本文作者從自己多年的實踐經驗中，總結了一套簡單又能打的數據分析小白五步法，相信對你有用，一起來看看~

不管是哪個行業，當前處于任何階段的産品經理，躲不開的一個詞便是：數據分析。

提到數據分析，它一般會出現在以下的場景中：

• 做版本規劃的時候，如何設立指标來進行功能驗證？
• 功能上線後，如何做數據複盤？
• 如何通過數據來快速定位問題？
• 在衆多的數據中如何識别哪些是需要呈現的重要數據？
• ……

像大多人一樣，幾年前我也是試圖尋求各種數據分析的書籍來找解決方案，在翻看了十幾本數據分析的書後，結論如下：沒想到這個行業發展之快，書籍的出版速度已經遠遠跟不上行業需要了！！就像是你手裡拿着一個iPad在看windows 95視窗操作系統的使用手冊一樣難過~

經過這幾年的摸爬滾打，我的産品逐漸從0用戶做到1300w 後，麗莎阿姨總結了一套簡單又能打的數據分析小白五步法：

• 第一步：弄清楚問題到底怎麼樣（給問題定性）？
• 第二步：可能出了什麼問題（提出假說）？
• 第三步：有哪些證據可以證明以上問題（列出問題清單）？
• 第四步：逐一找證據（把數據碼出來）
• 第五步：分析驗證（用你僅有的小學數學知識來完成）

産品團隊實踐了一年多以來，相信阿姨，隻要跟着這個方式來做，再一窮二白的小白（前提是小學數學要及格）兩到三次就能上道~

手把手教學的之前，我們要達成共識的基礎前提：你覺得數據分析是一種方法工具還是一種思維方式？？？

如果你覺得數據分析就是一種方法工具，那從此我們江湖别過，後會無期。

數據分析的本質一定是一個思維方式！！！

見過不少的産品經理的操作：首先把結論給下了，然後去找數據來證明自己的結論正确。這種解應用題一般的令人窒息的操作請不要再發生了！！

數據分析應該是站在毫無立場的客觀數據前，找到核心的指标，來對比業務中的兩組變量之間的關系，用來解釋業務，并引領你前行，畢竟沒有對比的數據就是耍流氓啊~~~

你确保真的理解了麗莎阿姨這段話，那GMF，然後再繼續進行接下來的手把手操作階段吧。

手把手操作第一步：感知問題

感知問題，顧名思義就是要有能力知道問題，這個部分是數據分析裡最最最重要的部分。

在這裡要引入一個概念叫：OMTM（One Metric That Matters ），也就是你的業務形态裡最重要的那個指标（俗稱 北極星指标）。業務可以複雜，但你的業務目标一定是簡單的。

如何找到你業務的北極星指标呢？當前看到的産品形态無非是以下四種情況：

（1）黏着式增長引擎，唯一關鍵指标：留存

• 根據黑客增長AARRR模型，簡單理解就是隻有用戶來了第一次，還想來第二次；粘性的提高才能帶來了增長與轉化。
• 适用的産品與模塊：工具型産品，絕大多數産品的MVP版本，任何一款産品的核心功能模塊，現有功能的叠代。

（2）付費式增長引擎，唯一關鍵指标：營收

• 用戶在産品上貢獻的價值大于獲取用戶的成本，才可能一直驅動營收增長。簡單理解就是你的客戶終生價值要大于獲取成本這個生意才能做的下去，CLV>CAC。
• 适用的産品與模塊：課程類産品；絕大多數B端産品；會員類産品；知識付費類産品；市場投放等。

CAC（Customer Aqusition Cost）客戶獲取成本

CLV (Customer Lifetime Value) 客戶終生價值

（3）爆發式增長引擎，唯一關鍵指标：病毒系數K

• K=I * Conv=分布密度×感染強度；當K>1時，裂變才能進行下去
• 适用的産品與模塊：裂變運營活動（砍價、拼團、瓜分紅包、任務寶）；新技術驅動類産品等

