筆者從工作實(shí)踐中出發(fā)，探討了數(shù)據(jù)是如何指導(dǎo)產(chǎn)品工作的，以及怎樣用數(shù)據(jù)分析中的比率來發(fā)現(xiàn)和解決問題。

需求挖掘之?dāng)?shù)據(jù)指導(dǎo)

凡是需求，必有數(shù)據(jù)統(tǒng)計(jì)項(xiàng)；凡是改進(jìn)，必有數(shù)據(jù)對(duì)比。

用數(shù)據(jù)來保證穩(wěn)定產(chǎn)出，用數(shù)據(jù)來做迭代的依據(jù)。

大佬們都說，數(shù)據(jù)不是萬能的，沒有數(shù)據(jù)是萬萬不能的。那數(shù)據(jù)具體有什么作用呢，我們就一起探討一下數(shù)據(jù)是如何指導(dǎo)產(chǎn)品工作的。

1. 通過數(shù)據(jù)指導(dǎo)產(chǎn)品工作

1. 問題分析：通過數(shù)據(jù)認(rèn)識(shí)還原用戶使用產(chǎn)品的路徑，發(fā)現(xiàn)解決問題；
2. 用戶分析：用數(shù)據(jù)給用戶分層，精準(zhǔn)解決特定用戶的問題（精細(xì)化運(yùn)營(yíng)/策略） 用戶到達(dá)一定數(shù)量級(jí)之后，用同一的策略是不適用的，用戶分層之后可以做流量區(qū)分、運(yùn)營(yíng)區(qū)分等等；
3. 需求優(yōu)先級(jí)：數(shù)據(jù)能確定影響面/使用頻率，幫助確定優(yōu)先級(jí)；
4. 評(píng)估上線效果：上線數(shù)據(jù)對(duì)比、周期數(shù)據(jù)跟蹤、需求發(fā)起之前的數(shù)據(jù)證明。

本篇就與大家分享一下我所理解的問題分析中的一項(xiàng)：通過【率】的異常發(fā)現(xiàn)并解決問題。

2. 通過數(shù)據(jù)發(fā)現(xiàn)、解決問題

率：比率（ratio）是樣本（或總體）中各不同類別數(shù)據(jù)之間的比值。既然是比值，那必然有分子和分 母的存在，我們最常用的幾個(gè)比率無外乎注冊(cè)轉(zhuǎn)化率、訂單轉(zhuǎn)化率、頁(yè)面使用率，頁(yè)面跳出率 等。

比率一般被認(rèn)為是能夠在短時(shí)間內(nèi)顯現(xiàn)問題的利刃，當(dāng)新版本上線后，查看和對(duì)比比率往往可以較迅速的發(fā)現(xiàn)問題。一般來說，無論有利還是不利的數(shù)據(jù)，通常會(huì)在更新版本的4周內(nèi)顯現(xiàn)，有短期明顯的屬性。

之所以比率可以指導(dǎo)我們工作，是因?yàn)楫a(chǎn)品的產(chǎn)出有著較明確的目標(biāo)，比如促成用戶下單。而用戶下單的流程和節(jié)點(diǎn)我們可以拆開來，利用比率來分析用戶在去往下單的路上出了什么問題，進(jìn)而將問題解決。按照這個(gè)模板，我們可以得到比率的使用流程：

基于數(shù)據(jù)優(yōu)化轉(zhuǎn)化率

1. 梳理用戶體驗(yàn)地圖

用戶體驗(yàn)地圖，即上文中用戶從進(jìn)入落地頁(yè)之后需要走的路，路上的每個(gè)紅綠燈都可能是用戶流失的節(jié)點(diǎn)，所以我們需要梳理這些節(jié)點(diǎn)，這些節(jié)點(diǎn)一般稱之為接觸點(diǎn)。

