No. 8: 数据分析那些事

2016/7/31

我见过很多产品经理的数据分析方式：打开后台，看日活、看留存、看转化，差不多了。

这不是数据分析。这叫看仪表盘。

真正的数据分析是从业务问题出发，回到业务结论结束。 不是倒过来——“先看看数据有什么”。

1️⃣ 六个步骤

数据分析可以拆成六个环节：

1️⃣ 收集问题。 不是收集数据，是收集问题。日常的产品观察、用户反馈、市场变化、竞品动态——哪件事让你觉得”不对劲”？把它记下来。这是分析的起点。

2️⃣ 整理数据。 熟悉产品底层架构和数据库表结构，根据问题确定分析目标。然后聚合表、清理异常值、检查完整性。数据不准，分析白做。

3️⃣ 提出假设。 根据经验判断问题的可能原因。可以假设多个，然后排列优先级。这一步的关键是：假设要能被数据验证或证伪。 “用户流失是因为产品不好用”不是好假设。“用户流失是因为注册后 3 天内没有用到核心功能 A”才是。

4️⃣ 验证假设。 针对每个假设建立分析模型，跑数据。一个假设可能需要对多个维度。结果出来，对得上就是方向，对不上就换下一个。

5️⃣ 找出问题。 验证是找相关性，找出问题是定根因。有时候多个假设都成立，按重要程度排序，找到最值得解决的。

6️⃣ 提出方案。 和运营、产品、工程一起讨论，确定改善方案。分析不出方案，等于没分析。

2️⃣ 一个真实场景

拿一个具体场景举例。

假设你想分析用户付费转化。先理清几个底层问题：

用户维度： 用户来自哪些渠道？注册时间多长？最后登录是什么时候？余额多少？充值总额多少？

充值维度： 每次充值金额、充值方式、渠道来源、充值时间。

消费维度： 每次消费金额、消费时间、消费了什么产品/服务。

然后做聚合——把用户的注册信息、充值记录、消费记录关联到一个表上。这样才能回答”注册超过 30 天且充过值的用户，消费行为有什么共性”之类的问题。

3️⃣ 写代码不是产品经理的必修课

当年我还特意学了 Python 来清洗和聚合数据，写了一些 PyMongo 脚本做数据预处理。现在回头想，有这个精力去理解业务逻辑更重要。

会写代码对数据分析有加成，但不是必要条件。产品经理的核心竞争力不是数据处理能力，是”提出正确问题”的能力。

如果你能问出”为什么这批用户注册后流失了”，而不是”帮我看看用户数据怎么样”，你就已经比大部分 PM 强了。

数据不会说话。是你在问它问题。 问题问对了，数据才有答案。问错了，跑再多 SQL 也只是产生噪声。