編輯導(dǎo)語：數(shù)據(jù)分析對于產(chǎn)品工作是十分關(guān)鍵的，但是在日常工作過程中常常會出現(xiàn)各種各樣的問題，本篇文章作者分享了產(chǎn)品上線后的常見的數(shù)據(jù)分析等內(nèi)容，一起來學(xué)習(xí)一下吧。

數(shù)據(jù)分析是產(chǎn)品工作中重要的一環(huán)，但真實工作場景中，會受到諸多的限制，包括但不限于數(shù)據(jù)缺失、臟數(shù)據(jù)極多、數(shù)據(jù)工程與數(shù)據(jù)分析的資源缺失、項目時間等等。

很多項目，都是在沒有完整數(shù)據(jù)分析支持的情況下落地的。

這篇文章想聊下常見的數(shù)據(jù)分析和幾類項目的數(shù)據(jù)分析。

前者多是知識的堆砌，后者多是個人的經(jīng)驗。

一、常見的數(shù)據(jù)分析

統(tǒng)計課上將各類方法分為描述性統(tǒng)計與推論性統(tǒng)計，但在實際的業(yè)務(wù)情景中，需要的數(shù)據(jù)分析結(jié)論能明確的指導(dǎo)業(yè)務(wù)動作。需要了解，面對各類情景，需采用怎樣的分析方法。

一個大佬的總結(jié)到，常見的、高頻的數(shù)據(jù)分析方法或情景有三類：對比、下鉆、分布。這三者能覆蓋大多數(shù)產(chǎn)品的工作了。其余的數(shù)據(jù)分析模型，聚類、分類等在實際中應(yīng)用的較少。

1. 對比

將兩組樣本進行對比。包括橫向的對比，比如A樣本組 vs B樣本組，以及縱向的對比，比如A樣本組在a時段的表現(xiàn) vs b時段的表現(xiàn)。

假設(shè)檢驗中常用的方法為t檢驗、f檢驗，但據(jù)我觀察除非樣本量較小，或者相對值較小的情況，很少用到假設(shè)檢驗的方法去判斷差異顯著性，更多的是基于兩者對比的差值來做判斷。

2. 下鉆

下鉆指的是將1個一級指標(biāo)拆解為n個二級指標(biāo)，再拆解為m個三級指標(biāo)。

包括行為的下鉆（漏斗分析、路徑分析等），也包括指標(biāo)的下鉆（DAU拆解等）。

下鉆分析過程中，常用的分析原則為“MECE原則”，指的是拆解過程中每一級指標(biāo)間不遺漏、不重疊。

3. 分布

分布指的是看一組樣本的某個數(shù)據(jù)的表現(xiàn)，包括集中趨勢（平均值）以及離散趨勢（標(biāo)準(zhǔn)差）等。往往通過散點圖或箱線圖的形式呈現(xiàn)。

