編輯導讀：面對海量的資料，我們需要對其進行篩選過濾，進行分析後才能對業務、運營等部門產生有效的價值。而如何做好產品資料分析呢？本文作者將從心法和招式兩個方面進行分析，希望對你有幫助。
讀這篇文章，大約需要3分鐘。我寫了兩個基本的事情，關於產品經理，在工作中做資料分析時，如何保持行之有效，它們一個是關於“心法”、一個是關於“招式”。
01 “Make it right 保持正確動作”我在最初接觸射箭運動時，感覺自己動作還可以，並且時不時地也能命中靶心，剩下的只是大量練習而已。但是事實上，我的技術動作等所有事情都很糟糕，是運氣和其他一些因素，讓我並沒有意識到這一點。所以我錯誤地認為“我沒有問題！”於是隨著時間的推移，我懊惱地發現自己的努力並沒有換來進步。
同樣身為一名資料產品經理，我常常思考，我們在資料分析上有沒有過錯誤地認為過“我沒有問題！”
實際上我見過很多的無效的資料分析和相關的資料需求，它們都有幾個和上面的疑問類似的“共同點”：
- 引用了大量的“虛榮指標”，但又似乎什麼都沒說，導致看起來沒有問題；
- 把分析結果，強加在預先設定的結論上，強制沒有問題；
- 引用了大量錯誤的指標，進而得出更加錯誤的結論，沒有發現有問題；
- 得出結論後，並不能付之以行動，無法解決問題。
毫無疑問，大家都知道，這樣的分析行為是錯誤的。但很多時候，我們都在做著類似的事情，並對此毫無察覺。
其實，即便是很多做資料分析多年的老鳥也會時不時犯類似的錯誤。就像是我們需要判斷“產品需求”的真偽一樣，我們在做分析時，它的“目的”、“方法”、“結論”，也存在真偽和一些細微的動作差異。而我們稍一不留神，就會踩上“資料分析的坑”，並且這是常有的事兒！
所以能夠找到資料分析的問題並改正，從而進行有效的分析，來自“資料感” ！
我們在做資料分析的時候，第一重要的就是“資料感”。它是一種思維方式甚至是一種直覺，可以幫助我們快速的分辨我們所要分析的場景下，分析的指標、度量值，等等是否正確有效。
但這是一種需要長期的正確練習，才能獲得的能力，而往往我們沒有那麼多的時間和精力去打磨。那麼作為產品經理，我們有必要掌握資料分析？（說資料分析簡單不需要刻意掌握，那都是騙人的）
其實，對產品經理來說，其實資料分析沒有那麼的“雞肋”，也不必擔心這有多難。在做資料產品經理之前，我也或多或少的做過一些面向業務的專案。我寫這篇文章的目的，也是藉此機會，想透過自己一些經驗，來盡我所能的講解“如何有效的做產品資料分析 ”這件事，進而透過一些“動作改善”，讓我們的分析能力提升。
由於篇幅限制，我試著總結幾點乾貨，以求可以快速的產生“資料感”：
- 好的指標天然具有比較性和計算性（只能看的指標，也只能看看）；
- 結論必然是可執行的（做不到的事情，先放到一邊去）；
- 正確的結果一定是有參照的（否則就容易產生錯覺）；
- 平均值和總數，不是隻有這倆計算結果的方法（眾數、中位數、上下四分位、方差同樣也很重要）；
- 同一件事，存在兩者皆可的指標口徑，必只取其一（新使用者，是註冊算新，還是下單算新）。
- 指標與前後分析，一定存在邏輯關係或直接影響的關係（能夠前後自圓其說）
第一件事，在分析開始前制定分析目標。對於你負責的每個產品線來說，是第一件事情。
在不同的產品開發階段，我們需要側重關注不同的分析目標。例如，在沒有解決使用者轉化之前，大可不必過多的關注使用者的留存、流失指標。因為我們在沒有確保核心的產品形態穩定前，大多數的使用者去留，都是由是否滿足使用者需求而決定的。所以這個時候，使用者的留存、流失分析就變成了後置結論。可以有，但不是重點，因為它們並不能幫助我們解決眼前的問題。（產品上線早期，我知道了我們的次日流失率是80%，但是它僅僅是個結論，我們並不能透過這個指標進行改變任何事情，因為結論不能改變結論本身！）