I：Invitation，即每個用戶發送的邀請數量，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

（4）簡單指标&複合指标

一些簡單指标，例如：頁面PVUV、登錄用戶量、頁面停留時長、活躍用戶數等，僅能幫助你快速的了解産品狀态。

如果我們把這些簡單指标做一個除法，就會得到一些有魔法的複合指标，例如：

• 頁面PV/訪問數量=平均訪問深度；
• 訪問時長/訪問數量=平均訪問時長；
• 每周付費用戶/用戶活躍數=平均每周每人購買數量。

你看，這些複合指标是不是能讓你一眼就能觀察到産品的用戶真實情況呀。

隻有弄清楚你業務的本質，數據分析才有最根本的前提與基礎，脫離業務本質的數據分析一文不值啊，小盆友們！

手把手操作第二步：提出假說

提出假說，就是字面上的意思，提出各種可能性，方法有以下兩種，找一個你喜歡的。

方法1：歸納式，就是根據個案進行總結

例如一個知識付費産品用戶的付費問題：團隊可以一起頭腦風暴，提出各種可能的因素，也可以對分層的用戶進行抽樣深讀訪談，了解他們不使用或繼續用下去的原因及看法，然後來歸納驗證。

方法2：演繹式，就是根據模型進行推演

例如：針對部分用戶在打開app後不使用直接離開的問題，我們可以根據對用戶行為模型的理解進行拆解，而拆解的有效與否，其實就是關于你的模型多少、拆解的深度。

提出假說，就是一個思維發散的過程，不拒絕任何可能性。在這個過程中，補充各個角度的思考是非常有必要的。

手把手操作第三步：選擇表征

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（不可被數據量化，就不能被改變）

在與産品經理溝通的時候，經常會聽到的一句話，提出這個問題的用戶挺多的，所以我們就做了這個XXX功能。

然後可怕的麗莎阿姨我都會追問幾句：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…請以後講數據的時候，不要用“挺多的”好嗎？拉鈎鈎……

所以小盆友們，在你們選擇數據表征元素的時候，需要知道：

• 選擇的數據表征能夠充分代表第二步中提到的假說的内涵；
• 選擇的數據盡量是用戶客觀行為數據而非主觀态度數據；
• 選擇的數據是有被記錄或比較容易獲取。

仍然沿用前面的例子：

你看你是不是很酷的掌握了前面三步呢？？

手把手操作第四步：收集數據

這一步可以說是數據分析裡面最簡單的一步了，隻要你的産品有基礎的數據平台，或者一個靠譜的後台開發，都容易獲取到基礎數據。

但這個步驟也一定要記得：

• 一切的前提是你做了數據埋點（一個标準的PRD是包含數據埋點的）
• 當數據出來後，不要着急分析，先看看是否合理，要去掉明顯不合理的數據，其次，對開發小哥的數據上報要永遠抱有懷疑态度（哪怕他把胸脯拍爛。）

手把手操作第五步：分析驗

這一步就是利用你小學數學知識的時候了！！

很多小盆友會把這一步作為數據分析最重要的一步，但在麗莎阿姨看來，這一步其實已經不那麼重要了。

• 确定好了x與y的含義和數據，通過數據可視化的方式，表現出x與y的關系，就能發現其中是否存在有價值的規律。
• 發現x與y存在某種關系的時候，最好通過數據進行再次驗證。選擇另外一組數據，再次進行分析，看确定的關系是否再次被複現。（答應阿姨要時刻捍衛自己的産品經理職業形象，OK？）

數據可視化可以幫助你更好的看到數據背後的原因，并幫助其他人理解你的意圖，那如何選用數據可視化圖形呢？

麗莎阿姨吐血整理：

• 隻有一個變量，且相加為100%的情況下，就用餅圖，例如：用戶來源渠道；
• 當有兩個變量存在，不出意外，就用折線圖與柱狀圖，例如：不同時間段内用戶的留存情況；
• 用演繹法推導用戶就用漏鬥模型，例如：拼課功能的用戶行為；
• 其他的數據可視化都是辣雞，還不如直接展示excel表格（嚴肅臉）。

通過以上五步的刻意練習，再小白的産品經理都能快速上手（阿姨已經把胸脯拍爛）。

寫在最後

請根據下圖找出世界上最高的山峰是哪個？？

要記住，通過數據僅能讓你找到局部最大值，而更高的山峰隻會建立在你更廣闊的視野與深厚的認知上。

本文由 @Lisa Deng 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