产品经理工作中所需的数据分析能力
“数据能力”也是产品经理的重要基本能力之一。这里总结下产品经理使用数据的姿势和方法。
写在开篇的声明
1)这里写的是产品经理(不是数据建模工程师)工作中所需的数据分析能力。因此并不涉及复杂的数理统计和数据挖掘知识。
2)用户画像和市场数据也是数据的一部分,但个人习惯将其归为用户和市场研究部分。后续用户和市场分析会详细展开。
3)很难追求数据的绝对准确,而要追求数据的相对准确。所以如果感觉数据有问题,不要在没有论证的情况下冲到工程师面前质疑一番,一是没有确定问题存在的时候很难查证,二是会让工程师反感。
产品数据的作用
监控产品设计、运营效果、营收是否正常或达标。
判断业务发展阶段,为后续推进提供参考。
数据能力的核心
1. 数据打点
2.数据使用
3.数据预估
1、数据打点——打点也叫埋点
其原理就像在路上安放监控探头,一旦有符合记录条件的车通过,探头就会按照设定上报相关信息。
步骤一:
在打点前先弄清楚是客户端打点还是前端打点。
客户端打点要尽可能全面并具有扩展性。因为客户端只有升级才会更新新的打点代码。并且还有升级覆盖率问题。所以一定要把数据框架打好,否则后续进行数据分析会非常困难。
如果是前端打点就方便很多。根据需求随时调整,随时上线,而且用户刷新一次页面代码就能被升级上来。不过经常变动也会让工程师重复工作,影响工程师情绪。
步骤二:
提供打点需求,就是明确在什么情况下要什么数据,最终为什么分析做准备。务必弄清指标的确切定义。
比如,次日留存,30日留存,月留存,新用户次日留存,都是什么意思,有什么区别。
问题:产品经理应如何提供打点需求?尤其是当产品经手一个不熟悉的项目时。
个人习惯先跟相关同事沟通,然后穷举,之后筛选出核心指标,重要指标,次要指标,检测指标。有条件的话可以再请资深人士评估下。虽然耗时,但稳妥。
穷举的过程从每个入口和页面逐一列举开始:比如对一个手机软件,起点应该从应用商店下载开始,终点是用户卸载。然后是每个地方的入口pv,uv,按钮点击及对应uv,内容曝光及对应点击、对应uv,时长及对应uv,输入内容及对应uv,以及特殊信息如购物类的客单价等。
并且可以按照新老用户,或者分级用户,按渠道切分对比。预留好各个渠道ref接口。如果有AB试验,则需要支持试验对比。
释义:
核心指标:一般包括DAU、MAU、平均时长、人均启动、日新增、关键转化(比如订单转化、阅读转化)日卸载。新老用户留存(日周月)。如果有内容则会增加曝光量,曝光点击,曝光点击率,人均曝光等(ps:KPI相关指标都应该列为核心指标 )
重要指标:一般是核心操作,重要内容,关键路径的相关打点数据。流量分布,漏斗或者也叫流失模型。如视频播放vv,客单价,搜索量等等。
检测指标:一般就是错误提示或者性能参数,失败反馈等信息上报。能有效反馈设计质量和工程质量。
其他指标:可以归结为次要指标,一般是辅助性或验证性。或者某些功能上线之初效果评估。
注意事项:
1 .数据项要能完成关键路径的漏斗模型。
漏斗模型示意图:
2 打点数据最好能带着用户参数,渠道参数,入口参数,从而能有效追述用户路径,评估渠道,评估入口,分析新老对比等。
实战举例
表中关于曝光的统计就是需要特殊说明的,产品经理不能简单的四个字“统计曝光”就提给工程师,如果有特殊需求要标注清楚给工程师。
2、数据使用——呈现/分析/汇报
2.1 后台呈现:
数据呈现是为了方便快捷直观的观察数据情况,分为表格和图表两种形式。
表格需要支持导出,从而方便深入计算。
图表最常用的就是折线图(看趋势),柱状图(看关系),饼图(看比例)。
过于复杂的后台呈现会导致过多工程资源消耗,因此建议初期以基本数据能正常呈现和导出为标准即可。初期通过手动分析数据走势和之间的逻辑关系,经过人工的分析充分掌握数据规律,然后再优化后台呈现,这样更方便高效,并且在项目初期数据变化较大随时可能面临调整。
同时关于筛选条件一定要制定好,并能方便的多维度进行对比。如:按新老用户,按渠道,按版本,按入口,按时间粒度。
当然对于已经成熟的项目和呈现后台则另当别论。
(miui有很多数据分析后台,防止泄密这里就不上示例参考了)
2.2 数据分析:
首先要具备一定的数理统计知识。这个必修课了。
比如如何区分平均数和中位数的作用?什么情况下看平均,什么情况下看中位数。
其次熟练掌握excel。
比如是否能够使用分列、分级、透视等几个功能。(筛选,排序等功能太小儿科了)
