产品数据分析(一):怎样解读出深层次信息?

21天Excel零基础速成训练营,导师带学+答疑辅导+实战作业,让你真正掌握Excel技能,了解一下>>

本文将告诉你分析产品数据时,如何从数据中解读出比描述现状更深层次的信息。

一、数据分析的层级

产品的数据分析经常会遇到这样的问题:只有数据,没有分析。仅仅是描述数据,告诉你产品发生了什么。

比如次日留存率只有5%,这个数据偏低,可以看出该功能的用户粘性不好。

然后呢?往往就没有然后了。

为什么同样的数据给不同的人能看出不同的内容?高手们究竟是如何通过数据找出产品中的问题的。

本文将告诉你分析产品数据时,如何从数据中解读出比描述现状更深层次的信息。

数据分析过程要解决的问题往往有四个层级。

第一层,发生了什么?如留存率降低,用户粘性下降。初级分析基本到此结束。

第二层,为什么?这个答案要落实到用户层面,是第一步的延伸。是用户找不到想要的功能,还是功能不符合用户的预期?及格的数据分析基本分析到这一层。

第三层,继续问为什么?这个问题的答案要落实产品层面,即我们的产品的哪项内容造成了用户出现了第二层的问题。优秀的数据分析可以分析到这一层。

第四层,我们该怎么办?后续该如何改进产品。高级的数据分析到此结束。

以这种思维方式作为整个分析的核心思想,就不容易走弯路,更快更好地找出产品的问题,而掌握各种数据技巧,图表的优化等等都是为了最终找到问题,解决问题这个目的服务的,因此这种层级的思想是数据分析的核心。

我们本文主要讨论前两个步骤:发生了什么,以及为什么发生(用户层面)。

二、从数据中找问题

下面就要开始讲解如何从数据中找问题,只有找到了问题才能有继续分析的方向。要注意,这里的问题不单单是指不足之处,而是指数据的异常之处过高和过低都是异常

我们首先来解决第一个层级的问题,发生了什么。

最简单的方法就是观察单个指标找问题。比如某个产品或功能的留存率很低,那么可以得出结论是该页面的用户粘性较差。这个结论解决了“发生了什么”的问题。刚入门的数据分析,往往也就到这个深度就停止了。

至于为什么较差,留存率这个数据本身无法告诉我们。

其他的例子如停留时长很短,说明用户可能对页面不感兴趣,至于为什么不感兴趣,我们无法得知。

要达到这个水平只需要了解各个数据的含义,有基本的业务理解就可以了。

想要分析得更深入,一般需要多个指标结合起来一起看。

比如刚才的例子,一款粘性较差的产品,到底是页面信息不吸引人,还是页面设计太混乱,抑或是入口位置太深?有了这些猜想,我们可以通过不同的维度组合去找到问题所在。从而解决“为什么发生”的问题。

举几个例子。

这是一个双维度的数据矩阵,该矩阵模拟了几种虚拟产品。其中点击率是指进入产品/功能后的各按钮的点击率,留存率是指该产品/功能的整体留存率。

两个数据维度能够得到的信息比单维度数据的信息要丰富的多。我们能够通过两个数据模拟出一点用户真实的使用场景了。

比如右下角低点击率、高留存率的功能或产品,往往是已经迭代优化过多次的版本。如果不是的话,这样的页面由于页面内点击率较低,我们不知道用户的真实行为,我们很难从数据中了解用户的真实需求在哪,也就谈不上后期的迭代。

我们看一下右上角,高点击率,高留存率。这样的产品看起来已经非常不错了,但是前面提到过,我们从数据中不单单是找不足之处,要看到的是异常。这样的高点击高留存是有问题的,这个问题就是过高的点击率。

我们还原到用户的使用场景,如果一个用户每天都要来用这个产品(留存率高),而且还天天要来点击这个按钮(点击率高),那么这个按钮里的内容能不能直接拿出来呢(省去点击动作,直接使用)?

我们再看左上角,高点击率,低留存率。用户点击很高,说明用户在找东西?留存率低是不是因为没有找到?

矩阵中其他的问题可以自己去思考,我在图上写下了我的猜想,当然这些猜想也不一定适合所有产品,这张图只是希望能发散你的思维,让你养成这样的思维方式。

维度的组合多种多样,你可以尝试多种不同的维度组合从而确认问题所在。比如点击率分散度和留存率的维度组合。

点击率分散程度是一种主观的感觉,但有时也能反映出某些问题。

我们以图中左下角的低留存率,点击率分散的情况为例。这种情况下,每个功能用户都有意愿去点,但是留存率却不高,模拟一下用户的使用场景,会不会用户点了之后发现解决不了自身需求?当然,这需要结合实际的产品形态,结合自己的产品页面特点,模拟一下用户的实际使用过程,你应该能得到一系列的猜想。

再比如左上角,点击率集中,留存率低。这种情况我们想象一下,用户进入页面后,直奔着一个功能而去,其他功能不太关心,但是用了这个功能之后,用户之后不再来这个页面了。什么原因?是不是用了那个功能,但是却让他失望了,没有解决他的问题?带着这样的猜想,我们重点分析点击率集中的那个功能,可以猜测用户到底想做什么。

各种不同维度的矩阵在此就不再多做介绍,只是希望大家能够掌握通过数据找到问题的方法。读者可以自己再将各类不同的数据组合成矩阵,分别分析各个不同的数据组合的含义。以此来增强从数据解读信息的能力。

通过这种组合数据找问题的这种方式,你就能轻松突破描述数据的阶段,进入到数据分析的及格线。

欢迎订阅我的专栏,后续我将继续探讨后两个层级的分析。

 

本文由 @Jason 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自 Pexels ,基于 CC0 协议

给作者打赏,鼓励TA抓紧创作!
5人打赏
评论
欢迎留言讨论~!
  1. 太有用了!

    回复
圈子
关注微信公众号
大家都在问