在這樣一個大數據的時代，很多產品團隊都選擇在產品早期就引入或搭建數據分析平臺，并希望能夠通過數據驅動產品的快速成長，但即便如此，大多數的初創企業還是難逃失敗的厄運。除去戰略、經營等導致企業死亡的情況，數據分析的「深度不夠」也是讓產品鎩羽的重要原因——大多數企業構建的數據分析平臺僅僅能看一些統計指標——而這并不足以指導產品改進，并使之走向成功！

產品數據分析的三個層次

數據分析師對產品用戶和行為數據的研究可以大致劃分為宏觀層、微觀層和中間層三個層次：

宏觀層：由一系列的數據指標構成。如產品每日的「活躍用戶數」、「新增用戶數」、「訂單數量」、「點贊的次數和人數」、「次日或7日留存率」等，這些指標能夠幫您從整體上把握產品的運營狀況；

微觀層：由產品中每個用戶及其行為的細節數據構成。如每一個用戶的年齡性別……、他在什么時間打開應用、做了什么、他的購物車里都有哪些商品等，這些數據可以讓您去深入的了解和理解每一個用戶以及用戶的行為？

中間層：中間層由一系列相互關聯的分析方法、模型以及相應的數據構成。如行為分析、漏斗、留存、細分、畫像洞察等等。

決定成敗的「中間層」

「中間層」是至關重要的一層——針對您產品和業務目標展開的大部分分析，都需要在中間層的方法模型支持下完成。這是因為：

• 宏觀層的數據指標過于概括，雖然可以幫您了解產品的整體狀況，卻很難基于這些指標直接構建出切實的產品改進策略；
• 而微觀層的行為的數據量實在太大，海量細節讓人無從下手。

如果，中間層能夠基于豐富的維度提供有效的方法和模型，經過數據分析師認證的數據分析師就有機會對存在問題的宏觀數據指標進行逐級深入的剖析（Drill down），逐步縮小問題的范圍和人群，甚至深入微觀層洞察相關的用戶及行為，直至對問題原因得到清晰的認識（或有效猜測）——并據此構建出產品改進策略并逐步改進，產品就有機會走向成功。

相反，如果中間層缺失，或提供的方法模型不能支持您對問題指標進行足夠的剖析，您就只能回到「看數據→拍腦袋」的老路上去，產品快速增長并最終走向成功的幾率將因此降低。

典型實例剖析

以一款假想的「視頻分享社區」產品為例：

1. 發現問題

該產品的運營負責人通過數據發現：新用戶在注冊第二天只有20%人回訪（「宏觀層」指標「次日留存率」低）

2. 深入分析

接下來，她將某天新增的用戶劃分為「第二天回訪的用戶」和「第二天不回訪的用戶」兩個群體（作者按：「中間層」的人群細分），并且：

對這兩群用戶從各個維度進行了分析對比（作者按：「中間層」的細分、群體畫像、行為分析等方法），結果發現這兩群人的一個典型區別是：

• 「回訪的用戶」往往在首次使用時就「拍攝了至少1段視頻」并且「分享到微信朋友圈」；
• 而「不回訪的用戶」大多在首次使用時「沒有拍攝視頻」或「沒有分享到朋友圈」。

根據上述差異，這位運營負責人猜測——首次使用時「拍攝并分享」會影響到第二天及以后的留存率。

于是，她進一步在兩個群體中各抽取了少量用戶數據進行數據分析，并查看他們的行為記錄，發現：在首次使用時「拍攝并分享視頻」的用戶，往往會在收到朋友圈好友評論時返回應用，以便查看或回復評論。并且，得到評論較多的用戶很快會「拍攝新的視頻」。而「沒有拍攝和分享視頻」的用戶則情況剛好相反。這位運營負責人的想法通過這些細節數據得到驗證。

3. 改進產品獲得提升

這位運營負責人將她的發現與產品經理以及其他團隊成員進行了溝通，并得到認可。

大家一起基于這個發現，對產品本身進行了更為深入的數據分析，并選取了部分用戶進行了電話調研。然后，大家制定了提升產品的策略：

• 第一步，對產品本身進行優化改進，引導和鼓勵用戶在首次使用時完成視頻拍攝和分享。新版本發布后，新增用戶的次日留存率很快上升到50%；
• 第二步，組織「最佳微視頻評選」、「搞笑視頻評選」等一系列活動，刺激視頻的拍攝和傳播互動。隨著活動的進行，新增用戶數量和次日留存率又有了進一步的提升，并且老用戶的活躍度也不斷增長。

隨著產品用戶的快速增長，產品團隊的負責人很快與投資人敲定了新一輪融資，產品邁向成功……

總 結

宏觀層的指標相對容易得到。而選擇專業是數據分析師或構建合適的分析工具將中間層和微觀層「解鎖」，才是決定數據分析成敗的關鍵！數據分析師培訓