03 - 数据分析工具

"A fool with a tool is still a fool." -- Grady Booch
工具本身不会让你变聪明，但正确的工具能极大提升你的效率。

数据分析工具全景图

在选择工具之前，先了解数据分析工具的整体生态：

  数据分析工具全景图
  =============================================

  数据采集层                数据分析层            数据展示层
  +-----------+         +--------------+      +----------+
  | 前端埋点   |  -----> | 事件分析      |      | 数据看板  |
  | SDK 集成   |         | 漏斗分析      | ---> | BI 报表  |
  | 服务端上报  |         | 留存分析      |      | 自定义图表|
  +-----------+         | 用户分群      |      +----------+
                        +--------------+
       |                      |                     |
       v                      v                     v
  +----------+          +-----------+         +-----------+
  | GA4      |          | Mixpanel  |         | Tableau   |
  | 神策      |          | Amplitude |         | Metabase  |
  | GrowingIO |          | 神策      |         | Grafana   |
  | 火山引擎  |          | GrowingIO |         | 飞书多维   |
  +----------+          +-----------+         +-----------+

Google Analytics 4 (GA4)

简介

Google Analytics 4（简称 GA4）是 Google 推出的新一代网站和应用分析工具，于 2020 年发布，2023 年全面替代了旧版 Universal Analytics。它是全球使用最广泛的数据分析工具，对中小企业免费开放核心功能。

核心特点

  GA4 核心架构
  =============================================

  旧版 UA (已退役)              GA4 (现役)
  +-----------------+          +-----------------+
  | 基于 Session    |          | 基于 Event      |
  | (会话模型)       |          | (事件模型)       |
  |                 |          |                 |
  | Pageview 为核心  |   --->   | 一切皆事件       |
  | Session 为单位   |          | 用户为中心       |
  | Web 优先         |          | 跨平台(Web+App) |
  +-----------------+          +-----------------+

GA4 的事件模型

GA4 的核心理念是"一切皆事件"（Everything is an Event）。

事件类型	说明	举例
自动收集事件	GA4 自动采集	page_view, session_start, first_visit, user_engagement
增强衡量事件	开启后自动采集	scroll, click, file_download, video_start, video_complete
推荐事件	Google 推荐的标准事件名	login, sign_up, purchase, add_to_cart, share
自定义事件	根据业务需求自己定义	create_post, invite_friend, upgrade_plan

  GA4 事件数据结构示例
  =============================================

  事件: purchase (购买)
  +---------------------------------------------+
  |  event_name: "purchase"                      |
  |  event_timestamp: 1711234567890              |
  |  user_id: "user_12345"                       |
  |                                             |
  |  参数 (parameters):                          |
  |  +----------------------------------------+ |
  |  | transaction_id: "T_20240301_001"        | |
  |  | value: 299.00                           | |
  |  | currency: "CNY"                         | |
  |  | items: [                                | |
  |  |   {item_name: "蓝牙耳机",               | |
  |  |    item_category: "数码配件",            | |
  |  |    price: 299.00,                       | |
  |  |    quantity: 1}                         | |
  |  | ]                                       | |
  |  +----------------------------------------+ |
  +---------------------------------------------+

GA4 适用场景

适用	不太适用
网站流量分析	深度用户行为分析
来源/媒介/渠道归因	复杂的自定义漏斗
转化跟踪	实时数据分析（有延迟）
跨设备用户识别	中国大陆地区（需科学上网）
与 Google Ads 联动	私有化部署需求
中小企业的入门选择	超大规模数据量

GA4 核心功能一览

  GA4 功能架构
  =============================================

  +-- 报告 (Reports) --------------------------+
  |                                            |
  |  +-- 实时报告 --+  +-- 生命周期 ----------+  |
  |  | 当前在线用户  |  | 获客: 用户来源       |  |
  |  | 实时事件流    |  | 互动: 页面/事件      |  |
  |  +-----------+  | 创收: 收入/电商       |  |
  |                 | 留存: 用户回访        |  |
  |                 +---------------------+  |
  +--------------------------------------------+