產(chǎn)品與用戶的接觸點(diǎn)，使用戶一步一步的到達(dá)我們想要讓用戶到達(dá)的目標(biāo)點(diǎn)（下單）。這種用戶數(shù)量遞減的體驗(yàn)地圖被大佬們很形象的總結(jié)為漏斗，漏斗最上方是我們能夠觸達(dá)的所有用戶，最下方的尖端，則是完成了我們既定目標(biāo)的用戶群。

舉個(gè)栗子:

背景：剛?cè)肼毠荆氤脵C(jī)看看公司的數(shù)據(jù)，熟悉下公司系統(tǒng)和業(yè)務(wù)情況，通過詢問同事，發(fā)現(xiàn)公司最近在測(cè)試某著陸頁(yè)的廣告投放效果，廣告已投放了兩周，需要進(jìn)行效果分析，于是著手收集相關(guān)數(shù)據(jù)進(jìn)行分析。

起點(diǎn)是著陸頁(yè)，終點(diǎn)是支付成功。知道體驗(yàn)地圖和目標(biāo)之后進(jìn)入第二步：

2. 梳理能夠影響轉(zhuǎn)化率的關(guān)鍵點(diǎn)和事件

影響轉(zhuǎn)化的關(guān)鍵點(diǎn)和事件往往比較明確，比如push成功下發(fā)數(shù)、活動(dòng)頁(yè)訪問數(shù)，驗(yàn)證碼發(fā)送成功率等，這里我們用最簡(jiǎn)單的頁(yè)面跳轉(zhuǎn)舉例：

分析出關(guān)鍵點(diǎn)：著陸頁(yè) —＞注冊(cè)頁(yè)—＞訂單頁(yè)—＞支付成功

分析完畢之后，我們將拿到的數(shù)據(jù)進(jìn)行分析，即進(jìn)入第三步：

3. 建立漏斗與衡量指標(biāo)

選取出真正拿來分析的節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)要親密鏈接且有轉(zhuǎn)化事件.

這里我們記錄分析每個(gè)頁(yè)面的UV，得出下面的漏斗：

得出漏斗之后便來到最關(guān)鍵的一步，發(fā)現(xiàn)問題：

4. 發(fā)現(xiàn)問題

問題的產(chǎn)生必然伴隨異常的數(shù)據(jù)，一般來說我們可以通過下面的幾個(gè)維度進(jìn)行問題發(fā)掘:

1）劇烈變化

劇烈變化有兩個(gè)方向，分別是斷崖式下跌或爬坡上漲。我們可以看到上圖漏斗中，著陸頁(yè)到注冊(cè)頁(yè)的轉(zhuǎn)化可以稱之為斷崖式下跌。那么說明這里極大可能存在問題。有點(diǎn)關(guān)注點(diǎn)之后，我們?cè)龠M(jìn)入下一層更細(xì)的分析：

2）渠道下鉆

通常我們的廣告或push不會(huì)只在一個(gè)渠道上投放，所以當(dāng)出了問題的時(shí)候，我們要看是哪個(gè)渠道出了問題。渠道的劃分視具體情況而定，設(shè)備、來源、sem流量的渠道，都可能是劃分渠道的維度。

同時(shí)，我們要知道，留存等指標(biāo)、用戶質(zhì)量跟渠道是息息相關(guān)的，通常每個(gè)渠道的用戶都有一定程度上的整體差距，比如iOS用戶的付費(fèi)能力要高于安卓用戶。

這里我們把每個(gè)渠道的數(shù)據(jù)分離出來，分別做漏斗模型。即可發(fā)現(xiàn)問題所在：

可以看到，每個(gè)渠道的問題不一，比如百度PC在著陸頁(yè)-＞注冊(cè)頁(yè)的下跌異常劇烈等，這里不再贅述。

3）用戶分群

用戶分群說人話就是打標(biāo)簽，標(biāo)簽越細(xì)，就越能掌控用戶。這里不只是用戶的社會(huì)屬性，還要到達(dá)行為屬性的維度。比如一些常見的行為標(biāo)簽，如男女老少，是否付費(fèi)，rfm，平臺(tái)定制的其他用戶標(biāo)簽，如買過幾次的等等。

