不管是哪個行業(yè)，當(dāng)前處于哪個階段的產(chǎn)品經(jīng)理，躲不開的一個詞便是：數(shù)據(jù)分析。提到數(shù)據(jù)分析，它一般會出現(xiàn)在以下的場景中：

• 功能上線后，需要數(shù)據(jù)復(fù)盤來指引迭代的方向

• 結(jié)果異常時，通過數(shù)據(jù)來快速定位問題

• 周報日報，需要在眾多的數(shù)據(jù)中識別需要呈現(xiàn)的重要數(shù)據(jù)

• 通過數(shù)據(jù)洞察，找到產(chǎn)品的各種增長場景

像大多人一樣，幾年前我也是試圖尋求各種數(shù)據(jù)分析的書籍來找答案，在翻看了十幾本數(shù)據(jù)分析的書后，結(jié)論如下：沒想到這個行業(yè)發(fā)展之快，書籍的出版速度已經(jīng)遠(yuǎn)遠(yuǎn)跟不上行業(yè)需要了！就像是你手里拿著一個iPad在看windows 95視窗操作系統(tǒng)的使用手冊一樣難過。

圖1.1 市面上熱門的數(shù)據(jù)分析書籍

但是，經(jīng)過這幾年的摸爬滾打，我的產(chǎn)品從0用戶做到3000w+后，我結(jié)合了數(shù)據(jù)分析的各種場景以及產(chǎn)品的不同特性，提出來一套簡單又具備實操性的數(shù)據(jù)分析五步法。

如果你是小團(tuán)隊，創(chuàng)業(yè)公司，或者野生產(chǎn)品經(jīng)理，那么請一定要好好理解它，它是你產(chǎn)品經(jīng)理精進(jìn)路上的催化劑。

1.數(shù)據(jù)分析思維

在開始探討數(shù)據(jù)分析萬能公式之前，我先來問你一個問題：你覺得數(shù)據(jù)分析是一種方法工具還是一種思維方式呢？

我見過兩種類型的產(chǎn)品經(jīng)理：

第一類，先假設(shè)結(jié)論，然后去找數(shù)據(jù)來證明自己的結(jié)論是否正確，如果不正確再去做新的假設(shè)。

例如：功能A上線后，發(fā)現(xiàn)新增用戶多了，于是假設(shè)結(jié)論：A功能帶來了新用戶。下一步操作去找能證明此猜想的數(shù)據(jù)，并羅列出來。如果無法找出此數(shù)據(jù)，再做新的假設(shè)。

第二類，先不做任何假設(shè)，比較當(dāng)前版本數(shù)據(jù)和之前版本數(shù)據(jù)之間的差異，然后分析原因。

例如：功能A上線后，發(fā)現(xiàn)新增用戶多了，于是比較前后兩個版本的新增用戶數(shù)據(jù)，看看來源渠道，功能使用，訪問內(nèi)容等差異數(shù)據(jù)，找出最大差異點，然后深挖原因。

對照上面的描述，看看你屬于哪一類呢？

第一類產(chǎn)品經(jīng)理的思維方式很像中學(xué)生解應(yīng)用題，而“解題家”只能證明自己，無法推動業(yè)務(wù)。而第二類產(chǎn)品經(jīng)理，在兩組數(shù)據(jù)中做對比，然后抽絲剝繭從而找到問題的真相。這才是產(chǎn)品經(jīng)理需要具備的數(shù)據(jù)思維。

所以，數(shù)據(jù)思維的本質(zhì)就是站在毫無立場的客觀數(shù)據(jù)前，找到核心指標(biāo)，來對比業(yè)務(wù)中的兩組變量之間的關(guān)系，從而解釋業(yè)務(wù)，并引領(lǐng)業(yè)務(wù)前行。