  +-- 探索 (Explore) --------------------------+
  |  自由形式 | 漏斗分析 | 路径分析 |            |
  |  同期群分析 | 用户生命周期 | 细分重叠         |
  +--------------------------------------------+

  +-- 广告 (Advertising) ----------------------+
  |  归因模型 | 转化路径 | 模型对比               |
  +--------------------------------------------+

Mixpanel

简介

Mixpanel 是一款以事件分析为核心的产品分析工具，由 Suhail Doshi 于 2009 年创立。它特别擅长跟踪用户在产品中的具体行为，帮助产品团队理解用户"做了什么"以及"为什么这么做"。

核心功能

  Mixpanel 核心功能
  =============================================

  +------- 事件分析 (Insights) -------+
  |                                  |
  |  - 事件趋势分析                    |
  |  - 多维度拆分                     |
  |  - 自定义公式计算                  |
  |  - 实时数据更新                    |
  +----------------------------------+
           |
           v
  +------- 漏斗分析 (Funnels) --------+
  |                                  |
  |  - 自定义多步骤漏斗                |
  |  - 按属性分组对比                  |
  |  - 转化时间分析                    |
  |  - 漏斗内用户查看                  |
  +----------------------------------+
           |
           v
  +------- 留存分析 (Retention) ------+
  |                                  |
  |  - 灵活的留存定义                  |
  |  - N-day / Unbounded / Bracket   |
  |  - 按属性分群对比                  |
  |  - 留存曲线可视化                  |
  +----------------------------------+
           |
           v
  +------- 用户分群 (Cohorts) --------+
  |                                  |
  |  - 基于行为的动态分群              |
  |  - 分群导出对接                    |
  |  - 分群间行为对比                  |
  |  - 与其他分析模块联动              |
  +----------------------------------+

Mixpanel 使用示例

  用 Mixpanel 分析"注册到首单"漏斗
  =============================================

  Funnel: 新用户首单转化
  时间范围: 过去 30 天
  转化窗口: 7 天内

  步骤                人数        转化率
  -------------------------------------------------
  1. Sign Up         15,230      100%
     ||||||||||||||||||||||||||||||||||||||||

  2. Browse Product   9,892       65%
     ||||||||||||||||||||||||||

  3. Add to Cart      4,451       45%   (步骤转化)
     ||||||||||||||||||

  4. Checkout         2,670       60%   (步骤转化)
     |||||||||||

  5. Payment Success  2,136       80%   (步骤转化)
     |||||||||

  整体转化率: 2,136 / 15,230 = 14.0%

  按渠道拆分:
  +----------+----------+----------+----------+
  | 渠道      | 注册人数  | 首单人数  | 转化率    |
  +----------+----------+----------+----------+
  | 自然搜索  | 5,200    | 936      | 18.0%    |
  | 社交广告  | 6,030    | 663      | 11.0%    |
  | 应用商店  | 4,000    | 537      | 13.4%    |
  +----------+----------+----------+----------+

  洞察: 自然搜索渠道的首单转化率最高!

Mixpanel 适用场景

适用	不太适用
用户行为的深度分析	简单的网站流量统计
产品核心指标监控	广告归因分析
A/B 测试结果分析	SEO 分析
用户路径和漏斗优化	内容管理
SaaS 产品的用户分析	大规模离线数据分析

Amplitude

简介

Amplitude 成立于 2012 年，与 Mixpanel 定位相似，都是以事件分析为核心的产品分析平台。两者常被放在一起比较。Amplitude 在 2021 年上市，目前是产品分析领域的领导者之一。

