当前位置:首页 > 新闻中心 > 公司新闻

产品经理如何做数据分析?

发布时间: 2021-08-06 03:59:43  来源:火狐平台开户 

  内外因素分解法是把问题拆成四部分,包括内部因素、外部因素、可控和不可控,然后再一步步解决每一个问题。

  举个例子:社交招聘类网站,一般分为求职者端和企业端,向企业端收费方式之一是购买职位的广告位。业务端人员发现『发布职位』数量在过去的 6 个月里有缓慢下降的趋势。

  举个例子:某在线教育平台,提供免费课程视频,同时售卖付费会员,为付费会员提供更多高阶课程内容。如果我想将一套计算机技术的付费课程,推送给一群持续在看 C++ 免费课程的用户,产品经理应该如何辅助分析?

  首先根据这类人群的免费课程的使用情况进行数据分析,之后进行延伸,比如对整体的影响,除了计算机类,对其他类型的课程都进行关注。

  之后推出规模化的解决方案,对符合某种行为轨迹和特征的行为进行建模,将课程推荐模型加入到产品设计中。

  比如在考虑注册转化率的时候,需要区分移动端和 Web 端,以及美国用户和中国用户等不同场景。这样可以在渠道策略和运营策略上,有针对性地进行优化。

  建立趋势图表可以迅速了解市场, 用户或产品特征的基本表现,便于进行迅速迭代;还可以把指标根据不同维度进行切分,定位优化点,有助于决策的实时性;

  所有互联网产品、数据分析都离不开漏斗,无论是注册转化漏斗,还是电商下单的漏斗,需要关注的有两点。第一是关注哪一步流失最多,第二是关注流失的人都有哪些行为。

  行为轨迹是进行全量用户行为的还原。只看 PV、UV 这类数据,无法全面理解用户如何使用你的产品。了解用户的行为轨迹,有助于运营团队关注具体的用户体验,发现具体问题,根据用户使用习惯设计产品,投放内容;

  留存是了解行为或行为组与回访之间的关联,留存老用户的成本要远远低于获取新用户,所以分析中的留存是非常重要的指标之一;

  除了需要关注整体用户的留存情况之外,市场团队可以关注各个渠道获取用户的留存度,或各类内容吸引来的注册用户回访率,产品团队关注每一个新功能对于用户的回访的影响等。

  产品在上线过程中经常会使用 A/B 测试来测试产品效果,市场可以通过 A/B 测试来完成不同创意的测试。

  因为当产品流量不够大的时候,做 A/B 测试得到统计结果是很难的。而像 LinkedIn 这样体量的公司,每天可以同时进行上千个 A/B 测试。所以 A/B 测试往往公司数据规模较大时使用会更加精准,更快得到统计的结果。

  当一个商业目标与多种行为、画像等信息有关联性时,我们通常会使用数据挖掘的手段进行建模,预测该商业结果的产生;

  例如:作为一家 SaaS 企业,当我们需要预测判断客户的付费意愿时,可以通过用户的行为数据,公司信息,用户画像等数据建立付费温度模型。用更科学的方式进行一些组合和权重,得知用户满足哪些行为之后,付费的可能性会更高。

  以上这几种数据分析的方法论,仅仅掌握单纯的理论是不行的。产品经理们需要将这些方法论应用到日常的数据分析工作中,融会贯通。同时学会使用像数据分析工具 & 数据分析服务 - GrowingIO这种数据分析工具,可以事半功倍,更好的利用数据,实现整体增长。

  每个产品经理都知道数据分析很重要,但你能清晰地给出以下这两个问题的答案吗?1. 数据分析到底是什么?2. 数据分析为什么如此重要?如果在这之前你不知道答案也没关系,因为本文会围绕以下几点回答以上两个问题:1. 数据分析到底是什么?2. 数据分析的相关概念3. 如何实施数据分析?4. 如何测量和收集数据?5. 如何做数据分析报告?6. 数据分析与产品的关系

  简而言之,数据分析表征产品状态、用户行为和用户所点击的内容等等。虽然数据表征产品状态,但它没有表明产品所处状态的原因。数据分析不能只靠单一的度量数据,应以一系列汇聚的度量数据为前提。例如,如果我们要分析某个物体状态,我们就不能只用物体温度这个单一度量数据,只有结合其他诸如物体位置、速度、组成、环境温度等一系列数据,我们才能实施分析。假设速度是0,物体位置离地面1米,周围温度与物体一样,我们可以分析得出结论——物体处于静止状态。同理,我们在分析产品状态和用户行为时,汇聚的度量数据越多,对我们越有利。

