產品經理必會的10種數據分析方法

做者 | 陳明，GrowingIO聯合創始人&運營副總裁。畢業於斯坦福大學，前後就任於eBay、LinkedIn數據分析部門，有豐富的商務分析經驗。
來源 | GrowingIO 2017 年第3期電子書《產品經理數據分析手冊 | 能力升級必備》

隨着人口和流量紅利的降低，互聯網行業必然會朝着精益化運營的方向發展。數據分析在不少互聯網人的工做中愈加顯得重要，而對於產品經理來講，更是如此。本文將爲產品經理介紹數據分析的基本思路，並基於此，衍生出 2 個常見方法和 7 個應用手段，但願在數據分析的實際應用中能給你們帶來幫助。

1、數據分析的基本思路

數據分析應該以業務場景爲起始思考點，以業務決策做爲終點。
基本思路爲 5 步，首先要挖掘業務含義、制定分析計劃、從分析計劃中拆分出須要的數據、再根據數據分析的手段提煉業務洞察，最終產出商業決策。

接下來咱們用一個案例來具體說明這5步思路：

某國內 P2P 借貸類網站，市場部在百度和 hao123 上都有持續的廣告投放，吸引網頁端流量；最近內部同事建議嘗試投放 Google 的 SEM；另外，也須要評估是否加入金山網絡聯盟進行深度廣告投放。在這種多渠道的投放場景下，產品經理該如何進行深度決策？

1.挖掘業務含義
首先要了解市場部想優化什麼，並以此爲核心的 KPI 去衡量。
渠道效果的評估，最重要的是業務轉化：對P2P類網站來講，是否『發起借貸』遠遠比『用戶數量』重要。
因此不管是 Google 仍是金山渠道，都要根據用戶羣體的不一樣，優化相應用戶的落地頁，提高轉化。

2.制定分析計劃
以『發起借貸』爲核心轉化點，分配必定的預算進行流量測試，觀察對比註冊數量及 ROI 效果，能夠持續觀察這部分用戶的後續價值。

3.拆分查詢數據
根據各個渠道追蹤流量、落地頁停留時間、落地頁跳出率、網站訪問深度以及訂單類型數據，進行用戶分羣。

4.提煉業務洞察
在不一樣渠道進行投放時，要根據 KPI 的變化，推測業務含義。好比谷歌渠道的效果很差，可能由於谷歌大部分的流量在海外，可能會形成轉化率低。而金山網絡聯盟有不少展現位置，要持續監測不一樣位置的效果，作出最後判斷。

5.產出商業決策
最後根據數據洞察，指導渠道的投放決策制。好比中止谷歌渠道的投放，繼續跟進金山網絡聯盟進行評估，而落地頁要根據數據指標持續地進行優化。

2、常見的數據分析方法

（一）內外因素分解法

內外因素分解法是把問題拆成四部分，包括內部因素、外部因素、可控和不可控，而後再一步步解決每個問題。

案例：

社交招聘類網站，通常分爲求職者端和企業端，向企業端收費方式之一是購買職位的廣告位。業務端人員發現『發佈職位』數量在過去的6個月裏有緩慢降低的趨勢。對於這類某一數據降低的問題，從產品經理的角度來講，能夠如何拆解？

根據內外因素分解法，『內部可控因素』：產品近期上線更新、市場投放渠道變化、產品粘性、新老用戶留存問題、核心目標的轉化；
『外部可控因素』：市場競爭對手近期行爲、用戶使用習慣的變化、招聘需求隨時間的變化；
『內部不可控因素』：產品策略（移動端/PC端）、公司總體戰略、公司客戶羣定位（好比只作醫療行業招聘）；
『外部不可控因素』：互聯網招聘行業趨勢、總體經濟形勢、季節性變化；

（二）DOSS

DOSS 是從一個具體問題拆分到總體影響，從單一的解決方案找到一個規模化解決方案的方式。

案例：

某在線教育平臺，提供免費課程視頻，同時售賣付費會員，爲付費會員提供更多高階課程內容。若是我想將一套計算機技術的付費課程，推送給一羣持續在看C++免費課程的用戶，產品經理應該如何輔助分析？