Amplitude vs Mixpanel 详细对比

对比维度	Amplitude	Mixpanel
核心理念	以产品分析驱动增长	以事件追踪理解用户行为
数据模型	事件 + 用户属性 + 群组属性	事件 + 用户属性 + 超级属性
免费额度	每月 1000 万事件	每月 2000 万事件
行为分群	Behavioral Cohorts (强项)	Cohorts (较强)
用户路径	Pathfinder (强项，可视化好)	Flows (基础)
A/B测试	Amplitude Experiment (内置)	需第三方集成
数据治理	Govern (数据管理功能强)	Lexicon (基础)
学习曲线	中等	中等偏低
客户案例	PayPal, Walmart, Dropbox	Uber, Twitter, DocuSign
中国支持	一般	一般
独特优势	Compass 功能（自动发现关联）; 用户路径分析	交互式UI; JQL自定义查询; 消息推送(Mixpanel原生)

Amplitude 独特功能

  Amplitude 特色功能
  =============================================

  1. Compass (指南针)
  +-------------------------------------------+
  |  自动发现: 哪些用户行为与留存相关？            |
  |                                           |
  |  输入: 留存指标 (如 D7 留存)                 |
  |  输出: "在第一周内完成 3 次搜索的用户,        |
  |         D7 留存率比其他用户高 45%"           |
  |                                           |
  |  --> 帮你找到产品的"啊哈时刻"                 |
  +-------------------------------------------+

  2. Pathfinder (路径发现)
  +-------------------------------------------+
  |  可视化用户在产品中的真实行为路径               |
  |                                           |
  |  首页 ---> 搜索 ---> 详情页 ---> 加购 (32%) |
  |       |         |                         |
  |       |         +--> 返回 ---> 退出 (18%)   |
  |       |                                    |
  |       +---> 分类 ---> 详情页 ---> 加购 (28%)|
  |       |                                    |
  |       +---> 推荐 ---> 详情页 ---> 加购 (42%)|
  |                                           |
  |  --> 发现推荐入口的转化率最高                  |
  +-------------------------------------------+

  3. Personas (用户画像)
  +-------------------------------------------+
  |  基于行为自动识别不同类型的用户群体             |
  |                                           |
  |  群体A: "高频浏览低频购买" (占比 35%)         |
  |  群体B: "搜索导向型买家" (占比 25%)           |
  |  群体C: "推荐驱动型买家" (占比 20%)           |
  |  群体D: "忠实复购用户" (占比 20%)             |
  +-------------------------------------------+

国内工具

由于 Google Analytics 等海外工具在国内使用存在网络限制，国内也涌现出了一批优秀的数据分析工具。

神策数据（Sensors Data）

  神策数据架构
  =============================================

  +-- 数据采集 --+     +-- 分析平台 --+     +-- 应用层 --+
  |             |     |             |     |            |
  | Web SDK     |     | 事件分析     |     | 数据看板    |
  | iOS SDK     | --> | 漏斗分析     | --> | 运营工具    |
  | Android SDK |     | 留存分析     |     | 智能预警    |
  | 服务端 SDK   |     | 用户画像     |     | 数据导出    |
  | 小程序 SDK   |     | 路径分析     |     | 开放 API   |
  |             |     | 归因分析     |     |            |
  +-------------+     +-------------+     +------------+
                           |
                     +-----+-----+
                     | 私有化部署  |  <-- 核心优势
                     | 数据自主可控 |
                     +-----------+

核心优势：

优势	说明
私有化部署	数据存储在企业自己的服务器上，满足数据安全和合规要求
全端 SDK	覆盖 Web、iOS、Android、小程序、服务端，全面采集
灵活的数据模型	支持自定义事件、属性，适应各种业务场景
完善的中文支持	中文文档、中文客服、本地化服务
丰富的分析模型	事件分析、漏斗、留存、路径、分布、归因等一应俱全

适用场景：中大型企业、对数据安全要求高的行业（金融、医疗等）、需要深度定制的场景。

GrowingIO

  GrowingIO 特色: 无埋点 + 埋点结合
  =============================================

  传统埋点:
  +--------------------------------------------+
  | 1. 产品经理提需求                             |
  | 2. 开发写埋点代码                             |
  | 3. 测试验证                                  |
  | 4. 上线发版                                  |
  | 5. 才能开始收集数据                            |
  |                                            |
  | 周期: 1-2 周                                 |
  | 问题: 事后想分析未埋点的事件? 没数据!            |
  +--------------------------------------------+