  想要从数据分析中获得最大价值,我们需要非常了解数据分析的相关概念。这些概念包括:• 数据点• 用户分群• 漏斗• 时序分群

  用户分群的依据包括但不限于:• 技术方面(浏览器, 操作系统,设备等)• 行为方面(初次访问,回访等)• 人口统计学方面(语言,国家等)在对用户进行自定义分群时,我们需要依据可以度量的特征。例如,用户性别就是可以度量的特征。只要我们在用户个人资料里添加性别这一项,我们就可以采集到相关数据,这样以性别作为分群依据就不难。我们可以通过用户分群了解用户潜在的行为模式。数据平均值会掩盖这些潜在行为模式。例如,虽然页面平均访问量是2,但是在添加了初次访问vs回访这个细分特征之后,我们发现初次访问者的平均页面浏览量是1.2,而回访者的平均页面浏览量是3.4。如果不进行用户分群,初访者和回访者页面浏览量的差异就会被页面浏览量的平均值所掩盖。通过用户分群,我们可以把数据分析重点集中在主要目标用户群体。例如,我们的主要目标用户分布在华东地区,只要区分华东各省市用户群体并重点分析这些地域的用户行为,就可以优化产品以适应他们的需求,而不是针对全国用户进行产品优化。

  为了达到目的,用户会执行一系列操作。例如,在电商平台上,用户为了实现购买的目的,会执行以下操作:

  时序分群有利于我们衡量用户长期价值。时序分群之后可以进行不同的比较,例如,我们可以比较一周前的注册用户和一个月前的注册用户,也可以比较某个特定日期的注册用户。如果我们没有针对一周前和一个月前的用户进行分群,那么新进来的用户会干扰我们分析这两个时间段的用户行为。对某个特定时间段的用户进行比较时,我们可以衡量某个营销活动或者产品某个功能更新后对用户行为产生的影响。

  上图是一个基于用户注册时间的留存图。与其他用户群相比,十月八日这一天的用户留存显著增加。当我们看到这个数据时我们可以探索是什么导致了用户留存的改变。

  产品经理会接触到海量的数据,那么我们应该如何实施数据分析?我们需要制定如下计划:1. 定义产品愿景2. 定义满足产品愿景的KPI3. 定义允许我们达到KPI的度量指标4. (通过用户行为日志)定义影响度量的漏斗为了更好地制定计划,我们需要了解计划里的相关概念。

  产品愿景指产品用途和目标用户,简而言之,“产品为用户解决了什么问题?”没有产品愿景,我们接下来的所有行动都是浪费时间。

  KPI衡量产品表现。拉新,留存,活跃,转化等这些都属于KPI的范畴。我们还可以用KPI制定产品发展目标,譬如将用户注册量提高20%或者将购买转化率提高30%。KPI要适合产品所处阶段,如果我们刚开始创业,那么主要KPI就是用户注册量,而不是用户活跃度。

  度量指标是达成KPI的手段。度量指标一般有转化率,购买率等等。通过计算两个或多个数据点,我们可以得到度量指标数据。同时,度量指标的变化趋势也是产品改进的依据。

  重要的漏斗会以某种方式改变度量指标。在确立产品使用流程/用户行为日志后,我们依据度量指标和用户行为制定相关漏斗模型。以注册率为度量指标和以转化率为度量指标所制作的漏斗模型不可能相同。

  方法有两种:建立内部分析系统,或者依赖第三方的分析系统。内部分析系统可以根据度量指标进行定制开发。缺点是我们需要耗费资源单独建立和维护。外部分析系统,譬如Google Analytics, Mixpanel, KISSmetrics等都是不错的选择。第三方的分析系统易于实现且不会浪费建立和维护所需要的资源。Cobub Razor是国内一款专业的APP数据统计分析工具,支持私有化部署,数据既灵活又安全,是个不错的选择。

  通常我们通过制作比较图表和趋势图表来做数据分析报告。比较图表体现某个度量指标在两个时间点之间的变化,比如某个度量指标在上个星期和这个星期之间的变化。它让我们看到两个时间点之间度量指标是否有较大的波动。趋势图表体现某个度量指标在一段时间内的变化,例如某个度量指标在过去一个月内的变化。它显示度量指标的变化方向,指明产品表现——变好、变差还是保持不变?报告定位出问题,然后通过尝试回答“为什么XX会发生?”“为什么YY会改变?”这些问题,我们可以优化和改进产品。

