(2) 创新思考：广阔的知识面和积极的思考力，是分析思路的源泉 。
(3) 逻辑推理：对数据指标做出正确的归因和判断 。
(4) 可行建议：产生对业务切实有效的改进建议和执行方案 。
业务调研”是数据分析的起点，也是获取分析思路的基础，但需要兼具深度和广度的“创新思考”，才能获取更独到的分析思路 。分析思路也可以认为是统计数据的角度，完成数据统计后，需要“逻辑推理”来保证从数据到结论判断的正确性 。最后，用“可行建议”来保证分析结论的落地执行，产生可量化的业绩 。这就是数据分析从业务中来，回业务中去的完成过程 。
换个角度说，可以把这四个关键点分解为数据分析的5个执行步骤：
选择分析主题、确定方案思路、实现数据统计、产出分析报告、推进业务落地 。
业务调研和创新思考决定了“分析主题”的高低和“方案思路”的好坏；逻辑推理决定了从统计数据得出的“分析报告”是否可信；可行建议决定了分析报告的“业务落地”效果 。做好这四个关键，才能确保数据分析项目的每个步骤都卓有成效，最终产生业务改进 。
加入数据技术领域的三步曲
如果有技术背景的朋友想入行，应该做哪些准备呢？通常，首先决策想成为偏重业务的数据分析人员，还是想成为偏重技术的数据建模人员 。这两种人在技术基础和掌握的领域知识面上均有所差别 。偏重业务的数据分析人员不需要有深入的数学和统计学背景，更需要对业务的深刻理解、灵活的头脑和清晰的逻辑，在学习时偏重很多与业务分析相关的领域知识，如经济学、心理学、营销学，甚至财务和企业管理方面的学科 。偏重技术的数据分析人员需要有良好的数学和统计背景，专注于数据挖掘和机器学习的算法原理与应用场景 。但无论选择哪个方向，下面三个项准备均需要做好：编程技术、项目实践和理论学习 。
5.互联网产品经理如何分析数据显然，这里所说的数字和数据，不是指我们每月银行卡里面多出来的那个，而是产品的数据，其中包括行业整体数据、网站运营数据、用户数据、广告投放/转化率数 据、业务/产品销售量数据、产品投入/收益数据等等，所有这些数据构成的综合指标，将决定一个产品经理的业绩评定——当然，最终反映出来的，可能就是个人 银行卡里的数字 。在数据指标是很科学的体系的情况下，数据分析得出的结论确实比主观的臆断会更具有确定性和说服力 。那么，产品经理在管理一个互联网产品时，到底需要关注哪些数据呢？一般来说，我们主要关注的有以下几个方面：1.网站流量数据 。比如访问量、点击量、浏览量、转化率、停留时间等等 。以上是基础的指标，但结合到几十万网页还有不同来源、不同时间的时候，就是非常复杂数据体系了 。2.网站用户数据 。比如用户人口的属性特征：年龄、性别、行业、职位、地区等等；另外，还有用户行为特征：登录次数、注册数、注销数、点击数、收藏数、操作数、订购量等等 。3.访谈数据 。可能有些公司会做一些调查问卷，如果能够按照统计学规范设计成量表，那么这种访谈数据也是很有价值的 。一般的统计就能从里面了解不少信息，如果问卷设计合理，还可以利用多元统计的方法进一步挖掘更深入的信息 。4.财务数据 。比如总销售额、毛利、纯利润、成本、广告投放额等 。产品是不是赚钱，能赚多少钱，是一个产品经理关注的重点，也是追求的目标 。5.外部来源数据：行业市场份额、竞争对手数据等 。6.搜索引擎数据：搜索引擎来源比例、SEM流量所占比例、搜索关键词以及各个关键词产生的PV值等 。以上这些数据，是我们经常需要经常用到的，具体在使用的时候，还可能需要根据产品性质不同、KPI不同和职责不同，来选择不同的数据类型，因为市场部和BD和老板所看的数据都是不一样的 。对于一个产品经理来说，他不只需要像一个市场分析者或者财务分析者一样了解数据结果，更要通过这些数据的积累和经验进行更加细化的分析和研究，从而了解用户是如何创造出这些数据的，以及为什么创造出这样的数据 。只有做到了这些，才能将繁琐枯燥的数字转化为运营能力的提升 。那产品经理如何才能做好数据分析呢？首先，要拥有一个好的统计系统，没有好的数据来源，再强的分析能力，也没有用武之地 。现在互联网上提供很多，如CNZZ，当然也可以根据产品情况有针对性地进行自主开发；其次，要持续关注数据的变化，最好有专人负责数据汇总和解读 。运营数据分析是一个数据持续积累和研究的过程，越多越细致的数据，越能从中获得有价值的分析结果 。第三，要定出产品的主要考核指标，并进行定期的周度、月度、季度、年度或者某一个特别事件的专项数据分析，从而了解一个阶段内的发展过程，了解发展趋势；第四，需要采用一些图表，以增强数据的可读性 。有时候，再好的语言和文字，也不如一张图来得简洁明了；