產品經理最關心的數據有哪些

1. 產品經理9種數據分析方法

大家好，我是天王寺一哥，目前在北京做產品經理。

產品經理日常工作中，分析數據已經必不可少。利用分析結果來做產品的決策，復盤，成為了產品經理必備技能。

最近我系統性的學習了產品經理數據分析課程，覺得其中「9種數據分析方法」非常實用，現總結下來，並結合自己的理解做一個匯總。

這「9種數據分析方法」為：

下面按照「比什麼」、「和誰比」來說明：

日常看到的數據數值通常有兩種類型：

1）絕對值：數據本身具備參考價值，例如電商銷售金額、文章閱讀數

2）比例值：需要看比例值才能獲得相關價值的數據，例如留存率、活躍佔比等數據

所以對比分析主要是分析比例值。往往我們有兩種比較方式：

1）同比：指當前時間范圍某個位置的數值與上一個時間范圍的相同位置的數據對比，英文是：Same period last year/month/day。例如5月第一周同比4月第一周。

2）環比：指當前時間范圍的數值對比相鄰的上一個時間范圍，例如5月銷售總額環比上漲20%，指5月銷售總比對比4月銷售總額上漲了20%

1）和自己比

日常工作中，大部分對比分析都是當前數據與往期數據對比。可以從不同的角度進行對比，例如時間維度、渠道維度、業務線維度等。

2）和行業比

在做數據分析時，需要全盤考慮行業整體趨勢。例如公司為在線教育行業，今年用戶增長較快，團隊認為是運營的作用。可如果對比一下行業數據，增長可能低於行業平均，增長是因為疫情原因導致的自然增長，這時候就需要調整運營策略了。

我們在分析數據的時候，會力求從有限的數據中挖掘出最大的價值，獲取到更多的隱藏信息。這時候就需要從多個維度去拆解問題。

以一個實際的案例來說明：

小明公司產品為一個象棋平台，平台內有象棋資訊、象棋視頻、提升課程，問答社區等。平台內金幣為虛擬流通貨幣。憑此金幣可以查看付費資訊、付費視頻、打賞等。現老闆要求獲知金幣的消耗量這一個數據指標。

小明接到任務後，將金幣的消耗量按照實際的業務場景，進行多維度拆解，梳理了以下維度：

a.時間。6月初平台進行了重大更新，玩兒更多樣，所以此次數據分析只統計6月份以後的，並以周為單位進行統計。

b.金幣消耗基本數據：消耗總量、總消費人數、消費次數、充值次數等

c.金幣的消費場景：將所有消費場景進行分析，期望將消費場景按照金幣量進行排序，並將具體消費內容羅列，挖掘信息。

d.金幣的消費人群：搞清楚是消費者的畫像，分析消費人群特徵

通過將一個單一指標，多維度的進行分析，是比較常見的分析方法

此分析方法適合於「用戶達成某個目標有清晰的使用路徑」。例如分析某個課程的購買率。用戶是否購買往往與之前的步驟緊密相關，如登錄——首頁點擊廣告——試看——提交訂單——支付成功。

此案例單獨看購買率高或低沒有意義，必須對整個流程進行多維度拆解，找到裡面的關鍵時刻予以改善。

漏斗，適合於觀察有明確使用流程的數據。漏斗是一連串前面影響後面的用戶行為，層層相扣。

例如某象棋APP的課程購買，最終支付是最後一層漏斗，則其漏斗路徑為：

用戶注冊——查看推薦內容——點擊課程——試看——提交訂單——支付。其中用戶是否注冊登錄決定了是否能正常查看推薦內容，用戶查看推薦內容的數據影響了點擊課程鏈接的數據等等。

我們日常使用漏斗觀察，需注意漏斗的三個誤區：

漏鬥上一個流程對下一個流程起作用，所以漏斗的流程需要確定合理的時間。例如上面象棋APP的支付漏斗，用戶的決策時間通常為當天，但如買房決策周期可能持續數月。

漏斗如:A—B—C—D—E。在觀察時候，不能直接A—C—E。這樣觀察每一層的轉化率得出的相應結論是不準確的。

有時候如果發現最終調查的數據有錯誤，則需要確定，是否在統計一個目標的數據時，遺漏了其他漏斗路徑

一個事件不僅僅只有累計數據這個指標，還可以從該事件在不同維度上的分布情況具體分析。

例如分析用戶總量，可以研究用戶總量分布在不同性別，不同年齡和省份的情況。又例如分析某個頁面的用戶瀏覽數據，可以將總瀏覽量分布在不同時間、不同流量次數上進行研究。

如圖：

在進行留存分析之前，需要搞明白留存的定義，不同的公司對留存有不同的計算方法。

1）留存演算法1=（第七天/第一天）*100%

2）留存演算法2=（第二天至第七天所有用戶相加去重）/第一天*100%

具體應該採用哪種計算方法，需要看我們計算留存的目的。例如：

1）對比不同渠道來的用戶的質量採用演算法1。因為所有渠道都採用第一日和第七日的數據，忽略的信息都是一致的，故可以公平比較

2）若分析一款教人做菜的APP，此APP用戶主要在周末打開。則宜採用演算法2。這樣更能真實的反映留存情況。

還需要注意的是，有些有些公司會將第一天稱為第0天。這樣做的好處是，在計算7日留存的時候可以比較對比的是同一個「星期幾」。

根據具體業務場景，分析留存需要選擇不同的時間跨度，如:

1）了解某一個渠道的質量宜採用日留存（如7日留存）。

2）觀察整個大盤的數據宜採用周留存和月留存，較為宏觀的觀察用戶在平台上的粘性

我們長說的用戶畫像分成兩種：

1）用戶的詳細標簽。如身份、年齡、婚姻、身高體重等。通過對用戶各類特徵進行標識，給用戶貼上各類標簽，通過標簽將用戶進行組合分類，以便對不同的群體進行精細的產品/運營動作。

2）根據用戶訪談等手段建立的極具代表性的虛擬用戶，在產品規劃時，使用虛擬用戶，能快速讓團隊達成共識。

用戶標簽種類繁多，大致可以分成四大類：

1）基礎屬性：年齡、性別、生日、星座、教育、身高、收入、職業等

2）社會屬性：婚姻關系、有無小孩、性取向等

3）行為特徵：注冊時間、注冊渠道、是否買過某個商品、是否關注過某個問題等

4）業務相關：如健身APP關心用戶睡眠質量、體脂率、高矮胖瘦等

面對如此繁多的標簽，該如何獲取呢，通常有兩種方式可以獲得：

1）直接獲取

我們常見的某些產品，注冊時必須要完善填寫相關信息

2）通過用戶行為推導分析得到

如通過用戶的手機機型推導其消費能力，通過購買的產品推導其性別、通過其關注的話題推導其興趣等。

在實際工作中，一些明確的業務目標往往要進行歸因，找到目標達成的關鍵因素，將有限的資源投入到關鍵因素中。

按照不同的業務場景，大致有三種歸因方法：

1）末次歸因

此方法適用於轉化路徑短，且事件之間關聯性強的場景。此類場景需要重點關注達到目標前一步。

如下直播打賞案例，關注目標為充值：

對案例分析得知，私信主播後進行充值的路徑佔比較大，故應盡快提升私信體驗。

2）遞減歸因

此方法適用於轉化路徑長，轉化鏈條上各個事件差異不大，沒有完全占據主導的事件。

3）首次歸因

此方法適用於強流量依賴的業務場景，用戶進入環節比後續所有事都重要。例如借貸產品。

在漏斗分析中，往往整個流程已經十分清晰。但是在實際業務場景中，我們不太清除用戶的使用流程或者流程較為復雜、隨機，沒有很強的順序。這時候就比較適合於應用路徑挖掘。

具體方法為找到所有流程裡面的事件，設置流程的流入與流出頁面，將所有的事件放在這個流里，用數據工具進行分析。

在進行分析之前，要搞清楚分析的目的，一般適用於以下兩種場景：

1）有明確的起始場景。希望分析數據，觀察這個場景之後到底發生了什麼

1）有明確的結果目標。希望分析數據觀察來的用戶是怎樣一步一步達到目標的

通過路徑挖掘，可以找到我們關注的關鍵路徑。只有找出關鍵路徑上面的關鍵行為，才能打造良好體驗。

路徑挖掘是挖掘大量用戶的行為路徑，但有時候我們比較關注個體行為，希望了解此個體在使用產品時的完整事件時間線。如下圖：

挖掘單個用戶的行為序列通常適用於以下兩個場景：

1）尋找被數據統計掩蓋掉的信息，還原用戶具體的使用場景

2）找到個體的行為特徵，找到產品價值提升的機會點

案例：

象棋在線平台推出新功能，邀請象棋高手入駐，在線教課。功能推出3天，共1萬名用戶使用體驗了該功能。現需要給2名銷售分配任務，電話聯系有意向的老師。

現使用個體行為序列分析，尋找到反復使用某個功能且停留事件較長的用戶，篩選後將1000名用戶分配給銷售，大大提交了合作轉化率。

以上就是產品在日常數據分析中，常用的9種分析方式。我是天王寺一哥，一個產品界的小學生，期待與大家多溝通，多交流。

2. 產品經理的數據從哪來

產品經理的數據來源一般來自三個方面：

1，互聯網大盤，如用戶上網時長，用戶增長情況等，這些數據可以從《中國互聯網信息中心》獲取；
2，各大APP應用內數據，可以從《七麥》《199it》《網路指數》等獲取；
3，自己產品的數據。

3. 產品經理要掌握那些數據知識

在我看來，作為產品經理，必須要知道的是數據和產品之間的關系問題，這也是我認為產品經理需要知道的數據知識。

我的團隊里經常有技術人員和我抱怨說，某某產品經理又過來要數據了，今天已經是第三回了。

我問要什麼數據了？

他會告訴我說，某某群體用戶的數據，不同群體要的類似數據要了3回了……

我一聽就知道，這又是一個很讓人無奈的產品經理，沒有概念，不願意整理思路，又只把技術當技術使喚的人。

從這些方面出發，你才能構思，你到底需要了解哪些數據知識。

1、用戶的數據信息

2、收益的數據信息

3、用戶和收益之間的關系

4、產品發布前後的收益變化

5、產品發布前後的用戶變化

6、產品的穩定性情況

……

都是需要你去挖掘和理解的。

所以，簡單的將上面的話總結一下就是，產品經理必須知道：數據是什麼？來源是什麼？指標是什麼？上級想要什麼？如何展示出來。