  我们依据数据分析结果改进产品。如果没有数据分析,我们容易盲目改变产品,拍脑袋决策;如果没有数据分析,我们也不能知道产品改变之后所产生的效果。在产品发展的过程中,我们需要不断地进行数据分析,以保证产品按照我们的期望发展。为了保证产品处于领先状态,产品经理必须知道数据分析是什么以及数据分析的重要性。希望本文能对广大产品经理有所帮助。

  产品经理关注的更多是围绕产品本身出发,数据分析的目的也是通过优化产品从而促进业务增长,运营就更复杂的要看具体是哪方面的运营,内容、用户等等,要关注的数据都不太一样。

  文章从以下几个方面,来梳理一下产品经理数据分析的基本流程和所需技能,希望为各位产品经理们的数据分析带来一些新的启发和帮助~

  不管哪种数据分析,都不仅仅是最后输出一份带图表的报告,不是为了分析而分析,最终的目的是帮助分析者发现问题,不断优化产品,驱动用户增长,这就需要我们在一开始明确分析的目的。

  在很多产品经理刚起步时,并不清楚通过数据可以分析得出什么样的结果,这就需要最开始的时候先掌握一些基本方法和关键指标,通过常用方法锻炼分析思维。

  这里简单介绍几种方法的概念,根据大家所处行业的不同,可以选择适合的深入学习,后面小草莓也会专门根据案例帮大家梳理这些数据分析方法的使用。

  漏斗分析法能够科学反映用户行为状态,以及从起点到终点各阶段用户转化率情况,是一种重要的分析模型。

  分组分析法是根据数据分析对象的特征,按照一定的标志(指标),把数据分析对象划分为不同的部分和类型来进行研究,以揭示其内在的联系和规律性。

  关联分析法是一种简单、实用的分析技术,是指从大量数据集中发现项集之间的关联性或相关性。若两个或多个变量的取值之间存在某种规律性,就称为关联。

  在实际工作中,这个方法应用的最为广泛,是指直接运用统计学中的一些基础指标来做数据分析,比如平均数、众数、中位数、最大值、最小值等。

  对比分析法是指将两个或两个以上的数据进行比较,分析它们的差异,从而揭示这些数据所代表的事物发展变化情况和规律性。

  不同商业模式下关注的关键指标有所不同,以下总结《精益数据分析》中讲到的部分商业模式需要关注的指标及含义给大家

  百度统计:可以监测所有网页行为,包括每日访客量,实时访客数,历史访客数据,用户来源分析,搜索词分析以及其他更多统计数据。

  数据收集后,需要对数据进行整理分析,把基础数据利用分析方法,得出对应指标的变化等,成为数据分析者的基本功。

  不管是内部excel数据或数据库数据,还是刚刚提到的多种网络营销、数据统计、用户分析等数据,都可以通过BDP一键添加导入

  在BDP内通过拖拽即可完成多表关联、追加合并等操作,轻松实现数据清洗、处理,当然,如果想要扎根数据分析行业,函数、SQL也还是要掌握滴~

  根据需要可以拖拽生成可视化图表,包括常用到的桑基图、漏斗图、词云、行政地图、经纬度地图、轨迹地图等等,之后也会和大家详细分享不同的指标和分析方法该如何选取最合适图表类型哟~

  产品在不同生命周期阶段关注点不同,数据分析重点也不同。一个产品从0-1-N,通常会经历小规模试验打磨(关注用户留存)、用户规模拓展(关注活跃用户规模)、商业变现(关注付费转化)三个阶段。

  结合过去的实践(曾经恰好还是一名数据分析师),总结下这三个阶段的分析方法,和大家分享交流下:) 详细见文章XCXC:常说的产品数据分析,究竟分析些什么?

  接下来针对用户留存、用户活跃、用户付费转化三个目标,详细介绍下如何基于以上框架,分析产品并指导行动。

  2.指标benchmark:本身趋势、对照组/试验组。在新功能0-1的打磨阶段,随着产品不断迭代,核心观察留存率有没有呈现上升的趋势。如果是原有功能的升级,可以对比查看对照组/实验组的留存率有没有差异,是否有提升。

  1)拆解到具体功能:看各功能点的次日留存表现,那些你曾认为是killer app的功能点是不是在显著拉高整体留存,变化趋势如何,有没有意料之外的黑马功能在默默地为你留住用户?——指导确定要重点优化和运营哪些功能细节

  2)拆解到不同层级用户:看不同类型用户(例如年龄、地域等)的留存表现如何,目标用户群体是否对功能买单又或是流失率非常高——指导确定重点运营人群,根据特定人群优化产品

