編輯導語：作為產品經理，數據分析便是日常工作，對于剛上任的新手小白無從下手，很是頭疼。那么本文主要“圍繞需求上線做數據分析”這一方面來進行解答，非常適合新手閱讀學習。

產品經理的日常工作里，常常要做數據分析，很多同學對此很頭疼。其實產品經理常做的數據分析工作，大體可以分為2種：

1. 圍繞需求上線做數據分析
2. 日常or周期性的數據監控、盤點

今天我們重點來講一下第1種，講一講需求上線后，數據分析應該怎么做？

一、分析結果

先說分析結果，一份及格的分析結果應該包含以下3點：

1. 給這次的改動下結論。比如，是正向or負向？是否達到預期？
2. 總結改動的主要影響。影響了哪些指標，具體漲跌比例是多少？
3. 后續的to do。根據此次的情況做后續規劃，是否需要繼續迭代，如果需要，應該往什么方向做？具體做些什么？

二、分析思路

再說分析思路，可以從以下2個切入點入手，檢查各數據指標的表現，遇到異常要重點研究、分析原因，2個切入點都要檢查，才算完整完全。

1. 切入點1

需求上線先做合理預估，預估哪些數據指標會直接受需求上線的影響，用上線后的真實數據，跟預估做對比和印證。其中與預估不符的，需要重點分析、研究。

這要求你在需求上線前，就有能力預估出哪些指標會受影響，這就需要你日常有積累，足夠了解你的用戶，根據之前的實驗結果，總結出規律和經驗，才能提高預判的準確度。如果你剛接手某塊業務，在這方面暫時沒有積累，可以思考一下，當初做這個需求是為了解決什么問題？這個問題會影響哪些指標？理一下這些問題的答案，也能幫助你做合理預估。

注：想提高這方面能力，建議看看《俞軍產品方法論》這本書，此處原引書中一段內容：

“如果你把方法論總結出來，在一定程度上證明了你的能力，那就提高了你做成另一個產品的’確定性’，企業也愿意為高一點的確定性買單。要形成方法論，很重要的一點是，要多做不同的業務，通過在新舊業務中比較異同，發現舊經驗的適用和不適用，思考其中的通用性高低?！?/p>

2. 切入點2

拉出所有的大盤基礎指標，觀察需求上線對這些指標的影響，是否有預期外的變化。如果有某個指標，原本預估需求上線對其無影響，實際在上線后指標有變化，這樣的指標也需要重點分析、研究。

什么樣的指標可以劃進大盤基礎指標？雖然每個需求的側重點和關注指標不同，但對業務來講，核心指標一般是穩定不變的。只有能衡量業務結果的指標+與結果指標強相關的過程指標，才能算作大盤基礎指標。比如，對電商業務，GMV、訂單量、轉化率就是大盤基礎指標；對視頻平臺，DAU、瀏覽時長就是大盤基礎指標。

為什么要看所有的大盤基礎指標？因為不管本次需求的目的是什么，都是要為業務的大目標增長服務的。而真正公平公正衡量一個需求、一個項目、一個產品經理的價值，最根本的方法還是看對業務價值的提升，即大盤指標的提升做了多少貢獻。

3. 局部指標+大盤指標均非負向

如果你比較幸運，需求直接影響的局部指標，和大盤基礎指標表現均非負向，看大盤指標可以幫助你真正衡量清楚需求的貢獻和價值。

一個需求對局部指標影響再大，放到大盤里沒有水花，從業務價值角度來講，也不能算十分成功，當然，這類需求可能才是工作中占比較高的。

這時可以參照以下模板整理數據分析結果：

1. 結論：迭代正向，符合預期。
2. 整體大盤有收益時，如果對業務大盤是正向的，就把業務整體的收益展示出來。
3. 局部情況描述，指標A上漲x%，指標B下跌x%，描述一下重點受影響的指標變化情況。
4. 整體大盤無收益時，如果只對局部正向，對業務整體無影響，補充一下對大盤整體無影響。

