產品經理能力方法論(一):資料分析
產品小白專屬,10周線上特訓,測、練、實戰,22位導師全程帶班,11項求職服務,保障就業! ofollow,noindex">瞭解詳情
產品經理的關鍵能力是:看得準、想得清楚、說得明白、做得快;而要成為更高階的產品經理,還要有需求升維、全域性視野、高階學習思維技能。我將寫一個系列文章,詳細總結各個能力的方法論,相信對剛入門甚至3-5年的產品經理來說,能少走不少彎路。今天先說第一篇:資料分析。
產品經理的關鍵能力是什麼?
我很同意白鴉說的:看得準、想得清楚、說得明白、做得快;這是從結果論而言的。
從過程論來說,是具備這些關鍵能力:需求定義、資料分析、專案管理、決策溝通。這些方面功底紮實,可以是一個高執行力的產品經理。
而要成為更高階的產品經理,還要有需求升維、全域性視野、高階學習思維技能。
我將寫一個系列文章,詳細總結各個能力的方法論。這些都是多年產品經歷的血淚史,相信對剛入門甚至3-5年的產品經理來說,能少走不少彎路。
今天先說第一篇:資料分析。
老闆:這個功能上線,效果怎麼變差了,什麼原因?
PM 內心:MMP,難道不是自然波動嗎?
工作中經常需要資料分析,但有時原因真的很難找;或者就算覺得找到了,也難以用資料證明。有時找到了方向,取了一大堆數,算了半天,發現缺少某個維度的資料,又要重新求著資料部門要資料。找到了想要的資料,又恨自己數到用時Excel 技能少。
總之:一到資料分析要耗費不少時間。
不過沒關係,今天3個步驟教大家高效的資料分析方法。其實,Excel 這些工具技巧真的沒那麼重要,資料分析困難和費時主要還是提煉思路的部分。這個部分想清楚了,自然就高效了。
步驟一:拋開預設結論,窮盡維度搜集資料
通常產品上線一週,會有一些關於上線效果的推測的結論。但在這一步,不要直接根據假設取數,而要蒐集產品維度相關的所有資料。
我們往往會先依據預設假設去要資料。而一旦從資料中發現其他問題,又要再次要資料,從頭分析,浪費時間。
舉個具體的例子:
假設有個平臺為使用者提供接送機服務,有 X 和 Y 兩個服務供應商在服務,這個平臺有 D、E,2個渠道售賣這個服務。D 渠道又分為 D1、D2 、D3,3個子渠道,現在在D1、D2 上下線了 X 供應商。
一週後資料週報顯示 D1、D2 的訂單完成單減少,需要 PM 給出解釋。
這裡先解釋下,接送機服務使用者下單後,上車到達機場或目的地算訂單完成。中間使用者沒有坐車,比如使用者取消,或者沒有司機接單導致訂單取消,都算這個訂單沒有完成。
初始推測的假設是:D1、D2 下線 X 供應商,導致 Y 供應商下單增長,但是沒有那麼多司機接單,因而完成單減少。
那這個時候取數不能只去看 D1、D2 下線前後訂單數、完成單數的變化。而是應該把D3、整個 D 渠道、E 渠道和平臺渠道在前後的訂單數、完成單數都取一遍。萬一 D3 完成單也減少了呢?可能就是渠道的原因。
取數範圍關注:
- 變化如何:比較 D1、D2 的變化趨勢、變化比例
- 有變化和無變化的比較:D1、D2 VS D3, D VS E
取數邏輯關注:
- Y 下單增長的渠道,完成單如何變化
- Y 下單未增長甚至下降的渠道,完成單如何變化
- Y 下單增長量大和小的渠道,完成單如何變化
步驟二:從初始資料中建立一些假設
關鍵詞:假設
資料分析的核心是建立建設、驗證假設。
所以其實不需要多麼高深的數學或統計學知識,只要有最基本的假設檢驗的概念就可以了。(但如果要對資料分析有很好的巨集觀認知,還是要系統學一下統計學。我曾花過兩整週學完統計學,只不過工作中很少用到除了假設檢驗外的其他知識。)
在步驟一中,你可能找到一些蛛絲馬跡似乎能論證結論。例如你發現了某個資料變化的同時結論資料也變化了。但是要記住這個線索只是假設,不要立刻當成結論。否則的話很可能會在後面被新出現的證據推翻。
在這一步中,把發現的線索當作假設,然後應該思考怎麼進一步去論證,需要哪些進一步的資料。
步驟三:進一步蒐集資料,論證假設
1. 是自然下降/上升嗎?
