在互聯網的下半場，不斷精細化運營的背景下修噪，產品經理不再是單純的靠感覺來做產品查库，更需要培養(yǎng)數據的意識，能以數據為依歸黄琼，來不斷改善產品樊销。
不同于公司專業(yè)的數據分析師，產品經理更多的可以從用戶、業(yè)務的層面去看待數據围苫，去更快更透徹的去尋找數據變動的原因裤园。
那么在數據已經被有效記錄的前提下，如何有效的去分析數據呢剂府？
一比然、明確數據分析的目的
1、如果數據分析的目的是要對比頁面改版前后的優(yōu)劣周循，則衡量的指標應該從頁面的點擊率强法，跳出率等維度出發(fā)，電商類應用還要觀察訂單轉化率湾笛，社交類應用要注重用戶的訪問時長饮怯、點贊轉發(fā)互動等頻次。
不少新人在設計自己產品的時候嚎研，可能會花費很多時間在產品本身的設計上蓖墅，卻沒有花精力思考如何衡量產品的成功與否，在產品文檔上寫上一句類似“用戶體驗有所”提升的空話临扮，這樣既不利于產品設計順利通過需求評審论矾，也無法更有效的快速提高產品的KPI指標。
2杆勇、如果數據分析的目的是探究某一模塊數據異常波動的原因贪壳，則分析的方法應該按照金字塔原理逐步拆解，版本->時間->人群蚜退。
比如發(fā)現首頁猜你喜歡模塊最近的點擊率從40%下降到了35%闰靴，暴跌5%個點，這個時候先看看是不是哪個版本的數據發(fā)生了波動钻注，是不是因為新版本上線埋點遺漏或有誤造成的蚂且。
如果版本的波動數據保持一致，再看看數據是從什么時候開始變化的幅恋，是不是因為受到了圣誕杏死、元旦假日因素的影響，頁面上其他模塊上線了新的活動影響了猜你喜歡的轉化捆交。
如果不是淑翼，則再拆解是不是流量來源構成發(fā)生了變動，是不是新用戶的曝光數量增加導致的零渐。
產品經理需要帶著明確的目的去分析數據窒舟，思考實現目標需要構建哪些維度去驗證。大部分時候诵盼，產品經理需要非常耐心的一步一步的拆解細分惠豺，排查原因银还。
二、多渠道收集數據
收集方式一般有四類渠道洁墙。
1蛹疯、從外部如易觀或艾瑞的行業(yè)數據分析報告獲取，需要帶著審慎的態(tài)度去觀察數據热监，提取有效準確的信息捺弦，剝離部分可能注水的數據，并需要時刻警惕那些被人處理過的二手數據孝扛。
2列吼、從AppStore、客服意見反饋苦始、微博等社區(qū)論壇去主動收集用戶的反饋寞钥。我自己經常有空的時候就會去社區(qū)論壇看看用戶的狀態(tài)評論，一般這樣的評論都是非常極端的陌选，要么特別好理郑，要么罵成狗，但這些評論對于自身產品設計的提升還是非常有益的咨油，可以嘗試去反推用戶當時當刻為什么會產生如此的情緒您炉。
3、自行參與問卷設計役电、用戶訪談等調研赚爵，直面用戶，收集一手數據宴霸，觀察用戶使用產品時所遇到的問題及感受囱晴。問卷需要提煉核心問題膏蚓，減少問題瓢谢，回收結果需剔除無效的敷衍的問卷。用戶訪談需要注意不使用引導性的詞匯或問題去帶偏用戶的自然感受驮瞧。
4氓扛、從已記錄的用戶行為軌跡去研究數據。大公司一般會有固話的報表/郵件去每天甚至實時反饋線上的用戶數據情況论笔，也會提供SQL查詢平臺給產品經理或數據分析師采郎，讓他們可以更有深度的探究對比數據。
三狂魔、有效剔除干擾數據
1蒜埋、選取正確的樣本數量，選取足夠大的數量最楷，剔除極端或偶然性數據的影響整份。08年奧運會上待错，姚明的三分投籃命中率為100%，科比的三分投籃命中率為32%烈评，那么是不是說姚明的三分投籃命中率要比科比高火俄？顯示有問題，因為那屆奧運會讲冠，姚明只投了一個三分球瓜客，科比投了53個。
2竿开、制定相同的抽樣規(guī)則谱仪，減少分析結論的偏差性。比如兩條Push文案否彩，第1條“您有一個外賣暖心紅包未領取芽卿，最大的紅包只留給最會吃的你，點擊進入”胳搞，第2條“送你一個外賣低溫福利卸例，足不出戶吃喝熱騰美味，點擊領取 ”肌毅。實驗數據表明筷转，第二條Push文案的點擊率比第一條同比高了30%。那么真的是第二條文案更有吸引力嘛悬而？結果發(fā)現是第二條Push文案的接收人群的活躍度明顯高于第一條造成的呜舒。
