数据分析入门

数据分析入门

数据分析回答「产品现在怎么样、哪里出了问题、改动有没有效」。对产品经理，它不是数学题，而是一套把业务问题翻译成指标、把指标落到动作的流程：先定义指标，再拆解归因，然后用漏斗、留存与同期群定位问题，最后用看板持续监控。

本页是操作层入门。实验设计与 A/B 统计的细节见 设计评审与可用性度量，商业化指标与单位经济见 商业化与增长，AI 输出质量的三层评估见 评估与评测，埋点与数据回流见 数据与标注。

本文路线

先建数据思维（指标分层、拆解、对比），再依次上手四种最常用的分析动作：漏斗找流失、留存看粘性、同期群排除时间干扰、看板持续监控，最后落到 AI 产品经理的实操与一个完整走查。

数据分析思维

指标分层：北极星、结果、过程

指标分三层的价值是分清「最终要什么」和「中间看什么」，避免被噪音指标带偏。

北极星指标的选择规则：同时反映用户价值与商业价值，且不被刷量污染。对 AI 产品，候选是「周有效产出次数」（生成并被采纳的结果）而不是调用量或 MAU：调用量可以被反复重试刷出来，不能代表价值。商业化与增长 对北极星指标有同款警告：只盯流量指标会把增长引向成本黑洞。

结果指标与过程指标的关系是「领先与滞后」：过程指标领先变化，结果指标滞后确认。功能改动先看过程指标（激活率、漏斗转化），再等结果指标（留存、收入）确认。只等结果指标会错过干预窗口，只看过程指标会误判业务成败。

指标拆解：公式拆解与贡献归因

拆解把一个大指标变成可定位的算式，回答「这个数为什么变了」。

公式拆解：把目标写成乘法或加法结构，逐项找异常。收入 = 活跃用户 × 付费转化率 × 客单价；付费转化率 = 进入付费页人数 ÷ 活跃用户。哪一项突变，问题就缩小到那一项。拆到能对应一个具体产品动作为止：活跃用户下跌要拆到哪个渠道、哪个版本，付费转化率下跌要拆到哪个页面。

贡献归因：当总量变化来自多个细分时，拆出每个细分的贡献。总新增 = 渠道 A 新增 + 渠道 B 新增 + 自然新增；总留存变化 = 各渠道留存变化 × 各自体量。归因的常见坑是把体量变化（新用户多了）误当质量变化（每个用户更好了），要把「数量贡献」与「率贡献」分开算。

对比与基线的陷阱

• 分母陷阱：转化率分母变化会扭曲分子。广告渠道引入大量低质用户时，付费页点击率上升但整体转化率下降，只看点击率会误判
• 辛普森悖论：总体趋势与分组趋势相反。每个渠道的转化率都提升了，总转化率却下降，因为低转化渠道的流量占比变大；分析要同时看分组与总体
• 基线漂移：对比必须有稳定的基线。促销周、版本上线、节假日都会移动基线，环比要扣掉季节性
• 幸存者偏差：只看当前活跃用户的数据，忽略了已经流失的人；留存分析要按注册同期群看，而不是按「今天还在用的人」看
• 先定义再看数：没有预先写清假设就看数据，总能找到「看起来支持结论」的数字；严谨做法是先写假设与预期方向，再用数据检验

埋点先行：数据是分析的原料

分析再熟练，没有埋点就没有数据。埋点要在功能上线前设计好，而不是上线后补：

• 事件三要素：谁（用户标识）、什么时间、发生了什么（事件名加参数）
• 事件命名规范：动词加对象，如 submit_question、generate_finish、adopt_answer，便于跨端聚合
• 关键参数：AI 产品要记「系统看到什么、返回什么、用户怎么改」，这是 badcase 回流的原料（数据与标注 有同款要求）
• 埋点评审：每次发版前过一遍埋点清单，确认分析要的字段都齐了

