不管是問卷分析還是在看用戶的使用資料，都充斥著許多密密麻麻的資料，這些值化的資料最後都會轉換成量化的資料，幫助產品經理做決策時參考，因此今天要來分享非常重要的 數據分析。

在開始把資料量化前，產品經理一定都會先釐清此次執行的目的是什麼，例如想了解學生族群最常通勤的時段，或是飲料店最常爆炸的尖峰時段等。
整體執行流程如下圖，執行順序為由左到右，每步驟內容後面會詳細說明。

一、檢查資料

如果有過自己撈資料的經驗，通常raw data都不會太乾淨XD，需要另外檢查是否有詭異的值存在，不然最後的分析結果會產生偏誤。
關於檢查的方式，較直覺有以下三種做法可以參考：
考慮現實世界，例如：異常的時間
考慮欄位特性，例如：金額欄位不該有小數位、必填欄位有空值
考慮分佈方式，例如：平均銷售金額是否某月異常高或異常低

二、確定資料來源

需要確認此份數據是從哪裡來的，哪個時間點產生的，確保資料的可靠性，因為並非所有數據來源都是自己從公司內部撈出來，有時候可能是別的部門提供的數據資料或問卷結果。
另外，若是抽樣資料，需要考慮是否存在抽樣偏誤，若有偏誤的存在需要進一步評估此偏誤影響大小，避免分析結果落差太大。

三、理解資料定義

資料內總是有五花八門的欄位，需要清楚理解每個欄位的定義，避免理解錯誤欄位影響後續分析方式，畢竟每個人對於字詞的定義不同，下列舉出兩個例子來說明：
平均消費金額計算基礎 -- 算所有店家的平均？算單一店家的平均？
活動出席率計算基礎 -- 遲到3分鐘算出席嗎？遲到30分鐘算出席嗎？活動結束前到算出席嗎？

四、用戶使用脈絡

了解使用者是如何理解與使用此功能或產品，是否有出現理解錯誤的情形，因為這會影響到分析的數據結果，下列分別舉出幾個例子說明：
蝦皮的免運服務，希望可以讓消費者多購買商品，最後卻變成顧客免費的搬家工具。
停車大聲公的APP，多數人以為最常安裝的人會是正駕駛，但若仔細想想，駕駛當下要開車根本無法分心看APP，所以最常安裝的人可能是副駕駛。
分析KOBO每本書的閱讀進度，但仔細想一下KOBO可以下載離線閱讀，因此離線閱讀的進度不會統計回系統內。

五、拆解數據

依據一開始定義的分析目的，從數據中找出有關聯的觀點，並且進行拆解，詳細的作法下列用例子直接說明：
分析註冊率 -- 拆解方式可能是時段、使用裝置、使用者來源
分析離職率 -- 拆解方式可能是部門、年資、升遷
分析活躍用戶 -- 拆解方式可能是活躍時間長度（天數）、常進行的操作行為
分析租屋率 -- 拆解方式可能是租屋人的職業、收入

六、放大鏡檢視

根據前一步拆解出來的數據，整體攤開來看，尋找特別突出的部分，並進一步對該部分放大觀察和研究，找出差異點在哪，參考例子如下：
某月儲值金特別高，進一步去看使用者儲值後的行為是什麼，大家是否有共通性。

七、因果關係

進行沙盤推演，找出前因後果，參考例子如下：
facebook的新用戶註冊後，10天內新增7個好友，新用戶有持續使用超過一個月以上，表示新用戶因為加了新的好友，所以使用facebook的時間拉長了。

八、產生指標

指標的重點在於數字的增加或減少，能夠反映該事情是否作對，一般來說沒有絕對的正確性，參考例子如下：
CPR 獲取一個顧客平均成本。

另外，很多時候在做問卷時都會發送禮物給填答者，需要注意此行為是否會造成偏誤，因此建議每次的禮物品質都要相同，讓比較基準都在同個水平上。
比較
一般來說，無法直接對數值的結果做比較或評論，需要有一個比較基準，才能作出較據說服力的判斷，參考的例子如下：
法國每年超過7.3億美元的食物操到銷毀，乍聽之下數量很驚人，但若是聽到英國每年是30億美元的食物操到摧毀，瞬間覺得法國是小巫見大巫。
法國去年超過7.3億美元的食物操到銷毀，乍聽之下數量很驚人，但若是聽到過去五年法國每年平均有15億食物被銷毀，瞬間覺得法國去年改變很多。

結語，原本密密麻麻的資料，經過一些加工處理後，最後變成一份很有價值的參考文件或決策依據，真的是件很不可思議的事！