4. 大盤有指標表現負向

如果需求對大盤指標有負向影響，那么要根據不同情況來拆分

第1，需要分析清楚原因，具體分析方式后文會講。

這里需要指出一點，正常情況下，PM不應該在設計方案階段，就定一個明確對局部有益，但對業務整體有損的方案。

重申一下，衡量一個產品經理的價值，最根本的方法還是看他對業務價值的提升做了多少貢獻。

第2，如果整體和局部指標表現不一致，要考慮清楚后續動作是什么？

一般只要業務整體負向，我們都建議縮小需求影響。

如果是ABtest實驗，建議調小實驗比例，或者直接關閉實驗。如果需求是直接全量上線的，一般直接回滾，使業務恢復到需求上線前的狀態。

（1）局部指標非負向，大盤指標負向

分析過程是，首先產品要先簡單嘗試理解、解釋數據預期外變化的原因。

如果可以理解，且通過其他方式交叉驗證了理解和歸因是正確的，則可以視為預期有誤，實際表現正常。

先縮小需求影響（具體參見上文），之后再根據本次數據分析得到的經驗調整方案，重新上線新迭代，直至達到預期目標。

如果產品嘗試后仍不能理解表現異常，認為指標變化不合理，可以把異常同步數據同學，并一起復核數據，驗一下埋點上報、取數等環節，保證數據準確性，而非數據統計問題導致與預期不符。

之后，在數據側還應該嘗試總結異常指標的變化規律，比如，異常指標的變化幅度是否與某幾個指標高度一致或完全相反。

我們可以通過總結變化規律，研究規律，查找影響指標的根本原因。而找到導致大盤異常的根本原因，又可以幫助PM正確理解上線的迭代動作有哪些深層次的意義。

很多時候，一方面獲得收益和另一方面有所損失，是一件事情的一體兩面，是需要平衡的兩頭。收益往往容易被看到（也許不好量化），但損失卻更容易被忽視，有些需要經年累月的積累，才能真正了解損失的實際影響。

我們每一次的數據分析，都要盡量挖掘出迭代帶來的收益和損失，這樣才能正確的評估這次改動帶來的影響，以及是不是應該做這樣的改動。

以下是該情況下，最基礎的數據分析結果模板

1. 結論：迭代對指標A、B有正向影響，但對大盤負向，計劃先關閉實驗or需求回滾，再做優化
2. 局部情況描述：指標A上漲x%，指標B下跌x%，列出受影響較大的指標
3. 大盤情況描述：指標C下跌x%、指標D下跌x%，列出受影響較大的大盤指標
4. 后續to do：說明你計劃后續如何調整方案，或者嘗試往哪個方向做優化

（2）局部指標+大盤指標均負向

老老實實找負向的原因，想后面要怎么做優化吧，最好再考慮一下，為什么當初會定這樣的方案。

讓低質量的方案上線，這對各方面的資源都是一種浪費，長期這樣下去，PM會逐漸失去合作方的信任，推任何項目都容易受到挑戰，沒有人愿意再跟你合作項目。

仍附上該情況下，最基礎的數據分析結果模板：

1. 結論：迭代負向，計劃先關閉實驗or需求回滾，再做優化
2. 局部情況描述：指標A上漲x%，指標B下跌x%，列出受影響較大的指標
3. 大盤情況描述：指標C下跌x%、指標D下跌x%，列出受影響較大的大盤指標
4. 后續to do：說明你計劃后續如何調整方案，或者嘗試往哪個方向做優化

（3）一種極特殊情況

補充一種極特殊情況——符合預期的負向。

有時候我們不得不做一些必然降業務核心指標的需求，比如為了遵守政策要求所做的合規需求。這類需求在上線前，往往已經經過業務大佬們的充分討論，產品層面的方案一般沒有調整空間。

PM只需要按照既定方案上線，上線后重點統計清楚業務各方面損失多少，如果你發現可以通過后續迭代挽回損失，可以作為后續to do加在分析結論里。

作者：胡胖，公眾號：胡胖快跑（ID：hupangrun）

本文由 @胡胖 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 Pexels，基于 CC0 協議