数据分析作为各种业务找到问题的核心，需要定位问题，找出解决的方案。本文结合具体案例，总结数据分析在产品中的应用以及相关方法论，希望对你有所帮助。
数据分析的核心是是利用数据发现问题，定位原因，找到解决方案或提出建议的思维，所以分析工具并不是最重要的，也不需要一开始就学Python、爬虫等；对非专业人士来说，其实用Excel就能够满足大部分日常诉求。
数据分析3要素：数据、统计/分析方法、结论。
1）没有准确、丰富的数据，无法进行分析；
2）没有恰当的方法、工具，很难对数据进行加工、找到其中的规律；
3）没有形成结论，则相当于没有结果，半途而废，数据价值大打折扣；
二、数据分析应用案例举一个数据分析在产品工作中“发现问题-设定假设原因-验证原因-解决问题”的例子；
【分析过程】
第一步：拆解指标
净利润额=总销售额-总退费额-总成本
总退费额=退费客户数平均退费金额=（总购买客户数退费率）* 平均退费金额
通过拆解，可以发现总购买客户数、退费率、平均退费金额都是影响总退费额的因素，为了进一步明确原因，需要辅助数据分析手段。
第二步：发现问题——如何发现问题？
拉取最近一年的退费明细订单数据，汇总加工处理后，发现问题：【缴纳定金后退费】金额占总退费金额比例不到5%，而【缴清全款后退费】占比高达95%。
明显后者退费占比异常偏高，所以我选择继续下钻分析【缴清全款后退费】的数据，并尝试罗列出明显规律：
1）学生完课率越高，退费率越低；完课率与退费率呈现负相关；
2）未上课退费、已上课退费分别占比 70%、30%比例；
3）已上课退费中，按已上课次-平均退费金额进行分布统计，发现两者呈现负相关，已上课次越多，退费订单数越少，且退费金额越少。
第三步：明确核心问题——什么是最核心的问题？
从第二步来看，未上课退费、已上课退费均有可优化的空间，并且一些维度之间存在正向或负向的影响关系，为了让逻辑看起来更清晰，我尝试建立各个维度之间的关系（相关关系or因果关系?），来帮助决策明确核心问题。