按DOSS的思路分解以下：
『具體問題』：預測是否有可能幫助某一羣組客戶購買課程。
『總體』：首先根據這類人羣的免費課程的使用狀況進行數據分析，以後進行延伸，好比對總體的影響，除了計算機類，對其餘類型的課程都進行關注。
『單一回答』：針對該羣用戶進行建模，監控該模型對於最終轉化的影響。
『規模化』：以後推出規模化的解決方案，對符合某種行爲軌跡和特徵的行爲進行建模，將課程推薦模型加入到產品設計中。

3、數據分析的應用手段

根據基本分析思路，常見的有7種數據分析的手段。

（一）畫像分羣

畫像分羣是聚合符合某中特定行爲的用戶，進行特定的優化和分析。

好比在考慮註冊轉化率的時候，須要區分移動端和 Web 端，以及美國用戶和中國用戶等不一樣場景。這樣能夠在渠道策略和運營策略上，有針對性地進行優化。

（二）趨勢維度

創建趨勢圖表能夠迅速瞭解市場， 用戶或產品特徵的基本表現，便於進行迅速迭代；還能夠把指標根據不一樣維度進行切分，定位優化點，有助於決策的實時性；

（三）漏斗洞察

經過漏斗分析能夠從先到後的順序還原某一用戶的路徑，分析每個轉化節點的轉化數據；

全部互聯網產品、數據分析都離不開漏斗，不管是註冊轉化漏斗，仍是電商下單的漏斗，須要關注的有兩點。第一是關注哪一步流失最多，第二是關注流失的人都有哪些行爲。
關注註冊流程的每個步驟，能夠有效定位高損耗節點。

（四）行爲軌跡

行爲軌跡是進行全量用戶行爲的還原。只看 PV、UV 這類數據，沒法全面理解用戶如何使用你的產品。瞭解用戶的行爲軌跡，有助於運營團隊關注具體的用戶體驗，發現具體問題，根據用戶使用習慣設計產品，投放內容；

（五）留存分析

留存是瞭解行爲或行爲組與回訪之間的關聯，留存老用戶的成本要遠遠低於獲取新用戶，因此分析中的留存是很是重要的指標之一；

除了須要關注總體用戶的留存狀況以外，市場團隊能夠關注各個渠道獲取用戶的留存度，或各種內容吸引來的註冊用戶回訪率，產品團隊關注每個新功能對於用戶的回訪的影響等。

（六）A/B測試

A/B測試是對比不一樣產品設計／算法對結果的影響。

產品在上線過程當中常常會使用A/B測試來測試產品效果，市場能夠經過A/B測試來完成不一樣創意的測試。
要進行A/B測試有兩個必備因素：
1.有足夠的時間進行測試；
2.數據量和數據密度較高；
由於當產品流量不夠大的時候，作A/B測試獲得統計結果是很難的。而像 LinkedIn 這樣體量的公司，天天能夠同時進行上千個A/B測試。因此A/B測試每每公司數據規模較大時使用會更加精準，更快獲得統計的結果。

（七）優化建模

當一個商業目標與多種行爲、畫像等信息有關聯性時，咱們一般會使用數據挖掘的手段進行建模，預測該商業結果的產生；

例如：做爲一家 SaaS 企業，當咱們須要預測判斷客戶的付費意願時，能夠經過用戶的行爲數據，公司信息，用戶畫像等數據創建付費溫度模型。用更科學的方式進行一些組合和權重，得知用戶知足哪些行爲以後，付費的可能性會更高。
以上這幾種數據分析的方法論，僅僅掌握單純的理論是不行的。產品經理們須要將這些方法論應用到平常的數據分析工做中，融會貫通。同時學會使用優秀的數據分析工具，能夠事半功倍，更好的利用數據，實現總體增加。

注：以上全部數據分析工具截圖均來源於硅谷新一代用戶行爲數據分析工具 GrowingIO