  GrowingIO 无埋点:
  +--------------------------------------------+
  | 1. 集成 SDK (一次性)                          |
  | 2. 自动采集所有点击、浏览、输入等行为           |
  | 3. 通过"圈选"功能在后台定义要分析的元素          |
  | 4. 历史数据也能回溯分析!                       |
  |                                            |
  | 周期: 即时                                   |
  | 优势: 数据采集零开发成本                       |
  +--------------------------------------------+

  最佳实践: 无埋点 + 埋点 结合
  +--------------------------------------------+
  | 无埋点: 快速验证假设，覆盖基础交互行为          |
  | 埋点:   精确采集业务关键事件和参数              |
  |                                            |
  | "无埋点打底，精准埋点补充"                      |
  +--------------------------------------------+

核心优势：

优势	说明
无埋点技术	自动采集用户行为，无需开发介入
可视化圈选	在页面上直接"画圈"定义要追踪的元素
数据回溯	可以分析 SDK 集成之前的历史数据
产品分析+运营	分析能力与用户运营工具结合

火山引擎数据产品

火山引擎是字节跳动对外输出的技术服务品牌，其数据产品线源自字节跳动内部的数据中台体系。

  火山引擎数据产品矩阵
  =============================================

  +------ 增长分析 (DataFinder) ------+
  |  - 事件分析、漏斗分析、留存分析     |
  |  - A/B 测试平台 (DataTester)      |
  |  - 源自字节跳动的增长方法论         |
  +----------------------------------+
           |
  +------ 数据中台 (DataLeap) --------+
  |  - 数据集成与开发                  |
  |  - 数据质量管理                    |
  |  - 数据资产管理                    |
  +----------------------------------+
           |
  +------ 智能数据洞察 (DataWind) -----+
  |  - BI 数据分析与可视化             |
  |  - 自助式数据探索                  |
  |  - 智能分析助手                    |
  +----------------------------------+

核心优势：

优势	说明
字节跳动实践验证	经过抖音、今日头条等亿级用户产品验证
A/B 测试平台	DataTester 提供完整的 A/B 测试能力
全链路数据解决方案	从采集到分析到应用的一站式服务
性价比高	相比同类产品有竞争力的定价

SQL 基础

PM 为什么需要学 SQL？

  没有 SQL 的 PM:                有 SQL 的 PM:
  ================================  ================================

  PM: "帮我查一下上周的             PM: 自己写 SQL 查询
       新注册用户里有多少
       人完成了首单"               SELECT COUNT(DISTINCT u.user_id)
                                  FROM users u
  数据分析师: "排在需求             JOIN orders o
  队列第 3 位，预计 2 天后             ON u.user_id = o.user_id
  给你"                           WHERE u.register_date
                                    BETWEEN '2024-03-01'
  PM: 等待...                       AND '2024-03-07'
                                  AND o.is_first_order = 1;
  2天后...
                                  --> 5分钟搞定
  分析师: "结果是 2,341 人"         --> 还能立即按渠道拆分
  PM: "那按渠道拆分呢？"            --> 不用等任何人
  分析师: "再排队..."

