写给产品经理：如何有效的做产品数据分析

尘言 2023-07-28 11:27:56

读这篇文章，大约需要3分钟。我写了两个基本的事情，关于产品经理，在工作中做数据分析时，如何保持行之有效，它们一个是关于“心法”、一个是关于“招式”。

01 “Make it right 保持正确动作”

我在最初接触射箭运动时，感觉自己动作还可以，并且时不时地也能命中靶心，剩下的只是大量练习而已。但是事实上，我的技术动作等所有事情都很糟糕，是运气和其他一些因素，让我并没有意识到这一点。所以我错误地认为“我没有问题！”于是随着时间的推移，我懊恼地发现自己的努力并没有换来进步。

同样身为一名数据产品经理，我常常思考，我们在数据分析上有没有过错误地认为过“我没有问题！”

实际上我见过很多的无效的数据分析和相关的数据需求，它们都有几个和上面的疑问类似的“共同点”：

引用了大量的“虚荣指标”，但又似乎什么都没说，导致看起来没有问题；
把分析结果，强加在预先设定的结论上，强制没有问题；
引用了大量错误的指标，进而得出更加错误的结论，没有发现有问题；
得出结论后，并不能付之以行动，无法解决问题。

毫无疑问，大家都知道，这样的分析行为是错误的。但很多时候，我们都在做着类似的事情，并对此毫无察觉。

其实，即便是很多做数据分析多年的老鸟也会时不时犯类似的错误。就像是我们需要判断“产品需求”的真伪一样，我们在做分析时，它的“目的”、“方法”、“结论”，也存在真伪和一些细微的动作差异。而我们稍一不留神，就会踩上“数据分析的坑”，并且这是常有的事儿！

所以能够找到数据分析的问题并改正，从而进行有效的分析，来自“数据感” ！

我们在做数据分析的时候，第一重要的就是“数据感”。它是一种思维方式甚至是一种直觉，可以帮助我们快速的分辨我们所要分析的场景下，分析的指标、度量值，等等是否正确有效。

但这是一种需要长期的正确练习，才能获得的能力，而往往我们没有那么多的时间和精力去打磨。那么作为产品经理，我们有必要掌握数据分析？（说数据分析简单不需要刻意掌握，那都是骗人的）

其实，对产品经理来说，其实数据分析没有那么的“鸡肋”，也不必担心这有多难。在做数据产品经理之前，我也或多或少的做过一些面向业务的项目。我写这篇文章的目的，也是借此机会，想通过自己一些经验，来尽我所能的讲解“如何有效的做产品数据分析 ”这件事，进而通过一些“动作改善”，让我们的分析能力提升。

由于篇幅限制，我试着总结几点干货，以求可以快速的产生“数据感”：

好的指标天然具有比较性和计算性（只能看的指标，也只能看看）；
结论必然是可执行的（做不到的事情，先放到一边去）；
正确的结果一定是有参照的（否则就容易产生错觉）；
平均值和总数，不是只有这俩计算结果的方法（众数、中位数、上下四分位、方差同样也很重要）；
同一件事，存在两者皆可的指标口径，必只取其一（新用户，是注册算新，还是下单算新）。
指标与前后分析，一定存在逻辑关系或直接影响的关系（能够前后自圆其说）

02 “Just do it 做起来就是了”

第一件事，在分析开始前制定分析目标。对于你负责的每个产品线来说，是第一件事情。

在不同的产品开发阶段，我们需要侧重关注不同的分析目标。例如，在没有解决用户转化之前，大可不必过多的关注用户的留存、流失指标。因为我们在没有确保核心的产品形态稳定前，大多数的用户去留，都是由是否满足用户需求而决定的。所以这个时候，用户的留存、流失分析就变成了后置结论。可以有，但不是重点，因为它们并不能帮助我们解决眼前的问题。（产品上线早期，我知道了我们的次日流失率是80%，但是它仅仅是个结论，我们并不能通过这个指标进行改变任何事情，因为结论不能改变结论本身！）

关于分析目标，我们对于一个产品线，通常有以下四类目标可以逐个关注：

产品设计是否满足预期，每个环节的基本转化是否正常，当下哪里有问题？（我们已知的不确定的问题）；
用户增长/留存/流失情况，我们的用户池是否正常，是否还有运营提升空间？（我们已知的且确定的问题）；
用户交互行为结果，如浏览时长、决策时间等行为特点，如何运用它？（我们还不知道的确定问题）；
用户是否还有其它潜在需求，是否可以挖掘，它有多大价值空间？（我们不知道的未知问题）。

第二件事，在分析过程中，我们明确分析目标后，要搭建行之有效、简单明了的分析框架和指标体系。

事实上，大部分的分析过程都是可复用的，掌握几个现成的方法可以帮助我们快速入手。并且我们大部分的分析都离不开这些基本方法。关于搭建模型，其实是另一个较大的内容，在后面的文章中我会单独分享，本文我只能说一些基本思路。

除了一些常见的诸如AArrr、RFM等模型，我们还能怎样有效的分析数据呢？其实我们可以使用一些简单的分析模型思路，做到开箱即用：

因果前后切分指标：

这有点类似漏斗分析，当我们所分析的某个目标，在其前后存在前置或后置的逻辑节点，那么我们就应该先分析前置节点，再观察后置结论。

例如：

新用户启动App到注册过程，我们要做注册转化率分析。假定我们有一个用户注册产品设计，并且完全依赖它完成注册转化。那么对于注册转化率的分析，引导策略差异分析就是前置分析。此时如果我们只看转化率和转化效能（如注册转化率、注册人数、注册时长区间），而忽视用户注册引导策略的差异因素，实时上我们是无法发现和解决真正问题的。此时我们应该关注不同策略的触达执行效果（ABC策略，是否符合预期、行业标准、是否存在较大差异），以及其注册后的用户行为目标是否健康（是否存在大量“未转化的注册用户”、不同策略是否存在后续差异），才能知道我们注册转化率它是否真的正常，问题出在哪里，且是否是有效。

我们对前因后果进行切分，它并不跑题，而是细化拆解。透过同一个口径的不同结果，来找到结论。

影响因素分析：

我们在分析某个用户目标时，是否存在多个并行的影响因素。那么我们应该找出其对目标的影响程度，并分析是那几个因素出了问题。

例如：我们在分析自家应用的用户下单转化时，在用户点击详情前，通常有几个并行因素影响。比如价格与优惠对用户的点击吸引、标题描述与图片对用户点击的吸引、排序与曝光度对点击可能的影响、曝光场景对点击可能的影响等等。以上因素通常是并行存在的，这时我们就要透过分析，先找出最大的影响因子（或发现都差不多），然后分析问题。价格是否敏感、描述是否影响决策、排序与曝光策略是否正确、场景是否存优化空间。

受篇幅所限，这里我不再展开更多的内容，仅提供一些启发。