
其實數據分析還有很多種檢驗方式，適用於很多情況，文章中舉出的只是幾種常用例子，如果大家想要學習更多，可以看下相關數據或者統計學論壇，讓我們的產品數據做的更精確。
本文由@ Sonya 原創發布於人人都是產品經理，未經許可，禁止轉載。