業務型產品經理怎么做數據分析?

0 評論 6515 瀏覽 15 收藏 13 分鐘

編輯導語:客觀數據能夠通過可量化指標來評估產品的改進方向,所以作為一名產品經理,必須養成數據思維習慣,熟練掌握數據分析方法論。數據分析的準確性與專業度,往往決定了一個產品發展。那么,業務型產品經理應該怎么做數據分析?

如果產品是個孩子,產品經理應當充當什么角色呢?有個比喻很恰當:產品經理是父親,不負責具體生孩子,可一旦孩子闖禍了,優先找產品經理。

所以每一次新功能上線,產品經理都期望他能“爭口氣”,可以是更好的交互體驗,也可以是相關指標有所提升。期望并不代表真實效果,產品上線后帶來的真實效果需要通過數據進行客觀描述。

一、為什么要做數據分析?

上線前:對產品經理而言,從眾多需求中精心挑選出(拍腦袋)的需求時,在心中就會有初步的構想,新功能能夠幫助產品覆蓋哪些增量用戶,新功能帶來哪些關鍵指標的提升,提升幅度大約是多少?

上線后:用戶使用后產生用戶行為數據可以側面驗證這次的功能迭代優化,是否達到了預期的業務目標,具體的提升效果是什么樣子?這本質上就是將業務問題轉化為數據問題的過程。通過數據分析的結果,我們可以確定上線功能與預期效果之間的真實差異。

如果效果好于預期,則評估的結果可以作為運營同學大力推廣的支撐點;當效果明顯未達預期時,則需要基于用戶行為進一步分析未達預期的原因,為功能的優化或改版提供新一輪的“腦暴”,因此數據分析是新功能上線后必做的一步。

往小了說,數據分析幫助產品經理不斷優化產品設計和迭代,往大了說,數據分析用純數據的方式非常有說服力,可以讓決策者、大領導直觀的感受到“數據分析、挖掘”的價值,驗證自己的遠見卓識,且能更好地為企業發展服務。

二、怎么做好數據分析?

上線新功能后如何做好數據分析,一要采集用戶行為數據;二要分析用戶行為數據;三要從數據分析中得出結論。

以下將一一進行展開:

1. 數據采集

用戶行為數據對深入理解用戶使用習慣起到至關重要的作用,目前用戶行為數據的采集是通過數據埋點形式,通常有兩種方式:

一種是由公司自主搭建數據分析體系:由研發人員在產品當中注入統計代碼,而后上報進行分析;第二是快速接入市面上比較成熟的第三方統計平臺(友盟、GrowingIO等)。

但對大公司而言,出于數據安全和個性化需求等因素考量,往往采納前者,不過相比后者前者的人力成本和時間成本比較大。

1)項目成員對數據埋點有分歧的情況,如下:

  • 產品同學:我要上報這個數據,對分析很重要!
  • 開發同學:這個上報會影響頁面性能,不能做!

所以,不是用戶行為數據上報的越多越好,要兼顧性能。換個角度來想,大家目標一致,都是為了產品更好。

所以數據產品童鞋在提埋點需求的時候,可以多思考該數據是否是必須的,是否有其他的數據可以近似替代?在與開發同學對齊需求時,也可以多交流下,是否有對性能影響小一點的實現方式?

2)埋點上線后缺失數據字段的情況

  • 產品同學:額,我要的付款時間字段怎么沒有哇!
  • 開發同學:額,你沒有和我對這個字段!

產品同學關注的部分數據字段被開發同學忽略的情況的發生,通常理解下,業務數據更多的是前端和后臺開發同學,為了保證功能完整運行所需要存儲的數據。

若數據產品同學沒有在需求階段和開發同學對齊,可能就導致數據關注的部分字段被開發同學忽略的情況的發生。

3)埋點上線后發現數據沒有上報的情況,如下:

  • 后臺同學:埋點需求已經發布上線了,可以用了。
  • 產品同學:數據庫沒有數據哇。

是采集了沒上報到服務器,還是服務器收到了沒有推送到數據庫?

所有流程驗證一遍之后,可能發現只是其中某一個環節的問題導致,但整個排查耗費了大量的人力。

所以埋點需求在上線之前需要進行充分的測試驗證,從數據上報,到服務器接收數據,到數據入庫,這樣全流程下來,能保證每個環節數據流的準確和完整性,可以節省了排查問題的大量時間。

4)埋點上線后發現數據上報有誤差的情況,如下:

  • Android開發:我給頁面1命名為雙十一狂歡活動
  • IOS開發:我給頁面1命名為雙十一活動頁

數據產品同學需要參與到業務數據沉淀需求討論中,統一好字段屬性。因為當啟動評估后,發現數據維度不夠,再推動研發落地對應字段后啟動評估,整個評估的時間周期明顯被拉長了。

這就是因為前期數據同學沒有和開發充分溝通的結果。

2. 數據分析

量化即增長–當數據準備好了后,該如何進行數據分析呢?

