數(shù)據(jù)的使用價值，以其目的，可以分為三類。一類用于驗證假說的是否，二類為思維之翻譯，三類以趨勢做預測。

前者是科學之所以為科學的護盾。這是說，我們總有一些道理，不知出處，或道聽途說，或直覺所致，大體上，都可以暫理解為“假說”一類的道理，即未經(jīng)證實的假設。我們提出一條假說，為驗證假說，做了一個實驗，總結了一些數(shù)字，用數(shù)字證明假說正確與否——這是我認為的數(shù)據(jù)的第一大效用。

第二類效用，舉凡KPI、排行榜、算法之類的皆屬此列。這類應用的思想是，算法設計者“想”讓“誰”得到高分。因此，其數(shù)據(jù)結果的高度，取決于“規(guī)則設計者”的高度——我總是對這一類應用抱有警惕。因我自身偶爾都會扮演一下這“設計者”的角色，而時時苦惱于此。

第三類常見于各類趨勢表，可觀歷史，亦測未來。準確且長遠地預測未來是此效用的終極理想。理論上，時間越近，關聯(lián)越少，預測越準確。但是我們使用數(shù)據(jù)總是希望分析更加復雜的事務，因此受限于我們對世界的了解程度，使得預測結果總是存在或多或少的不確定性。

決定論認為事物具有因果聯(lián)系性、規(guī)律性、必然性。通俗點說，就是如果我們理解了宇宙所有物質的運行規(guī)律，就可以準確知道未來會發(fā)生什么，決定論也認為我此時寫下這句話是在世界誕生之初就決定好了的，曰之“命運”。非決定論與其相反，認為世界存在一定的不確定性。

預測科學試圖通過特定范圍的關聯(lián)因素及因果性預測出一定程度準確的未來，但是也為“不確定性”保留了“置信區(qū)間”。

本文因筆者的學識有限，姑且將焦點放置于第一類效用，即：驗證假設。展開為三個部分：一為指標，對基本概念的理解。二為分析，數(shù)據(jù)分析場景的梳理，及數(shù)據(jù)后臺的設計。三為驗證，假說與驗證的思考方式。

指標

數(shù)據(jù)來源

用戶在前臺進行各種行為留下痕跡，由于用戶行為留下的數(shù)據(jù)較大，用戶有行為就記錄，對服務器壓力較大，所以會把前臺的行為數(shù)據(jù)單獨存儲到日志服務器中。

那么按照數(shù)據(jù)的存儲位置，大致會分成行為數(shù)據(jù)和后臺數(shù)據(jù)兩個類型。

第三方數(shù)據(jù)分析工具獲取的都是前臺的行為數(shù)據(jù)，也就是第三方（比如友盟）代替了原本的“日志服務器”的角色。

我們在設計數(shù)據(jù)產(chǎn)品時，應該了解數(shù)據(jù)來源，并且將不同的數(shù)據(jù)來源進行對接。

數(shù)據(jù)

由于產(chǎn)品形態(tài)的差異，獲取數(shù)據(jù)的類型也有一些差別。

網(wǎng)頁產(chǎn)品的組織結構是頁面，用戶行為從刷新某一個頁面開始到刷新下一個頁面結束，PC產(chǎn)品可以獲取到的基礎數(shù)據(jù)主要有：

訪問終端IP地址

用戶訪問網(wǎng)站時使用設備的IP地址。不同設備有對應的IP地址，主要用于分辨地域，但是統(tǒng)計結果有較大誤差。

訪問時間戳

用戶訪問頁面的時間點，用于判斷用戶行為的時間順序。如用戶訪問頁面A時記錄時間點，訪問頁面B時記錄時間點，可以認為用戶在第二個時間點離開了頁面A。

訪問地址路徑

可以理解為用戶訪問頁面URL，用于分辨用戶訪問網(wǎng)頁的目的地，也就是訪問了A頁面還是B頁面。

訪問來源

來訪的來源信息，比如來自搜索引擎的搜索結果頁、直接訪問、外鏈網(wǎng)站等。

來訪者的其他信息

操作系統(tǒng)、瀏覽器、爬蟲等信息。這類數(shù)據(jù)是由來訪者表明身份獲得的信息，因此取決于來訪者的自覺性，有誤差。有些瀏覽器不提供給非合作者信息，非正規(guī)爬蟲也不會表明信息。

