数据分析万能公式

李宽wideplum

共 4673字,需浏览 10分钟

 · 2021-12-30


不管是哪个行业,当前处于哪个阶段的产品经理,躲不开的一个词便是:数据分析。提到数据分析,它一般会出现在以下的场景中:


  • 做版本规划时,需要设立数据指标来进行功能验证
  • 功能上线后,需要数据复盘来指引迭代的方向
  • 结果异常时,通过数据来快速定位问题
  • 周报日报,需要在众多的数据中识别需要呈现的重要数据
  • 通过数据洞察,找到产品的各种增长场景

像大多人一样,几年前我也是试图寻求各种数据分析的书籍来找答案,在翻看了十几本数据分析的书后,结论如下:没想到这个行业发展之快,书籍的出版速度已经远远跟不上行业需要了!就像是你手里拿着一个iPad在看windows 95视窗操作系统的使用手册一样难过。

               
图1.1 市面上热门的数据分析书籍

但是,经过这几年的摸爬滚打,我的产品从0用户做到2300w+后,我结合了数据分析的各种场景以及产品的不同特性,提出来一套简单又具备实操性的数据分析五步法。

我的团队掌握了这套数据分析方法后,发现问题与解决问题的能力相比于之前的“听天命,撞运气”时代提升了300%不止。

不得不说,这是一套非常具有实操性的数据分析方法,如果你是小团队,创业公司,或者野生产品经理,那么请一定要好好理解它,它是你产品经理精进路上的催化剂。

我每周四晚8:00都在黑带产品经理的直播间聊聊关于产品经理技能提升的那些事,击下方链接预约吧。


  1. 数据分析思维


在开始探讨数据分析万能公式之前,我先来问你一个问题:你觉得数据分析是一种方法工具还是一种思维方式呢?
               

我见过两种类型的产品经理:

第一类,先假设结论,然后去找数据来证明自己的结论是否正确,如果不正确再去做新的假设。

例如:功能A上线后,发现新增用户多了,于是假设结论:A功能带来了新用户。下一步操作去找能证明此猜想的数据,并罗列出来。如果无法找出此数据,再做新的假设。
               
第二类,先不做任何假设,比较当前版本数据和之前版本数据之间的差异,然后分析原因。

例如:功能A上线后,发现新增用户多了,于是比较前后两个版本的新增用户数据,看看来源渠道,功能使用,访问内容等差异数据,找出最大差异点,然后深挖原因。
               
对照上面的描述,看看你属于哪一类呢?

第一类产品经理的思维方式很像中学生解应用题,而“解题家”只能证明自己,无法推动业务。而第二类产品经理,在两组数据中做对比,然后抽丝剥茧从而找到问题的真相。这才是产品经理需要具备的数据思维。

所以,数据思维的本质就是站在毫无立场的客观数据前,找到核心指标,来对比业务中的两组变量之间的关系,从而解释业务,并引领业务前行。

也就是我们常说的,没有对比的数据毫无意义。

  1. 数据分析五步法


接下来,我们一起来探讨五步法的具体操作。

               

2.1 第一步:感知问题 

顾名思义,就是需要具备判断问题是否存在的能力。比如产品的健康度如何?一个功能达到什么样的指标才算成功?页面的转化率是否正常?等等。

有天赋的产品经理靠直觉来判断,而有经验的产品经理靠的是方法。要获得感知问题的能力并不难,其实只要看瞄准一个指标即可,这个指标就是OMTM(One Metric That Matters ),俗称北极星指标。

它是最能代表你产品健康度的缩影,但这也并不意味着完全不需要看其他的指标了。只有北极星指标能最直接、最快速地反应问题。

那如何找业务的北极星指标呢?其实常见的互联网产品无非就是以下的四种业务形态,或者这四个业务形态的合集:

  1. 黏着式增长引擎

北极星指标:留存
               

  • 工具、内容、资源类的产品都属于黏着式增长引擎(例如:百度、小猿搜题、知乎等);这类产品的本质是解决了用户的某一部分需求,用户今天用了明天、后天还会回来用,从而带来了新的增长。

  • 根据海盗模型AARRR,用户从获取,注册,活跃,留存,再到最终的转化。判断这类产品是否健康,北极星指标就是留存率。只有留存率提升了,才能带来真实的用户增长。

  • 一般情况,建议观察次留、三留和七留。拿工具型产品为例,40%的次留,20%的七留算是比较优秀的了。当然数值并不绝对,最好和行业同类产品对比,和自己的前一版本对比,这样才有更客观的判断。


  1. 付费式增长引擎

北极星指标:用户生命周期价值>获客成本

               

  • 课程类、绝大多数B端产品、会员类产品等都属于付费式增长引擎(例如:VIPKID、saas系统服务、爱奇艺等);这类产品的本质是提供某一类服务供用户消费,当企业有了利润才能投入再生产,从而开拓新的市场或新的服务。

  • 此类产品的业务逻辑是从获客,到销售转化,需要产生利润才可能驱动业务增长。判断这类业务是否健康,就是看客户终生价值是否大于获取成本。所以北极星指标是:CAC<CLV

注:
CAC(Customer Aqusition Cost)客户获取成本
CLV (Customer Lifetime Value) 客户终生价值

  • 在线教育行业,经过这一两年的投资机构疯狂催熟,获客成本进一步水涨船高,猿辅导的一个正价课获客成本甚至高达3000元,这样算下来,除非有非常高的正价课转化率与续费率,否则很难获得盈利。

  1. 爆发式增长引擎

北极星指标:病毒系数K

               

  • 裂变运营活动,话题性事件等都属于爆发式增长引擎。例如砍价、拼团、瓜分红包、双11电商促销活动、美国大选等等。这类产品的业务逻辑就是短时间内是否能迅速传播,因为时效性强,一般过了48~72小时活动就不再有效了。

  • 此类产品的北极星指标是病毒系数K( K=I * Conv=分布密度×感染强度)只有当K>1时,裂变才能进行下去。

注:
I:Invitation,即每个用户发送的邀请数量,反映了分布密度
Conv :Conversion rate,即每个邀请成功的概率,反映了感染强度

  • 这些年最成功的几个裂变运营活动当属花小猪和微粒贷。从获知的数据推算,K值应该在3.6以上,也就是说平均一个用户带来了3~4个新用户。这就是病毒传播的魔力。

               

  1. 其他业务形态

北极星指标:简单指标&复合指标


  • 业务不属于以上的任何一种,这种情况下一些简单指标,例如:页面PV\UV、登录用户量、页面停留时长、活跃用户数等,能帮助你快速的了解产品状态。

  • 如果我们把这些简单指标做一个除法,就会得到一些有魔法的复合指标,例如:

页面PV/访问数量=平均访问深度;
访问时长/访问数量=平均访问时长;
每周付费用户/用户活跃数=平均每周每人购买数量

这些复合指标能一眼就观察到产品的用户真实情况。

当然,大部分的产品都是以上各个业务形态的合集,针对产品的不同模块,可以监控不同的北极星指标。并且,随着产品的不断发展北极星指标也需要跟着一起变化。例如:爱奇艺,在很早的时候北极星指标应该是用户的留存和平均访问时长;但是现在业务规模发展壮大了,北极星指标应该是付费用户数与营业额了。

2.2  第二步:提出假说 

当我们感知到了产品出了问题,但原因可能是什么?这个时候就需要针对现象来提出假设了。我推荐以下两种方法:

方法1:归纳式,就是根据个案进行总结。

例如一个知识付费产品用户的付费问题:团队可以一起头脑风暴,提出各种可能的因素;也可以对分层的用户进行抽样深读访谈,了解他们不使用或继续用下去的原因及看法;然后来归纳验证。

               