也就是我們常說的，沒有對比的數(shù)據(jù)毫無意義。

2.數(shù)據(jù)分析五步法

接下來，我們一起來探討五步法的具體操作。

2.1 第一步：感知問題

顧名思義，就是需要具備判斷問題是否存在的能力。比如產(chǎn)品的健康度如何？一個功能達(dá)到什么樣的指標(biāo)才算成功？頁面的轉(zhuǎn)化率是否正常？等等。

有天賦的產(chǎn)品經(jīng)理靠直覺來判斷，而有經(jīng)驗的產(chǎn)品經(jīng)理靠的是方法。要獲得感知問題的能力并不難，其實只要看瞄準(zhǔn)一個指標(biāo)即可，這個指標(biāo)就是OMTM（One Metric That Matters ），俗稱北極星指標(biāo)。

它是最能代表你產(chǎn)品健康度的縮影，但這也并不意味著完全不需要看其他的指標(biāo)了。只有北極星指標(biāo)能最直接、最快速地反應(yīng)問題。

那如何找業(yè)務(wù)的北極星指標(biāo)呢？其實常見的互聯(lián)網(wǎng)產(chǎn)品無非就是以下的四種業(yè)務(wù)形態(tài)，或者這四個業(yè)務(wù)形態(tài)的合集：

1. 黏著式增長引擎

北極星指標(biāo)：留存

• 工具、內(nèi)容、資源類的產(chǎn)品都屬于黏著式增長引擎（例如：百度、小猿搜題、知乎等）；這類產(chǎn)品的本質(zhì)是解決了用戶的某一部分需求，用戶今天用了明天、后天還會回來用，從而帶來了新的增長。

• 根據(jù)海盜模型AARRR，用戶從獲取，注冊，活躍，留存，再到最終的轉(zhuǎn)化。判斷這類產(chǎn)品是否健康，北極星指標(biāo)就是留存率。只有留存率提升了，才能帶來真實的用戶增長。

• 一般情況，建議觀察次留、三留和七留。拿工具型產(chǎn)品為例，40%的次留，20%的七留算是比較優(yōu)秀的了。當(dāng)然數(shù)值并不絕對，最好和行業(yè)同類產(chǎn)品對比，和自己的前一版本對比，這樣才有更客觀的判斷。

2. 付費式增長引擎

北極星指標(biāo)：用戶生命周期價值>獲客成本

• 課程類、絕大多數(shù)B端產(chǎn)品、會員類產(chǎn)品等都屬于付費式增長引擎（例如：VIPKID、saas系統(tǒng)服務(wù)、愛奇藝等）；這類產(chǎn)品的本質(zhì)是提供某一類服務(wù)供用戶消費，當(dāng)企業(yè)有了利潤才能投入再生產(chǎn)，從而開拓新的市場或新的服務(wù)。

• 此類產(chǎn)品的業(yè)務(wù)邏輯是從獲客，到銷售轉(zhuǎn)化，需要產(chǎn)生利潤才可能驅(qū)動業(yè)務(wù)增長。判斷這類業(yè)務(wù)是否健康，就是看客戶終生價值是否大于獲取成本。所以北極星指標(biāo)是：CAC＜CLV

注：

CAC（Customer Aqusition Cost）客戶獲取成本

CLV (Customer Lifetime Value) 客戶終生價值

• 在線教育行業(yè)，經(jīng)過這一兩年的投資機構(gòu)瘋狂催熟，獲客成本進(jìn)一步水漲船高，猿輔導(dǎo)的一個正價課獲客成本甚至高達(dá)3000元，這樣算下來，除非有非常高的正價課轉(zhuǎn)化率與續(xù)費率，否則很難獲得盈利。

3. 爆發(fā)式增長引擎

北極星指標(biāo)：病毒系數(shù)K

• 裂變運營活動，話題性事件等都屬于爆發(fā)式增長引擎。例如砍價、拼團(tuán)、瓜分紅包、雙11電商促銷活動、美國大選等等。這類產(chǎn)品的業(yè)務(wù)邏輯就是短時間內(nèi)是否能迅速傳播，因為時效性強，一般過了48~72小時活動就不再有效了。

