產品經理必備技能之資料分析入門篇
阿新 • • 發佈:2019-01-07
一.資料分析門檻在那裡?
1.掌握利用資料評估產品改版(或新功能)效果的方法。2.掌握藉助資料發現產品改進關鍵點的方法。
3.學會在資料的配合下快速完成使用者畫像的方法。
4.知道如何定義資料埋點以及分析需求,並推動研發團隊實施,或者掌握一種資料分析工具(諸葛io、百度統計)。
二.資料分析如何入門?
1.不要把資料分析當成一回事來幹,應該放在你的日常工作中去做,如:
你的產品剛剛上線,看看資料與預計的主要使用者群體,使用者使用流程,頁面停留時間等等和自己的預計有什麼出入沒有?
產品迭代更新後,看看資料研究一下之前的使用者行為, 看看能不能為產品設計帶來點兒新思路?
2.資料對於我們來說只是一件工具,
不必等到一定要精通掌握所需的全部知識技能才開始做分析;
產品經理的核心工作是通過研究使用者、定義產品來創造價值。
三.產品經理應關注哪些資料指標
新增、傳播、活躍、留存、流失
舉個老農民種果樹的例子:
新增:老農民,每天種10棵果樹,每個月種200棵果樹,這就是預計新增使用者,對比前一天、前一週、前24天等。
傳播:果子成熟了,被運往各地,或者被附近的小動物吃掉,種子遍佈各地,
通過各種渠道傳播,埋下種子,成為潛在的使用者。
還有就是,他的成熟週期越短,他的傳播速度也將越快。
要考慮到一個拉新的短期效果。
活躍:這就是每天還有多少顆果樹健健康康的線上,生病了?缺水乾枯?等等
留存:這就是能存活下來的樹寶寶了,只有活的越久,活躍度越高的樹寶寶,它結的果實才越多,這顆樹才越有價值。
流失:這就是我們可憐的死去的樹寶寶了,這就是佔這段時間還活躍的樹寶寶,只有新增大於流失才會是正增長。
〔AARRR〕模式
Fig AARRR模式
高流量≠高轉化
誤區:只關心最後一步轉化
轉化率提升≠使用者體驗提升
提升轉化四步曲:
正確的使用者→流程的體驗→最佳轉化路徑→復購與增購
業務的瞭解和使用者的瞭解,才是提高轉化率本事。
四.衡量的重要性
衡量需要的資料,就是使用者在哪個時間段做了一些什麼事情,也就是使用者行為依據來衡量1. 新功能的使用率:新功能使用使用者/同期的活躍使用者。
2. 使用者是否會重複使用:重複比越高,新功能越有成功,初始佔比以及後期新功能佔比同期活躍使用者。
3. 新功能是否對所使用流程有幫助:使用漏斗篩選,對比更新前後的資料流。
4. 產品的更新對使用者產生的影響:檢視對比整體的留存率,因為產品的更新是為了留住使用者。
5. 瞭解使用者是怎麼使用新功能:場景還原,對於於自己設計的使用者流程有什麼區別從中可以怎麼去優化改變
五.發現產品改進點的步驟舉例
1.目標(起因)某旅遊App團隊發現,部分使用者下載了他們的 App 後,除了安裝後第一次開啟,後續使用的很少。
一直到了 2016 年下半年,他們終於騰出手來,想要提升一下這部分使用者的活躍度。
(你可以思考一下哪些資料指標能夠反映使用者的活躍度)
2.根據目標對使用者分群
選取兩週前新增的一批使用者作為初始的研究物件將這群使用者,
按照「活躍度高低」(目標)不同,將使用者分若干群,
並從中選取出「非常 活躍」和「不太活躍」的兩群使用者做深入研究
3.對比使用者群,尋找差異
接下來,旅遊產品團隊團隊對「非常活躍」和「不太活躍」的兩群使用者,從各個角度進行了對比:
人群屬性: 您應用能採集到的所有使用者的人口屬性,比如性別、年齡、使用者等級等;
使用環境: 如所在地區、來源渠道、裝置品牌、作業系統版本、App 版本、螢幕解析度等;
整體行為特徵: 如第一次訪問時間、最後一次訪問時間、過去 30 天總訪問次數、過 去 30 天總訪問時長;
使用者行為: 某個具體行為的發生次數(比如「成功釋出旅行心得」的次數);
某個具體行為發生的特徵(比如「第三方分享」的平臺);
過程轉化率:比如「購物下單」過程的轉化率和完成率;
留存:比如「次日留存率」、「周留存」等。
4.發現差異,探尋背後原因
對上一步得到使用者群之間的差異,進行逐項分析:
首先,排除一些理所應當(無趣兒)的差異(比如活躍的使用者會比不活躍的使用者的訪 問時間長 ;)
然後,對剩下的(有趣兒的)差異,探索並其背後的原因。
以旅遊產品團隊為例,
他們在對「非常活躍」和「不太活躍」使用者的差異進行分析篩選之後,
得到了一個有趣的發現,
「非常活躍」的使用者,大多在安裝 App 後的兩天內完成了以下行為:
瀏覽旅行頁面詳情
加好友
釋出自己的旅行心得
5.根據發現改進產品
將 App 首介面改為「推薦」「最新」,新使用者首次訪問時直接展示熱門旅行專案,
並根據使用者的 興趣(訪問記錄)展示使用者感興趣的旅行專案;
將「旅行日誌」的導航地位提升。
6.衡量改版是否達到預期效果
新版釋出後,旅行產品團隊持續追蹤了一段時間的資料,發現新版的效果非常明顯:
改版後用戶的啟動應用次數是改版前 1.4 倍
改版後用戶的單次訪問時長是改版前的 1.3 倍
新使用者的次日留存率是改版前的 1.2 倍(長期留存的提升與次日留存接近) 非常驕人的成績!