APP產(chǎn)品獲取的基礎數(shù)據(jù)主要有：

終端信息

獲取終端（手機、平板等）信息用于識別用戶

操作系統(tǒng)

OS/Android/Win等

客戶端信息

APP上傳的自身信息。

客戶端時間

用于判斷用戶啟動或操作應用的時間點

操作事件

APP按照自定義事件所需，上傳用戶的操作行為和伴隨這個行為的客戶端信息。這是APP區(qū)別與PC的一類重要數(shù)據(jù)，其對用戶行為的跟蹤比網(wǎng)頁通過刷新獲取的數(shù)據(jù)更加精準。

用戶識別

如果我們想要分析的某個結果需要涉及不同的數(shù)據(jù)來源（比如我們的用戶在某個時間段使用APP的場景更多還是PC場景更多？），那么數(shù)據(jù)與數(shù)據(jù)之間的關聯(lián)工作是最重要的。我們通過用戶識別的方式關聯(lián)不同來源和結構的數(shù)據(jù)（識別產(chǎn)品a的用戶a和產(chǎn)品b的用戶b是同一個用戶U），以下是三類用戶的識別方式：

網(wǎng)站用戶識別

如果我們有兩個網(wǎng)站產(chǎn)品，我們?nèi)绾沃烙心男﹣碓L者同時訪問了AB兩個網(wǎng)站呢？

Cookie是網(wǎng)站以一小段文本的形式存放在用戶本地終端的信息，以便網(wǎng)站之后的讀取。Cookie是目前網(wǎng)站識別訪客的主要手段。由于用戶禁止或對Cookie進行清理等問題，這個數(shù)據(jù)結果的誤差也會比較大。

APP用戶識別

APP的識別方式類似網(wǎng)站，把信息寫入終端。由于手機發(fā)生信息丟失的情況（比如刷機）比較少，所以APP的用戶識別相對比較準確。我們可以知道每次啟動這個應用的訪客是不是我們認識的那一個。

產(chǎn)品用戶識別

如果同時有網(wǎng)站端和移動端產(chǎn)品，我們又想知道哪些用戶同時使用了網(wǎng)站和APP，由于以上識別方式是基于設備，數(shù)據(jù)中就無法判斷用戶了。所以跨產(chǎn)品形態(tài)的用戶識別通常使用注冊用戶ID，前提是推動用戶的注冊和登錄行為。

指標

以下是我們在產(chǎn)品數(shù)據(jù)分析中常用的指標。

網(wǎng)站常用的指標

IP地址

PV瀏覽量：頁面瀏覽量。每刷新一次頁面，被記錄為一次PV。

Visit訪問次數(shù)：今日早上訪客A進入網(wǎng)站后離開，下午訪客A又一次進入網(wǎng)站，并記錄為2次Visit（開發(fā)者使用會話數(shù)session定義一次訪問行為，與visit的意義相同）。

visitor訪問者/UV訪客數(shù)：本周訪客A進入網(wǎng)站10次，記錄為1個UV，10個visit

訪問時長：即訪客的停留時間，訪客先進入頁面A然后進度頁面B，頁面B的訪問時間減去頁面A的訪問時間即訪客停留頁面A的時長，另外我們定義訪客停留時間超過某個時長（通常是半小時）即離開網(wǎng)站，一次visit結束。

訪問深度：訪客在一次訪問行為中，訪問了幾個頁面。

跳出率/退出率：訪客訪問landing page（一次訪問行為的第一個頁面，任何一個頁面都可能成為這個網(wǎng)站對于用戶的登錄頁）時離開網(wǎng)站即“跳出”。退出頁是指用戶這次訪問行為的最后一個頁面（因每次訪問都必然退出，所以退出率只能用于判斷某個頁面，網(wǎng)站的退出率理論上是百分之一百）。