漏埋点是最贵的错误：事后补埋点只能收集新数据，历史数据永远缺失。判断一个埋点是否必要，问「这个事件能支撑哪个指标的哪个拆解」，答不上就砍。

漏斗分析

漏斗是分析「用户在关键路径上一步步流失」的工具：把从入口到完成的一条路径切成若干步骤，观察每步之间剩下多少人。它回答「流失在哪一步、哪一步最值得修」。

漏斗的搭建

搭建漏斗四步：

1. 定义目标行为：用户完成什么算「成功」（如知识库问答的「获得可采纳的答案」）
2. 拆关键步骤：把从进入到达成切成 3 到 7 步，每步是用户的一个明确动作
3. 定义每步的口径：触发条件、去重规则、时间窗（如「提交问题」指点击发送按钮，同一会话 10 分钟内重复提交算一次）
4. 埋点确认：先验证事件能正确上报，再开始收集

步骤数有讲究：太少看不出流失在哪，太多会把用户拆得面目全非。常规建议 3 到 7 步，每步必须对应一个用户能感知的决策点（看到了什么、做了什么决定），而不是系统内部的中间态。

转化率口径

• 单步转化率：下一步人数 ÷ 本步人数，定位每步的损耗
• 整体转化率：完成人数 ÷ 第一步人数，看全链路
• 步骤间转化率之积 = 整体转化率：这个等式可以用来校验口径；对不上的地方往往是埋点漏了或去重规则不一致

注意单步转化率与整体转化率的分母不同：单步转化率的分母是「走到这一步的人」，整体转化率的分母是「进入漏斗的人」。只看整体会掩盖中间步骤的问题，只看单步会忽略「进入漏斗的人太少」。

口径还有一个常见分歧：漏斗用「事件数」还是「人数」。做转化率分析用去重人数，做容量/成本评估用事件数，两者不能混用。报告里要写清口径，否则同一个漏斗会算出不同的数。

流失定位

找到流失最大的步骤只是起点，还要回答「谁在流失、为什么流失」：

1. 哪一步流失率最高：优先修绝对流失人数最大的步骤，而不是流失率最高的（低流量步骤的 50% 流失可能只影响 10 人）
2. 流失用户长什么样：按渠道、设备、新老、付费状态分群看流失率差异
3. 流失原因假设：体验问题（加载慢、报错）、预期落差（结果不满足）、入口误导（用户本来要干别的事）
4. 用数据验证假设：对流失用户做访谈、看会话回放、对比完成与未完成用户的行为差异

流失定位的输出不是「某步流失高」这一句结论，而是一份带证据的问题清单：哪一步、谁在流失、可能原因、验证到什么程度、下一步验什么。

漏斗的常见坑

• 新老用户混算：新用户还没学会产品、老用户已形成习惯，混在一起会拉平转化率；按新老分开建漏斗
• 时间窗不匹配：步骤间允许的时间间隔没定，用户今天进来明天完成，会被算成流失；长决策流程要给足窗口
• 样本不足：某一步人数太少时，转化率抖动剧烈，要合并统计周期或加粗粒度
• 只切不分：切了漏斗不按渠道、入口分群，看不出「哪个来源的用户更顺」；同一步骤的转化率在来源间差异常常很大

漏斗 vs 流程

漏斗是线性视角，适合路径固定、单次完成的目标。流程是状态机视角，适合有分支、可回流、多次尝试的复杂行为。AI 产品大量行为是流程而非漏斗：用户生成结果后可能不满意，修改提示词重新生成，甚至退回上一步。把流程硬套成漏斗，会漏掉「回流」这个关键行为。判断标准：用户是否必须从入口走到出口一次完成？是则用漏斗，否则先画流程再在关键节点上切漏斗。

AI 产品漏斗的特殊性

AI 产品的核心路径多一步「生成等待」，且结果质量不确定，漏斗形态与传统产品有三点差异：

• 提示词输入是新的流失点：传统表单输入成本低，提示词书写成本高，空输入、写一半放弃、粘贴外部文本都是特征行为；漏斗里要单独切「输入完成」这一步骤
• 生成等待是耐心流失点：等待时间与放弃率强相关（首 token 延迟与端到端延迟见 评估与评测 的线上指标）；漏斗里要记录「生成中放弃」与「生成后放弃」的差别
• 结果采纳是 AI 特有的漏斗底：生成完成不等于成功，用户可能看一眼就关掉；「采纳率」（复制、导出、继续追问、给出好评）才是真正的完成

