工具箱 · 第 5 篇

数据分析工具

“用数据说话”是 PM 圈子里出现频率最高的一句话。但很多新人一听到“数据分析”就慌——我不会 SQL、不会 Python、统计学也忘光了，怎么做数据分析？

好消息是：PM 不需要成为数据分析师。 你不需要自己写查询、建模型、做回归分析。你需要的是：知道看什么数据、去哪里看、看了之后怎么做判断。

这篇文章帮你了解主流的数据分析工具，以及作为 PM 你需要掌握到什么程度。

PM 需要看哪些数据

在聊工具之前，先搞清楚你要看什么。PM 日常关注的数据可以分成四大类：

1. 用户行为数据

用户在产品里做了什么——点了哪个按钮、看了哪个页面、在哪里退出。

关键指标：

• PV / UV：页面浏览量 / 独立访客数
• 点击率（CTR）：某个按钮/链接被点击的比例
• 转化率：从 A 步骤到 B 步骤的完成比例（比如“从商品详情页到下单页”的转化率）
• 页面停留时长：用户在某个页面待了多久
• 跳出率：用户只看了一个页面就离开的比例

2. 用户生命周期数据

用户从“第一次来”到“最终流失”的全过程。

关键指标：

• DAU / MAU：日活跃用户 / 月活跃用户
• 新增用户数：每天有多少新用户注册/激活
• 留存率：次日留存、7 日留存、30 日留存——注册后第 N 天还在用的用户比例
• 流失率：一段时间内不再使用产品的用户比例
• LTV（用户生命周期价值）：一个用户从注册到流失，总共贡献了多少收入

3. 业务数据

和商业模式直接相关的数据。

关键指标：

• GMV（交易总额）：电商场景的核心指标
• ARPU（每用户平均收入）：总收入 / 活跃用户数
• 付费转化率：活跃用户中有多少人付了钱
• 客单价：平均每笔订单的金额

4. 渠道数据

用户从哪里来、哪个渠道质量最高。

关键指标：

• 渠道新增：每个获客渠道带来多少新用户
• 渠道留存：不同渠道来的用户留存率差异
• 获客成本（CAC）：获取一个新用户平均花了多少钱
• ROI：在某个渠道投入 1 块钱，能带来多少收入

主流数据分析工具

神策数据（Sensors Data）

一句话定位：国内市场占有率最高的用户行为分析平台。

神策是国内 PM 用得最多的数据分析工具。它专注于用户行为数据，提供了一套从埋点采集到可视化分析的完整解决方案。

核心功能：

• 事件分析：看某个事件（比如“点击购买按钮”）的触发次数、趋势变化
• 漏斗分析：看用户从 A→B→C 每一步的转化率和流失点
• 留存分析：看不同时间段注册的用户的留存曲线
• 用户路径分析：看用户在产品里的实际操作路径（而不是你设计的“理想路径”）
• 用户分群：按条件圈出特定用户群体（比如“最近 7 天活跃但从未付费的用户”）

PM 日常使用场景：

• 功能上线后看转化漏斗：“新功能的使用率有多少？在哪一步流失最多？”
• 验证假设：“我觉得用户不用这个功能是因为入口太深——数据支持吗？”
• 定位问题：“DAU 突然下降了 10%，是哪个渠道、哪个版本、哪个用户群体在下降？”

费用： 私有化部署（价格不公开，通常几十万/年起），SaaS 版有不同梯度。

GrowingIO

一句话定位：无埋点起家的数据分析平台，上手门槛低。

GrowingIO 最大的特色是无埋点（自动采集）——你不需要让开发提前写好埋点代码，工具会自动采集页面上所有元素的点击、曝光等行为数据。需要分析时，直接在后台“圈选”页面元素即可。

优势：

• 无埋点：不用等开发排期，PM 自己就能定义要看什么数据
• 上手门槛低，界面比神策更友好
• 支持“圈选”——在可视化界面上直接点击页面元素来定义事件

劣势：

• 无埋点采集的数据精度不如手动埋点
• 复杂的自定义事件还是需要代码埋点
• 高级分析功能不如神策深入
• 数据量大时性能可能有问题

适合： 数据基础设施不完善的团队、需要快速开始数据分析的场景、对埋点开发资源紧张的团队。

Google Analytics（GA4）

一句话定位：全球最流行的网站/App 分析工具，免费版功能就很强。

GA 是 Google 的数据分析工具，在全球网站分析领域的市场份额超过 80%。2023 年全面升级到 GA4 版本后，从“以页面为中心”转变为“以事件为中心”的数据模型。

核心功能：

• 用户获取分析（流量来源、渠道效果）
• 用户行为分析（页面浏览、事件跟踪）
• 转化追踪（设定目标、分析漏斗）
• 受众分析（用户画像、地域分布、设备分布）
• 和 Google Ads 深度集成