方法2:演绎式,就是根据模型进行推演。

例如:针对部分用户在打开app后跳出的问题,可以根据对用户行为模型进行拆解,而拆解的有效与否,其实就是对用户行为的理解,用户的行为模型多少有关。

               
提出假说,是一个思维发散的过程,此时不拒绝任何可能性。在这个过程中,补充各个维度的思考是非常有必要的。

2.3 第三步:选择表征 

有哪些证据可以证明以上问题?到这一步,丽莎阿姨要送给你的一句话:If you can’t measure it, you can’t improve it.(不可被数据量化,就不无法证明其好坏。)

经常有产品经理会这样描述情况:反馈这个问题的用户挺多的,所以我们就做了这个XXX功能。

然后我都会追问几句:挺多的是多少?这部分用户占你全量用户的多少?“挺多的”这部分用户他们是你的核心用户吗?

所以...作为一个逻辑清晰的产品经理,讲数据的时候请用量化的语言准确的描述,好吗?拉钩钩...

在选择数据表征时,有一些注意事项:
  • 选择的数据表征能够充分代表提出的假说的内涵;
  • 选择的数据尽量是用户客观行为数据而非主观态度数据;
  • 选择的数据是有被记录或比较容易获取。

仍然沿用前面的例子:
               
这样下来,数据分析思维的前三步就被很好的建立起来了。

2.4 第四步:收集数据 

从感知问题、到假设原因再到选择表征,接下来就是收集数据了。这一步可以说是数据分析里面最不需要动脑子的一步,产品只要有基础数据平台,就很容易获取到基础数据。

               

但这一步也需要注意:
  • 一切能获取到数据的前提是做了相关的数据埋点
  • 当数据出来后,不要着急分析,先看看是否合理,要去掉明显不合理的数据。记住,对开发小哥的数据上报要永远抱有怀疑态度(哪怕他把胸脯拍到烂)。

2.5 第五步:分析验证 

这一步就是利用你小学数学知识的时候了!!

很多产品经理会把这一步作为数据分析最重要的一步,花很多时间在数据分析、图表绘制上,但在我看来,这一步其实已经不那么重要了。做分析验证,可视化图表是很棒的工具。

一般来说只要确定好了x与y轴的含义和数据,通过数据可视化的方式,表现出x与y的关系,就能发现其中是否存在有价值的规律了。发现x与y存在某种关系的时候,最好通过数据进行再次验证。选择另外一组数据,再次进行分析,看确定的关系是否再次被复现。

那如何选用数据可视化图形呢?以下是我整理的一些规律:

  • 只有一个变量,且相加为100%的情况下,用饼图来展示,例如:用户来源渠道
  • 当有两个变量存在,用折线图与柱状图,例如:不同时间段内用户的留存情况
  • 用演绎法推导用户行为,用漏斗模型,例如:运营活动最终的转化率
  • 不要沉迷在图形绘制上,其他看起来很叼的数据可视化都是纸老虎,除了浪费时间外并不能帮你发现问题,还不如直接展示excel表格(严肃脸)

下方的数据可视化图表使用建议,请各位自取自用:
               

3、写在最后


数据分析能力,是产品经理必备的技能之一。一旦具备了数据思维,做产品的视野与思考方式便会有质的飞跃;但是要注意,通过数据仅能让你找到局部最大值,而更高的山峰只会建立在你更广阔的视野与深厚的认知上。

我每周四晚8:00都在黑带产品经理的直播间聊聊关于产品经理技能提升的那些事,点击下方链接预约吧。


关注公众号可随时找到我哦

李宽视频号


我上线了视频号,每期和你一起学习、探讨B端产品经理的方方面面。

今天,与 24590 位读者一起见证彼此成长
后台回复“微信”,可加我个人微信

推荐阅读


思考产品架构的4个视角:业务、场景、数据/功能、实现
B端运营:比产品更懂业务,业务更懂产品
浏览 26
点赞
评论
收藏
分享

手机扫一扫分享

举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

举报