產品功能的每次迭代優化,都期望能夠對核心指標產生積極影響,這就要求數據和業務形成有機結合,相互促進的良好局面。好的數據量化不僅是業務增長的前提,也是抓手。

隨著增長理論的深入,很多產品都設立了自己的北極星指標,作為衡量產品一個戰略周期的關鍵成果指標。

但由于關鍵指標過于宏觀,可能對于業務策略制定和執行的指導性不強。因此,我們需要拆解出可以影響關鍵指標的因素,并將這些因素對應到具體的、可落地、可度量的行為上,從而保證執行計劃沒有脫離大方向。

這里介紹一下我們最常使用產品數據分析框架–OSM模型 (Objective、Strategy、Measurement)三個詞的縮寫,其中:

  • Objective (業務目標):明確業務要提升的目標是什么?
  • Strategy (實現策略):為了提升目標所需要采取的策略是什么?
  • Measurement (評估指標) :盡可能使用數據語言描述策略是否達到了提升目標?

利用OSM模型梳理自己產品的數據框架,不同產品的數據體系差異也主要體現在這里。比如游戲行業,可能更多的關注用戶留存率;而針對電商平臺,可能更多的關注轉化率。

拿電商平臺的轉化率來說,我們對購買下單的關鍵路徑進行漏斗分析,比如從瀏覽商品到最后下單購買成功,這其中每一個步驟的轉化率是多少,跳出率是多少,對于漏的比較多的那個步驟我們需要重點分析,因為這關系著平臺的最終盈利。

因此我們最終會將轉化率提升作為我們的核心指標,并將這一目標利用OSM模型進行拆解。然后確定了一個可以數字化的執行計劃,每一個評估指標的波動,都可以評估其對核心指標的影響,繼而我們也可以知道每次的功能代優后應該產生的效果。

舉栗說明:商品總成交額=用戶流量數*成交轉化率*客單價,我們可以分別從這3個點來細化:

3. 分析結果

數據分析之后還有一個重要的工作,那就是推動分析結果的落地,沒有落地的分析結果都是無用的分析。

上面也提到,如果評估出來功能效果滿足預期,我們可以推動運營同學將新功能包裝并對外推廣。但是,如果當我們發現新上線的功能效果遠遠低于預期,這個時候難道僅僅是把這個效果同步出去就完事了嗎?

當然不是,正確地打開方式是分析哪里出現問題以及為什么會出現這個問題。

這里我們嘗試著從用戶、產品、競品三個當面將問題細化,然后用假設檢驗分析方法對細化地問題進行一一驗證,可綜合使用對比分析方法。先明確問題出現在哪里,以電商某商品下單轉化率低為栗子,如圖:

那針對以上的可能原因,我們逐步一一進行定位分析,最終得出的結論是:用戶購買競爭對手的商品,一是因為競品的價格優勢,而是因為自身產品的售后出現問題。

我們定位了效果不好的原因,如果這時我們對如何優化有好的想法了,我們就可以直接找領導去聊聊策(ren)略(sheng)。

但如果對優化策略還沒有好的方案,就可以組織一場腦暴,讓大家好好溝通一下分析結果以及他們對于優化的思考。畢竟,人多力量大。等到大家敲定了優化方案,接下來就是方案的落地,以及下一輪效果評估啦~

當功能效果達預期時,數據分析是運營同學的后盾,保證運營推廣不走偏。我們需要注意的一點是,每一次數據分析后,運營同學也會進行效果復盤。

這個時候我們也應該關注一下,運營推廣的內容具體效果提升是什么樣子的?活動期間的數據是否和活動前給出的數據存在明顯差異?產生差異的原因等等。

三、寫在最后

最后,有點小想法,如果每個產品經理都能用數據分析的方法或者思路對自己進行剖析或者總結,或許我們就會少一些迷茫,多一些自我驅動、獨立思考和總結的能力。

 

作者:黃麗嫦,公眾號:野生派產品錄

本文由 @黃麗嫦 原創發布于人人都是產品經理。未經許可,禁止轉載

題圖來自Unsplash,基于CC0協議

給作者打賞,鼓勵TA抓緊創作!
更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!