留存分析

留存回答「用户用过一次之后还会不会回来」。它是产品价值的长期检验：拉新可以靠投放，留存只能靠产品本身。

留存曲线的形态解读

留存曲线画的是「第 N 天或第 N 周还有多少比例的同期用户回来」。三种典型形态：

• 陡降：前 3 到 7 天快速下滑后趋平。陡降说明新用户没有在早期体验到价值；趋平的那一段才是核心用户群，要看它的绝对值高不高
• 平台：曲线下降缓慢、长期维持较高水平。产品建立了使用习惯或工作流依赖，是健康形态
• 回弹：曲线先降后升。多见于周期性使用产品（周报、月末复盘），或新功能、运营活动把用户拉回来；要区分「自然回弹」与「运营刺激回弹」

解读留存曲线先看两个点：下滑的速度（早期留存）和平台的高度（长期留存）。早期留存指向激活与 onboarding，长期留存指向习惯与不可替代性。曲线形态比单点数字重要：两个产品的 30 日留存都是 20%，一个靠老用户撑起、一个靠新用户撑起，含义完全不同。

日留存与周留存

选哪个粒度由使用频率决定：高频产品（对话助手、编辑器）看日留存，低频产品（周报、月结）看周留存。AI 产品里生成任务类偏低频，按日留存会显得很低，但按周看可能不差。粒度选错会得出「产品不行」的错误结论。

留存的另一个口径分叉是「固定队列」与「滚动留存」：

• 固定队列（fixed cohort）：第 N 天当天回访才算留存，严格但不容忍使用周期抖动
• 滚动留存（rolling retention）：第 N 天之前任一天回访过就算留存，容忍周期抖动，数值更高

两者不冲突，但报告里必须写清口径；对比时只能同口径比。

新老用户留存分层

把新老用户分开看，否则两个群体的趋势会互相掩盖：

分层后还要继续切分：新用户留存按渠道看，能定位「哪个渠道来的用户质量高」；老用户留存按功能使用深度看，能判断「用了某功能的用户是否更粘」。分层的原则是「一次切一个维度，切到能对应动作」。

激活对留存的影响

激活是用户完成「第一次体验核心价值」的动作，不等于注册。对 AI 产品，激活常常是第一次「被结果惊艳」的会话：第一次生成并采纳一个可用的答案、第一次跑通一个自动化任务。

• 找到激活动作：比较「做了某动作」与「没做」的用户 7 日留存差异，差异最大的那个动作就是候选 Aha
• 缩短 time-to-value：从注册到第一次成功产出的时间，每减少一步都是激活率提升
• 用 onboarding 放大激活：模板、示例数据、引导提问，把「从空白开始想问题」的成本降下来

同期群分析

同期群分析（cohort analysis）把用户按「开始使用的时间」分组，跟踪每一组的后续行为。它解决的经典问题：整体留存率没变，但每一批新用户的留存都在变差。整体数据被新用户稀释，只有按同期群看才看得清。

什么是同期群

同期群是一批在同一时间段开始使用产品的用户，常见是按注册周或注册日分组。分析时固定这个分组，跟踪每组在第 1 周、第 2 周、第 4 周的留存或消费，组间纵向对比。同期群的价值在于把「时间因素」从对比中隔离出来：不同批次面对的产品不同（版本、功能、市场环境），混在一起比较会互相污染。

分组方式

分组粒度要与行为周期匹配：日更产品按日看，周更产品按周看；分组太细会样本不足，太粗会掩盖差异。组内用户数低于几百时，比率会剧烈抖动，要合并相邻分组或改用更长周期。

同期群表解读

同期群表是行 = 同期群、列 = 时间周期的矩阵：

解读顺序：先横看一行（同一批用户的衰减），再竖看一列（不同批用户的同一时间点）。竖看 W1 留存从 30% 降到 22%，说明产品对「新用户」的吸引力在变差；这不是单批用户运气不好，而是产品层面的趋势，需要追查原因（渠道变化、版本退化、市场周期）。

