起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識產品經理數據分析的思路
編輯導語：數據，是一個絕對客觀且能夠通過可量化指標來評估產品的改進方向成功與否的工具。作為一名產品經理，我們必須養成數據思維習慣，掌握數據分析方法論。在產品迭代發展的過程中，通過數據驅動以保證產品按照更好的方向發展。
數據分析是產品經理最基礎的技能之一。
很多時候我們把數據分析能力當成一項純粹的工具使用能力，如excel函數、透視表、SQL、tableau等。學習這些工具的使用并不復雜，不過個人認為，作為產品經理，進行數據分析更重要的是思路，而不是工具。
一、數據分析的三個概念
在講數據分析的思路前，先解釋下數據分析中三個關鍵概念：維度、指標和粒度。維度我理解成是數據分組的方式，假設我們拿到一份轉化率的數據，我們可以把數據分成不同的組來進行對比，比如：
- 按照系統類型分組，可以分成iOS、安卓、windows、macos等；
- 按照用戶性別分組，可以分成男、女；按照地理位置分組，分成不同的國家、省份、城市等；
- 按照年齡分組，分成60后、70后、80后、90后、00后等；
- 按照支付方式分組，分成微信、支付寶、銀聯等。
維度是數據分析的視角，是我們探查海量數據中所含信息的鑰匙。
指標我理解成是對結果的度量，是一個數字。當我們拿到一份數據時，一切都已經是既定事實。比如我們拿到一份一家酒店過去一年的入住數據，我們可以把入住率設為指標，用來衡量過去一年入住情況。
我們可以把客單價設為指標，用來衡量過去一年的房間價格水平；我們也可以把單房收益（即酒店所有房間平均每間房有多少收入）設為指標，用來衡量過去一年酒店整體的收益水平，每一個指標都是一個有業務含義的數字。
粒度則是用來形容指標的粗細，是指標統計的口徑。還以酒店入住數據為例，入住率、客單價、單房收益都可以用時間單位天、周、月、季度、年來定義粒度。
多數情況我們都用時間單位來定義粒度，偶爾我們也會用人群規模如個體、小組、班級、學校等，地域大小如村、鎮、縣、市、省、國家等來定義粒度。
粒度太大或者太小都不利于數據分析，酒店入住率如果以年為粒度，只能分析大趨勢的變化，很難分析季節因素、服務改進等對入住率的影響；如果以小時為粒度，則只能分析每天各個時段客人入住情況的變化，無法分析需求的周期性變化。
知道了維度、指標和粒度的定義，我們可以得出數據分析的方法是：根據業務結果指標，在合適的粒度上，用不同的維度（視角）觀察數據，發現機會或者問題。
二、用戶決策、使用路徑分析
那對于產品經理來講，我們分析數據的思路是什么呢？我個人理解還是要從用戶需求、決策路徑出發，用數據來檢驗產品或服務是否滿足了所有目標用戶的需求，發現相關用戶或需求的機會與問題。
除了少數產品或服務，大部分產品或服務都是為了滿足一部分用戶，也就是產品或服務的目標用戶的需求。用戶使用產品或服務來滿足需求有一個過程，即發現問題-》信息收集-》評價與選擇-》購買或使用。
當上線一個新產品或者新功能時，我們首先需要觀察有多少目標用戶發現了該功能或者產品能解決自己的問題，滿足需求。
在互聯網產品中，用戶發現問題、收集信息、評價與選擇通常在一瞬間完成，在App內讓用戶發現問題最常用的手段是小紅點、小圖標、彈窗或者廣告，用戶點擊后，進入一個功能或者說明頁面，此時告知用戶他可能存在什么問題以及當前功能可以解決他的問題。在App外，則有短信和push等手段來引導用戶發現問題。
在這一步，我們需要分析有多少目標用戶識別到了問題，是否有目標用戶沒識別到問題，以及是否有非目標用戶識別到問題（是否目標用戶只是產品的假設，不代表真實情況，因此有可能根據數據情況調整產品方案）。
