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。
