隨著人口和流量紅利的下降，互聯(lián)網(wǎng)行業(yè)必然會(huì)朝著精益化運(yùn)營的方向發(fā)展。數(shù)據(jù)分析在很多互聯(lián)網(wǎng)人的工作中越發(fā)顯得重要，而對(duì)于產(chǎn)品經(jīng)理來說，更是如此。本文將為產(chǎn)品經(jīng)理介紹數(shù)據(jù)分析的基本思路，并基于此，衍生出 2 個(gè)常見方法和 7 個(gè)應(yīng)用手段，希望在數(shù)據(jù)分析的實(shí)際應(yīng)用中能給大家?guī)韼椭?/p>

一、數(shù)據(jù)分析的基本思路

數(shù)據(jù)分析應(yīng)該以業(yè)務(wù)場(chǎng)景為起始思考點(diǎn)，以業(yè)務(wù)決策作為終點(diǎn)。基本思路為 5 步，首先要挖掘業(yè)務(wù)含義、制定分析計(jì)劃、從分析計(jì)劃中拆分出需要的數(shù)據(jù)、再根據(jù)數(shù)據(jù)分析的手段提煉業(yè)務(wù)洞察，最終產(chǎn)出商業(yè)決策。

接下來我們用一個(gè)案例來具體說明這 5 步思路：某國內(nèi) P2P 借貸類網(wǎng)站，市場(chǎng)部在百度和 hao123 上都有持續(xù)的廣告投放，吸引網(wǎng)頁端流量;最近內(nèi)部同事建議嘗試投放 Google 的 SEM;另外，也需要評(píng)估是否加入金山網(wǎng)絡(luò)聯(lián)盟進(jìn)行深度廣告投放。在這種多渠道的投放場(chǎng)景下，產(chǎn)品經(jīng)理該如何進(jìn)行深度決策?

1. 挖掘業(yè)務(wù)含義

首先要了解市場(chǎng)部想優(yōu)化什么，并以此為核心的 KPI 去衡量。渠道效果的評(píng)估，最重要的是業(yè)務(wù)轉(zhuǎn)化：對(duì) P2P 類網(wǎng)站來說，是否『發(fā)起借貸』遠(yuǎn)遠(yuǎn)比『用戶數(shù)量』重要。

所以無論是 Google 還是金山渠道，都要根據(jù)用戶群體的不同，優(yōu)化相應(yīng)用戶的落地頁，提升轉(zhuǎn)化。

2. 制定分析計(jì)劃

以『發(fā)起借貸』為核心轉(zhuǎn)化點(diǎn)，分配一定的預(yù)算進(jìn)行流量測(cè)試，觀察對(duì)比注冊(cè)數(shù)量及 ROI 效果，可以持續(xù)觀察這部分用戶的后續(xù)價(jià)值。

3. 拆分查詢數(shù)據(jù)

根據(jù)各個(gè)渠道追蹤流量、落地頁停留時(shí)間、落地頁跳出率、網(wǎng)站訪問深度以及訂單類型數(shù)據(jù)，進(jìn)行用戶分群。

4. 提煉業(yè)務(wù)洞察

在不同渠道進(jìn)行投放時(shí)，要根據(jù) KPI 的變化，推測(cè)業(yè)務(wù)含義。比如谷歌渠道的效果不好，可能因?yàn)楣雀璐蟛糠值牧髁吭诤Ｍ猓赡軙?huì)造成轉(zhuǎn)化率低。而金山網(wǎng)絡(luò)聯(lián)盟有很多展示位置，要持續(xù)監(jiān)測(cè)不同位置的效果，做出***判斷。

5. 產(chǎn)出商業(yè)決策

***根據(jù)數(shù)據(jù)洞察，指導(dǎo)渠道的投放決策制。比如停止谷歌渠道的投放，繼續(xù)跟進(jìn)金山網(wǎng)絡(luò)聯(lián)盟進(jìn)行評(píng)估，而落地頁要根據(jù)數(shù)據(jù)指標(biāo)持續(xù)地進(jìn)行優(yōu)化。