  结论: 学 SQL 让你从"等数据"变成"自助取数"

SQL 核心概念

SQL（Structured Query Language）是与数据库"对话"的语言。PM 不需要精通 SQL，但掌握以下四个基本操作就能覆盖 80% 的取数需求。

1. SELECT / FROM -- 选择数据

sql

-- 从用户表中查询所有用户的姓名和邮箱
SELECT name, email
FROM users;

  理解方式:
  =============================================

  SELECT = "我想看哪些列"
  FROM   = "从哪张表里看"

  就像在 Excel 中:
  +--------+------------------+----------+
  | name   | email            | age      |  <-- users 表
  +--------+------------------+----------+
  | 张三    | zhang@mail.com   | 25       |
  | 李四    | li@mail.com      | 30       |
  | 王五    | wang@mail.com    | 28       |
  +--------+------------------+----------+

  SELECT name, email  --> 只看 name 和 email 这两列
  FROM users          --> 从 users 这张表里看

2. WHERE -- 筛选条件

sql

-- 查询年龄大于 25 岁的用户
SELECT name, email, age
FROM users
WHERE age > 25;

-- 查询 2024 年 3 月注册的用户
SELECT name, register_date
FROM users
WHERE register_date >= '2024-03-01'
  AND register_date < '2024-04-01';

  理解方式:
  =============================================

  WHERE = "我只要满足条件的行"

  就像 Excel 的筛选功能:
  设置筛选条件: age > 25

  结果:
  +--------+------------------+----------+
  | name   | email            | age      |
  +--------+------------------+----------+
  | 李四    | li@mail.com      | 30       |  <-- 满足
  | 王五    | wang@mail.com    | 28       |  <-- 满足
  +--------+------------------+----------+
  (张三 age=25, 不满足 >25, 被过滤)

3. GROUP BY -- 分组汇总

sql

-- 按渠道统计每个渠道的注册人数
SELECT channel, COUNT(*) AS user_count
FROM users
GROUP BY channel;

-- 按日期统计每天的新增用户数
SELECT DATE(register_date) AS reg_date,
       COUNT(*) AS daily_new_users
FROM users
GROUP BY DATE(register_date)
ORDER BY reg_date;

  理解方式:
  =============================================

  GROUP BY = "按某个维度分组统计"

  就像 Excel 的数据透视表:

  原始数据:                    分组统计结果:
  +------+---------+          +---------+-------+
  | name | channel |          | channel | count |
  +------+---------+          +---------+-------+
  | 张三  | SEO     |   --->   | SEO     | 2     |
  | 李四  | 广告    |          | 广告    | 1     |
  | 王五  | SEO     |          | 口碑    | 1     |
  | 赵六  | 口碑    |          +---------+-------+
  +------+---------+

  COUNT(*) = 每组有多少行
  其他常用函数: SUM(), AVG(), MAX(), MIN()

4. JOIN -- 关联多张表

sql

-- 查询每个用户的姓名和订单金额
SELECT u.name, o.order_id, o.amount
FROM users u
JOIN orders o ON u.user_id = o.user_id;

-- 查询注册但从未下单的用户
SELECT u.name, u.email
FROM users u
LEFT JOIN orders o ON u.user_id = o.user_id
WHERE o.order_id IS NULL;

  理解方式:
  =============================================

  JOIN = "把两张表通过关联字段拼在一起"

  就像 Excel 的 VLOOKUP:

  users 表:               orders 表:
  +---------+------+      +----------+---------+--------+
  | user_id | name |      | order_id | user_id | amount |
  +---------+------+      +----------+---------+--------+
  | 1       | 张三  |      | 101      | 1       | 99     |
  | 2       | 李四  |      | 102      | 1       | 199    |
  | 3       | 王五  |      | 103      | 3       | 59     |
  +---------+------+      +----------+---------+--------+

  JOIN 结果 (通过 user_id 关联):
  +------+----------+--------+
  | name | order_id | amount |
  +------+----------+--------+
  | 张三  | 101      | 99     |
  | 张三  | 102      | 199    |
  | 王五  | 103      | 59     |
  +------+----------+--------+
  (李四没有订单, 在 JOIN 中不出现)
  (用 LEFT JOIN 则李四也出现, 订单列为 NULL)

