1. 认识数据
数据的客观性
数据是量化事物的手段
数据的对比是相对性的
面对数据
(感悟)真正优秀的产品经理,既不是任由自己的感性思维天马行空,也不是让自己的理性思维控制自己,而是能够控制自己的感性和理性,在该发散的时候有巧妙的想法,在该聚焦的时候有思辨的逻辑。
(感悟)在接触数据的时候,对数据思维的养成和运用,反复的练习以及对各种数据的阅历会反过来让产品经理综合的“智慧”更加饱满
开始接触数据
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
第二,学习如何解读数据
对数据足够敏感,能够敏锐的发现数据当中的隐含信息,并通过逻辑推理,进一步提出好的追问和假设,然后通过数据或其他手段来验证。
一个完整的数据需求包括
- 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。
数据分析中的误区
忽略沉默用户
-
用户迫切需要的需求 不等于 产品的核心需求
你所听到的需求,或许是少部分用户迫切需要,而大部分用户并不在乎 -
结论:没有始终全盘的去考虑用户需求,听到用户声音的时候就做出了决策,而忽略了产品大部分目标用户的核心需求
过分依赖数据
-
过分依赖数据:一方面会让我们自己做很多没有价值的数据分析;另一方面也会限制产品经理本来应有的灵感和创意。
-
很多优秀甚至伟大的产品决策,并非通过数据发现的,而是一个PM综合智慧的体现
-
产品经理要有独立思考和灵活判断的智慧
产品数据误区
- 误判因果关系
- 警惕数据的表达技巧
大数据
-
三个要素:用全样本数据、注重相关关系、全新的计算方法
-
采用全部数据:就是当通过数据分析一个问题时候,涉及到所分析问题的所有数据都必须纳入到计算范围当中,无论是常规合理数据,还是一些异常的样本数据都必须包含。甚至传统数据分析中可能都完全忽略的数据,都需要包含在大数据分析中。
-
注重相关关系:即通过大数据分析,最终分析获得并关注数据当中的相关关系,并通过相关关系指导分析、决策、预测,但对因果关系的探索,将不再是这种数据分析所关注的核心内容。
-
全新的计算方法:即大数据分析,其计算过程不再是传统数据分析中,必须精确统计、不容许任何脏数据、错误数据的分析方法,而是包含了各类混杂数据的简单相关性计算
2.获取数据
网站数据指标
访问量
什么是访问?一次访问就是指一个人来到网站,然后浏览了一些内容之后离开网站的过程;这个过程也会被称为会话,也就是session。 访问量定义:一段时间的访问量就是这段时间的访问次数。
访客量
也称为独立访客数(UV),就是访问网站的人数。 如何识别一个用户?在网站分析系统中,会依据用户的浏览器、设备型号等信息,为用户分配一个编号,这个编号称为Cookie。 访客数就是访问网站的cookie数。如果同一人换了浏览器或设备访问网站,那么它的Cookie也就变化了。
浏览量
PV,浏览页面的数量
跳出率
常用的算法是网站的所有会话当中,来到网站之后没有任何动作就离开的比例,等于只访问了落地页面的访问量除以总访问量
页面停留时长
网站停留时长
退出率
- 退出率衡量从某个退出网站的比例,它等于从一个页面的退出次数除以访问次数
- 页面跳出率和退出率的区别? 退出率是指无论从哪个页面进入网站,最终从这个页面退出的比例; 跳出率是指从这个页面进入网站,没有做任何事,就从这个页面退出的比例。
转化率
- 达成某种目标的访问量除以总的访问量,或达成目标的访客数占总访客的比例
- 采用访问量还是访客数作为分母? 如果将访问作为分母,意味着将每次访问都认为是下单或购买的机会; 如果将访客数作为分母,则会认为一个访客在购买之前,多次访问是正常的。
移动应用类数据指标
用户获取
- 下载量
- 安装激活量
安装并打开的设备数 - 激活率
激活设备数/安装设备数 - 新增用户数
新增用户就是新增设备的数量 - 用户获取成本
每获取一个用户需要的费用
用户活跃与参与
- 日活跃用户数 月活跃用户数(数量指标)
一段时间内启动过应用的设备数,表明用户规模。 - 质量指标
活跃系数——日活跃用户数/月活跃用户数
平均使用时长
功能使用率——使用某功能的用户数占活跃用户数的比例。使用率越高表明功能越受欢迎
用户留存
次日留存率、7日留存率、30日留存率
N日留存计算指:统计日期新增的用户或活跃用户,在第N天又来使用的比例。可以参考行业值来对标自己应用的留存是否健康。
用户转化
付费用户比例
付费用户占总用户的比例。建议将付费用户和免费用户区别对待。
首次付费时间
用户激活后多久才会开始付费。有助于把握掌握用户的时间
用户平均每月营收
等于一个月的收入除以月活跃用户数
付费用户平均每月营收
等于一个月的收入除以月付费用户数
获取收入
收入金额
付费人数
新功能的使用
使用率与继续使用率
继续使用率:本周使用过功能A的用户,在下周继续使用的人数比例:代表功能的受欢迎程度
移动应用分析工具
国外
FLURRY、Google Analytics
国内
友盟、TalkingData
Crash分析工具
crashlytics
电商类数据指标
销售额
购买客户数
购买了商品的人数,会按照账号去重计算
老客户——统计当天之前就购买过商品的客户数
新客户——统计当天首次购买商品的客户数
客单价
每个客户购买的金额,销售额/购买客户数
-
客单价=人均购买件数 * 件单价
-
人均购买件数是指每个客户购买几件商品,这个指标也经常用来衡量关联销售的效果,也就是关联销售效果越好,人均购买件数就会越多
-
件单价是指商品的平均价格,等于销售额 除以 销售量,这个指标用来衡量网站上的商品价格高低
购买转化率
访客中购买了商品的比例,购买客户数/访客数
重点商品缺货率
爆款缺货的比例
妥投及时率
妥投到客户的订单中,按照约定时间妥投的比例
订单数
订单数关系到支付压力和仓库发货的任务量
详情页UV(IPV_UV)
访问商品详情页的人数
UV
访客数,来到网店的人数
销售额
销售额 = UV * 转化率 * 客单价
UV * 转化率(购买客户数)
转化率 * 客单价(访问价值)
UGC类数据指标
-
UGC产品特征
目标:让用户产出内容,包括-发表文章 -点赞 -订阅 -评论 -其它行为(分享) 访客——>产出内容(参于度逐渐加深) -
用户参与度指标
访客数
停留时长
产出内容
互联网产品指标思路
-
有多少访客,访客有什么特征
访客特征:访客访问的时间段、在哪些地域访问、用什么设备以及用什么网络 -
访客从哪些渠道获取,效果怎么样?
