當產品經理遇到數據分析這個檻，怎么辦

大數據時代的到來，對產品經理提出了更加嚴格的數據分析要求。一個懂數據分析的產品經理可以利用數據驅動產品設計優化，并高效提升客戶體驗。

那么，產品經理到底該關注哪些數據呢？小產品如何運用A/B測試？產品經理該如何學習數據分析呢？

本文根據張溪夢在線訪談編輯整理，希望對產品經理提升數據分析能力有較好的幫助。

如何獲取數據，獲取什么樣的數據？

Q1：一個電商平臺，應該著重關注什么數據，怎樣設計數據后臺？

A1： 電商數據的核心指標一般有：GMV，Transations（交易數量），ASP（均價），購物車大小，用戶的復購率，購買頻次，年度復購率。這樣的指標很多。:我覺得有三類的指標需要關注，第一：交易數據，第二：用戶行為數據，第三：用戶來源數據。

這里面，我覺得您可以根據自己的資源狀況來設優先級。最直接的就是交易數據，然后最重要的是行為數據，因為所有的電商提供的是“互聯網產品”而不僅僅是“所銷售的產品”。第三就是流量的數據的分析，因為這里涉及到獲取客戶的成本。

Q2 : 如何收集自己需要的數據，面對雜亂無序的數據該如何分析，如何保證數據的準確性 ？

A1: 不同行業，不同業務會有相同宏觀的指標，也有細化到本行業，本業務的指標。需要從宏觀到微觀的拆解指標。大量的數據如何為我們所用？需要了解產品業務，明確問題的本質，大量的深入的產品實踐。大膽的提出假設，然后通過數據理性的驗證。我們還會有更多的線下線上活動幫助大家拆解數據分析指標。

關于數據準確性可以不同的工具去驗證。比如同時安裝多個數據統計工具。比如比較客戶端和服務端的數據統計差異。

Q3: 做內容的網站，如何結合業務判斷需要獲取哪些和用戶相關的數據？

A3: 最基本的指標是：頁面瀏覽量、訪問量、獨立訪客數、跳出率、頁面停留時長

網站停留時長、退出率、轉化率，頁面退出率……

內容熱度：分享次數、推薦次數、點贊次數、評論數

用戶：新用戶、活躍用戶、沉寂用戶占比的變化，增長的趨勢等等

Q4: 不強制登陸的app，如何定義獨立用戶。目前我們是獲取手機信息，但并不準確

A4: 不強制登錄，可以在app和設備的基礎信息在不侵犯用戶隱私的情況下，計算一個比較固定的ID。這個ID應該基本上能夠判斷一個穩定的用戶。但是它并不和手機號碼或者設備號做深度綁定。

在網站上類似cookie的方法。

Q5: 若想了解某個行業，有哪些平臺可以拿到相對靠譜數據以供分析？

A5: 這個部分需要的工具有很多，看您的業務是以App為主，還是Web為主?；旧蠎搹牧髁?，市場占有率，還有用戶交互使用深度、輿情等角度入手。每一個都有不同的工具能夠輔助。

比如說Alexa，AppAnnie，艾瑞的互聯網行業研究報告，Gartner的研究報告，IDC，TalkingData的游戲行業研究等等都是一些好的起點。

數據分析如何驅動產品體驗優化？

Q1：2B企業應應用如何做基于數據驅動的產品設計與改進？

A1：SaaS企業的數據驅動產品設計非常重要。首先，最基礎的開始是Product Usage Metrics。因為SaaS產品都要解決一個企業應用的場景。 而這個場景在業務上的被重現頻次，決定了SaaS軟件的基本交互頻次。所以登錄批次，使用深度（事件數／訪問）等最基本的指標是最粗放的指標。

最重要的，是產品每一個功能的使用者數量，使用的頻次，轉化漏斗，轉化率。
請記住，這些分析必須要在“用戶”級別能夠做分析，而不是一個單純流量級別的分析，才有未來的核心意義。

然后將usage在客戶公司級別進行匯總，比較在公司級別的使用度，使用深度和未來的續約付費率一般呈正相關。

還有就是整個SaaS頁面的優化，比如說注冊流，注冊轉化率，注冊用戶向深度用戶的轉化率，深度用戶向付費用戶的轉化率。SaaS的數據分析是很深入的話題，我就是分享一些最基本的指標。

Q2：關于留存率，互聯網金融借貸產品是典型的低頻，一個人不可能經常上來借錢或者出借，看留存率還有意義么？

A2：留存率有意義，因為留存是一個普遍的概念。唯一的一個就是您專注“頻次”的不同。比如說買汽車，美國的整個汽車購買行為，不可能用天來衡量，而要用年。因此美國的汽車制造商，就持續的按照“月份”給每一個不同的區隔發送不同的營銷方案。