PM 常用的 SQL 查询场景

场景	SQL 用途	难度
查看某天的新增用户数	SELECT + WHERE + COUNT	入门
按渠道分析注册用户	GROUP BY + COUNT	入门
计算某功能的使用率	子查询 + 除法	初级
分析注册-首单转化漏斗	JOIN + 漏斗逻辑	中级
计算 N 日留存率	JOIN + 日期计算	中级
Cohort 留存分析	多层嵌套查询	高级

SQL 学习资源推荐

资源	类型	特点	推荐指数
SQLZoo	在线练习	交互式练习，由浅入深	非常推荐
LeetCode SQL	刷题	面试常考题，实战性强	推荐
Mode Analytics SQL Tutorial	教程	结合分析场景讲解	推荐
《SQL必知必会》	书籍	经典入门书，薄且精	非常推荐
W3Schools SQL	在线教程	基础语法参考，查阅方便	适合入门

数据看板与 BI 工具

数据看板（Dashboard）是将关键指标以可视化方式实时展示的工具。好的看板能让团队一眼看到产品的"健康状况"。

什么是好的数据看板

  好的数据看板设计原则
  =============================================

  +------------------------------------------------+
  |  产品核心看板                      2024-03-20   |
  +------------------------------------------------+
  |                                                |
  |  +----------+  +----------+  +-----------+     |
  |  | DAU      |  | 新增用户  |  | 7日留存    |     |
  |  | 125,430  |  | 3,250    |  | 22.5%     |     |
  |  | +2.3%    |  | -5.1%    |  | +1.2pp    |     |
  |  | (vs昨日) |  | (vs昨日) |  | (vs上周)  |     |
  |  +----------+  +----------+  +-----------+     |
  |                                                |
  |  +---------- DAU 趋势 (30天) ----------------+ |
  |  |    .  .                          . *  *   | |
  |  |  .      .  .                  *        .  | |
  |  | .          . .    .  .     *              | |
  |  |               .  .    . *                 | |
  |  |                     .                     | |
  |  +-------------------------------------------+ |
  |                                                |
  |  +--- 渠道分布 ---+  +--- 功能使用TOP5 ------+ |
  |  | SEO    35%     |  | 1. 搜索     45,230   | |
  |  | 广告   28%     |  | 2. 推荐浏览  38,120   | |
  |  | 自然   22%     |  | 3. 个人中心  22,540   | |
  |  | 口碑   15%     |  | 4. 收藏夹   18,330   | |
  |  |               |  | 5. 消息     12,280   | |
  |  +---------------+  +---------------------+ |
  |                                                |
  +------------------------------------------------+

常见 BI 工具对比

Tableau

  Tableau 特点
  =============================================

  优势:
  + 可视化能力业界最强
  + 拖拽操作，学习曲线平缓
  + 支持多种数据源连接
  + 丰富的图表类型和交互
  + 企业级安全和权限管理

  劣势:
  - 价格较高 ($70/用户/月起)
  - 需要安装桌面客户端
  - 大数据量时性能下降
  - 中文支持一般

Metabase

  Metabase 特点
  =============================================

  优势:
  + 开源免费 (Community Edition)
  + 部署简单 (一个 JAR 文件即可运行)
  + 非技术人员也能上手
  + 支持自然语言查询
  + 自动生成基础图表

  劣势:
  - 高级功能需要付费版
  - 可视化能力不如 Tableau
  - 大规模部署需要额外配置
  - 复杂分析场景支持有限

Grafana

  Grafana 特点
  =============================================

  优势:
  + 开源免费
  + 实时数据监控首选
  + 强大的告警功能
  + 支持 100+ 数据源插件
  + 时序数据分析能力强

  劣势:
  - 偏技术向，非技术用户上手难
  - 主要适合运维和技术监控场景
  - 业务分析功能相对弱
  - 需要一定的技术能力维护

飞书多维表格

  飞书多维表格特点
  =============================================

  优势:
  + 与飞书生态深度集成
  + 类 Airtable 的灵活数据模型
  + 团队协作功能强大
  + 国内使用流畅，无网络限制
  + 学习成本低（像用 Excel）
  + 免费额度慷慨

