将质化转为量化的数据分析

不管是问卷分析还是在看用户的使用资料，都充斥着许多密密麻麻的资料，这些值化的资料最後都会转换成量化的资料，帮助产品经理做决策时参考，因此今天要来分享非常重要的 数据分析。

在开始把资料量化前，产品经理一定都会先厘清此次执行的目的是什麽，例如想了解学生族群最常通勤的时段，或是饮料店最常爆炸的尖峰时段等。
整体执行流程如下图，执行顺序为由左到右，每步骤内容後面会详细说明。

一、检查资料

如果有过自己捞资料的经验，通常raw data都不会太乾净XD，需要另外检查是否有诡异的值存在，不然最後的分析结果会产生偏误。
关於检查的方式，较直觉有以下三种做法可以参考：
考虑现实世界，例如：异常的时间
考虑栏位特性，例如：金额栏位不该有小数位、必填栏位有空值
考虑分布方式，例如：平均销售金额是否某月异常高或异常低

二、确定资料来源

需要确认此份数据是从哪里来的，哪个时间点产生的，确保资料的可靠性，因为并非所有数据来源都是自己从公司内部捞出来，有时候可能是别的部门提供的数据资料或问卷结果。
另外，若是抽样资料，需要考虑是否存在抽样偏误，若有偏误的存在需要进一步评估此偏误影响大小，避免分析结果落差太大。

三、理解资料定义

资料内总是有五花八门的栏位，需要清楚理解每个栏位的定义，避免理解错误栏位影响後续分析方式，毕竟每个人对於字词的定义不同，下列举出两个例子来说明：
平均消费金额计算基础 -- 算所有店家的平均？算单一店家的平均？
活动出席率计算基础 -- 迟到3分钟算出席吗？迟到30分钟算出席吗？活动结束前到算出席吗？

四、用户使用脉络

了解使用者是如何理解与使用此功能或产品，是否有出现理解错误的情形，因为这会影响到分析的数据结果，下列分别举出几个例子说明：
虾皮的免运服务，希望可以让消费者多购买商品，最後却变成顾客免费的搬家工具。
停车大声公的APP，多数人以为最常安装的人会是正驾驶，但若仔细想想，驾驶当下要开车根本无法分心看APP，所以最常安装的人可能是副驾驶。
分析KOBO每本书的阅读进度，但仔细想一下KOBO可以下载离线阅读，因此离线阅读的进度不会统计回系统内。

五、拆解数据

依据一开始定义的分析目的，从数据中找出有关联的观点，并且进行拆解，详细的作法下列用例子直接说明：
分析注册率 -- 拆解方式可能是时段、使用装置、使用者来源
分析离职率 -- 拆解方式可能是部门、年资、升迁
分析活跃用户 -- 拆解方式可能是活跃时间长度（天数）、常进行的操作行为
分析租屋率 -- 拆解方式可能是租屋人的职业、收入

六、放大镜检视

根据前一步拆解出来的数据，整体摊开来看，寻找特别突出的部分，并进一步对该部分放大观察和研究，找出差异点在哪，参考例子如下：
某月储值金特别高，进一步去看使用者储值後的行为是什麽，大家是否有共通性。

七、因果关系

进行沙盘推演，找出前因後果，参考例子如下：
facebook的新用户注册後，10天内新增7个好友，新用户有持续使用超过一个月以上，表示新用户因为加了新的好友，所以使用facebook的时间拉长了。

八、产生指标

指标的重点在於数字的增加或减少，能够反映该事情是否作对，一般来说没有绝对的正确性，参考例子如下：
CPR 获取一个顾客平均成本。

另外，很多时候在做问卷时都会发送礼物给填答者，需要注意此行为是否会造成偏误，因此建议每次的礼物品质都要相同，让比较基准都在同个水平上。
比较
一般来说，无法直接对数值的结果做比较或评论，需要有一个比较基准，才能作出较据说服力的判断，参考的例子如下：
法国每年超过7.3亿美元的食物操到销毁，乍听之下数量很惊人，但若是听到英国每年是30亿美元的食物操到摧毁，瞬间觉得法国是小巫见大巫。
法国去年超过7.3亿美元的食物操到销毁，乍听之下数量很惊人，但若是听到过去五年法国每年平均有15亿食物被销毁，瞬间觉得法国去年改变很多。

结语，原本密密麻麻的资料，经过一些加工处理後，最後变成一份很有价值的参考文件或决策依据，真的是件很不可思议的事！