産品經理的關鍵能力是：看得準、想得清楚、說得明白、做得快；而要成為更高階的産品經理，還要有需求升維、全局視野、高階學習思維技能。我将寫一個系列文章，詳細總結各個能力的方法論，相信對剛入門甚至3-5年的産品經理來說，能少走不少彎路。今天先說第一篇：數據分析。

産品經理的關鍵能力是什麼？

我很同意白鴉說的：看得準、想得清楚、說得明白、做得快；這是從結果論而言的。

從過程論來說，是具備這些關鍵能力：需求定義、數據分析、項目管理、決策溝通。這些方面功底紮實，可以是一個高執行力的産品經理。

而要成為更高階的産品經理，還要有需求升維、全局視野、高階學習思維技能。

我将寫一個系列文章，詳細總結各個能力的方法論。這些都是多年産品經曆的血淚史，相信對剛入門甚至3-5年的産品經理來說，能少走不少彎路。

今天先說第一篇：數據分析。

老闆：這個功能上線，效果怎麼變差了，什麼原因？

PM 内心：MMP，難道不是自然波動嗎？

工作中經常需要數據分析，但有時原因真的很難找；或者就算覺得找到了，也難以用數據證明。有時找到了方向，取了一大堆數，算了半天，發現缺少某個維度的數據，又要重新求着數據部門要數據。找到了想要的數據，又恨自己數到用時Excel 技能少。

總之：一到數據分析要耗費不少時間。

不過沒關系，今天3個步驟教大家高效的數據分析方法。其實，Excel 這些工具技巧真的沒那麼重要，數據分析困難和費時主要還是提煉思路的部分。這個部分想清楚了，自然就高效了。

步驟一：抛開預設結論，窮盡維度搜集數據

通常産品上線一周，會有一些關于上線效果的推測的結論。但在這一步，不要直接根據假設取數，而要搜集産品維度相關的所有數據。

我們往往會先依據預設假設去要數據。而一旦從數據中發現其他問題，又要再次要數據，從頭分析，浪費時間。

舉個具體的例子：

假設有個平台為用戶提供接送機服務，有 X 和 Y 兩個服務供應商在服務，這個平台有 D、E，2個渠道售賣這個服務。D 渠道又分為 D1、D2 、D3，3個子渠道，現在在D1、D2 上下線了 X 供應商。

一周後數據周報顯示 D1、D2 的訂單完成單減少，需要 PM 給出解釋。

這裡先解釋下，接送機服務用戶下單後，上車到達機場或目的地算訂單完成。中間用戶沒有坐車，比如用戶取消，或者沒有司機接單導緻訂單取消，都算這個訂單沒有完成。

初始推測的假設是：D1、D2 下線 X 供應商，導緻 Y 供應商下單增長，但是沒有那麼多司機接單，因而完成單減少。

那這個時候取數不能隻去看 D1、D2 下線前後訂單數、完成單數的變化。而是應該把D3、整個 D 渠道、E 渠道和平台渠道在前後的訂單數、完成單數都取一遍。萬一 D3 完成單也減少了呢？可能就是渠道的原因。

取數範圍關注：

• 變化如何：比較 D1、D2 的變化趨勢、變化比例
• 有變化和無變化的比較：D1、D2 VS D3, D VS E

取數邏輯關注：

• Y 下單增長的渠道，完成單如何變化
• Y 下單未增長甚至下降的渠道，完成單如何變化
• Y 下單增長量大和小的渠道，完成單如何變化

步驟二：從初始數據中建立一些假設

數據分析的核心是建立建設、驗證假設。

所以其實不需要多麼高深的數學或統計學知識，隻要有最基本的假設檢驗的概念就可以了。（但如果要對數據分析有很好的宏觀認知，還是要系統學一下統計學。我曾花過兩整周學完統計學，隻不過工作中很少用到除了假設檢驗外的其他知識。）

在步驟一中，你可能找到一些蛛絲馬迹似乎能論證結論。例如你發現了某個數據變化的同時結論數據也變化了。但是要記住這個線索隻是假設，不要立刻當成結論。否則的話很可能會在後面被新出現的證據推翻。