分析的指標是短信、push、小紅點、小圖標、彈窗、廣告等的觸達率和打開/點擊率。分析的視角則是不同的維度，不同設備、不同年齡、不同收入、不同版本、不同地區、不同時間等等視角的觸達率和打開率/點擊率。如果我們能覆蓋大部分視角（維度），90%以上的概率（我猜的）能發現問題。
比如某個短信通道在某個地區存在問題，沒能正常推送；某個設備的某個版本的系統彈窗無法正常顯示/點擊；某類用戶無法理解廣告文案；某地區用戶沒有這類需求等等。同樣的，如果我們開一家線下實體店，我們也可以分析店鋪門頭、門口廣告的曝光和進店的轉化數據。
統計每天路過店鋪門口的用戶特征和數量，觀察門頭和廣告的用戶特征和數量，進店的用戶特征和數量，得出是否與店鋪的目標用戶群體吻合，是否有非目標群體轉化等信息，從而對店鋪設計進行優化。
當用戶識別到產品或服務能夠解決自己的問題后，用戶需要一系列的步驟去使用產品或服務。在互聯網產品設計中，我們會為用戶設計一套流程。
比如點外賣，我們會為用戶設計搜索—進店—選品—支付—收貨—評價的流程，也會設計篩選—進店—選品—支付—收貨—評價的流程。用戶在每一步都可能遇到問題，我們還是用不同的維度去分析每一步的轉化情況，從而發現問題或者機會。這時的數據分析需要根據實際的業務流程進行。
三、下鉆分析
以上，我們是從用戶的決策和使用路徑來分析數據，但這樣的分析需要非常大量的工作。
因此，在實操中，我們一般選擇先從高緯度對數據進行分析，發現問題后不斷的細化維度，也就是所謂的下鉆，結合對用戶決策和使用流程的理解去發現具體是什么維度什么步驟的問題。
我們以某項功能用戶的使用率為指標，以天為粒度，分析該功能是否存在問題，是否滿足了所有目標用戶的需求為例。
首先我們用終端維度分析數據，發現App端比PC端轉化率低不少。我們接著看iOS和安卓的轉化率差異，發現安卓轉化率比iOS低，iOS和PC持平。我們再看安卓不同版本的轉化率差異，發現安卓各個版本的轉化率接近。
我們換個視角，從安卓系統的版本看轉化率是否有差異，發現不同系統版本轉化率也接近。那從安卓手機的品牌看轉化率是否有差異，發現不同品牌的轉化率也接近。
以上過程分析下來，我們發現從設備上已經很難找到問題了。我們換個視角，看看iOS和安卓的用戶群是否有差異，發現安卓年齡大的用戶群體比例明顯偏高，再看下iOS和安卓年齡大的用戶是否轉化率都偏低，可以發現年齡大的用戶轉化率確實偏低。
于是基本確認年齡大的用戶可能遇到了問題。再接下來，我們把轉化率指標進行拆分，分析每一步不同用戶群之間的轉化差異，從而發現哪一步的產品設計有問題，導致了年齡大的用戶轉化率偏低。
同樣的，我們也可以從不同用戶群的維度開始分析，不斷下鉆發現問題和機會。任何維度的數據異常，都可能意味著問題或者機會。
有一個經典的數據分析促進業務增長的案例，即twitter在早期分析用戶留存數據，發現除了系統默認關注的賬號外，自行關注更多賬號的注冊用戶有更高的活躍度。
于是twitter在用戶注冊后，給用戶推薦了更多不同領域的賬號，讓用戶選擇性關注，從而提高了整體活躍度。這就是從活躍率指標出發，從用戶群維度著手分析，不斷下鉆發現關注更多賬號的用戶活躍度更高，從而發現新機會。
四、總結
下鉆分析和用戶決策、使用流程結合分析是產品經理進行數據分析最重要的抓手，也是產品經理對數據分析師最大的優勢。
當然，由于數據維度的大規模增長，有些場景已經不再能夠用產品經理能夠理解和解釋的維度去分析了，也很難再通過對維度的遍歷去分析。這些場景就需要用數據挖掘的方法去發現重要的維度（主成分分析等），組合不同的維度（聚類等），這些就交給數據分析師去做吧。
本文由 @咦咦咦咦咦我不在 原創發布于人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基于CC0協議
我們拿到的數據未必是既定事實，舉個例子，對于點擊率的預測就不是事實。