-
-
宋宋 数据领袖Lv6
发表于2019-6-27 15:12
楼主
本帖最后由 宋宋 于 2019-6-27 15:18 编辑
“对数据敏感，能够通过数据分析与反馈，不断改进和优化产品”之类的招聘要求屡见不鲜。诚然，数据分析能力已经成为产品经理不可或缺的技能。数据的敏感度和分析能力的高低，往往可以看出一个产品人的功底。笔者虽说几乎天天和数据打交道，但始终觉得要获得能力进阶，仍需进行系统性的学习和实践。因此本文作如下梳理和思考，希望对大家有所帮助。
一、本文目的
四、5大常见问题
1. 无思路：数据杂乱，不知到从何入手
2. 无侧重：分析逻辑不严谨，生搬硬凑乱猜想
3. 无规划：分析时，却发现数据缺失，采集难度高
4. 无记录：数据异常，却不知道做了什么
5. 不熟练：对分析工具不熟悉，分析耗时大
五、日常分析类型
1. 从产品设计五要素看
2. 从数据类型看
3. 从产品进化流看
4. 从时间上看
六、数据分析思路
七、数据分析方法
1. 趋势分析法
2. 对比分析法
3. 多维分解法
4. 用户分群
5. 用户细查
6. 漏斗分析法
7. 留存分析
8. AB测试法
八、学习日程
step1：需要什么
step2：学习日程
来源互联网
“对数据敏感，能够通过数据分析与反馈，不断改进和优化产品”之类的招聘要求屡见不鲜。诚然，数据分析能力已经成为产品经理不可或缺的技能。数据的敏感度和分析能力的高低，往往可以看出一个产品人的功底。笔者虽说几乎天天和数据打交道，但始终觉得要获得能力进阶，仍需进行系统性的学习和实践。因此本文作如下梳理和思考，希望对大家有所帮助。
一、本文目的
- 列举常见数据分析问题，自我反思对症下药。
- 给出一些分析思路，提升日常数据分析效率。
- 学习日程制定指引，逐步掌握数据分析工具。
- 5大常见问题
- 学习动力
- 日常分析类型
- 分析思路
- 制定学习日程
- 数据分析工具（excel、文末赠送学习礼包）
你可能会说，这不是废话吗？！肯定要学啊！不过笔者还是要强调下：没有足够的驱动力，顶多也是三天打鱼，难以为继。
数据分析有啥好处？一句话总结就是：数据改变生活。
哈，有点扯。随便贴几点吧，每个人的动机都不一样，有用就好。
这两周，通过调研和自我反思，同学们在数据分析这个环节上，主要集中在5大问题，笔者简称之为“4无1不”，若未能妥善解决，将严重影响工作的效率和身心健康。
成因：分析的业务目标不清晰，导致数据采集过剩；分析方法与分析的场景不懂得如何结合，导致无从下手。
对策：第一步，理解业务背景和业务目标；熟悉各分析方法及应用场景，后面有介绍。
成因：未整体考虑对数据造成波动的可能原因，将相关性指标用作为因果关系指标，成为了“为了分析而分析”。
对策：数据分析应形成闭环，确定分析目标——采集数据——列举可能原因（金字塔/公式化思维，后面介绍）–验证猜想–得出分析结论–后续优化对策
成因：对所上线产品的价值收益不清晰，未提前规划观察指标及进行相关的数据采集需求开发，巧妇也难为无米之炊啊！
对策：明确产品的成功指标，可提前构思分析思路，进而反推所需的数据需求细节。
成因：团队内部信息同步不及时。可能是活动导致的产品数据暴增，或者产品更新导致系统故障数据下跌
对策：建立团队内部的协作机制，信息及时同步至共享平台。如：运营活动上线前X天，及时同步至产品相关活动规划，并做好备份记录和通知相关部门。
成因：分析工具如excel，若不是在学校有专门课程，基本是自学或者报相关课程，工作忙没抽时间单独学习是根本原因
对策：建议列出自己的薄弱环节，有针对的找相关的课程学习，如果是小白，建议系统地学学，后面会涉及。
五、日常分析类型
日常的数据分析类型可以从四个角度去归类：产品设计五要素、数据类型、产品进化流及时间。
分类的目的是为了帮助我们更好地理清日常数据分析的场景，以便更有针对性地进行整理归类、前置学习储备，比如说：数据类型纬度中，提前整理好存放用户数据、交易数据的数据库及表字段，可以提高数据采集时的效率；整理好项目周报的报表格式，有数据增加，直接更新即可。
战略层的数据多留点心思，老板们会不定期地问起，找数据比较久就比较尴尬了。
下面的数据，在个性化推荐或精准营销场景会用得非常的高频，数据的质量决定了推荐效果的好坏。
产品上线的前中后，产品的关注数据会有所差别，相关的数据收集和分析要靠自己不断总结反思了。
建议同学们自我盘点下：有哪些是一次性的？哪些是周期性的？相应的采集需求或者分析报表该如何呈现才更佳？
这部分是比较关键的一环，构思不清晰，如无头苍蝇一般，费时费力还无用。在分析之前，可以先问下自己，这个数据分析，到底目的是为了什么？
笔者认为，基本上为如下三类：
- 事前：制定/预防
- 事中：控制/调整
- 事后：结项/优化
因此，数据分析的思路是：始终围绕该阶段下的业务目标而开展数据分析。
分析思路建议参考：金字塔+公式化思维，这样可以穷举可能造成的影响因素，并进行一一分析排除，找到可能的原因。
tips：建议先列清楚可能原因，在进行数据采集和数据分析，避免返工。
举例：当一个电商平台的订单转化率下降时，可以列出订单转化率公式：CR=订单数/UV。下降的原因：可能是订单数变少了，也可能是来的客户增加了。这针对这两个指标进行罗列可能造成的原因，并通过数据验证分析。
有了数据分析的思路，就需要通过适合该场景的分析方法进行分析，以进行规律的探索。
常用到的一些分析方法如下：
将两个或两个以上的指标或比率进行对比，以便计算出它们增减变动的方向、数额、以及变动幅度的一种分析方法。
将两个或两个以上指标对比，寻找其中规律。静态对比，不同指标横向对比。动态对比，同一指标纵向对比。
把一种产品或一种市场现象，放到一个两维以上的空间坐标上来进行分析。
根据用户与产品之间的互动程度进行划分，以更好经营用户。
用户抽样，具体观察用户在行为、交易上的特征数据，以观察是否具有显著特征，反推宏观数据，找出数据规律。
对业务流程节点进行划分，建立整个业务流程的转化漏斗，并追踪分析。
用户注册后，追踪该用户次日/周/月的活跃情况。
A/B测试的实质是对照试验，即通过对几个不同的版本进行对比，从而选出最优解。
因为计划常常赶不上变化，因此这里希望同学们列的是日程，而不是计划。这部分分两步：第一步搞清楚自己需要什么，第二步，制定适合的学习日程。
- 根据第五节的数据分析类型，梳理日常高频分析场景。
- 总结自己的薄弱环节：可以反思分析过程，做什么最痛苦和请教大佬们都有哪些高超技艺？
- 选一个自己未来钻研的方向：行业分析、BI方向、机器学习。
以上，确定一个学习优先级。
- 一个可持续性的学习习惯：什么时候学习效率最高，最可执行。
- 一个阶段性的学习目标：先看excel的基本知识，再看统计学，再学SQL。
- 定期时间日程安排，具体的日程编排根据自己的时间来
来源互联网