同期群表只列留存率还不够，还要带每行用户数：用户数同时上升且留存率下降，说明增长渠道带来的用户质量在下降；用户数平稳但留存下降，说明产品本身在变差。两个场景的解法完全不同。

与留存的关系

留存曲线是「一批用户」随时间的行为，同期群表是「多批用户」的留存曲线的叠放。两者配合：

• 留存曲线看单批用户的健康度，同期群看跨批次的趋势
• 同期群表能区分「产品变差了」与「这届用户不行」：同一列普遍下滑是产品问题，单一行异常是该批用户问题
• 激活实验、模型替换的效果评估，用同期群对比上线前后两批用户最干净

营收同期群

用户留存同期群之外，还有收入同期群：按注册周期群跟踪每组的累计收入或毛利，得到 LTV 曲线。它回答「这批用户长期值多少钱」，用于渠道投放与获客成本（CAC）的匹配（LTV 与 CAC 见 商业化与增长）。AI 产品的营收同期群要把推理成本从收入里扣掉再画，否则高消耗用户会贡献「虚高收入、实亏毛利」。

看板搭建

看板把指标体系变成日常可盯的画面，回答「今天产品怎么样、哪里在变」。它由三部分组成：指标分层（上文的北极星、结果、过程）、指标口径（每个数的精确定义）、告警与排查机制。

指标体系到看板

搭建顺序：

1. 从北极星出发选 5 到 10 个指标：北极星 + 3 到 5 个过程指标 + 2 到 3 个护栏指标（成本、投诉、延迟）
2. 每个指标写清口径：定义、计算逻辑、数据来源、刷新频率、负责人
3. 分三层展示：总览页（北极星与核心结果）、过程页（漏斗与留存）、明细页（可下钻到细分）
4. 给关键指标配阈值与告警：跌破阈值触发排查流程

护栏指标是 AI 产品看板最容易漏的一层：只看转化与留存，会漏掉推理成本与延迟。看板必须把「质量、成本、体验」与「增长」放在同一屏。商业化与增长 对 MAU 与毛利同表的建议同理：增长与成本必须是同一张报表。

一个示例看板

以知识库问答产品为例，三层看板的骨架：

告警阈值的设定：先看历史分位（P10 与 P90），再配预期方向；阈值太紧天天误报，太松形同虚设。告警的意义是触发排查，不是替代人工看板。

常用工具：SQL 基本查询与 BI 概念

产品经理不一定要写复杂 SQL，但要能看懂与验证数据团队给的数。三条最常用的查询模式：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

-- 1. 漏斗：每步的去重人数
SELECT step, COUNT(DISTINCT user_id) AS users
FROM funnel_events
WHERE event_date = '2026-08-01'
  AND step IN ('enter', 'submit', 'generate', 'adopt')
GROUP BY step;

-- 2. 留存：某天注册用户的次日与 7 日回访数
SELECT
  COUNT(DISTINCT a.user_id) AS new_users,
  COUNT(DISTINCT b7.user_id) AS retained_d7
FROM registration a
LEFT JOIN activity b7
  ON a.user_id = b7.user_id
 AND b7.event_date = a.reg_date + INTERVAL 7 DAY
WHERE a.reg_date = '2026-08-01';

-- 3. 同期群：按注册周的周留存概览
SELECT
  DATE_TRUNC('week', reg_date) AS cohort,
  COUNT(DISTINCT user_id) AS users
FROM registration
GROUP BY 1
ORDER BY 1;

BI 工具（Metabase、Tableau、Superset 等）的核心概念：数据源（连到数据仓库）、指标（口径定义）、维度（切分角度）、仪表盘（指标与维度的组合展示）。理解这四层，就能和 BI 工程师对话，也能判断一个看板做得好不好。

指标异常时怎么办

指标突变先别急着写结论，按排查路径走：

1. 确认是不是真的异常：先看数据是否完整（埋点漏报、管道延迟），再看是否是已知事件（促销、版本、故障）
2. 拆解定位：按维度拆（渠道、版本、地区、新老），把异常缩小到具体细分
3. 找原因：对照改动记录（最近上了什么功能、换了什么模型、改了什么入口），找时间线重合的改动
4. 假设验证：用同期群或 A/B 验证「是这个改动导致」而不是巧合（实验方法见 设计评审与可用性度量）
5. 决定动作：回滚、修复、还是继续观察，配护栏指标决定

