作者 | 陳明，GrowingIO聯合創始人&運營副總裁。畢業於史丹佛大學，先後就職於eBay、LinkedIn資料分析部門，有豐富的商務分析經驗。
來源 | GrowingIO 2017 年第3期電子書《產品經理資料分析手冊 | 能力升級必備》

隨著人口和流量紅利的下降，網際網路行業必然會朝著精益化運營的方向發展。資料分析在很多網際網路人的工作中越發顯得重要，而對於產品經理來說，更是如此。本文將為產品經理介紹資料分析的基本思路，並基於此，衍生出 2 個常見方法和 7 個應用手段，希望在資料分析的實際應用中能給大家帶來幫助。

一、資料分析的基本思路

資料分析應該以業務場景為起始思考點，以業務決策作為終點。
基本思路為 5 步，首先要挖掘業務含義、制定分析計劃、從分析計劃中拆分出需要的資料、再根據資料分析的手段提煉業務洞察，最終產出商業決策。

接下來我們用一個案例來具體說明這5步思路：

某國內 P2P 借貸類網站，市場部在百度和 hao123 上都有持續的廣告投放，吸引網頁端流量；最近內部同事建議嘗試投放 Google 的 SEM；另外，也需要評估是否加入金山網路聯盟進行深度廣告投放。在這種多渠道的投放場景下，產品經理該如何進行深度決策？

1.挖掘業務含義
首先要了解市場部想優化什麼，並以此為核心的 KPI 去衡量。
渠道效果的評估，最重要的是業務轉化：對P2P類網站來說，是否『發起借貸』遠遠比『使用者數量』重要。
所以無論是 Google 還是金山渠道，都要根據使用者群體的不同，優化相應使用者的落地頁，提升轉化。

2.制定分析計劃
以『發起借貸』為核心轉化點，分配一定的預算進行流量測試，觀察對比註冊數量及 ROI 效果，可以持續觀察這部分使用者的後續價值。

3.拆分查詢資料
根據各個渠道追蹤流量、落地頁停留時間、落地頁跳出率、網站訪問深度以及訂單型別資料，進行使用者分群。

4.提煉業務洞察
在不同渠道進行投放時，要根據 KPI 的變化，推測業務含義。比如谷歌渠道的效果不好，可能因為谷歌大部分的流量在海外，可能會造成轉化率低。而金山網路聯盟有很多展示位置，要持續監測不同位置的效果，做出最後判斷。

5.產出商業決策
最後根據資料洞察，指導渠道的投放決策制。比如停止谷歌渠道的投放，繼續跟進金山網路聯盟進行評估，而落地頁要根據資料指標持續地進行優化。

二、常見的資料分析方法

（一）內外因素分解法

內外因素分解法是把問題拆成四部分，包括內部因素、外部因素、可控和不可控，然後再一步步解決每一個問題。

案例：

社交招聘類網站，一般分為求職者端和企業端，向企業端收費方式之一是購買職位的廣告位。業務端人員發現『釋出職位』數量在過去的6個月裡有緩慢下降的趨勢。對於這類某一資料下降的問題，從產品經理的角度來說，可以如何拆解？

根據內外因素分解法，『內部可控因素』：產品近期上線更新、市場投放渠道變化、產品粘性、新老使用者留存問題、核心目標的轉化；
『外部可控因素』：市場競爭對手近期行為、使用者使用習慣的變化、招聘需求隨時間的變化；
『內部不可控因素』：產品策略（移動端/PC端）、公司整體戰略、公司客戶群定位（比如只做醫療行業招聘）；
『外部不可控因素』：網際網路招聘行業趨勢、整體經濟形勢、季節性變化；

（二）DOSS

DOSS 是從一個具體問題拆分到整體影響，從單一的解決方案找到一個規模化解決方案的方式。

案例：

某線上教育平臺，提供免費課程視訊，同時售賣付費會員，為付費會員提供更多高階課程內容。如果我想將一套計算機技術的付費課程，推送給一群持續在看C++免費課程的使用者，產品經理應該如何輔助分析？

