作者根據(jù)個人經(jīng)驗(yàn)總結(jié)，分享了關(guān)于產(chǎn)品管理中數(shù)據(jù)分析的幾個關(guān)鍵點(diǎn)，一起來看。

和硅谷的產(chǎn)品管理相比，中國科技行業(yè)產(chǎn)品管理領(lǐng)域顯著忽略的一個內(nèi)容是數(shù)據(jù)分析在產(chǎn)品管理中的應(yīng)用（customer analytics, product analytics, marketing analytics, etc）。幾乎所有的公司會同意數(shù)據(jù)分析在產(chǎn)品管理中的重要作用，但只有20%（根據(jù)我個人的經(jīng)驗(yàn)）左右的公司在實(shí)踐中真正努力的貫徹數(shù)據(jù)分析并利用數(shù)據(jù)分析指導(dǎo)自己的業(yè)務(wù)。

造成這種現(xiàn)象的原因是多方面的：

一是在中國科技行業(yè)中，產(chǎn)品經(jīng)理得到的授權(quán)不夠：不像硅谷的公司的產(chǎn)品經(jīng)理會負(fù)責(zé)產(chǎn)品的方方面面，中國公司的產(chǎn)品經(jīng)理的主要任務(wù)是定義產(chǎn)品的需求、功能、路線圖，領(lǐng)導(dǎo)團(tuán)隊按時交付（deliver） 產(chǎn)品。產(chǎn)品前期需要進(jìn)行什么樣子的市場活動，需要引入多少用戶，產(chǎn)品上市后在市場上的表現(xiàn)如何，如何改進(jìn)產(chǎn)品的表現(xiàn)等工作任務(wù)，很多時候不在產(chǎn)品管理部門。

二是精細(xì)化產(chǎn)品管理，特別是假設(shè)驅(qū)動、數(shù)據(jù)驅(qū)動，一直沒有在中國科技公司中得到很好的貫徹。

三是缺少數(shù)據(jù)科學(xué)（Data Science）領(lǐng)域中的相關(guān)人才。這一點(diǎn)不僅在中國如此，在其他很多國家也是如此。

這篇文章從我個人的經(jīng)驗(yàn)出發(fā)，談一下產(chǎn)品管理中數(shù)據(jù)分析的幾個關(guān)鍵點(diǎn)。這幾個關(guān)鍵點(diǎn)不涉及具體的分析手段、工具，但這些關(guān)鍵點(diǎn)往往觸及潛意識中我們的思維習(xí)慣，更能影響工作的效果。

假設(shè)驅(qū)動，而不是數(shù)據(jù)驅(qū)動/Hypothesis driven,?Not Data Driven

很多公司標(biāo)榜自己采用data driven的方法，各項(xiàng)決策都要有有力的數(shù)據(jù)支撐。實(shí)踐當(dāng)中，這往往是錯誤的方法，經(jīng)常會浪費(fèi)很多分析資源而又找不到問題的關(guān)鍵。原因是，數(shù)據(jù)驅(qū)動（data driven）不能提供真正的洞見（insights）.

數(shù)據(jù)只存在于“待驗(yàn)證的假設(shè)”的框架之中（Data only exist in the framework of hypothesis）。換句話說，只有存在預(yù)先的假設(shè)，才能指導(dǎo)你瞄準(zhǔn)哪里去尋找數(shù)據(jù)。因此，正確的方法應(yīng)該是假設(shè)驅(qū)動（Hypothesis Driven）。

比如，產(chǎn)品的新版本發(fā)布之后，每日活躍用戶（DAU – Daily Active User） 顯著上升，產(chǎn)品團(tuán)隊需要弄清楚這是為什么?？赡艿募僭O(shè)是：

1. 這段時間市場推廣活動增加了，造成DAU增加；
2. 新版本發(fā)布后，很多老用戶重新被激活，又回到產(chǎn)品當(dāng)中，造成DAU增加；
3. 在同樣的市場推廣力度下，新版本比原先的老版本帶來更多的新用戶。