出現數據問題,可以先評估是自然波動嗎?
假設步驟一中的案例,渠道 E 中 X 供應商在某個週末下單數增加。它的應單率減少。應單率指的是在使用者下的訂單中,司機接單的數量。
提出假設:X 下單數增加導致司機運力不足,從而應單率減少。
但首先可以評估是否自然波動。例如是否只要週末 X 的應單率就會下降。可以對比之前週末的資料。
2. 有可能是整體性因素嗎?
排除了自然波動,看一下是否有整體性因素?
例如那週末暴雨,導致航班變化、取消比較多。因而訂單自動取消了。而這個因素不僅僅影響 X 供應商,也會影響 Y 供應商。那麼可以看 Y 供應商的應單率是否也下降了。
3. 是假設導致的嗎?
排除了以上2種情況,就要開始論證假設;假設論證一般是因果關係的論證。
1) 單一因果關係
即A導致B,這一論證除了去看出現 A 是否出現 B,還要看:
- 出現 A 是否有非 B
- 未出現 A 是否一定是非 B 是否有 B
- 有 B 的情況是否一定是 A,是否有非 A
- 非 B 的情況是否有 A,是否是非 A例如,要論證 A 的增長引起了 B 的增長,通常需要看
- 有 A 增長時,B是否增長
- A 不變或下降時,B 是否不變或下降
- A 增長幅度大或小時,B 增長幅度是否大或小
- 以及反面的情況
如果只能看到 A 和 B 的資料,沒有非 A 或非 B 的資料怎麼辦呢?
例如我們在接送機的列表頁新上了一個返現報價的產品。但是購買返現產品的使用者比較少。由於返現產品原價高會被價格低的普通產品擠下去,導致有些情況使用者在第一屏看不到返現報價。
我們推測返現整體露出少(A)所以效果差(B),但除了做 AB 測試再定義個邏輯,我們不可能找到整體返現露出多的情況。
這個時候,可以看 子維度 。
- 看子維度,且不要只看一個子維度,窮盡子維度是否能得出假設。
- 看子維度的子維度。看子維度是否能再分也能提供資訊。
不同車型(經濟型、舒適型、豪華型等)都有返現,有些車型普通產品少,返現產品露出多,返現露出多的車型效果是否更好?
還有一個子維度是城市,有些城市的普通產品也比其他城市少。不同城市的不同車型露出不同,該城市該車型露出多,該城市該車型是否效果好?等等。
2)因果鏈條
有時,一件事不能很直接找到原因,而是有一個長的因果鏈。那應該找出因果鏈每一環,定義測量指標,對每一環論證。
例如步驟一里的案例實際是個因果鏈。
Y 供應商下單增長(指標:下單數) -> 導致司機運力不足(指標:應單率=接單數/下單數) -> 接不起(指標:完成單率=完成單數/接單數)
除了看下單數和完成單數,還要關注應單率的變化。
這一步驟中會有一個問題:有些資料比較難找。此時可以 進行估算 。
例如:評估產品露出對返現影響那個專案時,需要看不同城市的露出率。由於接送機需要使用者先輸入時間地址,再根據使用者選擇的區域展示該區域的產品。有些區域有返現露出,有些沒有。前端很難記錄多少概率下該城市返現是露出的。
於是我就想:如果知道一個城市的熱門區域地址,將它們一個個輸入檢視,記錄是否露出,不就能估算該城市的返現露出率了嗎?
那怎麼知道一個城市熱門區域有哪些呢?
我開啟攜程酒店,上面就有城市熱門區域嘛~接送機的客戶一般都是旅遊或出差,所以酒店入住的熱門區域也差不多是接送機使用者地址的熱門區域。
步驟四:得出結論
完美。
本文由 @Tara 原創釋出於人人都是產品經理,未經許可,禁止轉載。
題圖來自 Unsplash,基於CC0協議。