留存率：留存率通常指整個產(chǎn)品的留存，周日（起始日）進入網(wǎng)站的新用戶為100人，周一這100人里有50人繼續(xù)訪問了，到下周日，這100人中訪問網(wǎng)站的還有2人?？傻贸?，周日網(wǎng)站的次日留存50%，7日留存2%。

上下兩圖中，整體活躍用戶數(shù)都在增長，但是留存曲線告訴我們下圖留存表現(xiàn)更好，留存曲線在最后趨于平穩(wěn)，而上圖，用戶在增加，但是也在不斷流失，所以最后用戶總數(shù)也無法提升。

留存是產(chǎn)品運營健康程度的重要指標，不同的留存率走勢關系不同的功能和運營周期。比如某產(chǎn)品用戶完成核心任務的周期是6日左右，那么我們關注7日留存指標，常見的周期是次日、3日、7日、15日等。

轉化率：轉化率是指在開始任務的過程中，通過某個步驟的人數(shù)比例：如果一個任務有abc三個步驟，a步驟100人，這100人中50人開始了b步驟，則b步驟的轉化率是50%。

轉化率經(jīng)常使用漏斗圖進行解讀分析，是一個評測產(chǎn)品交互設計的關鍵指標。我們用它來監(jiān)測流程中的哪個步驟出現(xiàn)問題，進而尋求解決方案。

APP與網(wǎng)站的差別是APP并非以頁面為單位獲取數(shù)據(jù)，并且與網(wǎng)站可以從任意一個頁面進入不同，APP啟動后停留的位置是基本固定的（首頁，或者開發(fā)者指定的頁面）。因此，與頁面相關的指標不在APP的常用指標中，比如PV（頁面瀏覽量），訪問深度（瀏覽的頁面數(shù)），跳出與退出（進入頁與退出頁的指標）等。移動端最有價值的數(shù)據(jù)集中在對行為事件的統(tǒng)計上。

• UV用戶數(shù)：與網(wǎng)站相似，APP中定義為啟動應用的人數(shù)。
• 啟動次數(shù)
• 使用時長
• 留存率
• 自定義事件數(shù)

自定義事件可以對行為、控件、位置等信息進行定義，比如“用戶在xx位置，切換xx控件的狀態(tài)的事件”或者“用戶在xx位置，點擊xx按鈕的事件”等?；驹硎茿PP在用戶進行某個行為時上傳（分析所需的）信息。

自定義事件幫助我們獲得大量的用戶行為數(shù)據(jù)，對各類分析場景都有巨大幫助，比如“我想知道使用功能A的用戶有多大概率使用功能B”，對于轉化率的監(jiān)測也更加精確。

轉化率

網(wǎng)站中的轉化通常是監(jiān)測從“頁面A–頁面B”的用戶數(shù)，APP中由于自定義事件的存在，可以監(jiān)測“位置A的按鈕A—位置B的圖片B”的用戶數(shù)。

除了以上常用的基礎指標，還有一些在分析的過程中被一步一步推理和分解出來。

常用的可視化圖表

餅圖

表達整體的一部分，表達同一個指標的不同部分，餅圖適用于規(guī)模類數(shù)據(jù)，直觀可理解，但是信息的擴展不足，一張圖表通常只能表達一種指標。

柱形圖/條形圖

這類圖表重于不同系列之間數(shù)據(jù)的對比。

折線圖

折線圖更重于時間線上的前后關系，與柱形圖不同，相近的數(shù)據(jù)對比性不強，更加重視整體趨勢。由于其可擴展性更強，是最常使用的圖表。

下圖中還舉例了異型圖表，以及復合型圖表。

分析

關注數(shù)據(jù)的對比

僅訪客數(shù)可能無法幫助我們得到什么有價值的信息，但新老訪客比例可能就暗示了什么；如果今天的購買量不能說明什么，那么今天與昨天的購買量比例就說明了什么——對比才有意義，我們的分析過程是大量的不同維度的數(shù)據(jù)對比。

