想到数据分析，首先想到的肯定是收集数据，然后采用各种方法来对数据进行分析，其起点在于数据的收集。对于已经持续迭代多期的产品功能，数据的来源自然是现成就有的。可是对于一款全新的产品或者一个全新的功能，数据的收集本身就是数据分析最大的门槛。

套用同事的话说就是先生鸡还是先生蛋的问题。收集数据的意义在于分析，分析的目的在于为产品功能做决策；而唯有有了产品功能，才能产生最真切的数据。

此处需要的便是使用mvp方法尝试新功能，建立新case，以此得到相应的数据然后做出相应的调整，或者推翻重来。那么如何才能让测试简单有效呢？

显然如果先上功能，想着尽可能多的收集一些杂乱的数据，然后再根据数据胡乱的分析是不合理的。运气好还能得到一些结论，如果运气不好可能就是努力半天也得不到任何的反馈。如此周而复始的测试是不具任何意义的。

建立一个数据收集case，最根本的点在于你究竟想通过测试得到什么样的认知，用户习惯的操作是什么，用户对什么感兴趣？说白了就是在设计case之前，你需要一个目标导向的设定，最开始你需要做的便是确认数据收集的目标是什么。

例如，如果你想给用户发放优惠券，但是又担心优惠券的吸引力不足，于是你想通过游戏的噱头来吸引用户获取对用户的优惠券的认知。但是你无法确认你的idea是否有效。如果你在之前的产品中已经有过这样的case，自然能够很清楚的知道其是否有效，但是如果你没有这样的经验，此刻最好的 办法便是通过新建case，收集数据，对数据进行分析，然后再得出结论。你需要对部分的用户进行case的推送，在这个例子中，我们最需要验证的便是该方式是否足够吸引用户。此时需要收集的便是游戏的转化率，优惠券的转化率等等。知道收集什么数据之后才可开始case的设置。

对于一个新功能，如果先做好数据分析，最重要的是采用科学的方法对最核心的数据进行最为有效的收集。

数据分析分析什么？

通过新建case，我们收集到了数据，然后呢？数据分析分析的到底是什么，我们需要验证新的case是否行之有效，确实，可是知道新的case是否行之有效之后就没了吗？

最重要的是搞清楚原因，新case好的原因是什么？不好的原因又是什么？隐藏在该数据背后的原因才是数据分析的根源。而数据得出的结论应该是，某类用户在某种情况下因为什么偏向于做出什么行为，如此才是最为合适的数据结论

当然有时候我们的数据分析会陷入一个两难的局面，例如上面的例子，我们最终通过测试验证出使用游戏为噱头发放优惠券的方式效果非常好，bannar的UV转化率要比一般的的bannar转化率高出10倍。可是我们无法确定的是用户究竟是对游戏感兴趣还是对优惠券感兴趣。

当然这不是一个很好的例子，因为从一开始或许我们就可以预测到这个双选出现的可能性，如果在最开始就对此设计一个AB测试，可能能够更加快速的得到结论。可是，它却能很好的说明一个问题，在我们不知道是否一次可以得到结论的情况下，我们需要在 当前已知的认知上进行新case的设计，而当有新的数据出来以后，我们通过新的数据往往能够得到新的认知，此时则可在新的认知上面进一步case检测。

数据分析的方法论

确定数据分析的目标——设立相应的指标——对结果进行可能性预测并做好调整准备——进行case的建立——对数据进行统计——得到最终的解决——对用户的心理以及行为模式产生一个新的认知——累积认知

数据分析的意义

数据分析的意义在于通过数据 ，我们对目标用户在某一方面的心理以及行为有了一个较新的认识，如果能够得到新的认识，则case必然是成功的，无论其是否产生非常直接的价值，但是其本身的价值一定是不可少的。