同時，基于分布，也可以看未來的數(shù)據(jù)表現(xiàn)趨勢，比如通過不同時間點留存值的分布，看未來時間上留存的表現(xiàn)趨勢。

二、幾類項目的數(shù)據(jù)分析

“項目上線后的數(shù)據(jù)分析”，這個影響的因素太多了，公司、個人、項目等等。

不同方向的項目，能夠調(diào)用的數(shù)據(jù)資源，分析的價值，難度都是不一樣的。

但對于每一個產(chǎn)品，通過數(shù)據(jù)結(jié)果來證明項目價值與作用，在當(dāng)今這么卷的背景下，是工作中重要的一環(huán)。

1. 低難度——策略試驗

策略類產(chǎn)品往往上線前就有完整的數(shù)據(jù)假設(shè)，實驗方案與資源，上線后的數(shù)據(jù)分析并不困難。

能拿到精確的結(jié)果。需要注意的是實驗分組需規(guī)避其他實驗組的影響，不過大多有實驗平臺，或者依靠哈希值分組，能夠較好的處理這一點。

2. 中難度——活動向&C端功能向

大多有明確的數(shù)據(jù)指標(biāo)導(dǎo)向，比如拉新、拉活、拉營收等等。

這些活動的數(shù)據(jù)分析，核心需要規(guī)避掉其他無關(guān)因素對結(jié)果的影響。

最常見的影響因素是時間，一個時間段內(nèi)可能有多個活動進行，需要選取樣本時進行一定的篩選，保證樣本間的對比是無其余近期上線活動、功能的干擾。

另一個在對比時需要規(guī)避的是樣本組內(nèi)其余變量的干擾。

比如，參加活動的有可能天然是那些積極的用戶，這些用戶本身就比不參加活動的用戶有更好的互動、營收，那么結(jié)果的信效度就會受到挑戰(zhàn)。

常見的方式是通過用戶分層，來細化分析，這一方式簡單，但比較粗糙。

我更認可的是采用傾向性匹配得分（PSM），通過羅輯回歸，選取1-2個對目標(biāo)變量（活躍）影響最大的核心維度（如歷史付費），通過控制樣本間1-2個核心維度的指標(biāo)相同（方差齊性），來保證樣本間對比的有效性。

3. 高難度——體驗優(yōu)化&通用能力

這些需求項目在業(yè)務(wù)中也經(jīng)常遇到，但立項之初核心解決的問題可能更偏向用戶的具體訴求，而非某一個具體的指標(biāo)。

體驗優(yōu)化的項目是其一。

舉個不恰當(dāng)?shù)睦?，原先app中所有的交互都是不一致的，高度不一樣，彈窗并發(fā)等等，體驗很差，設(shè)計和產(chǎn)品同學(xué)把所有的交互UI都統(tǒng)一了，邏輯也更合理，是一次體驗優(yōu)化。

但這種體驗優(yōu)化，短時間內(nèi)其實很難表明其價值，或者很難用數(shù)據(jù)來衡量其價值。這就需要長期的觀測，或者是依賴用戶研究的支持，通過NPS等指標(biāo)來輔助分析。

但如果在一個非常卷的公司里，可能產(chǎn)品還沒拿到長期或其他的數(shù)據(jù)分析，就已經(jīng)因為沒有數(shù)據(jù)能證明項目價值被開除了。

基礎(chǔ)能力建設(shè)的項目是其二。

一些業(yè)務(wù)的基礎(chǔ)能力（非中臺能力），比如美顏能力（不是很恰當(dāng)?shù)睦樱?，這是一個非常核心但基礎(chǔ)的功能，如果是從0建設(shè)起來，在用戶層面一定是有價值的，但其核心影響的指標(biāo)是？

后向的觀測指標(biāo)是？這些指標(biāo)往往非常的多，但每一個可能相關(guān)性都不是那么高。那么，剩下的指標(biāo)可能就是該功能的滲透率了。

對于這類項目，會遇到一個尷尬的點，核心觀測指標(biāo)是功能的滲透率，但功能滲透率并不說明價值，需要其他的后向指標(biāo)來輔助。

功能向體驗優(yōu)化是提升產(chǎn)品的用戶價值的，但這些短期內(nèi)難以有明顯的數(shù)據(jù)變化趨勢，同時效果很難歸因。這類項目往往也爭取不到數(shù)據(jù)資源，需要依賴產(chǎn)品本身的數(shù)據(jù)能力。

還有一類是B端的項目，但我對B端不熟悉，就不再展開了。

上述在數(shù)據(jù)分析上的難度，往往是由于項目前期沒有明確的量化假設(shè)所造成的。

需要提前想清楚項目貢獻的數(shù)據(jù)的表現(xiàn)差異，盡可能的通過版本灰度期間的數(shù)據(jù)對比，通過前端的埋點數(shù)據(jù)，進行分析，拿到可信的結(jié)果。

本文由 @斯金納的咕 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于 CC0 協(xié)議。