产品运营如何做好数据挖掘与分析
产品经理在日常工作中，最重要的是要提高数据分析能力，除了数据产品经理，其他产品经理并不需要数据挖掘能力。而提高数据分析能力，则要建立数据分析的知识体系和方法论。这两年，随着大数据、精益化运营、增长黑客等概念的传播，数据分析的思维越来越深入人心。处于互联网最前沿的产品经理们接触了大量的用户数据，但是却一直困扰于如何做好数据分析工作。那么产品经理该如何搭建自己的数据分析知识体系？数据分析的价值又在哪里？产品经理做数据分析有哪些具体的方法？又如何学习数据分析？本文将和大家分享一下这些问题。Part1|数据分析体系：道、术、器「道」是指价值观。产品经理要想是做好数据分析，首先就要认同数据的意义和价值。一个不认同数据分析、对数据分析的意义缺乏理解的人是很难做好这个工作的。「术」是指正确的方法论。现在新兴的「GrowthHacker」（增长黑客）概念，从AARRR框架(获取、激活、留存、变现与推荐五个环节）入手进行产品分析，这是一个非常好的分析方法。「器」则是指数据分析工具。一个好的数据分析工具应该能帮助产品经理进行数据采集、数据分析、数据可视化等工作，节省产品经理的时间和精力，帮助产品经理更好理解用户、更好优化产品。Part2|数据分析的价值产品经理不能为了数据分析而分析，而要将落脚点放到产品和用户上。数据分析应该帮助产品经理不断优化产品设计和迭代，驱动产品和用户增长。当我们上线了一个新的产品（proct）或者功能时，需要对其进行数据监控和衡量（measure）。然后从监控中采集到产品的用户行为数据（data），并对这些数据进行分析和总结（learn）。最后从分析中得出结论和观点（idea），如果数据证明我们的新产品/功能是优秀的，那么可以大力推广；如果数据说明我们的产品还存在问题，就需要对产品进行新一轮的优化（build）。在「产品——数据——结论」的不断循环中，我们不断用数据来优化我们的产品，加快产品迭代的步伐、提升用户体验。Part3|数据分析的方法1.流量分析a.访问/下载来源，搜索词网站的访问来源，App的下载渠道，以及各搜索引擎的搜索关键词，通过数据分析平台都可以很方便的进行统计和分析，分析平台通过归因模型判断流量来源，产品经理在分析这些流量时，只需要用自建或者第三方的数据平台追踪流量变化即可，第三方平台如GoogleAnalytics、GrowingIO等；b.自主投放追踪平时我们在微信等外部渠道投放文章、H5等，许多产品都会很苦恼无法追踪数据。分析不同获客渠道流量的数量和质量，进而优化投放渠道。常见的办法有UTM代码追踪，分析新用户的广告来源、广告内容、广告媒介、广告项目、广告名称和广告关键字。c.实时流量分析实时监测产品的访问走势，尤其要关心流量异常值。举个例子，某互联网金融平台因为一个产品Bug导致用户疯狂抢购造成的流量峰值，产品经理发现实时数据异常后迅速下线该产品修复Bug，避免了损失扩大。2.转化分析无论是做网站还是App，产品里面有很多地方需要做转化分析：注册转化、购买转化、激活转化等等。一般我们借助漏斗来衡量用户的转化过程。影响转化率的因素很多，我们总结了三个大的方面：渠道流量、用户营销、网站/APP体验。以渠道流量为例，通过优选渠道并且量化分配我们的投放资源，可以有效提升总体的转化率。3.留存分析在互联网行业里，通常我们会通过拉新把客户引过来，但是经过一段时间可能就会有一部分客户逐渐流失了。那些留下来的人或者是经常回访我们公司网站/App的人就称为留存。在一段时间内，对某个网站/App等有过任意行为的用户，称之为这个网站/App这段时间的活跃用户，这个任意行为可以是访问网站、打开App等等。现在大家经常会用到所谓的「日活」（日活跃用户量，DAU）、「周活」（周活跃用户量，WAU）来监测我们的网站，有的时候会看到我们的「日活」在一段时期内都是逐渐地增加的，以为是非常好的现象，但是如果没有做留存分析的话，这个结果很可能是一个错误。留存是产品增长的核心，用户只有留下来，你的产品才能不断增长。一条留存曲线，如果产品经理不做什么的话，那么用户就慢慢流失了。这是一个常见的留存曲线，我把它分成了三个部分：第一部分是振荡期，第二部分是选择期，第三部分是平稳期。从产品设计的角度出发，找到触发留存的关键行为，帮助用户尽快找到产品留存的关键节点。