数据分析的万能公式

AI浪潮袭来,产品经理如何应对?15天系统化入门AI产品经理,先人一步抢占时代红利。了解一下>>

本文作者从自己多年的实践经验中,总结了一套简单又能打的数据分析小白五步法,相信对你有用,一起来看看~

不管是哪个行业,当前处于任何阶段的产品经理,躲不开的一个词便是:数据分析。

提到数据分析,它一般会出现在以下的场景中:

  • 做版本规划的时候,如何设立指标来进行功能验证?
  • 功能上线后,如何做数据复盘?
  • 如何通过数据来快速定位问题?
  • 在众多的数据中如何识别哪些是需要呈现的重要数据?
  • ……

像大多人一样,几年前我也是试图寻求各种数据分析的书籍来找解决方案,在翻看了十几本数据分析的书后,结论如下:没想到这个行业发展之快,书籍的出版速度已经远远跟不上行业需要了!!就像是你手里拿着一个iPad在看windows 95视窗操作系统的使用手册一样难过~

小白都会的数据分析的万能公式

经过这几年的摸爬滚打,我的产品逐渐从0用户做到1300w+后,丽莎阿姨总结了一套简单又能打的数据分析小白五步法:

  • 第一步:弄清楚问题到底怎么样(给问题定性)?
  • 第二步:可能出了什么问题(提出假说)?
  • 第三步:有哪些证据可以证明以上问题(列出问题清单)?
  • 第四步:逐一找证据(把数据码出来)
  • 第五步:分析验证(用你仅有的小学数学知识来完成)

小白都会的数据分析的万能公式

产品团队实践了一年多以来,相信阿姨,只要跟着这个方式来做,再一穷二白的小白(前提是小学数学要及格)两到三次就能上道~

手把手教学的之前,我们要达成共识的基础前提:你觉得数据分析是一种方法工具还是一种思维方式???

如果你觉得数据分析就是一种方法工具,那从此我们江湖别过,后会无期。

数据分析的本质一定是一个思维方式!!!

见过不少的产品经理的操作:首先把结论给下了,然后去找数据来证明自己的结论正确。这种解应用题一般的令人窒息的操作请不要再发生了!!

数据分析应该是站在毫无立场的客观数据前,找到核心的指标,来对比业务中的两组变量之间的关系,用来解释业务,并引领你前行,毕竟没有对比的数据就是耍流氓啊~~~

你确保真的理解了丽莎阿姨这段话,那GMF,然后再继续进行接下来的手把手操作阶段吧。

手把手操作第一步:感知问题

感知问题,顾名思义就是要有能力知道问题,这个部分是数据分析里最最最重要的部分。

在这里要引入一个概念叫:OMTM(One Metric That Matters ),也就是你的业务形态里最重要的那个指标(俗称 北极星指标)。业务可以复杂,但你的业务目标一定是简单的。

如何找到你业务的北极星指标呢?当前看到的产品形态无非是以下四种情况:

(1)黏着式增长引擎,唯一关键指标:留存

  • 根据黑客增长AARRR模型,简单理解就是只有用户来了第一次,还想来第二次;粘性的提高才能带来了增长与转化。
  • 适用的产品与模块:工具型产品,绝大多数产品的MVP版本,任何一款产品的核心功能模块,现有功能的迭代。

(2)付费式增长引擎,唯一关键指标:营收

  • 用户在产品上贡献的价值大于获取用户的成本,才可能一直驱动营收增长。简单理解就是你的客户终生价值要大于获取成本这个生意才能做的下去,CLV>CAC。
  • 适用的产品与模块:课程类产品;绝大多数B端产品;会员类产品;知识付费类产品;市场投放等。

CAC(Customer Aqusition Cost)客户获取成本

CLV (Customer Lifetime Value) 客户终生价值

(3)爆发式增长引擎,唯一关键指标:病毒系数K

  • K=I * Conv=分布密度×感染强度;当K>1时,裂变才能进行下去
  • 适用的产品与模块:裂变运营活动(砍价、拼团、瓜分红包、任务宝);新技术驱动类产品等

I:Invitation,即每个用户发送的邀请数量,反映了分布密度

Conv :Conversion rate,即每个邀请成功的概率,反映了感染强度

(4)简单指标&复合指标

一些简单指标,例如:页面PVUV、登录用户量、页面停留时长、活跃用户数等,仅能帮助你快速的了解产品状态。

如果我们把这些简单指标做一个除法,就会得到一些有魔法的复合指标,例如:

  • 页面PV/访问数量=平均访问深度;
  • 访问时长/访问数量=平均访问时长;
  • 每周付费用户/用户活跃数=平均每周每人购买数量。

你看,这些复合指标是不是能让你一眼就能观察到产品的用户真实情况呀。

只有弄清楚你业务的本质,数据分析才有最根本的前提与基础,脱离业务本质的数据分析一文不值啊,小盆友们!

