数据分析因互联网而起，互联网的数据分析将人为的感性判断转化为定量分析，在提升客户体验上发挥着重要的作用。尤其是互联网上的电子商务，我们无法只从获得订单的数量上来确定是否有价值。又如一家韩国的网上购物商城，有1300万名客户，网站的日访问量接近100万人次。按理说，这样的用户量应该能够促进每一次的成交。但是管理者发现，网站每次做活动促销的预期结果远远低于用户的响应，产生销售的商品比例不高，这一点让工作人员很困惑。
透过这个问题，管理者很快发现了在数据解读上存在弱项。数据分析不是简单看一些加工后的数字，然后根据数字对每一项内容进行定义，而是要根据数据的结果给出解读，不管是横向还是纵向，还需要计算。这个网站使用的方法是，通过对比每类促销活动的实际访问者分析转化率，并且详细分析渠道效率。同时，还确认每类促销活动访问者搜索使用最多的关键词、位置和采购的商品。
另外，还在页面上覆盖可以测量页面中每一项的点击率和访问者数量的功能，测量页面中每个位置的价值，找出热点区域和非热点区域。通过这些数据以及许多细分数据，来分析促销活动的最大化数据体现在哪里。也许，许多产品经理对数据从哪里来这个问题一点也不感觉奇怪，因为新产品上线的时候我们很少能看到数据。但是千万不要低估人们生产数据的能力：Google每天处理的搜索量超过30亿次，每秒回答3.4万个问题；中国移动后台系统每秒钟处理的信息数量达到亿级；每天有数以千亿封电子邮件在全球互联网上传递等。我们要关注的不是数据如何产生，而是在数据产生后我们要解读哪些数据。
通常，团队在做数据分析时，最重要的是要弄清楚我需要什么样的数据。要怎么做到数据的详细和细致呢？基本需要八个纵向的分析数据。
第一，固定的报表。比如，定期反映用户使用量、报告产品成绩等。
第二，即席查询。支持灵活的查询分析，满足报表之外的信息需求。例如，哪些用户使用了你的产品，同时还有哪些用户离开了你的产品。
第三，多维分析（OLAP）。从多个角度分析查询问题，如用户的留存率，哪些用户用什么样的方式接触到产品，产品所展示的诸多平台中哪一些是最重要的。
第四，预警功能。比如当用户的使用数对历史数据来说显然过高或者显然过低的时候，都应该出现这样的机制，以协助产品分析。
第五，统计分析。比如通过回归分析，分析产品一系列的指数。第六，预测分析。比如预测未来一段时间内产品的用户量是否会增加，是否要增加某些方面的投入。第七，数据挖掘建模分析。基于用户的使用细分客户群，寻找每个客户群的行为特征以及潜在需求，推送个性化的信息和服务。第八，优化分析。这一点会比较复杂，不同的产品需要不同的数据来定义优化分析后的结果及要素。除了数据的支持，我们如何让用户感觉到痛点是真的值得被抚平呢？