之前我们发现我们产品里面，使用过“新建”功能用户的留存度非常高；于是我们做了产品改进，将“新建”按钮置于首页顶部刺激用户使用，效果非常好。硅谷流行的MagicNumber（魔法数字）也是留存分析的一部分，比如Facebook发现「在第一周里加10个好友」的新用户留存度非常高。作为产品经理，我们也需要通过数据分析来不断探索我们产品里面的魔法数字，不断提高用户留存度和活跃度。更详细的留存分析方法，可以参考这篇文章你能找到的最深入的留存分析文章-留存·增长·MagicNumber?。4.可视化分析用户体验，是一个非常抽象的概念，我们可以对其进行形象化。目前一个普遍的方法就是对用户的数据进行可视化，以热图的形式呈现。借助热图，产品经理可以非常直观了解用户在产品上的点击偏好，检验我们的产品设计或者布局是否合理。5.群组分析&挖掘用户需求、改进及优化产品千人千面，产品经理对用户精细化的分析必不可少。不同区域、不同来源、不同平台甚至不同手机型号的用户，他们对产品的使用和感知都可能存在巨大的差异。产品经理可以对不同属性的用户进行分群，观察不同群组用户的行为差异，进而优化产品。之前我们做过一次分析，网站的总体注册转化率是6%；但是使用Chrome浏览器的新用户注册转化率高达12%，使用IE浏览器的新用户注册转化率才1%。这样一分的话，问题就很明显了，极有可能是浏览器兼容性的问题，产品经理应该关注一下这个问题。Part4|数据分析的书籍做好数据分析，不是一朝一日就可以的，需要在产品规划设计、产品升级迭代中不断实践。下面的这些书籍对于产品经理学习数据分析都有一定的帮助：推荐1：@范冰XDash的《增长黑客》这是国内对于增长黑客的第一本详细介绍，作者从AARRR的视角切入，描述了大量产品优化、产品增长的案例，对于产品经理非常有益。推荐2：埃里克·莱斯的《精益数据分析》在这本书里面，作者介绍数据分析的相关指标、不同行业的数据分析要点，并且有大量的数据分析案例和翔实数据。如果想要把数据分析落地，这本书对产品经理是非常有帮助的。推荐3：我们一直在做互联网行业数据分析知识的普及，目前我们已经做了14期「GrowingIO数据分析公开课」，面向产品经理、运营等等，这里是GrowingIO的产品和分析师写的《互联网增长第一本数据分析手册》这里面汇编了我们一年多来数据分析、产品优化的实战案例，里面不少文章被被大号转过，例如《如何成为一个优秀的数据产品经理》等等。下载电子版的分析手册，请参考这里互联网增长的第一本数据分析手册。推荐4：埃里克·莱斯的《精益创业》作者提出了最小可行性产品（MVP）、小步快跑，快速迭代等产品设计和优化的理念，影响深远。总之，数据分析是一门多学科、多领域的交叉学问，涉及到的东西非常多。产品经理要想做好数据分析，应该有一套完整的思维体系，在价值观、方法论和工具三个层面上储备相关知识。同时立足于产品和用户，用数据来打磨产品，用数据来检验迭代，不断提升用户体验，希望大家都能找到合适自己的岗位实现择优就业。
产品运营的数据分析是怎样的？需要用到什么工具？
产品运营做数据分析，最重要的就是具备数据分析的思维、掌握数据分析的方法、会使用数据分析的工具接下来就从这3个方面，为大家一一阐述！干货较多，建议先马再看一，数据分析的思维作为产品运营必须思考：数据本质的价值，究竟在哪里？从这些数据中，我们可以学习到什么？又可以指导我们做什么？面对海量的数据，很多产品运营人员都不知道从如何准备、如何开展，如何得出结论。下面就为大家介绍做数据分析时1个经典的五步走思路：第一步，要先挖掘业务含义，理解数据分析的背景、前提以及想要关联的业务场景结果是什么。第二步，需要制定分析计划，如何对场景拆分，如何推断。第三步，从分析计划中拆分出需要的数据，真正落地分析本身。第四步，从数据结果中，判断提炼出商务洞察。第五步，根据数据结果洞察，最终产出商业决策。举个例子：某国内互联网金融理财类网站，市场部在百度和hao123上都有持续的广告投放，吸引网页端流量。最近内部同事建议尝试投放神马移动搜索渠道获取流量；另外也需要评估是否加入金山网络联盟进行深度广告投放。在这种多渠道的投放场景下，如何进行深度决策？我们按照上面商业数据分析流程的五个基本步骤来拆解一下这个问题。第一步：挖掘业务含义。