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

看數據這種技能也是越練越熟，真有「數據 sense 」這種東西，經?？淳蜁祿舾?，更容易發現數據中隱藏的信息。

剛入行的時候不懂怎么看數據，每天就是看著后臺報表里的 UV 、 PV 漲了一點點/跌了一點點，然后就沒有然后了。直到后來機緣巧合做了一段時間用戶增長，渠道相關的工作，才慢慢學會怎么去看數據。

后來我反思為啥最早對著數據的時候整個人是懵的？想來想去最后覺得根本原因還是缺少了目標。不知道為什么看數據的時候，所有數據都是一個個孤立的數字，后來開始帶著目標去看，去數據中找答案，慢慢就學著找數據之間的聯系，找隱藏在數據表象下的信息。

在我看來，所有具體的目標概括起來就是兩點：找問題，找機會。找現在的產品有沒有隱藏的問題，找設計的邏輯是不是符合用戶行為，找有沒有潛在機會幫產品再上一個臺階。

扯完目標進入正題，我平時經常需要關注數據大致有四類：

1. 產品的運營數據，包括 規模數據 和 質量數據
2. 產品核心場景的用戶行為數據
3. 新功能上線后的反饋數據
4. 行業數據

其中適合每天看的主要是運營數據和核心場景的行為數據；反饋數據是在某個新功能，或者為了驗證某種假設的實驗后研究的；行業數據則基本是按季度維度去看就可以了。

運營數據

最常規的數據是產品的運營數據，我習慣從規模和質量兩個角度去看：

• 規模數據主要是產品的一些數據指標，例如：新增用戶數，DAU （日活躍用戶數）， MAU （月活躍用戶數）， 電商產品的話就包括訂單、收入、等等。
• 質量指標則是反應產品業務健康程度的數據，例如：新增用戶的次日留存，用戶的啟動頻率和啟動時長，等等。

看這些數據首先要弄明白數據的定義方式，采集和計算過程。理解上的差異可能導致將一些不同數據做強行匹配，導致結論顯著的錯誤，尤其是面對不同產品，不同公司的數據時。

弄清楚了指標的定義，具體看數據的時候我習慣反復使用 對比 和 分解 這兩種基本方法：

• 對比，是通過 橫比 和 縱比 的方式看數據，橫比就是和相似的產品比，和自己的經驗數據比（比如經驗里面寒暑假是視頻的旺季，但是產品對應的數據確下跌了，這就需要進一步去找原因了）；另一個縱比是在時間線上過去的自己比。
• 分解，是按照不同的維度去分解數據，例如：可以從渠道的維度看，從地域維度看，通過不同的維度分解將對比的差異值逐級鎖定，方便尋找原因，做用戶增長的時候，我會關注不同類型的 Top 渠道。

使用對比/分解大法基本能養成較好的數據 sense 了，最后再說三個數據解讀中比較常見的錯誤：

1. 過度關注數據下跌的原因，而完全忽視上漲的原因，或完全歸因為業務的好轉。我在做瀏覽器的時候有個核心指標「人均搜索數」，它是由 「總搜索次數/搜索用戶數」 計算得來的，所以人均搜索數的增長，可能是總搜索數增長，也可能是搜索用戶數下跌了，是需要進一步分析的，簡單的認為上漲就是好、下跌就是差是有問題的。
2. 因果歸因錯誤，把相關關系錯認為因果關系，或者忽略了關鍵因素；例如： A 導致了 B 和 C 的發生，分析時卻忽略了 A ，直接認為 B 和 C 存在因果關系。
3. 幸存者偏差，忽視了沉默的大多數，這是在看抽樣數據時很容易犯的一類錯誤，關于幸存者偏差的詳細定義大家可以翻翻百度百科。

用戶行為數據

還有一個建議每天看的是用戶行為的 log 數據，這個數據有點像「百度統計」里面的漏斗模型，但是他比漏斗模型更加詳細一些，他不單單能說明用戶有沒有走到漏斗當中，還可以進一步看到，用戶在漏斗中的路徑，以及跳出用戶是如何跳出的。

用戶的行為數據都是一些生數據，數據量比較大，需要有一定的處理。

1、找產品的核心場景

不是所有用戶的行為日志都去看，而是要找到影響用戶認知產品的核心場景，這里可以借鑒（ MOT , Moments of Truth ）的概念，就是用戶和產品的服務發生接觸的點，這些點的體驗決定了用戶對于產品整體的評價。例如，做用戶新增的需要看新用戶進來之后找到自己想要的服務的路徑是什么樣子的，是不是足夠簡短？有沒有遇到困難？

2、為用戶分類，找目標用戶

最好一次只看一類用戶，因為看用戶的行為數據是比較消耗精力的過程，不是每次都能有收獲的，需要不斷的看，不斷的挖掘。

所以在做新增的時候，我基本會以引流時設置的鉤子做分類，每次看其中一類用戶，例如通過今天只看通過視頻加速引流的用戶，看看這些用戶進來之后能不能快速的找到對應的視頻；過幾天看看通過資訊進來的用戶。

說完每天看到數據再簡單說兩句 反饋數據 和 行業數據 ，雖然這兩個數據不需要每天看，但在產品經理的工作中也是很有幫助的。

新功能反饋數據

迭代是產品經理重要的工作手段，無論是灰度發布， AB test ，還是常規的發版都需要通過收集數據來驗證之前的假設，從而覺得是繼續優化，還是推到重來，迭代幫助產品經理積累被驗證的認知。

看反饋數據最重要的是在設計的時候就想清楚，目標是什么？我認為這個新功能能夠起作用的邏輯是什么？我需要采集哪些數據來驗證？

最好的辦法就是把這些問題的答案，一條一條的寫下來，通過寫下來的方法可以保證我們事前就好一些細節的問題都考慮進去了，避免兩種常見的失誤。

• 過度采集數據，增加開發工作量；
• 采集數據不足，不能開展結論分析；

行業數據

最后說說行業數據，我習慣用行業數據來發覺新機會，行業數據能夠看到用戶遷移的一種大的趨勢，如果自己的產品能夠借上這種大勢，很可能就是一波比較大的突破。例如：2013年 WIFI 萬能鑰匙的興起；2014年視頻流量的增長；2015 年今日頭條和快手的用戶量崛起。

行業數據獲取比較依賴大平臺，如果是在 BAT 這樣的大公司，有足夠大的用戶樣本，比較容易及時的看到這些數據。如果沒有這樣的條件，一方面可以依賴艾瑞等第三方的報告，另一方面就是要多關注各種排行版數據，例如：app store 、應用市場的榜單，微博的關鍵熱榜、百度指數等的變化。

總的來說就是要去想，用戶最近關注什么？這個東西和自己的業務有沒有聯系，切忌不要強制聯系。

看數據這種技能也是越練越熟，真有「數據 sense 」這種東西，經?？淳蜁祿舾?，更容易發現數據中隱藏的信息。

本文由 @SHA11E 原創發布于人人都是產品經理。未經許可，禁止轉載