PM 需要了解的场景：

• 如果你做的是面向海外市场的产品，GA 几乎是必备工具
• 如果你做的是网页端产品（SaaS、官网、H5），GA 的免费版已经能满足大部分分析需求
• 和 Google Ads 的集成，让你能直接看到“投了多少广告→带来多少注册→最终多少人付费”的全链路

劣势：

• 国内访问需要科学上网
• 学习曲线较高，GA4 的界面和概念需要时间适应
• 对 App 端的分析不如神策/GrowingIO 深入

自建数据平台

一句话定位：大厂的选择，完全自主可控。

字节跳动、阿里、腾讯等大厂通常不会直接用第三方工具，而是自建数据分析平台。比如字节内部有“数据罗盘”、阿里有“生意参谋”。

为什么自建：

• 数据量太大，第三方工具扛不住
• 数据安全要求高，不能把用户数据存在外部
• 业务逻辑复杂，需要高度定制化的分析能力
• 成本考量——用户量达到千万级时，第三方工具的费用可能比自建还贵

PM 需要知道的：

• 如果你在大厂实习/工作，你大概率会用到公司自建的数据平台
• 这些平台的操作逻辑和神策/GrowingIO 类似——选事件、选指标、设筛选条件、看图表
• 学会了一个工具的分析思路，换一个工具也能很快上手

PM 需要掌握到什么程度

必须会的（Day 1 就需要）

• 看懂基础指标：DAU、留存率、转化率、漏斗——这些词出现在会上时你得知道在说什么
• 会用后台看数据：打开数据平台，选一个事件，看趋势图，做简单的时间对比——这个必须会
• 会提数据需求：你需要看什么数据、怎么定义这个事件、口径是什么——要能清楚地描述给数据分析师

最好会的（入职 3 个月内掌握）

• 写简单的 SQL：SELECT, WHERE, GROUP BY, JOIN——能自己从数据库里查基础数据，不用事事麻烦数据分析师
• 配置埋点方案：知道什么时候需要埋点、事件命名规范、参数怎么定义
• 做漏斗分析：能独立完成“从数据中发现流失环节→提出优化假设→用数据验证”的完整流程

加分项（长期积累）

• A/B 测试：知道怎么设计实验、怎么判断结果是否显著
• 数据建模：理解 LTV 模型、RFM 模型等常用分析框架
• BI 工具：会用 Tableau、Metabase 或飞书多维表格搭建简单的数据看板

埋点：PM 绕不开的技术活

埋点是数据分析的前提——如果没有埋点，你就没有数据可看。

什么是埋点

埋点就是在产品中的特定位置插入一段代码，当用户触发某个行为时，这段代码会向服务器发送一条数据记录。

比如你想知道“有多少用户点击了首页的搜索按钮”，你需要在搜索按钮上埋一个点，用户每次点击时就上报一条数据。

PM 需要做什么

PM 不需要自己写埋点代码，但你需要定义埋点方案：

• 埋什么：哪些行为需要追踪——通常是关键操作（注册、登录、下单、支付、分享等）
• 怎么命名：事件名称要有统一规范，比如 click_buy_button 而不是 按钮点击1
• 带什么参数：除了“用户点了”之外，还需要记录什么信息——商品 ID、来源页面、设备类型等
• 什么时候触发：页面加载时？按钮点击时？滑动到某个位置时？

埋点方案模板

Tips：

• 事件命名用英文小写 + 下划线，保持统一
• 参数不要太多，只记录分析时真正需要的
• 提前和开发、数据分析师对齐口径，避免上线后发现数据“对不上”

数据分析的 4 个常见误区

误区一：只看绝对值，不看趋势

“今天 DAU 是 50 万”——这个数字本身没有意义。你需要知道的是：比昨天多了还是少了？比上周同期呢？比上个月呢？数据的价值在于对比，不在于绝对值。

误区二：相关性当因果性

“用了新功能的用户留存率更高”≠“新功能提升了留存率”。可能只是本来就更活跃的用户更愿意尝试新功能。要证明因果性，需要做 A/B 测试或其他控制变量的方法。

误区三：数据挖掘代替用户研究

数据能告诉你“用户在哪里流失了”，但不能告诉你“用户为什么流失”。数据发现问题，用户研究解释原因——两者配合使用才完整。

误区四：过度依赖数据

不是所有决策都需要数据支撑。产品早期用户量小，数据样本不够，硬看数据反而会被噪音误导。这时候用户访谈和产品直觉可能比数据更靠谱。

一句话总结

数据工具是 PM 的“望远镜”——它帮你看到远处的风景，但往哪走还是你自己决定。 先学会看数据、提数据需求，再逐步学 SQL 和 A/B 测试，按这个顺序来就够了。

下一篇我们聊聊 PM 每天都在用的——协作与沟通工具。