比如是否能够使用IF、COUNTIF等公式(SUM太小儿科了)
再进阶的话就是使用VB语言进行分析。
个人学习excel经验是在实践中摸索,对于这种基础软件没有必要专门买教程学习,每次根据需求百度,然后做好笔记即可。
本人也用过spss,不过产品经理精通excel足够了。
最后数据分析工作重点:
1) 日常监控相关数据的变化和波动,并总结规律,比如对于时钟应用可以看到每周会呈现相对规律的变动。对于出现异常波动的数据要及时跟进。
实操举例:
图中圆圈处数据,断崖式,断崖时间1天,很有可能是数据统计变更或后端or前端打点出现问题。
图中方框处数据,呈现明显周期性规律,并且微微上扬。能够直观体现用户使用行为和高峰,从而确定产品优化点和关键运营时间。微微上扬则能表现出入口流量增长或流失减少,又或者留存提高。
2 )关键漏斗模型的建立和监测。对于流失率较高的环节及时跟进和优化。
3 )对于功能改进,运营效果,商业变动的数据总结和分析,有问题需及时进行调整。
2.3 数据汇报:
数据汇报太偏重技术表现不展开说明,核心重点:区分不同的汇报场景选取关键数据,针对有效数据选择恰当的表现方式即可。说明问题即可,不用面面俱到使得汇报冗余
3、数据预估——最重要的数据能力
相对于数据打点和数据使用,数据预估是更重要的能力,其需要建立在丰富的数据经验和统计知识的基础之上,也是产品经理对自己项目把控力的重要体现。
当一个产品能够相对准确的预估项目数据变化及相关优化后的数据波动,就能够有效的根据项目情况和资源情况安排产品重点和进度。做到进退有度。
如假设产品经理要将产品日活从年初100w年底提升至500w。首先要能够准确预估期间有哪些手段能影响用户量提升,各自提升效果有多少,资源投入有多少,见效周期是多少。从而安排工作重心和节奏。这个时候对数据预估的准确性则会直接影响产品的发展速度。
对于高级产品或者背负KPI的产品,必须具备数据预估能力。从而合理安排工作计划,带领团队有效的推动项目发展。
这里总结下个人经验,首先要拆解某项数据指标,比如营收数据,要根据项目的营收结构逐项拆解,其次了解每一项的波动规律。如某些同活跃用户波动相关、某些同时间或节日波动相关、某些同大盘数据波动相关。同时要了解历史上相关波动幅度。以及用户潜力,比如浏览器搜索用户占比可以提升到40%以上。
如果有工程资源,最好能针对某些重要的改进提前进行抽样测试,从而推断全局后的数据变化情况。比如我们建立起版本灰度机制,一方面更好的发现bug,另一方面能及时评估版本全量后的数据变化,从而判断是否对当前版本进行全量。
(ps 这个地方的工作成果太过涉密,就不上示例了。)
写在结尾的注意事项
1)数据不代表一切,不能盲目相信数据,但更不能不看数据、不懂数据。
2)很难追求数据的绝对准确,而要追求数据的相对准确。
3)不要感觉数据有问题就冲到工程师面前,要切实分析出问题。秉持谁提议谁举证的原则。
4) 一定要弄清楚指标的定义,不能似是而非。
5)数据分析是一个严谨的逻辑过程,要保证推断的客观性,不能为了证明而证明。
6)数据分析是随着产品发展而不断细化和迭代的,不要在开始阶段就投入大量资源进行数据分析。
写在最后
随着项目的日益发展,数据分析也会更加精细和复杂,因此慢慢的出现了数据产品经理,对于数据产品经理还是应该学些基础的Python、SQL、VBA技能。
这里说些题外话,数据是简单、直接的,也是饱受争议的。
但当真正看到庞大的数据所表现出的特征后,你会震撼于从未感知过的世界的另一面。
无论如何必须要感激当前的科技进步能够让我们有机会直面数以亿计的人产生的成百上千亿的行为。就像一粒水终于可以看到整个大洋的流动,就像上帝打开一扇窗让我们从他的角度俯视大地。
你会真正纠结于是否要为满足几千万人的需求放弃其他几十万人。这不再是课本上的哲学命题。
你会兴奋于几千万人按照你的设定向预期的结果发展。这有一种替上帝做决定的成就感。
你会深思低俗文章的点击率难以让正规文章望其项背。必须一遍遍权衡其中的利弊做出让步。
最后再说一点互联网圈外人特别关心的数据隐私的事情,拥有这些大数据的公司不会八卦你到底是谁干过啥。它们只关心人群的趋势和方向,从而怎么更好的服务用户产生价值。
只有政府、变态和骗子才会关心和利用你个人的信息。而且骗子会通过各种渠道手段获取你的信息,所以对待自己身份信息和财务密码信息一定要谨慎。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14