首先要了解市场部想优化什么，并以此为北极星指标去衡量。对于渠道效果评估，重要的是业务转化：对P2P类网站来说，是否发起“投资理财”要远重要于“访问用户数量”。所以无论是神马移动搜索还是金山渠道，重点在于如何通过数据手段衡量转化效果；也可以进一步根据转化效果，优化不同渠道的运营策略。第二步，制定分析计划。以“投资理财”为核心转化点，分配一定的预算进行流量测试，观察对比注册数量及最终转化的效果。记下俩可以持续关注这些人重复购买理财产品的次数，进一步判断渠道质量。第三步，拆分查询数据。既然分析计划中需要比对渠道流量，那么我们需要各个渠道追踪流量、落地页停留时间、落地页跳出率、网站访问深度以及订单等类型数据，进行深入的分析和落地。第四步，提炼业务洞察。根据数据结果，比对神马移动搜索和金山网络联盟投放后的效果，根据流量和转化两个核心KPI，观察结果并推测业务含义。如果神马移动搜索效果不好，可以思考是否产品适合移动端的客户群体；或者仔细观察落地页表现是否有可以优化的内容等，需找出业务洞察。第五步，产出商业决策。根据数据洞察，指引渠道的决策制定。比如停止神马渠道的投放，继续跟进金山网络联盟进行评估；或优化移动端落地页，更改用户运营策略等等。每次做数据分析时，产品运营都可以参考这5步。二，数据分析的方法这里给大家介绍数据分析常见的8种方法，掌握这8种方法，对于初中阶产品运营的人来说基本足够。我们以一个电子商务网站为例，用数据分析产品GrowingIO对该网站进行快速地数据采集、清晰和可视化展示，然后给大家分享这8种常见的数据分析方法。1.数字和趋势看数字、看趋势是最基础展示数据信息的方式。在数据分析中，我们可以通过直观的数字或趋势图表，迅速了解例如市场的走势、订单的数量、业绩完成的情况等等，从而直观的吸收数据信息，有助于决策的准确性和实时性。对于电子商务网站，流量是非常重要的指标。上图中，我们将网站的访问用户量（UV）和页面浏览量（PV）等指标汇汇聚到统一的数据看板（Dashboard），并且实时更新。这样的一个数据看板，核心数字和趋势一目了然，对于我们来说一目了然。2.维度分解当单一的数字或趋势过于宏观时，我们需要通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。在选择维度时，需要仔细思考其对于分析结果的影响。举个例子，当监测到网站流量异常时，可以通过拆分地区、访问来源、设备、浏览器等等维度，发现问题所在。图7中，当天网站的访问用户量显著高于上周，这是什么原因呢？当我们按照访问来源对流量进行维度拆分时（图9），不难发现直接访问来源的访问量有非常大的提升，这样就进一步把问题聚焦了。3.用户分群针对符合某种特定行为或背景信息的用户，进行归类处理，是我们常常讲到的用户分群（segmentation）的手段。我们也可以通过提炼某一群用户的特定信息，创建该群体用户的画像。例如访问购物网站、寄送地址在北京的用户，可以被归类为“北京”用户群体。而针对“北京”用户群体，我们可以进一步观察他们购买产品的频度、类别、时间，这样我们就创建出该用户群体的画像。在数据分析中，我们往往针对特定行为、特定背景的用户进行有针对性的用户运营和产品优化，效果会更加明显。上图中，我们通过GrowingIO的用户分群功能将一次促销活动中支付失败的用户挑选出来，然后推送相应的优惠券。这样精准的营销推广，可以大幅度提高用户支付的意愿和销售金额。4.转化漏斗绝大部分商业变现的流程，都可以归纳为漏斗。漏斗分析是我们最常见的数据分析手段之一，无论是注册转化漏斗，还是电商下单的漏斗。通过漏斗分析可以从先到后还原用户转化的路径，分析每一个转化节点的效率。其中，我们往往关注三个要点：第一，从开始到结尾，整体的转化效率是多少？第二，每一步的转化率是多少？第三，哪一步流失最多，原因在什么地方？流失的用户符合哪些特征？上图中注册流程分为3个步骤，总体转化率为45.5%；也就是说有1000个用户来到注册页面，其中455个成功完成了注册。但是我们不难发现第二步的转化率是56.8%，显著低于第一步89.3%和第三步转化率89.7%，可以推测第二步注册流程存在问题。显而易见第二步的提升空间是最大的，投入回报比肯定不低；如果要提高注册转化率，我们应该优先解决第二步。5.行为轨迹关注行为轨迹，是为了真实了解用户行为。