往后的文章内容皆是实操，从产品运营角度来看，文章的浏览者皆是用户，且该平台的读者皆倾向于学习实操的产品朋友们。将直接能落地使用的方式 *** 呈现出来，最为合理。所以这篇数据分析没有各种华丽矩阵模型大框架，没有特别深入难懂的数据，仅是通过提炼一般日常工作中的核心数据、关键数据、基础数据来输出可用的产品能力/功能。

*** 简介

这次是之一次数据分析干货分享——核心数据反推。

即通过捕捉最核心的数据，来达到产品/运营目的，该 *** 好学易用，能够解决90%的产品分析需求。

工作上，你可以通过该 *** ，向自己输入行业市场数据，输出工作内容，从而产出具体且合理的工作成果。生活上你可以通过该 *** ，处理好自身的财务问题，生活问题，规划更好的未来方向。

你常碰到的问题有哪些？

工作中，你是不是经常会遇见这几个问题？

刚分配到的一个项目不知如何入手；

对于产品功能，或者运营活动不知如何处理，或者不知道如何取舍；

面对领导和研发人员的“为什么要这么做？”，不知道如何回答；

无法给出产品的发展方向和产品优劣形式；

无法自信地复盘，并输出一份详细的数据分析报告；

等等……

你是如何去解决上述问题的？

如果你已经有很好的办法，很清晰的思路，那么请出门左拐。如果没有，以下的分析思路可以解决以上的问题。

之一步：获取核心数据

在进行数据分析之前，我们要先捋请一下思路，以便准备抓取你想要的的核心数据。

你是为了达到什么目的而要进行这次的数据分析？

这个目的，就是你的核心数据，这个目的也将会伴随着一次或多次的测试数据动作，贯穿始终。

注意：一般情况下只会有1-2个核心数据，整体项目一个核心数据，小功能点也会有相应的一个核心数据。

例如你这次版本迭代的目的是为了提升日活、还是留存、利润、订单转化、客单价等等这，是大版本核心数据。例如一个社区页面的社交元素调整，是为了提升页面留存，转化、粘性等，这是小功能点的核心数据。明确后，就可以开始常规数据分析了。

第二步，挖掘关联数据

关联数据就是无时无刻为核心数据服务的数据。

我们日常所关注的产品数据有DAU（日活跃数据）、新增、留存等几像最为基础的数据。如果这几项是你的核心数据，那么可以通过他们来分析为他们服务的数据是哪些？例如拉新数据，如果以肉眼可见的趋势下降，那么是因为什么原因导致的？可能是推广渠道，裂变功能，落地页数据等。找到潜在能引发留存下降的功能点数据，便就是留存的关联数据。

第三步，历史数据清算

通过挖掘出的关联数据，产出一个合适的数据表头，查询产品当前及历史数据。
这一步很关键，以史为镜可以知兴替。你要清楚自己产品当前及历史数据指标是什么样的，哪些有更大的优化空间，哪些数据已经到头了。把精力放在提升空间大的地方，才能四两拨千斤。

我经常看到一些人取数据的时候，数据表的表头杂乱无章，可能连自己都不知道应该拿哪些数据，反正能想到的数据就一股脑写下来。这样做不仅效率低下，而且容易丢三落四，受人白眼。

第四步，由关联数据输出成果

这一步就是数据分析产出的结果。获取关联数据后，再由关联数据倒推出相应的产品/运营功能。这样，你的产品/运营功能就能一环接一环地去推动关联数据，再推送核心数据的改变。

案例说明

当前你负责的是一个电商板块，上半年的核心指标是利润的提升。

那么，你就可以针对利润这个数据提升进行反推思考，发散你的思路：有哪些可以促使利润的提升呢？

1. 提炼关联数据

也就是说哪几个重要的数据指标提升后，能够直接带动利润的提升？

你会得到这样的一个思路：

如果说自己不是很确定这数据的重要性，咱们问自己几个问题：

GMV：全站的GMV增加了，利润会不会提升？

订单量：订单量的增多，利润会不会提升？

成本：成本控制在一定范围内，相对的利润会不会提升？

如果有否定的答案，结合业务的具体情况，进行增减。例如近期并没有节约成本的打算，可能还要加大成本，那么久去掉成本这一项。

这样就剥离出之一层的数据了。

2. 继续往下提炼，细化数据

客官不要停，继续往下深入，针对获得的关联数据，问自己几个问题：

与GMV关联的数据有哪些？

与订单量关联的数据有哪些？

与成本关联的数据有哪些？

继续反推，你的思维会更有针对性的发散。

根据自身情况，可以根据自身产品情况继续往下细化，过于细的地方暂时省略。

还是继续问问题，新提炼出的数据真的有用吗？是不是少了？可以去掉哪些？

由于最终的目的都是指向核心数据，所以细化的数据中，会有部分重叠。

3. 导出历史数据，分析当下数据形式

通过以上两点，可以产出你想要的数据表格，并导出该产品历史数据进行评估。

这样就能看清自己产品当下的局面了，哪些数据提升空间大，哪些提升空间小。