互聯網金融也有他的產品生命周期，這要求您來制定營銷策略，找到那個“頻次”，以此為開始進行營銷產品規劃。

Q3： 支付轉化率比較低，這種情況通過什么點，什么角度去分析用戶行為？

A3：先要全面的找到支付轉化的全部關鍵轉化路徑，然后看每個轉化路徑上面關鍵點之間的轉化率。比如到商品詳情頁面，可以從搜索頁面、分類頁面、頻道頁面、品牌頁面、活動頁面、首頁、關聯銷售推薦、甚至直接訪問到達商品詳情頁面。每個轉化路徑和轉化量的占比都要考慮。

然后再找出量大且轉化率低的路徑先優化，量小轉化率高的路徑可以加強并且scale。

Q4：針對工具類的app，有什么好的數據分析方法嗎？需要注意哪些問題？

我覺得取決于您的app在產品發展的哪個周期？工具類的APP，我個人認為核心，特別是早期還是應該關注“usage”，用戶的使用度，和使用深度／黏度，也就是留存。然后要關注增長，其次未來要關注變現。用增長黑客的“海盜法則”來講的話，就是在“AARRR”邏輯里面，首先關注留存（Retention）。

產品經理該如何學習數據分析？

Q1：統計學、分析和挖掘的書看了不少，如何系統的學習數據分析與挖掘，希望能得到指點！

A1：首先如果您有時間，看看精益分析《lean analytics》，這本書是我在美國很好的朋友寫的書。另外一本，“build measure，learn”也是我在LinkedIn的團隊成員寫的書。都是很好的入門教材。再次我覺得可以看一下基礎的統計書籍，因為數據分析的核心要有基本的統計知識。Using R系列是很好的起點。

Q2：數據方面偏菜鳥用戶，有哪些數據可視化工具值得推薦？

A2：tableau是一個很好的數據可視化工具。自己開發可以試試highchart和D3 document。

Q3：可以推薦幾本關于數據的書嗎？

Lean Analytics, 范冰的增長黑客，Lean Startup，中文的深入淺出數據分析，Tableau的很多愛好者推崇的人人數據分析師等等。

不過我覺得好的數據分析的書籍，不如一次好的數據分析實際操作加上分享您能學到的更多。主要是概念的基本掌握，然后迅速落地實踐，復盤分析結果，然后繼續迭代。特別是產品分析，最關鍵的是要把數據分析和用戶行為以及產品設計用一體的角度來考慮，然后分解成三個部分來驗證。就會有閉環。

“無埋點”數據分析工具的原理和運用？

Q1：以前我們做數據統計，數據分析，都必須要攻城獅在相關行為中埋點；GrowingIO的無埋點統計分析是什么原理？

A: GrowingIO希望能夠直接從業務人員的角度出發，讓業務人員最快的獲得想要分析的數據，并且同時減輕工程人員埋點的痛苦。GrowingIO的無埋點技術支持多個平臺，iOS, Android，Web和HTML5。

主要的原理是在網頁和HTML5的里面加入一次SDK代碼，在iOS和Android加入一次SDK代碼，之后不用再加載SDK代碼，用戶使用網頁和APP客戶端的時候盡可能全的收集用戶的行為數據，通過異步且加密的方式傳輸數據。

Q2：GrowingIO能幫助優化產品設計和用戶體驗嗎？

A: GrowingIO是新一代基于用戶行為的數據分析產品，目前提供的用戶轉化、留存、細查、分群功能都可以幫助產品經理優化產品設計，進而提升用戶體驗。

以在線商城頁面設計為例，用戶瀏覽商品、提交訂單，點擊支付，完成購買形成了客戶的核心路徑，但是日常業務中經常遇到客戶轉化率過低的情形。GrowingIO的用戶轉化漏斗可以幫助產品經理分析客戶到底在哪一步流失較高，然后借助用戶細查功能來驗證前面的假設猜想。從而提升幫助產品經理找出產品設計的缺陷，后期盡快優化。

小產品是否適合A/B測試？

Q: 小產品是否適合使用“A/B test”測試優化產品，前期的技術準備是否麻煩？

A: 產品非常早期，我個人不建議用A/B測試，因為最主要的問題是我們沒有很多資源開發兩套或者更多的產品方案。而且早期數據量小，不一定能夠有“統計學意義”，往往測試者需要把流量分解，這樣就需要等待結果。

對于低流量的app／網站，沒有足夠的資源來等。工程上也有一定的挑戰。所以我建議早期產品關注核心指標，分解核心指標為“可執行的指標”比A/B測試更重要。同時要迅速迭代。

A/B測試對于產品線豐富的業務還是有很多作用的?？茨馁Y源配置了。