写给产物司理：怎样有用的做产物数据分析

曹伶俐

原标题：写给产物司理：怎样有用的做产物数据分析

编辑导读：面临海量的数据，我们必要对其举行筛选过滤，举行分析后才气对业务、运营等部分产生有用的代价。而怎样做好产物数据分析呢？本文作者将从心法和招式两个方面举行分析，盼望对你有资助。

编辑导读：面临海量的数据，我们必要对其举行筛选过滤，举行分析后才气对业务、运营等部分产生有用的代价。而怎样做好产物数据分析呢？本文作者将从心法和招式两个方面举行分析，盼望对你有资助。

读这篇文章，约莫必要3分钟。我写了两个根本的事变，关于产物司理，在工作中做数据分析时，怎样保持行之有用，它们一个是关于“心法”、一个是关于“招式”。

01 “Make it right 保持精确动作”

我在最初打仗射箭活动时，感觉本身动作还可以，而且时不时地也能掷中靶心，剩下的只是大量训练而已。但是究竟上，我的技能动作等全部事变都很糟糕，是运气和其他一些因素，让我并没故意识到这一点。以是我错误地以为“我没有题目！”于是随着时间的推移，我懊恼地发现本身的积极并没有换来进步。

同样身为一名数据产物司理，我经常思索，我们在数据分析上有没有不对误地以为过“我没有题目！”

现实上我见过许多的无效的数据分析和相干的数据需求，它们都有几个和上面的疑问雷同的“共同点”：

毫无疑问，各人都知道，如许的分析举动是错误的。但许多时间，我们都在做着雷同的事变，并对此毫无察觉。

实在，即便是许多做数据分析多年的老鸟也会时不时犯雷同的错误。就像是我们必要判定“产物需求”的真伪一样，我们在做分析时，它的“目标”、“方法”、“结论”，也存在真伪和一些渺小的动作差别。而我们稍一不留心，就会踩上“数据分析的坑”，而且这是常有的事儿！

以是可以或许找到数据分析的题目并改正，从而举行有用的分析，来自“数据感” ！

我们在做数据分析的时间，第一紧张的就是“数据感”。它是一种头脑方式乃至是一种直觉，可以资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，等等是否精确有用。

睁开全文

但这是一种必要恒久的精确训练，才气得到的本领，而每每我们没有那么多的时间和精神去打磨。那么作为产物司理，我们有须要把握数据分析？（说数据分析简朴不必要刻意把握，那都是哄人的）

实在，对产物司理来说，实在数据分析没有那么的“鸡肋”，也不必担心这有多难。在做数据产物司理之前，我也或多或少的做过一些面向业务的项目。我写这篇文章的目标，也是借此时机，想通过本身一些履历，来尽我所能的解说“怎样有用的做产物数据分析 ”这件事，进而通过一些“动作改善”，让我们的分析本领提拔。

由于篇幅限定，我试着总结几点干货，以求可以快速的产生“数据感”：

第一件事，在分析开始前订定分析目的。对于你负责的每个产物线来说，是第一件事变。

在差别的产物开辟阶段，我们必要偏重关注差别的分析目的。比方，在没有办理用户转化之前，大可不必过多的关注用户的留存、流失指标。由于我们在没有确保焦点的产物形态稳固前，大多数的用户去留，都是由是否满意用户需求而决定的。以是这个时间，用户的留存、流失分析就酿成了后置结论。可以有，但不是重点，由于它们并不能资助我们办理面前的题目。（产物上线早期，我知道了我们的越日流失率是80%，但是它仅仅是个结论，我们并不能通过这个指标举行改变任何事变，由于结论不能改变结论自己！）

关于分析目的，我们对于一个产物线，通常有以下四类目的可以逐个关注：

第二件事，在分析过程中，我们明白分析目的后，要搭建行之有用、简朴明白的分析框架和指标体系。

究竟上，大部门的分析过程都是可复用的，把握几个现成的方法可以资助我们快速入手。而且我们大部门的分析都离不开这些根本方法。关于搭建模子，实在是另一个较大的内容，在背面的文章中我会单独分享，本文我只能说一些根本思绪。

除了一些常见的诸如AArrr、RFM等模子，我们还能怎样有用的分析数据呢？实在我们可以利用一些简朴的分析模子思绪，做到开箱即用：

因果前后切分指标：

这有点雷同漏斗分析，当我们所分析的某个目的，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。

比方：

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物计划，而且完全依靠它完成注册转化。那么对于注册转化率的分析，引导计谋差别分析就是前置分析。此时假如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计谋的差别因素，及时上我们是无法发现息争决真正题目的。此时我们应该关注差别计谋的触达实行结果（ABC计谋，是否符合预期、行业尺度、是否存在较大差别），以及其注册后的用户举动目的是否康健（是否存在大量“未转化的注册用户”、差别计谋是否存在后续差别），才气知道我们注册转化率它是否真的正常，题目出在那里，且是否是有用。

我们对前因结果举行切分，它并不跑题，而是细化拆解。透过同一个口径的差别效果，来找到结论。

影响因素分析：

我们在分析某个用户目的时，是否存在多个并行的影响因素。那么我们应该找出其对目的的影响水平，并分析是那几个因素出了题目。

比方：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。好比代价与优惠对用户的点击吸引、标题形貌与图片对用户点击的吸引、排序与曝光度对点击大概的影响、曝光场景对点击大概的影响等等。以上因素通常是并行存在的，这时我们就要透太过析，先找出最大的影响因子（或发现都差不多），然后分析题目。代价是否敏感、形貌是否影响决议、排序与曝光计谋是否精确、场景是否存优化空间。

受篇幅所限，这里我不再睁开更多的内容，仅提供一些开导。

03 末端

现实上产物司理的数据分析，也是一个必要精确目的导向和固定方法的实践过程，且有许多内容。单篇内容我无法一次讲完，去拆解细讲这个巨大的内容。（野心够大）

作为产物司理，当我们把握一些数据分析的“动作”后至少可以完成以下的事变了：

• 我们可以透过简朴清楚的指标对比，我们可以监测产物的一样平常变革，以确定是否出了状态；
• 我们可以通过几个焦点指标监测，我们可以快速判定是否符合产物预期；
• 我们可以通过转化率分析，我们可以清楚地知道，是哪个环节出了题目；
• 我们可以通过举动分析，我们可以研究用户的需求是否被掷中；
• 我们可以通过数据复盘，可以刚好地量化产物代价，找到不敷之处；

以及一些紧张技能：埋点，SQl入门，用户举动分析，业务产物计谋化改造，接待关注我的后续文章。

本文由 @尘言 原创发布于大家都是产物司理，未经作者允许，克制转载

题图来自Unsplash，基于CC0协议。返回搜狐，检察更多

责任编辑：