二、常見的數(shù)據(jù)分析方法

(一) 內(nèi)外因素分解法

內(nèi)外因素分解法是把問題拆成四部分，包括內(nèi)部因素、外部因素、可控和不可控，然后再一步步解決每一個(gè)問題。

社交招聘類網(wǎng)站，一般分為求職者端和企業(yè)端，向企業(yè)端收費(fèi)方式之一是購買職位的廣告位。業(yè)務(wù)端人員發(fā)現(xiàn)『發(fā)布職位』數(shù)量在過去的 6 個(gè)月里有緩慢下降的趨勢(shì)。對(duì)于這類某一數(shù)據(jù)下降的問題，從產(chǎn)品經(jīng)理的角度來說，可以如何拆解?根據(jù)內(nèi)外因素分解法分析如下：

1. 內(nèi)部可控因素

產(chǎn)品近期上線更新、市場(chǎng)投放渠道變化、產(chǎn)品粘性、新老用戶留存問題、核心目標(biāo)的轉(zhuǎn)化;

2. 外部可控因素

市場(chǎng)競(jìng)爭對(duì)手近期行為、用戶使用習(xí)慣的變化、招聘需求隨時(shí)間的變化;

3. 內(nèi)部不可控因素

產(chǎn)品策略(移動(dòng)端/PC端)、公司整體戰(zhàn)略、公司客戶群定位(比如只做醫(yī)療行業(yè)招聘);

4. 外部不可控因素

互聯(lián)網(wǎng)招聘行業(yè)趨勢(shì)、整體經(jīng)濟(jì)形勢(shì)、季節(jié)性變化;

(二) DOSS

DOSS 是從一個(gè)具體問題拆分到整體影響，從單一的解決方案找到一個(gè)規(guī)模化解決方案的方式。

某在線教育平臺(tái)，提供免費(fèi)課程視頻，同時(shí)售賣付費(fèi)會(huì)員，為付費(fèi)會(huì)員提供更多高階課程內(nèi)容。如果我想將一套計(jì)算機(jī)技術(shù)的付費(fèi)課程，推送給一群持續(xù)在看 C++ 免費(fèi)課程的用戶，產(chǎn)品經(jīng)理應(yīng)該如何輔助分析?

按 DOSS 的思路分解如下：

1. 具體問題

預(yù)測(cè)是否有可能幫助某一群組客戶購買課程。

2. 整體

首先根據(jù)這類人群的免費(fèi)課程的使用情況進(jìn)行數(shù)據(jù)分析，之后進(jìn)行延伸，比如對(duì)整體的影響，除了計(jì)算機(jī)類，對(duì)其他類型的課程都進(jìn)行關(guān)注。

3. 單一回答

針對(duì)該群用戶進(jìn)行建模，監(jiān)控該模型對(duì)于最終轉(zhuǎn)化的影響。

4. 規(guī)模化

之后推出規(guī)模化的解決方案，對(duì)符合某種行為軌跡和特征的行為進(jìn)行建模，將課程推薦模型加入到產(chǎn)品設(shè)計(jì)中。

三、數(shù)據(jù)分析的應(yīng)用手段

根據(jù)基本分析思路，常見的有 7 種數(shù)據(jù)分析的手段。

(一) 畫像分群

畫像分群是聚合符合某中特定行為的用戶，進(jìn)行特定的優(yōu)化和分析。

比如在考慮注冊(cè)轉(zhuǎn)化率的時(shí)候，需要區(qū)分移動(dòng)端和 Web 端，以及美國用戶和中國用戶等不同場(chǎng)景。這樣可以在渠道策略和運(yùn)營策略上，有針對(duì)性地進(jìn)行優(yōu)化。

(二) 趨勢(shì)維度

建立趨勢(shì)圖表可以迅速了解市場(chǎng)， 用戶或產(chǎn)品特征的基本表現(xiàn)，便于進(jìn)行迅速迭代;還可以把指標(biāo)根據(jù)不同維度進(jìn)行切分，定位優(yōu)化點(diǎn)，有助于決策的實(shí)時(shí)性;

(三) 漏斗洞察

通過漏斗分析可以從先到后的順序還原某一用戶的路徑，分析每一個(gè)轉(zhuǎn)化節(jié)點(diǎn)的轉(zhuǎn)化數(shù)據(jù);