基本思路:带来多少新访客、浏览深度怎么样、是否留存下来了以及转化率情况。
web网站: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。
移动应用:新设备占比、次日留存率以及转化率 -
访客的参与深度如何?
跳出率、浏览页面数、转化率 -
这些访客最终有没有转化,转化漏斗是否顺畅?
任何有意义的动作都可以认为是转化
用户分析基本框架
Markdown获取指标的方式
-
分析日志
程序员记录日志—>分析师/产品经理给出计算逻辑—>程序员计算指标—>Excel分析或报表 -
分析工具
网站分析工具——自定义事件来分析功能使用率
移动应用分析工具——利用转化漏斗分析转化流程和参与深度
网站分析工具
免费的网站排名工具:Alexa、中国网站排名、网络媒体排名
免费的网站监测工具:Google Analytics、百度统计、CNZZ网站分析
分析数据
数据分析更多的是基于业务背景来解读数据、把隐藏的数据背后信息提炼和总结出来,发现有价值的内容
基本分析方法
-
对比分析
横向对比
纵向对比 -
交叉分析法
对数据在不同维度进行交叉展现,进行多角度的结合分析
交叉分析的主要作用就是从多个维度细分数据,从中发现最为相关的维度来探索数据变化的原因
数据分析框架
-
数据分析框架:像是分析思路,在面对产品问题时,告诉我们如何去开展数据分析的工作
-
作用:数据分析框架可以帮助我们把较为抽象的问题具体化,基于业务特征和数据指标来构建相关的分析体系,保证分析结果的准确性、可靠性、和针对性。
-
常见的分析框架:PEST分析框架、5W2H分析框架、SWOT分析、SMART分析、4P理论
-
常见的分析框架:PEST分析框架、5W2H分析框架、SWOT分析、SMART分析、4P理论
-
AARRR分析框架
AARRR模型:用来分析新公司和新产品的可行性,提出赢得客户的需要经历的五个阶段
获取(Acquisition):曝光数、点击数、打开率、下载量、安装量、用户获取成本
激活(Activation):设备激活量、新注册用户数、订阅数量、事件达成数、浏览数、日活跃率
留存(Retention):次日留存率、7日留存率、距离上次使用时长、DAU/MAU(日活跃/月活跃)、7日回访率
收入(Revenue):付费率、付费频次、客单价、用户价值
推荐(Refer):转发数、邀请数、评论数、k因子
逻辑分层拆解
-
逻辑拆解
逻辑,即寻找跟核心指标有逻辑关系的相关指标
找到的指标一定是能够影响核心指标变动,他们之间对应要存在强烈的逻辑关联,选用这些相关指标之前,我们必须清楚的了解他们是如何影响核心指标的。 -
分层拆解
第一层:直接解释核心指标变动的大方向
第二层:针对这个大方向的细分,从而能够将问题定位的更加准确和可操作性
原则:同一层里面的各个相关指标都是代表了一个寻找的方向,所以他们之间不能有相关性。
漏斗分析
利用数据
数据应用的场景
一般互联网公司产品开发流程:需求分析—>产品设计—>开发测试—>产品上线—>迭代升级—>需求分析
-
需求来源:用户层面:普通用户、产品经理自身,公司层面:高层想法、战略目标
来自用户层面的需求——>数据去伪存真
来自公司层面的需求——>验证并提供证据;tips:面对某些高层需求,从数据入手,验证观点,并提供合理化建议 正确的态度很重要
退出率:访问了某个页面即离开网站的访问次数占页面总访问次数的比例 -
产品设计阶段:设计前——>设计中——>设计后
设计前:通过数据分析发现问题
设计中:辅助决策,判断思路;小tips:A/B test
设计后:数据验证方案;1、未达到目标通过数据对比预期找原因 2、达成目标总结经验教训,提升团队成就感
数据驱动产品的方法
- 数据驱动产品闭环:发现问题——>确定目标——>产品设计——>开发测试——>产品上线——>数据验证——>发现问题
- 导出率:下级页面的浏览量/本级页面的浏览量
培养数据分析能力
- 求知欲、好奇心
- 基础层面
核心基础概念:PV、UV、跳出率、转化率、访问数、点击数等
基础统计原理:cookie、访问请求、日志等 - 推荐网站
网站分析在中国、蓝鲸的网站分析笔记 - 推荐书籍
流量的秘密、精通web Analytics 2.0 - 培养数据分析实战
数据驱动产品的思维方式
对业务足够了解
重视数据,保持敏感:关注数据、活用数据
网友评论