數(shù)據(jù)分析的目的

我們首先應該探討數(shù)據(jù)為何目的使用。

數(shù)據(jù)的使用價值遠大于數(shù)據(jù)本身，多數(shù)情況，當我們試圖進行數(shù)據(jù)分析的時候，關注的是“能否獲得更多收入”或者“能否提供更大價值”。

目的決定視角。

商業(yè)目標

商業(yè)產(chǎn)品以面向用戶的消費為主要營收，所以數(shù)據(jù)分析的目的是“提高用戶營收”，數(shù)據(jù)的分析視角是“用戶使用產(chǎn)品的體驗過程（因為用戶為此付費）”。

社會目標

如果我們的目的是“能否為殘疾人提供更大價值”，數(shù)據(jù)分析的目的是“提高殘疾人的生活便利程度”，數(shù)據(jù)分析的視角是“殘疾人使用產(chǎn)品的體驗過程（用戶因此獲得幸福感）”。

（作為產(chǎn)品人，我建議同時考慮這兩個目的，一則為企業(yè)消災，二則為自身格局）。

我們將通過用戶使用產(chǎn)品的視角，先后獲得到用戶使用過程中的數(shù)據(jù)，然后制定關鍵指標來驗證是否達到了目的。

用戶使用產(chǎn)品的過程與其產(chǎn)生的指標

我們已知流程是由一個個任務節(jié)點構成的，用戶在使用產(chǎn)品的過程中通過一個個任務節(jié)點，最終完成流程。

數(shù)據(jù)從用戶進行任務的過程中誕生，且由這些數(shù)據(jù)構成指標。

下圖是某健身產(chǎn)品的用戶流程圖（非可操作文檔，僅用于邏輯說明的案例）。跟隨圖文了解思路。

（圖示來自前作http://theventurebank.com/data-analysis/439844.html，未及分析細節(jié)，在此補足。更多數(shù)據(jù)后臺設計圖片請點擊鏈接）

將用戶與產(chǎn)品的交互過程按運營工作順序劃分為接觸、使用、傳播、離開、激活幾個區(qū)間。

1.對每個區(qū)間包含的用戶任務進行梳理：

• “接觸”環(huán)節(jié)用戶經(jīng)過下載APP，運行APP，創(chuàng)建賬戶等任務
• “使用”環(huán)節(jié)用戶經(jīng)過運動、社交、購物等任務?！斑\動”任務包含定制課程，訓練等任務。其中“定制課程”又包含各個子任務…以此類推。
• “傳播”環(huán)節(jié)包含用戶邀請、內(nèi)容轉發(fā)等任務
• “激活”環(huán)節(jié)包括通知消息、通知啟動等任務
• “離開”環(huán)節(jié)包含沉默、流失等任務。

2. 對每一個任務產(chǎn)生的基礎指標進行梳理。基礎指標通常指“數(shù)量”，比如下載產(chǎn)生的指標是“下載量”

3. 對前后任務基礎指標的對比，產(chǎn)生一系列前后轉化的復合指標。如運行的下一個步驟是注冊，前后對比就產(chǎn)生“注冊率”指標。

復合指標不是唯一的，按照運營所需可以進行各種維度的擴展，比如“首次啟動注冊率”之類的指標。

4. 對關鍵任務流程進行漏斗型轉化。這個工作與上一個步驟相似，它針對有多個復雜任務的重要流程進行轉化率的分析。如圖中“定制課程表”的流程（前文對轉化率進行過說明，不贅述）。