關於分析目標，我們對於一個產品線，通常有以下四類目標可以逐個關注：
- 產品設計是否滿足預期，每個環節的基本轉化是否正常，當下哪裡有問題？（我們已知的不確定的問題）；
- 使用者增長/留存/流失情況，我們的使用者池是否正常，是否還有運營提升空間？（我們已知的且確定的問題）；
- 使用者互動行為結果，如瀏覽時長、決策時間等行為特點，如何運用它？（我們還不知道的確定問題）；
- 使用者是否還有其它潛在需求，是否可以挖掘，它有多大價值空間？（我們不知道的未知問題）。
第二件事，在分析過程中，我們明確分析目標後，要搭建行之有效、簡單明瞭的分析框架和指標體系。
事實上，大部分的分析過程都是可複用的，掌握幾個現成的方法可以幫助我們快速入手。並且我們大部分的分析都離不開這些基本方法。關於搭建模型，其實是另一個較大的內容，在後面的文章中我會單獨分享，本文我只能說一些基本思路。
除了一些常見的諸如AArrr、RFM等模型，我們還能怎樣有效的分析資料呢？其實我們可以使用一些簡單的分析模型思路，做到開箱即用：
因果前後切分指標：
這有點類似漏斗分析，當我們所分析的某個目標，在其前後存在前置或後置的邏輯節點，那麼我們就應該先分析前置節點，再觀察後置結論。
例如：
新使用者啟動App到註冊過程，我們要做註冊轉化率分析。假定我們有一個使用者註冊產品設計，並且完全依賴它完成註冊轉化。那麼對於註冊轉化率的分析，引導策略差異分析就是前置分析。此時如果我們只看轉化率和轉化效能（如註冊轉化率、註冊人數、註冊時長區間），而忽視使用者註冊引導策略的差異因素，實時上我們是無法發現和解決真正問題的。此時我們應該關注不同策略的觸達執行效果（ABC策略，是否符合預期、行業標準、是否存在較大差異），以及其註冊後的使用者行為目標是否健康（是否存在大量“未轉化的註冊使用者”、不同策略是否存在後續差異），才能知道我們註冊轉化率它是否真的正常，問題出在哪裡，且是否是有效。
我們對前因後果進行切分，它並不跑題，而是細化拆解。透過同一個口徑的不同結果，來找到結論。
影響因素分析：
我們在分析某個使用者目標時，是否存在多個並行的影響因素。那麼我們應該找出其對目標的影響程度，並分析是那幾個因素出了問題。
例如：我們在分析自家應用的使用者下單轉化時，在使用者點選詳情前，通常有幾個並行因素影響。比如價格與優惠對使用者的點選吸引、標題描述與圖片對使用者點選的吸引、排序與曝光度對點選可能的影響、曝光場景對點選可能的影響等等。以上因素通常是並行存在的，這時我們就要透過分析，先找出最大的影響因子（或發現都差不多），然後分析問題。價格是否敏感、描述是否影響決策、排序與曝光策略是否正確、場景是否存最佳化空間。
受篇幅所限，這裡我不再展開更多的內容，僅提供一些啟發。
03 結尾實際上產品經理的資料分析，也是一個需要正確目標導向和固定方法的實踐過程，且有很多內容。單篇內容我無法一次講完，去拆解細講這個龐大的內容。（野心夠大）
作為產品經理，當我們掌握一些資料分析的“動作”後至少可以完成以下的事情了：
- 我們可以透過簡單清晰的指標對比，我們可以監測產品的日常變化，以確定是否出了狀況；
- 我們可以通過幾個核心指標監測，我們可以快速判斷是否符合產品預期；
- 我們可以透過轉化率分析，我們可以清晰地知道，是哪個環節出了問題；
- 我們可以透過行為分析，我們可以研究使用者的需求是否被命中；
- 我們可以透過資料覆盤，可以剛好地量化產品價值，找到不足之處；
以及一些重要技能：埋點，SQl入門，使用者行為分析，業務產品策略化改造，歡迎關注我的後續文章。
本文由 @塵言 原創釋出於人人都是產品經理，未經作者許可，禁止轉載
題圖來自Unsplash，基於CC0協議。