• 此類產(chǎn)品的北極星指標(biāo)是病毒系數(shù)K（ K=I * Conv=分布密度×感染強度）只有當(dāng)K>1時，裂變才能進(jìn)行下去。

注：

I：Invitation，即每個用戶發(fā)送的邀請數(shù)量，反映了分布密度

Conv ：Conversion rate，即每個邀請成功的概率，反映了感染強度

• 這些年最成功的幾個裂變運營活動當(dāng)屬花小豬和微粒貸。從獲知的數(shù)據(jù)推算，K值應(yīng)該在3.6以上，也就是說平均一個用戶帶來了3~4個新用戶。這就是病毒傳播的魔力。

4. 其他業(yè)務(wù)形態(tài)

北極星指標(biāo)：簡單指標(biāo)&復(fù)合指標(biāo)

• 業(yè)務(wù)不屬于以上的任何一種，這種情況下一些簡單指標(biāo)，例如：頁面PV\UV、登錄用戶量、頁面停留時長、活躍用戶數(shù)等，能幫助你快速的了解產(chǎn)品狀態(tài)。

• 如果我們把這些簡單指標(biāo)做一個除法，就會得到一些有魔法的復(fù)合指標(biāo)，例如：

頁面PV/訪問數(shù)量=平均訪問深度；

訪問時長/訪問數(shù)量=平均訪問時長；

每周付費用戶/用戶活躍數(shù)=平均每周每人購買數(shù)量

這些復(fù)合指標(biāo)能一眼就觀察到產(chǎn)品的用戶真實情況。

當(dāng)然，大部分的產(chǎn)品都是以上各個業(yè)務(wù)形態(tài)的合集，針對產(chǎn)品的不同模塊，可以監(jiān)控不同的北極星指標(biāo)。并且，隨著產(chǎn)品的不斷發(fā)展北極星指標(biāo)也需要跟著一起變化。例如：愛奇藝，在很早的時候北極星指標(biāo)應(yīng)該是用戶的留存和平均訪問時長；但是現(xiàn)在業(yè)務(wù)規(guī)模發(fā)展壯大了，北極星指標(biāo)應(yīng)該是付費用戶數(shù)與營業(yè)額了。

2.2  第二步：提出假說

當(dāng)我們感知到了產(chǎn)品出了問題，但原因可能是什么？這個時候就需要針對現(xiàn)象來提出假設(shè)了。我推薦以下兩種方法：

方法1：歸納式，就是根據(jù)個案進(jìn)行總結(jié)。

例如一個知識付費產(chǎn)品用戶的付費問題：團(tuán)隊可以一起頭腦風(fēng)暴，提出各種可能的因素；也可以對分層的用戶進(jìn)行抽樣深讀訪談，了解他們不使用或繼續(xù)用下去的原因及看法；然后來歸納驗證。

方法2：演繹式，就是根據(jù)模型進(jìn)行推演。

例如：針對部分用戶在打開app后跳出的問題，可以根據(jù)對用戶行為模型進(jìn)行拆解，而拆解的有效與否，其實就是對用戶行為的理解，用戶的行為模型多少有關(guān)。

提出假說，是一個思維發(fā)散的過程，此時不拒絕任何可能性。在這個過程中，補充各個維度的思考是非常有必要的。

2.3 第三步：選擇表征

有哪些證據(jù)可以證明以上問題？到這一步，麗莎阿姨要送給你的一句話：If you can’t measure it, you can’t improve it.（不可被數(shù)據(jù)量化，就不無法證明其好壞。）

經(jīng)常有產(chǎn)品經(jīng)理會這樣描述情況：反饋這個問題的用戶挺多的，所以我們就做了這個XXX功能。

然后我都會追問幾句：挺多的是多少？這部分用戶占你全量用戶的多少？“挺多的”這部分用戶他們是你的核心用戶嗎？

所以...作為一個邏輯清晰的產(chǎn)品經(jīng)理，講數(shù)據(jù)的時候請用量化的語言準(zhǔn)確的描述，好嗎？拉鉤鉤...

