中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導語：數據分析對于產品工作是十分關鍵的，但是在日常工作過程中常常會出現各種各樣的問題，本篇文章作者分享了產品上線后的常見的數據分析等內容，一起來學習一下吧。

數據分析是產品工作中重要的一環，但真實工作場景中，會受到諸多的限制，包括但不限于數據缺失、臟數據極多、數據工程與數據分析的資源缺失、項目時間等等。

很多項目，都是在沒有完整數據分析支持的情況下落地的。

這篇文章想聊下常見的數據分析和幾類項目的數據分析。

前者多是知識的堆砌，后者多是個人的經驗。

一、常見的數據分析

統計課上將各類方法分為描述性統計與推論性統計，但在實際的業務情景中，需要的數據分析結論能明確的指導業務動作。需要了解，面對各類情景，需采用怎樣的分析方法。

一個大佬的總結到，常見的、高頻的數據分析方法或情景有三類：對比、下鉆、分布。這三者能覆蓋大多數產品的工作了。其余的數據分析模型，聚類、分類等在實際中應用的較少。

1. 對比

將兩組樣本進行對比。包括橫向的對比，比如A樣本組 vs B樣本組，以及縱向的對比，比如A樣本組在a時段的表現 vs b時段的表現。

假設檢驗中常用的方法為t檢驗、f檢驗，但據我觀察除非樣本量較小，或者相對值較小的情況，很少用到假設檢驗的方法去判斷差異顯著性，更多的是基于兩者對比的差值來做判斷。

2. 下鉆

下鉆指的是將1個一級指標拆解為n個二級指標，再拆解為m個三級指標。

包括行為的下鉆（漏斗分析、路徑分析等），也包括指標的下鉆（DAU拆解等）。

下鉆分析過程中，常用的分析原則為“MECE原則”，指的是拆解過程中每一級指標間不遺漏、不重疊。

3. 分布

分布指的是看一組樣本的某個數據的表現，包括集中趨勢（平均值）以及離散趨勢（標準差）等。往往通過散點圖或箱線圖的形式呈現。

同時，基于分布，也可以看未來的數據表現趨勢，比如通過不同時間點留存值的分布，看未來時間上留存的表現趨勢。

二、幾類項目的數據分析

“項目上線后的數據分析”，這個影響的因素太多了，公司、個人、項目等等。

不同方向的項目，能夠調用的數據資源，分析的價值，難度都是不一樣的。

但對于每一個產品，通過數據結果來證明項目價值與作用，在當今這么卷的背景下，是工作中重要的一環。

1. 低難度——策略試驗

策略類產品往往上線前就有完整的數據假設，實驗方案與資源，上線后的數據分析并不困難。

能拿到精確的結果。需要注意的是實驗分組需規避其他實驗組的影響，不過大多有實驗平臺，或者依靠哈希值分組，能夠較好的處理這一點。

2. 中難度——活動向&C端功能向

大多有明確的數據指標導向，比如拉新、拉活、拉營收等等。

這些活動的數據分析，核心需要規避掉其他無關因素對結果的影響。

最常見的影響因素是時間，一個時間段內可能有多個活動進行，需要選取樣本時進行一定的篩選，保證樣本間的對比是無其余近期上線活動、功能的干擾。

另一個在對比時需要規避的是樣本組內其余變量的干擾。

比如，參加活動的有可能天然是那些積極的用戶，這些用戶本身就比不參加活動的用戶有更好的互動、營收，那么結果的信效度就會受到挑戰。

常見的方式是通過用戶分層，來細化分析，這一方式簡單，但比較粗糙。

我更認可的是采用傾向性匹配得分（PSM），通過羅輯回歸，選取1-2個對目標變量（活躍）影響最大的核心維度（如歷史付費），通過控制樣本間1-2個核心維度的指標相同（方差齊性），來保證樣本間對比的有效性。

3. 高難度——體驗優化&通用能力

這些需求項目在業務中也經常遇到，但立項之初核心解決的問題可能更偏向用戶的具體訴求，而非某一個具體的指標。

體驗優化的項目是其一。

舉個不恰當的例子，原先app中所有的交互都是不一致的，高度不一樣，彈窗并發等等，體驗很差，設計和產品同學把所有的交互UI都統一了，邏輯也更合理，是一次體驗優化。

但這種體驗優化，短時間內其實很難表明其價值，或者很難用數據來衡量其價值。這就需要長期的觀測，或者是依賴用戶研究的支持，通過NPS等指標來輔助分析。

但如果在一個非常卷的公司里，可能產品還沒拿到長期或其他的數據分析，就已經因為沒有數據能證明項目價值被開除了。

基礎能力建設的項目是其二。

一些業務的基礎能力（非中臺能力），比如美顏能力（不是很恰當的例子），這是一個非常核心但基礎的功能，如果是從0建設起來，在用戶層面一定是有價值的，但其核心影響的指標是？

后向的觀測指標是？這些指標往往非常的多，但每一個可能相關性都不是那么高。那么，剩下的指標可能就是該功能的滲透率了。

對于這類項目，會遇到一個尷尬的點，核心觀測指標是功能的滲透率，但功能滲透率并不說明價值，需要其他的后向指標來輔助。

功能向體驗優化是提升產品的用戶價值的，但這些短期內難以有明顯的數據變化趨勢，同時效果很難歸因。這類項目往往也爭取不到數據資源，需要依賴產品本身的數據能力。

還有一類是B端的項目，但我對B端不熟悉，就不再展開了。

上述在數據分析上的難度，往往是由于項目前期沒有明確的量化假設所造成的。

需要提前想清楚項目貢獻的數據的表現差異，盡可能的通過版本灰度期間的數據對比，通過前端的埋點數據，進行分析，拿到可信的結果。

本文由 @斯金納的咕 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。