5. 其他運營指標。

• “病毒傳播系數(shù)”：由邀請與接受邀請構成的指標，用戶邀請率×邀請接受率的結果。
• “活躍用戶數(shù)”：自定義x時間段內(nèi)打開過產(chǎn)品的用戶數(shù)，默認為1日的時候，這個值等于日用戶數(shù)。
• “沉默用戶數(shù)”：自定義x時間段內(nèi)沒有打開過產(chǎn)品的用戶數(shù)，運營可根據(jù)這個值設計不同的激活用戶的活動。因為無法直接確認用戶是否卸載APP，所以可認為超過某個時間段，用戶已流失。除了圖中涉及的指標，在對自身產(chǎn)品進行分析時，可以分解出更多有價值的指標。

驗證

數(shù)據(jù)驗證因其目的，上至下分為以下幾類。

戰(zhàn)略方向

“關鍵指標”驗證方向合理性

傳統(tǒng)的數(shù)據(jù)分析會為產(chǎn)品數(shù)據(jù)設立KPI，當KPI數(shù)值接近優(yōu)勢或危險區(qū)域時提醒或警告?！瓣P鍵指標”的意義與KPI相似，但KPI是為了監(jiān)控產(chǎn)品的“健康程度”，而“關鍵指標”是為了“驗證目標是否達成”，因此它的應用場景有更大的靈活性，不論是否互聯(lián)網(wǎng)產(chǎn)品，目的大小，都可以使用這個思考方式。

并且，我們?nèi)粘？梢员O(jiān)控這個“關鍵指標”，而不是每天都花很多時間去分析每一個指標的數(shù)值發(fā)生了什么變化。

我們在不同的產(chǎn)品階段，為產(chǎn)品制定不同的方向，比如初期產(chǎn)品要切人某個市場或用戶群，中期產(chǎn)品要檢查盈利效果，后期產(chǎn)品要擴大規(guī)模。在不同的階段或者環(huán)境下，團隊制定不同的方向指導工作，并且用“關鍵指標”監(jiān)控這段時間的工作成果。

尋找合適的驗證指標

舉例“切入市場”階段。關注的是某類用戶群與產(chǎn)品的契合情況，也就是說產(chǎn)品對這個市場的用戶群的吸引力和粘性（早期雖然對產(chǎn)品的目標市場有所預期，但是運營依然會考慮從各種不同的市場渠道引入用戶，確認或尋找產(chǎn)品最契合的用戶群體后再加大投入）。假設一個鞋類垂直電商產(chǎn)品，從產(chǎn)品投入市場到有所沉淀的這段時間，團隊的目標是進入運動鞋市場，同時確認和尋找契合度較高的用戶群體，團隊一開始選擇的關鍵指標有“付費用戶比例（進入市場后的表現(xiàn)情況）”“渠道用戶付費比例（用戶群質量對比）”等。

驗證指標是否有負面影響

但是關鍵指標（假設）周付費用戶比例的計算公式是周付費用戶/周活躍用戶，那么要想提高這個指標，或者提高付費用戶增量，或者減少活躍用戶增量，后者并不是團隊早期樂見的（因為此時運營正在努力的尋找不同的用戶群，正是需要大量試錯的時候），所以指標又修改為“付費用戶凈增”——即重視高質量用戶的數(shù)量。并且團隊把這群用戶作為其他指標分析時的重要維度（比如付費用戶使用頻率最高的功能模塊，付費用戶關注的運動鞋類型等等）。

結論

在這個案例中，團隊使用“付費用戶凈增”驗證產(chǎn)品的市場方向，用“渠道用戶付費比例”驗證產(chǎn)品的目標用戶。

執(zhí)行方案

“因果指標”與“關聯(lián)指標”驗證方案的可行性

為了完成整體戰(zhàn)略方向，我們?yōu)楫a(chǎn)品設計一系列方案，理論上這些方案都支持戰(zhàn)略方向的實現(xiàn)。也就是由于方案的執(zhí)行，達成上一層戰(zhàn)略方向的結果。這就構成了執(zhí)行方案和戰(zhàn)略之間的因果關系。那么問題來了：執(zhí)行方案能否完成戰(zhàn)略？戰(zhàn)略結果數(shù)據(jù)表現(xiàn)不好的原因又出在哪個環(huán)節(jié)？