在選擇數(shù)據(jù)表征時，有一些注意事項：

• 選擇的數(shù)據(jù)表征能夠充分代表提出的假說的內(nèi)涵；

• 選擇的數(shù)據(jù)盡量是用戶客觀行為數(shù)據(jù)而非主觀態(tài)度數(shù)據(jù)；

• 選擇的數(shù)據(jù)是有被記錄或比較容易獲取。

仍然沿用前面的例子：

這樣下來，數(shù)據(jù)分析思維的前三步就被很好的建立起來了。

2.4 第四步：收集數(shù)據(jù)

從感知問題、到假設(shè)原因再到選擇表征，接下來就是收集數(shù)據(jù)了。這一步可以說是數(shù)據(jù)分析里面最不需要動腦子的一步，產(chǎn)品只要有基礎(chǔ)數(shù)據(jù)平臺，就很容易獲取到基礎(chǔ)數(shù)據(jù)。

但這一步也需要注意：

• 一切能獲取到數(shù)據(jù)的前提是做了相關(guān)的數(shù)據(jù)埋點

• 當(dāng)數(shù)據(jù)出來后，不要著急分析，先看看是否合理，要去掉明顯不合理的數(shù)據(jù)。記住，對開發(fā)小哥的數(shù)據(jù)上報要永遠(yuǎn)抱有懷疑態(tài)度（哪怕他把胸脯拍到爛）。

2.5 第五步：分析驗證

這一步就是利用你小學(xué)數(shù)學(xué)知識的時候了??！

很多產(chǎn)品經(jīng)理會把這一步作為數(shù)據(jù)分析最重要的一步，花很多時間在數(shù)據(jù)分析、圖表繪制上，但在我看來，這一步其實已經(jīng)不那么重要了。做分析驗證，可視化圖表是很棒的工具。

一般來說只要確定好了x與y軸的含義和數(shù)據(jù)，通過數(shù)據(jù)可視化的方式，表現(xiàn)出x與y的關(guān)系，就能發(fā)現(xiàn)其中是否存在有價值的規(guī)律了。發(fā)現(xiàn)x與y存在某種關(guān)系的時候，最好通過數(shù)據(jù)進(jìn)行再次驗證。選擇另外一組數(shù)據(jù)，再次進(jìn)行分析，看確定的關(guān)系是否再次被復(fù)現(xiàn)。

那如何選用數(shù)據(jù)可視化圖形呢？以下是我整理的一些規(guī)律：

• 只有一個變量，且相加為100%的情況下，用餅圖來展示，例如：用戶來源渠道

• 當(dāng)有兩個變量存在，用折線圖與柱狀圖，例如：不同時間段內(nèi)用戶的留存情況

• 用演繹法推導(dǎo)用戶行為，用漏斗模型，例如：運營活動最終的轉(zhuǎn)化率

• 不要沉迷在圖形繪制上，其他看起來很叼的數(shù)據(jù)可視化都是紙老虎，除了浪費時間外并不能幫你發(fā)現(xiàn)問題，還不如直接展示excel表格（嚴(yán)肅臉）

下方的數(shù)據(jù)可視化圖表使用建議，請各位自取自用：

3、寫在最后

數(shù)據(jù)分析能力，是產(chǎn)品經(jīng)理必備的技能之一。一旦具備了數(shù)據(jù)思維，做產(chǎn)品的視野與思考方式便會有質(zhì)的飛躍；但是要注意，通過數(shù)據(jù)僅能讓你找到局部最大值，而更高的山峰只會建立在你更廣闊的視野與深厚的認(rèn)知上。