数据分析，是每个产品经理，尤其C端产品都应该具备的基础能力。
上一个功能，迭代一个版本，做一次重构，每个产品经理都在做的事，都离不开价值验证。
功能是不是带来更好的数据结果？为什么数据出现下滑？下滑的根本原因是什么？还受了其他哪些因素的影响？如何制定相应策略来提升？
这些都需要通过数据分析才能解决。
数据分析是区分一个普通产品经理和高级产品经理的分水岭，也是【做】和【怎么做、为什么这么做】的核心依据。
数据分析最常用的一个场景，就是找问题。
交易类的app，是非常适合做数据分析练手的，因为交易类app涉及到的场景相对较多，链路相对复杂，而且涉及支付等重要用户行为。没有中间环节的数据支持，你无法准确知道用户群体在app内的行为和心理。
假如我们当前遇到一个问题：“某个频道的交易额骤减！”
找问题，首先要确定关键指标，即哪些指标决定着交易额。
首先是流入频道的UV从频道落地页—商品详情页的转化率从浏览—下单的转化率从下单—支付的转化率优惠券等虚拟资产的使用率
这里的关键指标，就是指能够精准解释交易额骤减的指标。而往往我们所说的北极星指标，则是衡量项目的核心结果指标，有所差异。
制定关键指标，就是通过业务链路漏斗找出上游环节的核心指标。这些指标每个的变化都会严重影响最终的北极星。
以进入频道的UV为例，我们要看UV有没有出现大幅的变化，假如UV出现了大幅的下降。
那么我们就要梳理出进入该频道的所有流量来源。
比如通过公众号进入，通过app我的进入、app频道金刚区进入、app消息通知进入、通过小程序进入、通过优惠券进入等。
那么这么多渠道，到底是哪个渠道才是问题所在？毫无疑问，我们需要对每个渠道的流量来源进行历史比较，找出真正下滑幅度最大的那个渠道，当然这里可以优先排查占比较大的渠道，因为哪怕占比小的渠道，其实下滑很多也很难影响大盘。
数据的拆解，本质上就是对数据链路的追溯，通过一层层的数据依赖关系，找出最源头的问题，并能够指导大家如何解决问题。
数据维度，是数据分析中非常重要的一部分。
缺乏了维度的数据分析，就像缺乏场景谈需求一样没有意义。
数据维度，简而言之就是通过不同的角度，去看数据背后的意义。
比如【从浏览—下单的整体转化率20%】
直接看好像有点低；跟历史一对比（历史10%），高了一倍；跟其他电商（50%）进行对比，一半都没有；从渠道入口来讲，通过【我的】进入频道页的转化率有40%，而通过【金刚区】进入频道页的转化率只有10%，说明频道页的转化率是明显偏低的；从人群角度来讲，30-40岁用户转化率为50%，而20-30岁、40岁以上的都只有10%，说明这两个年龄层的转化率是明显偏低的；从商品品类来讲，女装类的转化率高达70%，男装的只有10%，说明男装的转化率明显偏低
你会发现从不同的维度去看数据，能得出完全不同的结论，可见维度选择的重要性。
一般来说，选择维度只选自己需要的维度，比如你想进行个性化推荐，那么你毫无疑问需要关注人群和商品品类的维度，因为这两个维度的数据分析能决定你是否能够精准推荐。
数据的深度，并不是简单的拆解数据，而且挖掘数据背后的真正带来价值的东西。
比如我们针对某块业务入口区域A做了一个优化，增加了很强的营销属性，导致进入这个区块A的流量大增，进而带来额外的gmv增长。
看上去，这是一次非常成功的设计。
但是真相是这样吗？我们发现同一页面的另一块业务入口 B 的 UV 大降，同时该业务的 GMV 也大降，总体降幅甚至超过了 A 所带来的 GMV增长。
从整个大盘来讲，A的增长并没有带动整体增长，甚至引起了整体下降，因此这其实是一次【失败】的迭代。
同样的例子其实很多，比如某个功能后，通过一些优惠券营销裂变，不断拉新，有很多人领取优惠券进入平台，UV大增，但是最后一盘算，GMV几乎没有任何增加，反倒客单价低了很多。那么这个营销活动到底算不算一次成功的活动呢？
这就是数据分析的深度，数据能证明，也会说谎。
我们日常在进行数据分析的时候，会交叉的使用不同的分析方式，而且上述介绍的也只是数据分析最基础的能力，对于大部分产品经理来说，能够熟练运用上述能力，基本能解决80%以上的数据问题。