  3)拆解到新/老用户:新产品在初期往往每天有新用户涌入,造成留存率波动。剥离来看能观测到老用户稳定留存率是多少,新/老用户留存率gap有多大。同时,通过进一步分析高留存率用户的典型特征、魔法数字(可以参考增长黑客书籍),引导新用户完成关键行为,促进留存。

  特别的tips:查看单个用户的访问日志是一件很重要的事情,你能模拟单个用户一步步的访问动线,从中可以找到产品在交互上的优化机会。

  2.指标benchmark:①本身趋势(日周环比、去年同期对比);② 上一级应用用户规模:例如产品入口是在另一个更高层级的产品里,要关注大盘的趋势变化。倘若产品的用户规模只是随着大盘水涨船高,不见得是产品本身的作用。③ 实际值与目标gap的对比

  1)拆解到产品入口来源:从用户访问多个入口看,定位影响用户访问规模的原因。发现上升/下降的入口后,针对性优化入口效率。

  2)拆解到产品内部流转动线:一方面可以从首页出发,查看用户被分发到哪些页面,是否可以通过首页设计优化,以提升分发效率;另一方面可以针对大流量的killer app,分析这个页面的流入渠道和流出页面,从中找到设计优化点,以达到定向引导用户流转行为的目的。

  2. 指标对标:实际值与目标gap、去年同期对比。特别提一点,付费相关的指标看周/月环比意义通常不大,因为季节性的淡旺季会影响环比变化。

  1)拆解到新签、续签用户:新签是指新用户订购,续签是指老用户续订。如果发现营收异常,第一视角从这个角度看异常,究竟是这个月新客户增长乏力,还是本月到期客户数体量小导致续签少。其中续签用户表现可以再细分到 到期客户数、到期续签客户数、到期续签率、提前续签客户数、断约续签客户数来观察。

  2)拆解到各个客户类型的新续签表现:定位到具体客户类型的问题,制定针对特定客户群体的产品/商业化策略,例如发现小客户新签下降,可以通过制定更mini简易的商业产品,或商业策略上做更短周期订购等降低订购门槛的策略。

  根据问题描述来看,题主应该是个产品新人。数据分析最简单的方法就是建立数据漏斗,优化转化看了,下面我将根据一个实际案例,一步步说明如何建立数据漏斗。回答强烈建议先收藏后回答!!!

  案例背景:作为一个教育课程的产品经理,课程经常在百度移动端等渠道投放广告,为了能够提高投入产出比并提高订单转化率。你准备建立数据漏斗,优化关键环节的转化率。

  如何选择漏斗的各个环节呢,根据前面梳理的用户接触点,选择(1)数据可以检测的环节 (2)用户体验的关键环节。

  做漏斗的方法:可以用EXCEL和Tableau都行,方法可以自行百度,另外有条件的朋友建议使用下Tableau,做图表很好看,适合分析和汇报。

  听过这么一个案例,在支付宝点外卖时,上线初期第一个环节是要支付宝和饿了么进行账户绑定,结果流失率严重,后来把这个环节放到点完餐要支付的时候,转化率一下子提升了十几倍。

  数据分析的维度很多,诸葛io整理过产品数据分析的8大模型,对产品经理来说,首先需要有建立事件的意识。

  在日常的数据分析中,常用的有8大模型:用户模型(点我回顾)、事件模型、漏斗分析模型、热图分析模型、自定义留存分析模型、粘性分析模型、全行为路径分析模型、用户分群模型,其中,“事件模型”对于很多业务人员来说相对比较陌生,但他却是用户行为数据分析的第一步,也是分析的核心和基础。

  事件模型背后的数据结构、采集时机以及对事件的管理是事件模型中的三大要素,对这一模型有了深刻的认识和理解,那用户行为数据分析的核心也就基本掌握了。下文我们稍作展开。

  在日常工作中,不同岗位、不同角色所关注的事件各不相同,比如,市场人员可能关注点击进入落地页的人数以及进入落地页后用户是否点击核心按钮,比如“立即注册/立即购买”等?运营人员可能更关注某次邀请好友活动中老用户是否点击该活动页面,是否将邀请海报分享到朋友圈?PM可能更关心新功能上线后用户是否点击打开?在洞察诸如此类的指标过程中,事件模型就起到了至关重要的作用。