排查里最常犯的错是跳过第 1 步直接讲故事：先排除数据问题，再看业务原因。

对 AI 产品经理的实操

数据分析在 AI 产品迭代里不是旁观者，而是「评测回流、badcase 定位、模型替换」这条循环的燃料（循环框架见 AI 产品开发生命周期）。

评测回流与 badcase

• 线上指标是评测集的补充：评测集是离线抽样、标注打分，线上指标是真实用户行为；两者互为验证（三层评估见 评估与评测）
• badcase 是数据飞轮的入口：用户点踩、纠错、拒绝采纳的样本，回流进评测集与训练数据，是产品持续变好的来源（回流机制见 数据与标注）
• 用留存与漏斗给评测排优先级：评测分数低的 badcase 如果只是低频长尾，优先级低于「高频且正在流失」的场景；数据分析决定评测资源投在哪

badcase 分级与回流节奏

• 分级：按影响面分 P0（大范围错误、安全）、P1（高频场景错误）、P2（低频长尾），对应不同的处理时限
• 回流节奏：P0 立即回流并触发回归，P1 进入下一迭代评测集，P2 攒批处理；回流不是「攒够了再处理」，而是「分级后各有节奏」
• 回流闭环：badcase 进评测集后，要有「修复 → 回归 → 上线 → 线上验证采纳率回升」的闭环，否则回流只是堆数据

模型替换中的数据分析

模型替换（换供应商、换版本、换提示词策略）是 AI 产品的高风险改动，数据分析给它配三件套：

1. 替换前后对比：同一批流量灰度，用同期群对比替换前后两批用户的留存、采纳率、成本
2. 护栏指标同步盯：质量（幻觉率代理）、体验（延迟）、成本（单请求成本）三个护栏同时看，防止「质量提升但成本翻倍」
3. 回归兜底：离线评测集回归与线上指标监控并行，替换后持续观察一段时间，不只看出当天的分数

模型替换的决策不能只看评测集分数：评测集分数高但线上采纳率下降，说明评测分布与真实用户分布脱节；要以线上指标为准调整评测集（基准污染与同分布问题见 评估与评测）。

完整走查：知识库问答产品的分析

把上面的方法串成一个案例（知识库问答产品，形态见 知识库问答）。

背景：产品上线 3 个月，注册 1 万人，周活跃约 1500。团队想回答三个问题：用户在哪一步流失、留存为什么上不去、最近一次模型替换有没有效果。

第一步 搭漏斗：定义核心路径为 进入问答页 → 输入问题 → 生成完成 → 采纳答案（复制、导出、继续追问）。埋点得到：

流失定位：最大流失在「输入问题」前（38% 用户进入后不提问）与「采纳」前（58% 生成了但没采纳）。前者指向 onboarding 与提问引导，后者指向答案质量。

第二步 看留存：留存曲线呈陡降形态，7 日留存 15%。新老分层后发现新用户 7 日留存仅 8%，老用户约 30%。进一步对比「首次会话是否采纳过答案」的两组用户，采纳过的用户 7 日留存 35%，未采纳的 8%。激活动作指向「首次会话获得可用答案」。

第三步 做同期群：按注册周分群，发现 W1 到 W4 的 7 日留存从 18% 一路降到 10%。同期群表竖看普遍下滑，说明不是某批用户的问题，而是产品整体对新用户的吸引力在变差。时间线上对应的改动：W3 换了检索模型。结合模型替换的数据分析流程，回查替换前后的评测与线上指标，发现离线评测分数上升但「采纳率」从 45% 降到 38%，检索改版可能让「看起来相关但没用」的结果变多了。

结论与动作：漏斗指向优化提问引导（加示例问题、空态引导）与答案质量；留存分析确认激活点是「首次采纳」；同期群锁定模型替换是留存下滑的嫌疑原因。动作是回滚或优化检索策略，并给「采纳率」建看板告警。

来源说明

发现错误？想一起完善？ 在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用