基于這些假設(shè)，產(chǎn)品團(tuán)隊能夠聚焦在“需要做什么樣的分析能證明或證偽這些假設(shè)，需要什么數(shù)據(jù)來驗(yàn)證這些分析”，從而更快速的驗(yàn)證產(chǎn)品的表現(xiàn)。

所以，任何時候都要問：為什么要做這個分析，要驗(yàn)證什么假設(shè)還是只是看看這些數(shù)據(jù)能告訴我們什么？要做的分析能夠帶來什么樣的行為改變（behavior change）？

因果關(guān)系，而不是相關(guān)性/ Causality,?Not Correlation

太多的產(chǎn)品經(jīng)理、商業(yè)分析師將 causality 和correlation 混為一談。一部分原因是實(shí)踐當(dāng)中有太多因素影響最終的結(jié)果，因此很難發(fā)現(xiàn)causality的因素；另一部分原因是，沒有很好的區(qū)分兩者的關(guān)系。

Correlation只能表明兩個的變化關(guān)系：一個變量發(fā)生變化的時候，另一個變量也發(fā)生變化。但是，這不能表明另一個變量的變化是由其中一個變量的變化引起的。

Causality 表明因果關(guān)系：一個變量的變化，帶來另一個變量的變化。

要形成因果關(guān)系，需要具備三個因素：

1. 存在相關(guān)性。X和Y之間有correlation
2. 存在先后性。X發(fā)生在Y之前
3. 沒有第三個因素帶來X和Y的同時變化（control of other variables）

最好的方法是做A/B test。

所以，如果你沒有A/B test，就請不要把你做的feature或者產(chǎn)品列在時間點(diǎn)1， 然后將用戶或營收的增長列在時間點(diǎn)2，以此來證明是你的feature或產(chǎn)品帶來這樣的增長。

分清楚三類分析的各自作用并時刻意識到現(xiàn)在的分析處在這三類分析中的哪一個階段

（1）描述性分析（descriptive analytics） 是揭示問題的第一步，但往往變成報告（reporting） 而不是分析（analysis）；應(yīng)該盡量自動化

描述性分析是數(shù)據(jù)分析的基礎(chǔ)。在分析產(chǎn)品、用戶、市場、競爭的時候，描述性分析是第一步，他讓我們對要分析的事物形成一個直觀的概念。例如：為什么銷售下降了？上個月的活躍用戶是多少？有多少人下載了我們新推出的版本？每天有多少用戶瀏覽我們的主頁？用戶是誰，分布在哪些地域，他們每個月的消費(fèi)是多少？他們都上哪些網(wǎng)站，等等？

這些分析通常不能帶來行為上的改變，但卻是我們理解產(chǎn)品和用戶的第一步，必不可少。要做這樣的描述性分析，需要具體的數(shù)字。數(shù)字的來源可以分為定性和定量兩個渠道。定性的渠道通常是通過用戶訪談（user interview），焦點(diǎn)小組（focus group）， 一對一采訪（one-on-one），定量的渠道通常是用戶調(diào)研（survey）, 第三方數(shù)據(jù)庫（nielson, IRI, SPINS, social media），用戶主動報告（browser cookie, mobile phone data, LBS data, social media）。

描述性分析的結(jié)果通常是生成報告（report），幫助各個業(yè)務(wù)部門更好的理解產(chǎn)品和用戶。由于這些報告不能直接帶來行為改變，而且需要周期性的更新，所以，應(yīng)該盡量的將描述性分析自動化。

（2）預(yù)測性分析（predictive analysis）數(shù)據(jù)分析的核心競爭力

預(yù)測性分析提供對未來的指導(dǎo)，也是數(shù)據(jù)科學(xué)在業(yè)務(wù)中的主要應(yīng)用。預(yù)測性分析回到的問題通常是：未來的3個月，有多少用戶會不再使用我們的產(chǎn)品；如果我花一元錢導(dǎo)入一個新用戶，這個用戶在整個生命周期內(nèi)產(chǎn)生的價值是多少？如果一個用戶在我們的產(chǎn)品中付費(fèi)了，他有多大可能繼續(xù)付費(fèi)？

