目录
正文一、认识数据——产品经理与数据分析1.1数据的客观性 数据是量化事物的手段,投射到不同的人身上又会导致解读的结论偏差,因此我能需要“求证”地分析第三方网站提供的调研数据(网站改版案例)。 大量的数据如何为我们所用呢。大概包含以下几点:明确问题本质;了解产品业务;大量深入的产品实践。 1.2培养面对数据的“智慧” 好的产品经理需要学会控制自己的思维,感性的发散,理性的聚焦需要同时具备。基本是靠反复的练习和大量的数据阅历练成的吧。 产品经理开始有意识的学习数据分析的时候应该从以下两点开始: 第一、学习如何提出数据统计需求 提出数据需求的过程,是一个“界定产品目的和目标,根据目标提出假设、预判产品效果”的过程,要求对功能目标、功能预期效果有完整且清晰的掌握。 一个完整的数据需求包含功能设计方案、功能目的和目标、功能上线后需要跟踪的数据指标及指标精确定义。 案例: 网站注册流程需求案例 第二、学习如何解读数据 对数据保持敏感,并能通过逻辑推理,进一步提出好的追问和假设,然后再通过数据或者其他手段来验证。 分清楚因果关系和相关关系,提出好的追问假设,在不同的维度拆分数据。 电商网站案例 1.3数据分析当中的“误区” a.忽略沉默用户 b.用户迫切需要的需求≠产品核心需求 c.过分依赖数据会限制产品经理的灵感 d.错判因果关系和相关关系 e.警惕表达数据的技巧(控制折线图纵坐标范围混淆结论) f.不要妄谈大数据(大数据特征——要用全部数据、注重相关关系、全新的计算方法) 二、获取数据——产品分析指标和工具2.1网站数据指标 网站排名工具:Alexa、中国网站排名、网络媒体排名 网站监测工具:Google Analytics、百度统计、CNZZ 关键网站分析指标:访问量、访客数、浏览量、跳出率、页面停留时长、网站停留时长、退出率、转化率
Google Analytics操作介绍 4大模块:受众群体分析、流量获取分析、用户行为分析、用户转化分析 掌握对数据的宏观分析思路,避免陷入到数据细节中,如下:
2.2移动应用类数据指标 移动应用主要指标 从获取用户到获得收入基本会经历以下几个过程:用户获取、用户活跃与参与、用户留存、用户转化、获取收入。下面依次介绍各个阶段的主要指标:
使用数据指标评价版本迭代效果的方法
移动应用分析工具
2.3电商类数据指标 电商类关键指标 销售额、购买客户数、客单价、购买转化率、UV、详情页UV、重点商品缺货率、妥投及时率
分析数据指标方法 流量增长因素: PC/WAP端(不同媒体),APP端(iOS&Android) 客单价增长因素: 客单价等于人均购买件数*件单价 件单价(热销商品价格变动) 人均购买件数(组合装/单件装比例、推荐效果) 转化率因素: 转化漏斗 详情页来源分析 电商网站的详情页来源一般分为:直接落地到详情页、从首页进入详情页、从频道进入详情页、从分类页进入详情页面、从品牌页进入详情页、通过关联销售进入详情页面 详情页来源分析 2.4 UGC类数据指标 UGC产品参与度指标 访客数、登陆访客数及占比、沉默用户数及占比、平均停留时长、产出内容访客及占比(Lofter案例)
优质内容评分
互联网产品指标思路 访客数和特征、获取渠道及渠道质量、访客参与深度、转化率和转化漏斗是否流畅 访客数和特征:访问时间段、访问地域、设备、网络 获取渠道及渠道质量: a.基本思路:带来多少新访客、浏览深度如何、留存率和转化率 b.Web端:新访客占比(代表渠道拓展用户的能力)、跳出率、浏览页面数以及转化率 c.移动端:新设备占比、次日留存以及转化率 访客参与深度:跳出率、浏览页面数、转化率 转化率和转化漏斗是否流畅: 转化漏斗 获取指标的方式
三、分析数据——产品数据分析框架3.1基本分析方法 对比分析: 横向对比,纵向对比(保证对比指标之外其他因素尽可能保持一致,比如通常在做新旧版本分析的时候会尽量选择两个版本发布初期的新用户) 趋势分析: 整体趋势、周期变化、极值点 象限分析 案例:渠道评估和优化(质量--数量) 象限分析 交叉分析法: 案例:多维度的数据分析(ios和安卓下载数分析) 交叉分析 3.2数据分析框架——AARRR模型 数据分析框架的作用 保证结果的准确性、可靠性、针对性 常见的分析框架(宏观,适用于管理和运营)
AARRR分析框架 Acquisition(获取)Activation(激活) Retention(留存) Revenue(收入) Refer(推荐) AARRR模型 AARRR分析思路 AARRR模型应用 提升AARRR各环节指标的对应操作(渠道分析案例) 渠道分析案例 渠道分析案例 3.3数据分析框架——逻辑分层拆解与漏斗分析 逻辑分层拆解 逻辑拆解【相关指标和核心指标存在逻辑关联】 分层拆解【同一层指标不相关】 逻辑分层拆解 漏斗分析法 关键路径的转化率、转化率对比分析、Google Analytics行为流 3.4数据会说谎 改变坐标轴:添加趋势线及其公式 样本量的误差:决定样本量大小的因素(总体大小、总体内部差异程度) 平均数的数据谎言:当数据呈现正态分布,平均数才能近似代表整体的情况 辛普森悖论:数据集中的变量被分组,其相关性被降低或不存在相关性(注意不用混淆变量分组数据) 四、利用数据——数据驱动产品4.1数据应用的场景 需求分析阶段: 对用户层面的需求,通过数据去伪存真。对公司层面的需求,通过数据验证并提供证据(网易考拉海购退出率案例) 产品设计阶段: 设计前——发现问题,设计中——辅助决策,判断思路(A/B test),设计后——验证方案(对比核心指标) 4.2数据驱动产品的方法 通过数据发现问题: 对导出率、跳出率、满意度、各端用户占比进行对比分析 确定改版数据指标: 综合用户需求和数据反映问题拟定核心指标 产品设计: 品牌调性(用户调研)、首页架构和陈列样式、展现形式 上线后的数据验证: 对之前的数据核心指标进行对比认证,并发现新问题 4.3如何培养数据分析能力 心法层面: 好奇心、求知欲、观察生活 基础层面: 核心基础概念、基本统计原理 实战层面: 数据驱动产品闭环,熟悉业务,时刻关注数据、保持敏感 (完) |
|