數十萬互聯網從業者的共同關註！
作者：Link，作者授權早讀課轉載
來源：從 0 到 1（ID：aboutlink）
編輯：Verna
近些年，隨著 Growth Hack、精益化運營、數據化運營等概念漸入人心，數據產品這個名字被提及的次數越來越多。
在互聯網的下半場，不斷精細化運營的背景下，產品經理不再是單純的靠感覺來做產品，更需要培養數據的意識，能以數據為依歸，來不斷改善產品。
借用最近很火的名詞來說，如果嘻哈歌手的 freestyle，基本功是即性說唱，那麼現在，產品經理的 fresstyle，基本功則是數據分析。
那麼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？
1、明確數據分析的目的；
2、確認數據收集是否準確完備；
3、有效剔除幹擾數據；
4、合理客觀的審視數據
一、明確數據分析的目的
產品經理需要帶著明確的目的去分析數據，思考實現目標，需要構建哪些維度去驗證。If you can ’ t measure it, you can ’ t improve it，如果無法衡量，就無法增長。
而不同的數據分析目的，需要通過不同的數據指標分析拆解，如電商最核心的是訂單轉化率，訂單數，訂單金額等，對於社交網站來講則是日活躍用戶數，發帖量、評論數等。
在數據分析指標的構建中，我們需要謹記遵從金字塔分析原理，即逐層拆分，不重不漏。
比如將訂單金額拆成訂單數單均價，訂單數也可以往下細分出用戶數人均訂單數，不同的用戶還會擁有不同的人均訂單數，一層層往下分拆確保指標能明確表達含義，為上層的分析思路提供依據明確指標定義，統計口徑和維度。
比如 APP 首頁猜你喜歡推薦模塊，忽然發現點擊率從 40% 下降到瞭 35%，暴跌 5% 個點，這個時候，我們可以從時間、版本、平臺、人群等維度拆解。
先看看數據是從什麼時候開始變化的，是不是因為受到瞭聖誕、元旦假日因素的影響，頁面上其他模塊上線瞭新的活動，影響瞭猜你喜歡的轉化。
如果不是，再看看是不是哪個版本的數據發生瞭波動，是不是因為新版本上線埋點遺漏或有誤造成的。
如果不是，則再拆解是不是流量來源構成發生瞭變動，是不是 iOS&Android 平臺用戶比例發生變化，或是新老用戶的構成比例改變。
二、確認數據收集是否準確完備
關於數據收集，我一定要先談準確，不得不說，務必請跟我念，一定要認真檢查埋點，埋點，埋點。這絕對是個遇神坑神的大坑。
很多時候臨到使用，才發現這個埋點的方式一直都是錯誤的，或者發現這個指標計算的方法，沒有把某種因素排除掉。
接著談完備，如果涉及未來產品發展方向或頁面改版計劃的前期調研，數據分析僅靠 APP 本身的埋點，絕對是遠遠不夠的。可以考慮以下 3 種渠道。
1、從外部如易觀或艾瑞的行業數據分析報告獲取，需要帶著審慎的態度去觀察數據，提取有效準確的信息，剝離部分可能註水的數據，並需要時刻警惕那些被人處理過的二手數據。
2、從 AppStore、客服意見反饋、微博等社區論壇去主動收集用戶的反饋。我自己經常有空的時候就會去社區論壇看看用戶的狀態評論，一般這樣的評論都是非常極端的，要麼特別好，要麼罵成狗，但這些評論對於自身產品設計的提升還是非常有益的，可以嘗試去反推用戶當時當刻為什麼會產生如此的情緒。
3、自行參與問卷設計、用戶訪談等調研，直面用戶，收集一手數據，觀察用戶使用產品時所遇到的問題及感受。問卷需要提煉核心問題，減少問題，回收結果更需剔除無效的敷衍的問卷。用戶訪談需要註意不使用引導性的詞匯或問題，去帶偏用戶的自然感受。
三、有效剔除幹擾數據
我們的數據收集準確 & 完備後，並沒有大功告成，還要進一步剔除幹擾數據。
1、選取正確的樣本數量
選取足夠大的數量，剔除極端或偶然性數據的影響。舉一個最 low 也最經典的例子，08 年奧運會上，姚明的三分投籃命中率為 100%，科比的三分投籃命中率為 32%。
那麼是不是說姚明的三分投籃命中率要比科比高？顯示有問題，因為那屆奧運會，姚明隻投瞭一個三分球，科比投瞭 53 個。