預(yù)測性分析是數(shù)據(jù)分析的核心競爭力，因?yàn)樗峁Ξa(chǎn)品和用戶未來圖景的預(yù)測，基于這些預(yù)測，我們可以更好的調(diào)整產(chǎn)品、市場營銷活動以及用戶服務(wù)。預(yù)測性分析不僅需要進(jìn)行大量而深入的數(shù)據(jù)建模，而且需要對業(yè)務(wù)有深入的理解。這是數(shù)據(jù)科學(xué)家（Data Scientist） 最有價值的地方。數(shù)據(jù)分析師、商業(yè)分析師應(yīng)該更多的將自己的工作集中在預(yù)測性分析上。

（3）建議性分析（prescriptive analysis） 針對具體問題給出建議，因此，必須對要回答的問題進(jìn)行清晰的定義

建議性分析的最終結(jié)果是給出答案、提出建議和改進(jìn)方案，因此，對建議性分析的問題，必須要清晰的定義問題，形成預(yù)先的假設(shè)，確定分析的范圍。驗(yàn)證是不是建議性分析的一個試金石是：如果這個分析做完了，能帶來什么樣的行為變化（例如，用戶會采用什么不同的方式使用產(chǎn)品，市場推廣會采用什么樣不同的手段）。

實(shí)踐當(dāng)中，一定要先做描述性分析，對問題形成初步的理解，確定值得探索的幾個領(lǐng)域，并盡量將描述性分析自動化，分析結(jié)果可以作為整個團(tuán)隊運(yùn)營的基準(zhǔn)。利用建設(shè)性分析對產(chǎn)品進(jìn)行優(yōu)化，并時刻跟基準(zhǔn)線對標(biāo)，看假設(shè)是否合理，如何進(jìn)一步優(yōu)化。在此基礎(chǔ)上，個人和團(tuán)隊要構(gòu)建預(yù)測性分析的核心能力，將業(yè)務(wù)能力從“解決現(xiàn)有問題” 轉(zhuǎn)移到“構(gòu)建問題”上。

例如，一個App 產(chǎn)品團(tuán)隊不但要能夠回答“該產(chǎn)品的主要用戶是哪些人”， “是什么原因造成這個月的活躍用戶比上個月少” 這樣的問題，更應(yīng)該具備的能力是回答“如果一個用戶在使用產(chǎn)品一周之后連續(xù)2周不再登陸，這樣的用戶還具有多少價值，是否值得對這樣的用戶繼續(xù)進(jìn)行營銷和服務(wù)的投入？”

公司文化

在產(chǎn)品管理中貫徹數(shù)據(jù)分析并利用分析指導(dǎo)業(yè)務(wù)，最難的是構(gòu)建“假設(shè)驅(qū)動，數(shù)據(jù)支撐”的企業(yè)文化。很多人（老板，團(tuán)隊領(lǐng)導(dǎo)，客戶），很多業(yè)務(wù)部門（市場，銷售，客服）并不掌握詳實(shí)的數(shù)據(jù)，因此經(jīng)常出現(xiàn)的情況是觀點(diǎn)和觀點(diǎn)的爭論，而不是事實(shí)和事實(shí)的爭論。但觀點(diǎn)和觀點(diǎn)爭永遠(yuǎn)分不出勝負(fù)。必須以事實(shí)為基礎(chǔ)進(jìn)行爭論和辯論。

每一個人都要努力提供對自己的觀點(diǎn)的數(shù)據(jù)支撐；一個沒有數(shù)據(jù)支撐的觀點(diǎn)，不論是誰的觀點(diǎn)，都不比你自己的觀點(diǎn)更好。

每一個應(yīng)該牢記一句話并身體力行：如果你有數(shù)據(jù)，請擺出來，我們可以利用這些數(shù)據(jù)；如果你有的只是觀點(diǎn)，抱歉，我最好還是用我自己的觀點(diǎn)。（If you have data, present it and we will use it; if you have opinion, sorry, I’m gonna use mine.）

本文由 @Han Li 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。