  劣势:
  - 不适合大规模数据分析
  - 数据源连接能力有限
  - 可视化类型较基础
  - 主要适合轻量级场景

工具选择建议

工具对比总表

工具	适用场景	价格	优点	缺点
GA4	网站流量分析、渠道归因	免费（GA360付费）	免费、生态完善、与Google Ads联动	国内访问限制、数据延迟、分析深度有限
Mixpanel	产品行为分析、漏斗优化	免费版2000万事件/月	交互体验好、漏斗/留存强、上手快	高级功能贵、数据量大时费用高
Amplitude	产品行为分析、增长实验	免费版1000万事件/月	行为分群强、路径分析好、内置A/B测试	学习曲线略高、高级功能贵
神策数据	中大型企业、数据安全要求高	按需报价（较贵）	私有化部署、功能全面、中文支持好	价格高、需要专人维护
GrowingIO	快速验证、轻量级分析	按需报价	无埋点技术、上手简单、中文支持好	无埋点数据精度有限、高级分析弱
火山引擎	综合数据方案、A/B测试	按用量计费	性价比高、A/B测试强、字节实践验证	生态相对年轻、文档完善度一般
Tableau	企业级BI、复杂可视化	$70+/用户/月	可视化最强、数据源丰富	价格贵、需桌面客户端
Metabase	轻量级BI、自助取数	免费（开源）	开源免费、部署简单、上手容易	高级功能有限、大数据性能一般
Grafana	实时监控、技术指标	免费（开源）	实时能力强、告警功能好	偏技术向、业务分析弱
飞书多维表格	轻量数据管理、团队协作	免费/付费	协作便捷、学习成本低、国内流畅	不适合大数据量、分析深度有限

不同阶段的工具选择建议

  按公司发展阶段选工具
  =============================================

  阶段一: 0-1 (验证阶段, 0-10万用户)
  +--------------------------------------------+
  | 推荐:                                       |
  | - GA4 (免费, 基础流量分析)                    |
  | - Mixpanel 免费版 (行为分析)                  |
  | - 飞书多维表格 (数据管理)                      |
  |                                            |
  | 预算: 0 元                                   |
  | 关注: 核心指标定义, PMF 验证                   |
  +--------------------------------------------+

  阶段二: 1-10 (增长阶段, 10万-100万用户)
  +--------------------------------------------+
  | 推荐:                                       |
  | - Mixpanel/Amplitude 付费版 (深度分析)        |
  | - Metabase (自助取数和看板)                   |
  | - 开始建设数据埋点体系                        |
  |                                            |
  | 预算: 2-10万/年                              |
  | 关注: 增长指标, 留存优化, A/B测试              |
  +--------------------------------------------+

  阶段三: 10-100 (规模化阶段, 100万+用户)
  +--------------------------------------------+
  | 推荐:                                       |
  | - 神策/GrowingIO/火山引擎 (全面分析平台)       |
  | - Tableau (企业级BI)                         |
  | - 自建数据仓库 + 自研看板                      |
  |                                            |
  | 预算: 50万+/年                               |
  | 关注: 数据中台建设, 精细化运营                  |
  +--------------------------------------------+

PM 的工具学习优先级

  工具学习路径 (从左到右优先级递减)
  =============================================

  必须掌握           应该了解            加分项
  +----------+     +----------+     +----------+
  |          |     |          |     |          |
  | Excel /  |     | Mixpanel |     | Tableau  |
  | 飞书表格  | --> |   或     | --> |   或     |
  |          |     | Amplitude|     | Metabase |
  +----------+     +----------+     +----------+
  +----------+     +----------+     +----------+
  |          |     |          |     |          |
  | 基础 SQL | --> | GA4      | --> | Python   |
  |          |     |          |     | 数据分析  |
  +----------+     +----------+     +----------+