手把手操作第二步:提出假说

提出假说,就是字面上的意思,提出各种可能性,方法有以下两种,找一个你喜欢的。

方法1:归纳式,就是根据个案进行总结

例如一个知识付费产品用户的付费问题:团队可以一起头脑风暴,提出各种可能的因素,也可以对分层的用户进行抽样深读访谈,了解他们不使用或继续用下去的原因及看法,然后来归纳验证。

小白都会的数据分析的万能公式

方法2:演绎式,就是根据模型进行推演

例如:针对部分用户在打开app后不使用直接离开的问题,我们可以根据对用户行为模型的理解进行拆解,而拆解的有效与否,其实就是关于你的模型多少、拆解的深度。

提出假说,就是一个思维发散的过程,不拒绝任何可能性。在这个过程中,补充各个角度的思考是非常有必要的。

手把手操作第三步:选择表征

到这一步,丽莎阿姨要送给你的一句话:If you can’t measure it, you can’t improve it(不可被数据量化,就不能被改变)

在与产品经理沟通的时候,经常会听到的一句话,提出这个问题的用户挺多的,所以我们就做了这个XXX功能。

然后可怕的丽莎阿姨我都会追问几句:挺多的是多少?这部分用户占你全量用户的多少?“挺多的”这部分用户他们是你的核心用户吗?

所以…请以后讲数据的时候,不要用“挺多的”好吗?拉钩钩……

所以小盆友们,在你们选择数据表征元素的时候,需要知道:

  • 选择的数据表征能够充分代表第二步中提到的假说的内涵;
  • 选择的数据尽量是用户客观行为数据而非主观态度数据;
  • 选择的数据是有被记录或比较容易获取。

仍然沿用前面的例子:

小白都会的数据分析的万能公式

你看你是不是很酷的掌握了前面三步呢??

手把手操作第四步:收集数据

这一步可以说是数据分析里面最简单的一步了,只要你的产品有基础的数据平台,或者一个靠谱的后台开发,都容易获取到基础数据。

但这个步骤也一定要记得:

  • 一切的前提是你做了数据埋点(一个标准的PRD是包含数据埋点的)
  • 当数据出来后,不要着急分析,先看看是否合理,要去掉明显不合理的数据,其次,对开发小哥的数据上报要永远抱有怀疑态度(哪怕他把胸脯拍烂。)

手把手操作第五步:分析验

这一步就是利用你小学数学知识的时候了!!

很多小盆友会把这一步作为数据分析最重要的一步,但在丽莎阿姨看来,这一步其实已经不那么重要了。

  • 确定好了x与y的含义和数据,通过数据可视化的方式,表现出x与y的关系,就能发现其中是否存在有价值的规律。
  • 发现x与y存在某种关系的时候,最好通过数据进行再次验证。选择另外一组数据,再次进行分析,看确定的关系是否再次被复现。(答应阿姨要时刻捍卫自己的产品经理职业形象,OK?)

数据可视化可以帮助你更好的看到数据背后的原因,并帮助其他人理解你的意图,那如何选用数据可视化图形呢?

丽莎阿姨吐血整理:

  • 只有一个变量,且相加为100%的情况下,就用饼图,例如:用户来源渠道;
  • 当有两个变量存在,不出意外,就用折线图与柱状图,例如:不同时间段内用户的留存情况;
  • 用演绎法推导用户就用漏斗模型,例如:拼课功能的用户行为;
  • 其他的数据可视化都是辣鸡,还不如直接展示excel表格(严肃脸)。

通过以上五步的刻意练习,再小白的产品经理都能快速上手(阿姨已经把胸脯拍烂)。

写在最后

请根据下图找出世界上最高的山峰是哪个??

小白都会的数据分析的万能公式

要记住,通过数据仅能让你找到局部最大值,而更高的山峰只会建立在你更广阔的视野与深厚的认知上。

 

本文由 @Lisa Deng 原创发布于人人都是产品经理。公众号 丽莎D的产品手记 未经许可,禁止转载

题图来自Unsplash,基于CC0协议

评论
欢迎留言讨论~!
  1. Lisa Deng前辈最后一句话的意思是,如需判断出表象背后的问题,不是局限在眼前所呈现的数据;而是通过用户、业务甚至是行业的理解,整体去分析和判断,才有更大的可能找出问题背后的实质原因。感谢~

    回复
  2. 欢迎大家关注我的公众号 丽莎D的产品手记

    回复
    1. 找不到呢怎么回事 :arrow:

      回复
    2. 我看到你拉~

      回复
  3. 世界上最高的是珠穆朗玛峰 :arrow:

    回复
    1. 哈哈~ 你很优秀哦

      回复
  4. 世界上最高的是珠穆朗玛峰。 :arrow:

    回复
  5. 其实在数据分析里面我们面临的两个核心的困境是:不知如何下手和在分析的过程中出现了新的变量。就像作者说的数据分析是一种思维方式,按照作者的方式开始的确是一个特别的好的方式。过程和结尾还需要历练。

    回复
    1. 是的,数据分析是一个思维,而不是一个方法。最本质的核心就是比较两个变量之间的关系,没有比较的数据分析就是耍流氓。

      回复
  6. 以前自己对产品分析,一直会存在一种想法,老是觉得自己所假设的问题,也有数据佐证了,但是自己还是会想,这不是很明显的问题吗,好像不用数据验证也看得出来,只是现在我把它给整理下来了而已。一直以为是不是要一些很高级的分析才足够

    回复
    1. 很多不言而喻的数据分析只能说明一个问题,那就是看问题看的太表面。往下深挖,找到背后的原因才是本质。

      回复
  7. Lisa小姐姐写的真不错!学习了!

    悄悄话:手把手操作第五步 这边漏了个字 – 分析验“证”

    回复
    1. 谢谢指正。我在公众号里把字改了。

      回复