在這一步中，把發現的線索當作假設，然後應該思考怎麼進一步去論證，需要哪些進一步的數據。

步驟三：進一步搜集數據，論證假設

1. 是自然下降/上升嗎？

出現數據問題，可以先評估是自然波動嗎？

假設步驟一中的案例，渠道 E 中 X 供應商在某個周末下單數增加。它的應單率減少。應單率指的是在用戶下的訂單中，司機接單的數量。

提出假設：X 下單數增加導緻司機運力不足，從而應單率減少。

但首先可以評估是否自然波動。例如是否隻要周末 X 的應單率就會下降。可以對比之前周末的數據。

2. 有可能是整體性因素嗎？

排除了自然波動，看一下是否有整體性因素？

例如那周末暴雨，導緻航班變化、取消比較多。因而訂單自動取消了。而這個因素不僅僅影響 X 供應商，也會影響 Y 供應商。那麼可以看 Y 供應商的應單率是否也下降了。

3. 是假設導緻的嗎？

排除了以上2種情況，就要開始論證假設；假設論證一般是因果關系的論證。

1） 單一因果關系

即A導緻B，這一論證除了去看出現 A 是否出現 B，還要看：

• 出現 A 是否有非 B
• 未出現 A 是否一定是非 B 是否有 B
• 有 B 的情況是否一定是 A，是否有非 A
• 非 B 的情況是否有 A，是否是非 A例如，要論證 A 的增長引起了 B 的增長，通常需要看
• 有 A 增長時，B是否增長
• A 不變或下降時，B 是否不變或下降
• A 增長幅度大或小時，B 增長幅度是否大或小
• 以及反面的情況

如果隻能看到 A 和 B 的數據，沒有非 A 或非 B 的數據怎麼辦呢？

例如我們在接送機的列表頁新上了一個返現報價的産品。但是購買返現産品的用戶比較少。由于返現産品原價高會被價格低的普通産品擠下去，導緻有些情況用戶在第一屏看不到返現報價。

我們推測返現整體露出少（A）所以效果差（B），但除了做 AB 測試再定義個邏輯，我們不可能找到整體返現露出多的情況。

這個時候，可以看子維度。

• 看子維度，且不要隻看一個子維度，窮盡子維度是否能得出假設。
• 看子維度的子維度。看子維度是否能再分也能提供信息。

不同車型（經濟型、舒适型、豪華型等）都有返現，有些車型普通産品少，返現産品露出多，返現露出多的車型效果是否更好？

還有一個子維度是城市，有些城市的普通産品也比其他城市少。不同城市的不同車型露出不同，該城市該車型露出多，該城市該車型是否效果好？等等。

2）因果鍊條

有時，一件事不能很直接找到原因，而是有一個長的因果鍊。那應該找出因果鍊每一環，定義測量指标，對每一環論證。

例如步驟一裡的案例實際是個因果鍊。

Y 供應商下單增長（指标：下單數） -> 導緻司機運力不足（指标：應單率=接單數/下單數） -> 接不起（指标：完成單率=完成單數/接單數）

除了看下單數和完成單數，還要關注應單率的變化。

這一步驟中會有一個問題：有些數據比較難找。此時可以進行估算。

例如：評估産品露出對返現影響那個項目時，需要看不同城市的露出率。由于接送機需要用戶先輸入時間地址，再根據用戶選擇的區域展示該區域的産品。有些區域有返現露出，有些沒有。前端很難記錄多少概率下該城市返現是露出的。

于是我就想：如果知道一個城市的熱門區域地址，将它們一個個輸入查看，記錄是否露出，不就能估算該城市的返現露出率了嗎？

那怎麼知道一個城市熱門區域有哪些呢？

我打開攜程酒店，上面就有城市熱門區域嘛~接送機的客戶一般都是旅遊或出差，所以酒店入住的熱門區域也差不多是接送機用戶地址的熱門區域。

步驟四：得出結論

完美。

本文由 @Tara 原創發布于人人都是産品經理，未經許可，禁止轉載。

題圖來自 Unsplash，基于CC0協議。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部