按DOSS的思路分解如下：
『具體問題』：預測是否有可能幫助某一群組客戶購買課程。
『整體』：首先根據這類人群的免費課程的使用情況進行資料分析，之後進行延伸，比如對整體的影響，除了計算機類，對其他型別的課程都進行關注。
『單一回答』：針對該群使用者進行建模，監控該模型對於最終轉化的影響。
『規模化』：之後推出規模化的解決方案，對符合某種行為軌跡和特徵的行為進行建模，將課程推薦模型加入到產品設計中。

三、資料分析的應用手段

根據基本分析思路，常見的有7種資料分析的手段。

（一）畫像分群

畫像分群是聚合符合某中特定行為的使用者，進行特定的優化和分析。

比如在考慮註冊轉化率的時候，需要區分移動端和 Web 端，以及美國使用者和中國使用者等不同場景。這樣可以在渠道策略和運營策略上，有針對性地進行優化。

（二）趨勢維度

建立趨勢圖表可以迅速瞭解市場， 使用者或產品特徵的基本表現，便於進行迅速迭代；還可以把指標根據不同維度進行切分，定位優化點，有助於決策的實時性；

（三）漏斗洞察

通過漏斗分析可以從先到後的順序還原某一使用者的路徑，分析每一個轉化節點的轉化資料；

所有網際網路產品、資料分析都離不開漏斗，無論是註冊轉化漏斗，還是電商下單的漏斗，需要關注的有兩點。第一是關注哪一步流失最多，第二是關注流失的人都有哪些行為。
關注註冊流程的每一個步驟，可以有效定位高損耗節點。

（四）行為軌跡

行為軌跡是進行全量使用者行為的還原。只看 PV、UV 這類資料，無法全面理解使用者如何使用你的產品。瞭解使用者的行為軌跡，有助於運營團隊關注具體的使用者體驗，發現具體問題，根據使用者使用習慣設計產品，投放內容；

（五）留存分析

留存是瞭解行為或行為組與回訪之間的關聯，留存老使用者的成本要遠遠低於獲取新使用者，所以分析中的留存是非常重要的指標之一；

除了需要關注整體使用者的留存情況之外，市場團隊可以關注各個渠道獲取使用者的留存度，或各類內容吸引來的註冊使用者回訪率，產品團隊關注每一個新功能對於使用者的回訪的影響等。

（六）A/B測試

A/B測試是對比不同產品設計／演算法對結果的影響。

產品在上線過程中經常會使用A/B測試來測試產品效果，市場可以通過A/B測試來完成不同創意的測試。
要進行A/B測試有兩個必備因素：
1.有足夠的時間進行測試；
2.資料量和資料密度較高；
因為當產品流量不夠大的時候，做A/B測試得到統計結果是很難的。而像 LinkedIn 這樣體量的公司，每天可以同時進行上千個A/B測試。所以A/B測試往往公司資料規模較大時使用會更加精準，更快得到統計的結果。

（七）優化建模

當一個商業目標與多種行為、畫像等資訊有關聯性時，我們通常會使用資料探勘的手段進行建模，預測該商業結果的產生；

例如：作為一家 SaaS 企業，當我們需要預測判斷客戶的付費意願時，可以通過使用者的行為資料，公司資訊，使用者畫像等資料建立付費溫度模型。用更科學的方式進行一些組合和權重，得知使用者滿足哪些行為之後，付費的可能性會更高。
以上這幾種資料分析的方法論，僅僅掌握單純的理論是不行的。產品經理們需要將這些方法論應用到日常的資料分析工作中，融會貫通。同時學會使用優秀的資料分析工具，可以事半功倍，更好的利用資料，實現整體增長。

注：以上所有資料分析工具截圖均來源於矽谷新一代使用者行為資料分析工具 GrowingIO