  那么,什么叫做“事件”呢?简单讲,就是用户在产品上的行为,它是用户行为的一个专业描述,用户在产品上的所有获得的程序反馈都可以抽象为事件,由开发人员通过埋点进行采集,通俗讲就是:将一段代码放入对应的页面/按钮,用户进入页面/点击按钮的本质是在加载背后的代码,同时再加载事件采集代码,这样就被SDK所记录下来了。

  其实,要说明白事件模型这个事,就像我们写作文,记叙文的六要素:时间、地点、人物,起因、经过、结果,也就是:谁,在什么时间,在哪儿做了一件什么事儿,相应的,数据分析就像是通过数据/指标来讲述用户与产品之间的故事,我们举个例子来说明。

  如上图所示:当用户点击进入苹果7 plus手机的商品详情页时,用户可能发起的行为有:点击选择了颜色:黑色,选择了版本128G,选择了购买方式:联通优惠购,选择了优惠类型:买手机省话费,这一系列行为都需要分别采集下来,如果该电商经营的数码产品品类达上千SKU,相应的就有上千个商品详情页,那么,如果每一页都按照上文中的埋点采集方式来操作,那无疑是一项庞大的工作,该如何让事件采集更高效、更有可操作性呢?

  之所以引入这一组概念,是因为灵活运用事件-属性-值的结构,将极大地节省事件量,提高工作效率,使后续的数据洞察和交叉分析更精准。

  继续以某电商JS产品(上图)为例,事件记录了用户的行为,我们可以知道用户A几点几分进入了商品详情页,但很多分析场景下我们更需要知道用户进入的是哪个商品页以及其他业务属性,通过属性可以采集当前页面的商品名称、商品ID、商品类型等。

  再聊聊采集时机,通常有3种采集时机,包括:用户点击(click)、网页加载完成、服务器判断返回。在设计埋点需求文档时,采集时机的说明尤为重要,也是保证数据准确性的核心。

  举个例子,在采集过程中如果没有明确时机,当用户点击了注册按钮,由于用户输入了错误的注册信息实际没有注册成功,可能仍然会进行记录,这样在统计注册成功事件的时候就不是准确的。而正确的采集时机描述应该是“服务器返回注册成功的判断”。

  当然,同一用户行为或动机,可以基于采集需求进行多次标记,比如注册按钮,既采集用户的click行为(用户点击注册就表明有注册动机),也可以采集注册结果。事件设计为“用户点击立即注册”“注册成功”,采集时机对应“click”和“服务器返回注册成功的判断”。

  当我们对事件代码采集后,他只是一个基于时间序列的记录(用户A,几点几分,在什么样的网络环境设备环境下发生了什么行为),想要指导业务增长,需要构建一些分析模型。对事件的分析通常有事件触发人数、次数、人均次数、活跃比四个维度的计算。

  事件以及“事件-属性-值”的结构,让我们在日常的业务分析中,可以更直接快速的掌握数据波动趋势。

  通过对用户群、事件属性的筛选和对比,我们发现,与来自搜狗的用户相比,来自百度的用户更喜欢使用微信支付。

  在用户行为数据分析的过程中,活跃比是常用指标,活跃比=触发事件的人数/活跃人数,即,触发某一事件的人数占当时活跃人数的比率。

  举个例子,某电商产品在近7天,活跃人数有1000人,触发过「查看商品详情」的有300人,那么在最近7天内,「查看商品详情」事件的活跃比是30%。

  企业无论是自建用户行为数据分析平台还是采购第三方,对事件的管理都是产品、运营等业务人员工作流中非常重要的一环。当采集和分析数量非常多(可能会多达几百上千)的用户行为事件时,事件查找和组织就变得不够方便。

  因此,事件的分组和重要事件(星标事件)的标注就显得尤为重要,当事件很多时,可以对事件进行分门别类地管理。同时,可以从产品业务角度将重要的用户行为标注出来,以便可以在分析时方便、快捷地查找常用、重要的事件。

  数据驱动增长,从科学的构建事件模型开始,以事件-属性-值为逻辑的事件模型,极大地提高采集效率,更真实且全面的还原用户与产品的交互过程,通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因,快速定位影响转化的关键点,提高运营效率。此外,事件模型也是漏斗模型、自定义留存模型、全行为路径分析模型的基础。

  关于我们:诸葛io,智能化数据分析驱动低成本增长获客和用户留存。目前我们正在为互金/教育/新零售/保险/汽车等行业提供大数据整体解决方案并提供咨询服务。服务客户有:光明随心订、食行生鲜;人人贷、阳光保险、众安保险、平安;宝马、奥迪、大众、NEVS;饿了么;东易日盛等。