3、剔除版本或節(jié)假日因素的干擾笨奠，新版本剛上線時的數據表現往往會很好袭蝗，因為主動升級的用戶一般是高活躍度的用戶。臨近周末或大型節(jié)假日的時候般婆，用戶的消費需求會被觸發(fā)到腥，電商類應用的訂單轉化率也會直線上升。因此蔚袍，在數據對比的時候乡范，實驗組和對照組的數據在時間維度上要保持對應。
4啤咽、對歷史數據遺忘晋辆。人與數據技術不同，數據技術有著100%的記憶能力宇整，而人類根據艾浩賓斯遺忘定律1天后只能記起33%瓶佳，6天后25%，31天后21%鳞青。因此霸饲，我們要合理的選擇篩選時間段索赏。比如猜你喜歡模塊不僅要對興趣標簽的計分進行一定的加權處理，也要結合商品的生命周期等因素做一系列的回歸實驗贴彼，得出受眾人群對各類興趣和購買傾向的衰退曲線潜腻，利用有規(guī)律的時間變化有效刪除老數據，去提升模塊的點擊率器仗。
5融涣、實驗需拆分A1組，也就是在實驗組B和對照組A上再增加一組A1精钮，A1和A的規(guī)則保持一致威鹿，然后探究AB的數據波動與AA1比較轨香，剔除數據的自然/異常波動帶來的影響忽你。以我實際的A/B實驗表明，設立A1組是非常重要且必要的臂容，不管數據量級有多大科雳，相同實驗規(guī)則的兩組在數據也會有一定的小幅波動，而這小幅波動在精細化運營的今天脓杉，對我們的判斷可能形成較大的干擾偏差糟秘。
四、合理客觀的審視數據
1球散、不要忽略沉默用戶
產品經理在聽到部分用戶反饋的時候就做出決策尿赚，花費大量的時間開發(fā)相應的功能，往往結果蕉堰，可能這些功能只是極少部分用戶的迫切需求凌净，而大部分用戶并不在乎。甚至有可能與核心用戶的訴求相違背屋讶，導致新版產品上線后數據猛跌冰寻。
忽略沉默用戶，沒有全盤的考慮產品大部分目標用戶的核心需求丑婿，可能造成人力物力的浪費性雄，更有甚者，會錯失商業(yè)機會羹奉。
2、全面理解數據結果
如果實驗結果的預期與我們的經驗認知有明顯的偏差约计，請不要盲目下結論質疑自己的直覺诀拭，而是嘗試對數據進行更透徹的分析。
例如我曾經做過在首頁給用戶投放活動彈窗的實驗煤蚌，發(fā)現實驗組的數據不管在首頁的點擊率耕挨，訂單轉化率乃至7日留存率方面都遠超對照組细卧，首頁上的每一個模塊的轉化率都有明顯的提升，遠遠超出了我們的預期筒占，那這真的是活動彈窗刺激了用戶的轉化率嘛贪庙？
后來我們發(fā)現在首頁能夠展示出活動彈窗的用戶，往往在使用環(huán)境時的網絡狀態(tài)比較好翰苫，在wifi環(huán)境下止邮，而未展示彈窗的用戶則可能是在公交/地鐵/商場等移動場景下，網絡通訊可能不佳奏窑，因此影響了A/B實驗的結果导披。
3、不要過度依賴數據
過度依賴數據埃唯，一方面撩匕，會讓我們做很多沒有價值的數據分析；另一方面墨叛，也會限制產品經理本來應有的靈感和創(chuàng)意止毕。
正像羅振宇在時間的朋友跨年演講上提到的一樣。用戶要什么漠趁，你就給什么滓技，甚至他們沒說出來你就猜到了，這叫母愛算法棚潦，在內容分發(fā)領域沒有人比今日頭條做得更好令漂，但母愛算法有很大的弊端，在推薦的時候會越推越窄丸边。
另一面則是父愛算法叠必，站的高，看得遠妹窖。告訴用戶纬朝，放下你手里的爛東西，我告訴你一個好東西骄呼，跟我來共苛。正像喬幫主當年打造的iPhone系列產品一樣，不看市場分析蜓萄，不做用戶調研隅茎，打造出超出用戶預期的產品。
五嫉沽、總結
美國最成功的視頻網站Netflix通過基于用戶習慣的分析辟犀，將大數據分析深入到電影的創(chuàng)作環(huán)節(jié)中，塑造了風靡一時的美劇《紙牌屋》绸硕。然而Netflix的工作人員告訴我們堂竟，不應該迷戀大數據
如果說電視劇評分9分是精品的話魂毁，大數據可以讓我們脫離低分6分以下的風險，卻也會帶我們按部就班的走向平庸的絕大多數7-8分之間出嘹。
產品經理在直覺創(chuàng)造的心智能力席楚，情感理解的社交能力，與大數據相結合税稼，正確的理解數據烦秩，讓數據真正嵌入到產品的設計中，切實解決用戶的實際問題娶聘，方能真正做到所謂的“用戶洞察”闻镶，讓產品走到用戶需求前面，超出用戶的預期丸升。