為此，我們要確認方案的各個主要環(huán)節(jié)的執(zhí)行情況是否影響了戰(zhàn)略方向的結果。

確定因果指標

上文中指導戰(zhàn)略方向的“關鍵指標”是“付費用戶凈增”，這個指標是由“新增的付費用戶”減去“退單的付費用戶”得到的。為了提高關鍵指標，需要增加新增付費用戶，以及減少退單用戶，這兩個純量指標，他們就是關鍵指標的“因果指標”，即，如果修改了這兩個數(shù)值，必然會導致關鍵指標數(shù)值變化的結果。

推測關聯(lián)指標

（統(tǒng)計理論：關聯(lián)性不等于因果性）。

那么新增付費用戶的增加可能出于哪些原因？或許是新用戶的增加，或許是產(chǎn)品質量的提高，或許是商品價格的降低，都有可能提高付費用戶數(shù)量。但是這些可能的原因，都是我們的推測與假設，所以這些可以被定義為“關聯(lián)性”事件。對這些可能的“關聯(lián)指標”進行數(shù)據(jù)監(jiān)控：修改某一個指標的數(shù)值（通常是執(zhí)行方案的某個子方案，比如進行一次促銷活動，修改了新用戶與商品價格的數(shù)值），是否影響“因果指標”，進而影響“關鍵指標”的數(shù)據(jù)結果——從而驗證這些整個執(zhí)行方案的可行性。

優(yōu)化方案

方案效果測試

在這里的優(yōu)化方案，指的是小范圍的局部的不確定性的產(chǎn)品優(yōu)化方案，而不是戰(zhàn)略性的整體性的產(chǎn)品方案。這些方案經(jīng)常出現(xiàn)在工作中無法定義答案的溝通環(huán)境中，無法推測其效果如何，比如“這個圖標放在左側更好還是右側？”。A/B測試之類的實驗可以幫助我們尋找到更加合適那個方案，為縮短時間，我們也可以進行多個方案的同步測試，比較結果。

不受控的方案，受控的實驗

比如我們想要提高某個按鈕的點擊率，那么是否應該優(yōu)化這個按鈕的形式或者設計？此時我們就把多種方案（不同風格的圖形、不同的按鈕文案、不同的色彩）在一個受控的范圍內(nèi)進行實驗（定義實驗時間，用戶量，用戶群性質等等），獲得某一種方案“相對更好”的數(shù)據(jù)結果。

結語

對于數(shù)據(jù)的思考始于多年前我開始疑惑于自己工作成果的價值，我們每個人都對自己的方案充滿“主觀”的自信，這個自信讓我很不安，總認為事情沒我想象的這么簡單。于是，我開始琢磨如何來驗證自己的方案，也因此，投入了數(shù)據(jù)分析的懷抱，這也是這篇文章想表達的主要觀點——數(shù)據(jù)的驗證價值。

因我對于學習成果的理解，是以能否做有效的輸出為檢驗的，所以即便開啟這個話題多有猶疑，也還是在考慮了幾個月之后選擇動筆。數(shù)據(jù)的話題廣闊且深邃，但凡有一個人選擇要聊聊這件事，我都是愿意抱有一個謹慎的態(tài)度的，所以讀者也不妨對這篇文章也抱有這樣的心態(tài)，盡量挑剔的，質疑的，批判性的看待所有文字。

#專欄作家#

GaraC，知乎賬號：GaraChenV，人人都是產(chǎn)品經(jīng)理專欄作家。專長研究用戶體驗，虐待各種形式的鍵盤。關注教育、學習、LBS等相關領域產(chǎn)品。專業(yè)鑒定各種書籍。愛好：收集各種樂譜和書。

本文系作者獨家授權發(fā)布，未經(jīng)本站許可，禁止轉載，違者追究法律責任。謝謝合作。