所有互聯(lián)網(wǎng)產(chǎn)品、數(shù)據(jù)分析都離不開漏斗，無論是注冊(cè)轉(zhuǎn)化漏斗，還是電商下單的漏斗，需要關(guān)注的有兩點(diǎn)。***是關(guān)注哪一步流失最多，第二是關(guān)注流失的人都有哪些行為。關(guān)注注冊(cè)流程的每一個(gè)步驟，可以有效定位高損耗節(jié)點(diǎn)。

(四) 行為軌跡

行為軌跡是進(jìn)行全量用戶行為的還原。只看 PV、UV 這類數(shù)據(jù)，無法全面理解用戶如何使用你的產(chǎn)品。了解用戶的行為軌跡，有助于運(yùn)營團(tuán)隊(duì)關(guān)注具體的用戶體驗(yàn)，發(fā)現(xiàn)具體問題，根據(jù)用戶使用習(xí)慣設(shè)計(jì)產(chǎn)品，投放內(nèi)容;

(五) 留存分析

留存是了解行為或行為組與回訪之間的關(guān)聯(lián)，留存老用戶的成本要遠(yuǎn)遠(yuǎn)低于獲取新用戶，所以分析中的留存是非常重要的指標(biāo)之一;

除了需要關(guān)注整體用戶的留存情況之外，市場(chǎng)團(tuán)隊(duì)可以關(guān)注各個(gè)渠道獲取用戶的留存度，或各類內(nèi)容吸引來的注冊(cè)用戶回訪率，產(chǎn)品團(tuán)隊(duì)關(guān)注每一個(gè)新功能對(duì)于用戶的回訪的影響等。

(六) A/B 測(cè)試

A/B 測(cè)試是對(duì)比不同產(chǎn)品設(shè)計(jì)/算法對(duì)結(jié)果的影響。

產(chǎn)品在上線過程中經(jīng)常會(huì)使用 A/B 測(cè)試來測(cè)試產(chǎn)品效果，市場(chǎng)可以通過 A/B 測(cè)試來完成不同創(chuàng)意的測(cè)試。要進(jìn)行 A/B 測(cè)試有兩個(gè)必備因素：

• 有足夠的時(shí)間進(jìn)行測(cè)試;
• 數(shù)據(jù)量和數(shù)據(jù)密度較高;

因?yàn)楫?dāng)產(chǎn)品流量不夠大的時(shí)候，做 A/B 測(cè)試得到統(tǒng)計(jì)結(jié)果是很難的。而像 LinkedIn 這樣體量的公司，每天可以同時(shí)進(jìn)行上千個(gè) A/B 測(cè)試。所以 A/B 測(cè)試往往公司數(shù)據(jù)規(guī)模較大時(shí)使用會(huì)更加精準(zhǔn)，更快得到統(tǒng)計(jì)的結(jié)果。

(七) 優(yōu)化建模

當(dāng)一個(gè)商業(yè)目標(biāo)與多種行為、畫像等信息有關(guān)聯(lián)性時(shí)，我們通常會(huì)使用數(shù)據(jù)挖掘的手段進(jìn)行建模，預(yù)測(cè)該商業(yè)結(jié)果的產(chǎn)生;

例如：作為一家 SaaS 企業(yè)，當(dāng)我們需要預(yù)測(cè)判斷客戶的付費(fèi)意愿時(shí)，可以通過用戶的行為數(shù)據(jù)，公司信息，用戶畫像等數(shù)據(jù)建立付費(fèi)溫度模型。用更科學(xué)的方式進(jìn)行一些組合和權(quán)重，得知用戶滿足哪些行為之后，付費(fèi)的可能性會(huì)更高。以上這幾種數(shù)據(jù)分析的方法論，僅僅掌握單純的理論是不行的。產(chǎn)品經(jīng)理們需要將這些方法論應(yīng)用到日常的數(shù)據(jù)分析工作中，融會(huì)貫通。同時(shí)學(xué)會(huì)使用優(yōu)秀的數(shù)據(jù)分析工具，可以事半功倍，更好的利用數(shù)據(jù)，實(shí)現(xiàn)整體增長。