写给产品经理:如何有效的做产品数据分析

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”:

  1. 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;
  2. 把分析结果,强加在预先设定的结论上,强制没有问题;
  3. 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;
  4. 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”:

  1. 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);
  2. 结论必然是可执行的(做不到的事情,先放到一边去);
  3. 正确的结果一定是有参照的(否则就容易产生错觉);
  4. 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);
  5. 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)。
  6. 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:

  1. 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);
  2. 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);
  3. 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);
  4. 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。

03 结尾

实际上产品经理的数据分析,也是一个需要正确目标导向和固定方法的实践过程,且有很多内容。单篇内容我无法一次讲完,去拆解细讲这个庞大的内容。(野心够大)

作为产品经理,当我们掌握一些数据分析的“动作”后至少可以完成以下的事情了:

  • 我们可以透过简单清晰的指标对比,我们可以监测产品的日常变化,以确定是否出了状况;
  • 我们可以通过几个核心指标监测,我们可以快速判断是否符合产品预期;
  • 我们可以通过转化率分析,我们可以清晰地知道,是哪个环节出了问题;
  • 我们可以通过行为分析,我们可以研究用户的需求是否被命中;
  • 我们可以通过数据复盘,可以刚好地量化产品价值,找到不足之处;

以及一些重要技能:埋点,SQl入门,用户行为分析,业务产品策略化改造,欢迎关注我的后续文章。

 

本文作者 @尘言

版权声明

本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!

相关文章

立即
投稿

微信公众账号

微信扫一扫加关注

返回
顶部