本节总结

  数据分析工具知识总结
  =============================================

  +--------------------------------------------+
  |                                            |
  |  产品分析工具:                                |
  |  - GA4: 网站分析的行业标准, 免费              |
  |  - Mixpanel: 事件分析见长, 交互友好           |
  |  - Amplitude: 行为分群/路径分析强             |
  |                                            |
  |  国内工具:                                   |
  |  - 神策: 私有化部署, 企业级                    |
  |  - GrowingIO: 无埋点技术                     |
  |  - 火山引擎: 字节跳动验证, A/B测试强           |
  |                                            |
  |  SQL:                                       |
  |  - SELECT/WHERE/GROUP BY/JOIN              |
  |  - 掌握这四个就能覆盖 80% 取数需求            |
  |                                            |
  |  BI 工具:                                    |
  |  - Tableau: 企业级可视化                     |
  |  - Metabase: 开源免费BI                     |
  |  - Grafana: 实时监控                         |
  |  - 飞书多维表格: 轻量协作                      |
  |                                            |
  +--------------------------------------------+

关键要点回顾：

工具是手段，思维是核心：掌握数据思维比会用工具更重要。
从免费工具开始：GA4、Mixpanel 免费版、Metabase 足够零基础的你入门。
学点 SQL：即使只学 SELECT、WHERE、GROUP BY、JOIN 四个关键词，也能大幅提升效率。
选工具看阶段：不同发展阶段选择不同的工具组合，不要一步到位。
工具会变，能力不变：培养的数据分析能力可以迁移到任何工具上。

恭喜你完成了第七章"数据驱动决策"的全部学习! 回到章节目录回顾本章内容，或继续学习下一章。

03 - 数据分析工具 ​

目录 ​

数据分析工具全景图 ​

Google Analytics 4 (GA4) ​

简介 ​

核心特点 ​

GA4 的事件模型 ​

GA4 适用场景 ​

GA4 核心功能一览 ​

Mixpanel ​

简介 ​

核心功能 ​

Mixpanel 使用示例 ​

Mixpanel 适用场景 ​

Amplitude ​

简介 ​

Amplitude vs Mixpanel 详细对比 ​

Amplitude 独特功能 ​

国内工具 ​

神策数据（Sensors Data） ​

GrowingIO ​

火山引擎数据产品 ​

SQL 基础 ​

PM 为什么需要学 SQL？ ​

SQL 核心概念 ​

1. SELECT / FROM -- 选择数据 ​

2. WHERE -- 筛选条件 ​

3. GROUP BY -- 分组汇总 ​

4. JOIN -- 关联多张表 ​

PM 常用的 SQL 查询场景 ​

SQL 学习资源推荐 ​

数据看板与 BI 工具 ​

什么是好的数据看板 ​

常见 BI 工具对比 ​

Tableau ​

Metabase ​

Grafana ​

飞书多维表格 ​

工具选择建议 ​

工具对比总表 ​

不同阶段的工具选择建议 ​

PM 的工具学习优先级 ​

本节总结 ​

03 - 数据分析工具

目录

数据分析工具全景图

Google Analytics 4 (GA4)

简介

核心特点

GA4 的事件模型

GA4 适用场景

GA4 核心功能一览

Mixpanel

简介

核心功能

Mixpanel 使用示例

Mixpanel 适用场景

Amplitude

简介

Amplitude vs Mixpanel 详细对比

Amplitude 独特功能

国内工具

神策数据（Sensors Data）

GrowingIO

火山引擎数据产品

SQL 基础

PM 为什么需要学 SQL？

SQL 核心概念

1. SELECT / FROM -- 选择数据

2. WHERE -- 筛选条件

3. GROUP BY -- 分组汇总

4. JOIN -- 关联多张表

PM 常用的 SQL 查询场景

SQL 学习资源推荐

数据看板与 BI 工具

什么是好的数据看板

常见 BI 工具对比

Tableau

Metabase

Grafana

飞书多维表格

工具选择建议

工具对比总表

不同阶段的工具选择建议

PM 的工具学习优先级

本节总结