不同分群的用戶，可以幫助我們發(fā)現(xiàn)問題。

一般認(rèn)為，我們的廣告、push操作，越能精確觸達(dá)用戶，效果就會(huì)越好。假如你給24歲的北京單身男程序員推送母嬰用品，不用說大家都會(huì)知道用戶的反應(yīng)是什么樣子的。用戶分群的操作比較靈活，我們可以在下一篇中一起探討，這里不再展開，但可以舉幾個(gè)常見的例子：

比如：付費(fèi)超過300元的用戶（高付費(fèi)用戶），打開率優(yōu)于其他用戶；買過B產(chǎn)品的用戶，打開率明顯低，買完了就長(zhǎng)期用不再回歸。

由用戶分群得出的問題，一般都是推送不精確，那我們就可以進(jìn)行push優(yōu)化。目前各大廠都可以智能的對(duì)不同用戶發(fā)送不同文案的推送，我們?cè)谧鐾扑偷倪^程中，可以使用猜測(cè)-》實(shí)行-》驗(yàn)證-》猜測(cè)的常規(guī)試驗(yàn)方式進(jìn)行一步一步的優(yōu)化。

4）時(shí)間對(duì)比

對(duì)于push和廣告行為而言，不同時(shí)間對(duì)不同人的作用是不一樣的

通常我們會(huì)按照小時(shí)、星期的維度劃分，根據(jù)平穩(wěn)/波動(dòng)/周期、某段時(shí)間與其他時(shí)間不一致等現(xiàn)象來判斷哪些用戶的最佳push時(shí)機(jī)，

比如：每天的不同時(shí)間段推送的響應(yīng)程度不一樣（分時(shí)活躍數(shù)，不同的產(chǎn)品不同的群體是完全不同的表現(xiàn)）本周本月等維度也要分析分群對(duì)比，做AB測(cè)試，效果好的就保留這群人的推送時(shí)間等。

5. 假設(shè)求證

假設(shè)求證是所有發(fā)現(xiàn)問題解決問題中都會(huì)用到的定位問題的方法，不論是工作生活甚至是學(xué)術(shù)科研。

這里都我們發(fā)現(xiàn)斷崖下跌的時(shí)候，可以假設(shè)出現(xiàn)的問題，比如某渠道填單頁(yè)到付款成功轉(zhuǎn)化率低于平均水平，那我們就要懷疑付款按鈕是不是除了問題，付款渠道是不是除了問題。然后帶著問題去測(cè)試求證。

6. 給出解決方案

通常能夠發(fā)現(xiàn)問題的產(chǎn)品經(jīng)理都是不可多得的，產(chǎn)品優(yōu)化的難點(diǎn)不在于解決問題，而在于發(fā)現(xiàn)問題，優(yōu)秀的產(chǎn)品都是高級(jí)啄木鳥，總是善于發(fā)現(xiàn)問題。發(fā)現(xiàn)了問題所在，總會(huì)有辦法解決。

重復(fù)，重點(diǎn)在于發(fā)現(xiàn)問題。

7. 選取一個(gè)方案開發(fā)上線進(jìn)行驗(yàn)證

與發(fā)現(xiàn)問題的征求一樣，解決問題不是最終環(huán)節(jié)，最終環(huán)節(jié)在于驗(yàn)證通過。上線之后需要對(duì)這個(gè)問題進(jìn)行持續(xù)的追蹤，求證之后才算是解決問題。

求證問題的方法跟發(fā)現(xiàn)問題的方法大同小異，只是查看的數(shù)據(jù)、渠道等更聚焦。

數(shù)據(jù)指導(dǎo)工作—＞問題分析—＞比率的使用這一小節(jié)基本到此結(jié)束了，淺薄只見，歡迎批評(píng)指正。

作者：海燕是只蠢貓，微信公眾號(hào)：1個(gè)產(chǎn)品還學(xué)Python

本文由 @海燕是只蠢貓 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議。