2、制定相同的抽樣規則，減少分析結論的偏差性
比如兩條 Push 文案，第 1 條 " 您有一個外賣暖心紅包未領取，最大的紅包隻留給最會吃的你，點擊進入 "，第 2 條 " 送你一個外賣低溫福利，足不出戶吃喝熱騰美味，點擊領取 "。
實驗數據表明，第二條 Push 文案的點擊率比第一條同比高瞭 30%。那麼真的是第二條文案更有吸引力嘛？結果發現是第二條 Push 文案的接收人群的活躍度明顯高於第一條造成的。
3、剔除版本或節假日因素的幹擾
新版本剛上線時的數據表現往往會很好，因為主動升級的用戶一般是高活躍度的用戶。
臨近周末或大型節假日的時候，用戶的消費需求會被觸發，電商類應用的訂單轉化率也會直線上升。
因此，在數據對比的時候，實驗組和對照組的數據在時間維度上要保持對應。
4、A/B 實驗需拆分 A2 組
即在實驗組 B1 和對照組 A1 上再增加一組 A2，A1 和 A2 的規則保持一致，然後探究 A1B1 的數據波動與 A1A2 比較，剔除數據的自然 / 異常波動帶來的影響。
以我自己實際的 A/B 實驗證明，設立 A2 組是非常重要且必要的，不管數據量級有多大，相同實驗規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，對我們的判斷可能形成較大的幹擾偏差。
四、合理客觀的審視數據
1、不要忽略沉默用戶
產品經理，在做用戶訪談或問卷調研時，如果在聽到部分用戶反饋的時候，就做出決策花費大量的時間開發相應的功能，往往結果，可能這些功能隻是極少部分用戶的迫切需求，而大部分用戶並不在乎。
甚至有可能與核心用戶的訴求相違背，導致新版產品上線後數據猛跌。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，不僅會造成人力物力的浪費，更有甚者，會錯失商業機會。
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，請不要盲目下結論質疑自己的直覺，而是嘗試對數據進行更透徹的分析。
例如我們曾經做過在點評首頁，設置過給用戶投放活動彈窗的實驗，發現實驗組的數據不管在首頁的點擊率，訂單轉化率乃至 7 日留存率方面都遠超對照組，首頁上的每一個模塊的轉化率都有明顯的提升，遠遠超出瞭我們的預期，那這真的是活動彈窗刺激瞭用戶的轉化率嘛，
後來我們發現在首頁能夠展示出活動彈窗的用戶，往往在使用環境時的網絡狀態比較好，在 wifi 環境下，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，因此影響瞭 A/B 實驗的結果。
3、不要過度依賴數據
過度依賴數據，一方面，會讓我們做很多沒有價值的數據分析；另一方面，也會限制產品經理本來應有的靈感和創意。
正像羅振宇在時間的朋友跨年演講上提到的一樣。用戶要什麼，你就給什麼，甚至他們沒說出來你就猜到瞭，這叫母愛算法，在內容分發領域沒有人比今日頭條做得更好，但母愛算法有很大的弊端，在推薦的時候會越推越窄。
另一面則是父愛算法，站的高，看得遠。告訴用戶，放下你手裡的爛東西，我告訴你一個好東西，跟我來。正像喬幫主當年打造的 iPhone 系列產品一樣，不看市場分析，不做用戶調研，打造出超出用戶預期的產品。
五、總結
美國最成功的視頻網站 Netflix 通過基於用戶習慣的分析，將大數據分析深入到電影的創作環節中，塑造瞭風靡一時的美劇《紙牌屋》。然而 Netflix 的工作人員告訴我們，不應該迷戀大數據。
如果說電視劇評分 9 分是精品的話，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。
產品經理在直覺創造的心智能力，情感理解的社交能力，與大數據相結合，正確的理解數據，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，方能真正做到所謂的 " 用戶洞察 "，讓產品走到用戶需求前面，超出用戶的預期。