数据指标本身往往只是真实情况的抽象，例如，网站分析如果只看访问用户量（UV）和页面访问量（PV）这类指标，断然是无法全面理解用户如何使用你的产品。通过大数据手段，还原用户的行为轨迹，有助于增长团队关注用户的实际体验、发现具体问题，根据用户使用习惯设计产品、投放内容。上图中展示了一位用户在某电商网站上的详细行为轨迹，从官网到落地页，再到商品详情页，最后又回到官网首页。网站购买转化率低，以往的业务数据无法告诉你具体的原因；通过分析上面的用户行为轨迹，可以发现一些产品和运营的问题（比如是不是商品不匹配等等），从而为决策提供依据。6.留存分析在人口红利逐渐消褪的时代，留住一个老用户的成本要远远低于获取一个新用户。每一款产品，每一项服务，都应该核心关注用户的留存，确保做实每一个客户。我们可以通过数据分析理解留存情况，也可以通过分析用户行为或行为组与回访之间的关联，找到提升留存的方法。在LinkedIn，增长团队通过数据发现，如果新用户进来后添加5个以上的联系人（上图红色线条），那么他／她在LinkedIn上留存要远远高于那些没有添加联系人（上图绿色和紫色的线条）的留存。这样，添加联系人称为LinkedIn留存新用户的最核心手段之一。除了需要关注整体用户的留存情况之外，市场团队可以关注各个渠道获取用户的留存度，或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等等，这些都是常见的留存分析场景。7.A/B测试A/B测试用来对比不同产品设计／算法对结果的影响。产品在上线过程中经常会使用A/B测试来测试不同产品或者功能设计的效果，市场和运营可以通过A/B测试来完成不同渠道、内容、广告创意的效果评估。举个例子，我们设计了两种不同的产品交互形式，通过比较实验组（A组）和对照组（B组）的访问时长和页面浏览量两个衡量指标，来评估哪一种交互形式更佳。要进行A/B测试有两个必备因素：第一，有足够的时间进行测试；第二，数据量和数据密度较高。因为当产品流量不够大的时候，做A/B测试得到统计结果是很难的。而像LinkedIn这样大体量的公司，每天可以同时进行上千个A/B测试。所以A/B测试往往在公司数据规模较大时使用会更加精准，更快得到统计的结果。8.数学建模当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数学建模、数据挖掘的手段进行建模，预测该商业结果的产生。作为一家SaaS企业，当我们需要预测判断客户的流失时，可以通过用户的行为数据、公司信息、用户画像等数据建立流失模型。利用统计学的方式进行一些组合和权重计算，从而得知用户满足哪些行为之后流失的可能性会更高。我们常常说，不能度量，就无法增长，数据分析对于企业商业价值的提升有着至关重要的作用。当然，仅仅掌握单纯的理论还远远不够，实践出真知。数据分析的方法大家不妨在自己日常工作中，有分析相关项目里尝试使用，相信可以事半功倍，创造更多商业价值。三，数据分析的工具作为产品运营，面对海量的数据，肯定是需要借助数据分析工具的。以前，产品运营一般都会经过数据采集、数据整理、数据透视、数据分析这四个步骤，来完成一次数据分析。通常会用到以下工具：数据采集：Python、GoogleAnalytics等数据整理：Excel、SQL等数据透视：Excel、PowerPoint等数据分析：Excel、MATLAB等在这个过程中，数据采集、整理、透视基本会花费产品运营70%以上的时间，这就导致了最具价值的数据分析部分时间被挤压，为了在有限时间内完成数据分析工作，产品运营的数据分析价值可能会因此大打折扣。GrowingIO产品分析示图现在，通过GrowingIO产品分析，产品运营人员可以节省下大量数据采集、整理、透视的时间，只需简单集成SDK，就可以通过GrowingIO自定义各种可视化图表（漏斗分析、趋势分析、分布分析、用户画像等），把时间真正落到数据分析上来，发挥产品运营数据分析真正的价值。作为产品运营，有了数据分析思维、掌握了数据分析方法后，善用数据工具也是十分重要的。能为我们节省大量的时间，发挥我们真正的价值。知友福利：点击领取GrowingIO产品分析（支持网站、App、小程序）15天使用特权最后各位少侠走过路过记得点个赞哦～
