.jpg!thumbnail!890x300.2)
产品狗浅谈数据分析！
【来源丨产品狗日记】
【编辑丨善小花】
做为产品经理，除了要会分析需求，画原型，写文档，做用户访谈之外，还有一个蛮重要的技能就是要善于分析和利用数据。今天就写写产品经理应该如何关注和运用产品数据，并帮助产品更好的发展。
产品数据的作用
我个人认为产品数据的作用主要有两个：
首先，产品数据可以监控我们的产品设计（包括迭代和改版）、运营活动、市场活动（包括渠道推广和广告投入）收入水平，看它们处于什么状态，是否正常，是否达标，是否有飞跃等等，也可以为后续的产品设计和发展提供参考帮助；
第二，通过对数据的分析和挖掘，我们可以发现新的商业机会或是产品爆发点，也就是这两年比较热门的数据增长概念。
不同阶段关注的数据不一样
大家都知道产品有不同的生命周期，在不同生命周期我们所采取的产品设计和运营活动都会不一样，那么自然而然地不同阶段我们所关注的数据也不一样。
MVP阶段
这一阶段最重要的是第一批种子用户对于产品的使用情况和反馈。这个时候需要产品经理更多地去做定性分析，去做用户访谈，直接确定产品是否满足用户需求，因此这个阶段我们可以暂时不用在数据分析上投入更多精力；
成长期
成长期对于一个产品来说最重要的是什么？是拉新和留存！那么我们数据关注的重点自然也是要放在拉新和留存之上。
拉新要关注推广数据和推荐数据。推广数据就是我们所采取的所有推广活动和行为的指标数据，不同推广方式（线上+线下）的到达率，点击率，转化率，二次访问率，流失率；比如我们做了一场地推活动，现场到了多少人，多少人是目标用户，多少人不是目标用户，目标用户有多少人参与或接受了我们的地推形式，有多少人当场下载了APP或试用了我们的产品，又有多少人在活动后下载了APP等等。通过这些数据的对比和分析，我们要不断调整我们的推广方式和手段，试验不同的渠道组合。
推荐数据则是用户是否愿意将产品推荐给他的朋友、同事和同行的行为数据分析。一个好的产品是会说话，最直接的就是口碑的力量。这一块我们在数据上可以关注整个分享环节的链路。比如你有100个种子用户，他们中有多少人只是自己用产品，有多少人是第一时间就向朋友推荐，有多少人是在公开场合给了好评或是差评，又有多少人是在私下分享呢？他们的推荐行为带来了多少新用户？这些数据会告诉我们产品在用户和用户的圈子里的比较真实的位置。
留存则是要做用户的留存分析。主要有用户的次日留存率，7日留存率，日活和月活用户数据，用户页面访问深度，退出率等。要注意的是这些指标不能孤立地看，既要彼此结合起来看，也要联系运营活动市场推广综合地看。说白了留存就是要提升目标用户在核心场景之上的反复出现次数和时间。
成熟期
产品进入成熟期，我们所关注的重点就转移到了用户价值上面。这里的用户价值是指用户对于公司和产品的商业价值，和我们通常所说的用户侧的用户价值有些不同。这个阶段我们要根据用户的情况进行用户分层。抓大放小——尽可能提高高价值用户的活跃度，对于低价值用户可以适当地减少投入精力。这时除了对于用户活跃度的关注以外，还建议重点关注核心场景的用户行为数据和高价值用户的流失率。
比如你的产品总的来看日活周活都很不错，但是核心场景上的点击率或是停留时间都很低，核心场景关系到公司的商业目标和价值的实现，用户在这一块的行为很少，那可能是要么你的用户不是目标用户，要么你的核心场景存在比较大的缺陷让用户不满意。高价值用户的流失率也是一个道理，都是值得引起我们警惕的数据指标。
衰退期
此时用户会逐渐流失，用户被其他的新产品形态吸引。应该关注用户流失后使用的产品， 流失速度。 尽快拓宽产品边界，寻找新的切入点。
数据从哪里来
说了那么多，我们的数据从哪里来呢？通常情况下，我们会采取埋点的方式去获取数据。现在也出现了growing io 、神策这样的数据分析工具，用起来很方便，每次新增埋点也不用客户端新发版本，数据可视化也做的不错。
当然这些只是手段和工具，我们要更好地运用数据就要注意以下几个原则
