大家好,又是一年高考时,一届祖国的花朵毕业了。作为曾经参与过高考的前辈,王小明回顾了自己的经历。

高考考分没过线,第一志愿悲惨落榜;

调剂到统计学专业,数学还很废;

大学辛苦突击四年,三线城市找不到工作;

北漂创业互联网公司,居然是产品团队“第一人”。

作为一个学统计的产品汪,数据驱动产品的意识一定要溜得飞起,才能丧中求稳,走向人生巅峰。数据驱动产品口号高呼,可是如何培养数据敏感性?如何才能构建基础数据分析思维?王小明学习了如下的思想。

学前阶段——要分析什么

如果问到产品经理是做什么的,相信不同人理解大同小异,最终都指向同一个方向:了解用户想要什么,知道自己要做什么,把它做出来。但是如果问到产品经理要分析什么,答案就五花八门。

这不奇怪,因为不同的用户需求会呈现为不同的数据分布,而一个产品经理的数据思维就是将用户虚无缥缈的需求落地生根,转变为可以量化的指标,让目标更好地落地。所以问自己要分析什么,不如先做个需求分析。

梳理需求推荐两种方式:

  1. 根据增长模型 AARRR,确定各阶段需求,将用户行为对号入座。周五话分析 | 方法论难落地?来个量身定制版本吧(AARRR模型)

  2. 根据自身业务线进行需求划分。

小学启蒙——需要哪些数据

根据前文的梳理需求结果,可以得出一个满足自身产品线的模型,产品经理和运营同学一起进行用户行为设计和指标梳理,因为很多指标双方可以交叉使用。

产品人员在明确要分析什么时,已经梳理了业务流程,抽出主要路径搭建模型。此时需要梳理事件,为各事件添加相应分析维度。维度即为看事情的角度,也可以理解为后续可以从哪几方面分析用户行为。维度的细分是数据分析的重要一环。根据自身业务需求,完善事件设计。

初中积累——数据从哪来

不是每个人都是全能选手,并非每个产品经理都会写 SQL。数据基础夯实方能数据分析到位,数据采集是重中之重。产品汪不能把全部身家交给技术小哥哥,要明确数据从哪来。

数据的来源渠道通常有三种:

  1. 相关大数据行业机构发布的行业数据,如 Google Tree 等,主要用于了解行业信息和某些竞品信息。

  2. 第三方数据分析工具,如神策分析等,引入已经成熟的数据分析工具,可以精细化分析自身产品,减少时间成本。

  3. 自建数据平台,自建数据平台由企业内部工程师建立,高度贴合产品需求,可以定制功能,数据资源可靠,是一个企业的最佳选择。

高中深化——如何分析

新用户有什么操作?老用户有没有流失?用户画像是什么样子?付费率有多少?跳出率怎么样?产品要关注的指标非常丰富,但是要回答这些问题,还需要精准的用户行为分析。数据驱动产品的内容太过广泛,简单举一个例子说明。

假设某问答社区型产品,发现用户活跃度不太高,不利于产品体验和发展,那么怎么找到具体问题呢?

产品经理推测可能是用户留存差,新用户没有留存,老用户也在流失。

可以使用留存分析模型对用户进行分析。设定初始行为为“注册”,结束行为为“留言”。可以看到用户的近几日留存数据。同理,依照老用户的规则进行设定,可以看到老用户的留存数据。(数据均为虚拟 DEMO。)

通过日常指标监测,我们可以对推测进行验证,发现新用户的次日留存跌到了 5%,7 日留存只有 3%,这意味着新访用户存在大量流失;对实际活跃用户的流失进行了分析,判断老用户没有大量流失。这个现象展示出了产品的问题是用户粘性低,也确定了产品近期的第一关键指标是次日留存,提供了产品改进的方向:优化用户留存,提升用户粘性。 ▌ 大学升华——得到的结果怎么用

刚才的例子已经直观展示了数据分析对产品优化的作用。对数据的信息挖掘是产品经理工作的重中之重。直观的数据并不能发挥作用,经过分析后的数据才能反映问题,驱动决策和产品优化。假设上文的案例,由低留存率的数据得出用户粘性低的结论,从而确定产品改进方向,进行产品迭代和数据监测,进而验证产品改进效果。

为用户创造价值,是产品经理的最终目的,而如何让自己的产品“可用、易用、好用”,则需要数据帮忙。建立严谨的数据思维,有助于产品自我驱动,业务精细化。相信已经站在产品门前的你,也能拥有数据分析“套路”。