1、明确数据指标的定义、口径和使用场景。
产品经理（目前数据分析师不是每个公司都有的）要能清楚地和开发人员描述数据指标到底是什么，有哪些维度，在哪个页面或哪个场景之下发生；
2、层层剥离，穷举指标
产品经理为了保证数据的准确性，要尽可能地将指标拆解，拆解到不能拆解为止。同时也要分清哪些是核心指标，哪些是主要指标，哪些是次要指标；
3、数据指标和用户结合
新用户做了什么？老用户做了什么？付费用户做了什么？非付费用户又做了什么？流失用户在流失之前做了什么？要回答这些问题就要将数据指标和不同的用户结合起来分析；
数据模型
因为这两年增长黑客概念的流行，数据模型也被越来越多的关注。常见的数据模型有海盗指标，增长黑客三级漏斗，增长引擎说和关隘模型。这四个模型的具体介绍网上有很多文章，我就不再赘述。这里就和大家分享一下个人的工作经验。
我个人会采取“还原用户使用过程——建立漏斗——逐层分析”的模型。例如这一阶段主要是要提高用户的分享行为。那就可以先整理出用户在当前产品中分享行为的主要路径。假设是“打开APP-点击商品详情页-浏览商品-触发分享按钮-选择分享渠道-写分享语（非必经）-完成分享-返回或离开APP”，然后就把这个流程路径设为漏斗进行观察分析。
数据分析注意点
在这个人人开口“数据增长”，闭口“数据驱动”的时代，我们确实要积极关注数据，留心数据给我们带来的讯息，但同时也要注意以下几点：
1、数据不是心血来潮看看就有发现的，数据需要长期的观察和分析。别指望你看几天数据就能有什么重大发现。产品经理要养成每天看数据和记录数据的习惯；
2、数据不是光光用来看的，还要多问为什么。产品经理要有数据敏感性，要问为什么，为什么这个指标今天波动这么大，为什么留存率这段时间有好转。数据不是用来看的，要明白数据带给我们的信息，然后才能去改进和优化我们的产品；
3、不要只盯着自己的一亩三分地，竞品和行业数据都要关注。光看自己的数据不够，竞品的数据也要尽可能去关注。为什么A产品的付费率比我们高，他们做了什么改动？行业数据也不能忽视，大环境会影响单个产品的表现，结合大环境更能全面分析产品，并作出决策；
4、不要忽略沉默的数据。二战时英国空军为了降低飞机的损失，决定给飞机的机身进行装甲加固。由于当时条件所限，只能用装甲加固飞机上的少数部位。他们对执行完轰炸任务返航的飞机进行仔细的观察、分析、统计。发现大多数的弹孔，都集中在飞机的机翼上；只有少数弹孔位于驾驶舱。从数据上说, 加固机翼的性价比最高. 但实际情况缺恰恰相反, 驾驶舱才是最应加固的地方, 因为驾驶舱被击中的飞机几乎都没飞回来；
5、数据不是万能的，也不是绝对客观的。数据也会骗人，数据也不会把信息完整地展现给你，这需要你结合实际的用户使用行为去分析和解读。比如你看数据发现这个按钮用户点击次数很低，但是为什么低？是按钮不明显？还是功能有BUG？还是别的什么？这些数据都不会告诉你，需要你沉到用户使用行为中去发现真实的情况。另外同样的数据完全可以有两份不同的解读，
如上图，完全一样的数据源，只是调整了数轴的起点，在第一眼里面是否让你感觉到了不同的增长速度。而实际上，通过调整竖轴的标度，还可以使得这张图呈现出更加有趋向性的走向。
6、光说不练假把式。数据分析了，数据解读了，这样就够了吗？不，我们需要根据数据付诸行动，去改进，去优化，然后再用数据进行检验和分析，如此反复，才是数据的正确运用之道。
用户评论
1、请问一下，市面上成熟的数据分析工具实现的功能，会不会和数据分析师有冲突？2者主要区别在于哪里？我是小白！
2、这个问题其实是这样，数据分析软件其实只是对于数字交叉分析这些更加快速反应和敏感，但是数据分析师的作用其实在于，看到一个数据或者一组数据，能够推导出一个结论，如果说数据分析师是抽丝剥茧得出结论，那么数据分析软件其实就是一个帮助数据分析师，抽丝剥茧的工具而已。所以说其实并不冲突，而且能够更好的结合在一起。
投稿请戳这里！投稿
文章评论(0)