筆者從工作實踐中出發(fā)，探討了數(shù)據是如何指導產品工作的，以及怎樣用數(shù)據分析中的比率來發(fā)現(xiàn)和解決問題。

需求挖掘之數(shù)據指導

凡是需求，必有數(shù)據統(tǒng)計項；凡是改進，必有數(shù)據對比。

用數(shù)據來保證穩(wěn)定產出，用數(shù)據來做迭代的依據。

大佬們都說，數(shù)據不是萬能的，沒有數(shù)據是萬萬不能的。那數(shù)據具體有什么作用呢，我們就一起探討一下數(shù)據是如何指導產品工作的。

1. 通過數(shù)據指導產品工作

1. 問題分析：通過數(shù)據認識還原用戶使用產品的路徑，發(fā)現(xiàn)解決問題；
2. 用戶分析：用數(shù)據給用戶分層，精準解決特定用戶的問題（精細化運營/策略） 用戶到達一定數(shù)量級之后，用同一的策略是不適用的，用戶分層之后可以做流量區(qū)分、運營區(qū)分等等；
3. 需求優(yōu)先級：數(shù)據能確定影響面/使用頻率，幫助確定優(yōu)先級；
4. 評估上線效果：上線數(shù)據對比、周期數(shù)據跟蹤、需求發(fā)起之前的數(shù)據證明。

本篇就與大家分享一下我所理解的問題分析中的一項：通過【率】的異常發(fā)現(xiàn)并解決問題。

2. 通過數(shù)據發(fā)現(xiàn)、解決問題

率：比率（ratio）是樣本（或總體）中各不同類別數(shù)據之間的比值。既然是比值，那必然有分子和分 母的存在，我們最常用的幾個比率無外乎注冊轉化率、訂單轉化率、頁面使用率，頁面跳出率 等。

比率一般被認為是能夠在短時間內顯現(xiàn)問題的利刃，當新版本上線后，查看和對比比率往往可以較迅速的發(fā)現(xiàn)問題。一般來說，無論有利還是不利的數(shù)據，通常會在更新版本的4周內顯現(xiàn)，有短期明顯的屬性。

之所以比率可以指導我們工作，是因為產品的產出有著較明確的目標，比如促成用戶下單。而用戶下單的流程和節(jié)點我們可以拆開來，利用比率來分析用戶在去往下單的路上出了什么問題，進而將問題解決。按照這個模板，我們可以得到比率的使用流程：

基于數(shù)據優(yōu)化轉化率

1. 梳理用戶體驗地圖

用戶體驗地圖，即上文中用戶從進入落地頁之后需要走的路，路上的每個紅綠燈都可能是用戶流失的節(jié)點，所以我們需要梳理這些節(jié)點，這些節(jié)點一般稱之為接觸點。

產品與用戶的接觸點，使用戶一步一步的到達我們想要讓用戶到達的目標點（下單）。這種用戶數(shù)量遞減的體驗地圖被大佬們很形象的總結為漏斗，漏斗最上方是我們能夠觸達的所有用戶，最下方的尖端，則是完成了我們既定目標的用戶群。

舉個栗子:

背景：剛入職公司，想趁機看看公司的數(shù)據，熟悉下公司系統(tǒng)和業(yè)務情況，通過詢問同事，發(fā)現(xiàn)公司最近在測試某著陸頁的廣告投放效果，廣告已投放了兩周，需要進行效果分析，于是著手收集相關數(shù)據進行分析。

起點是著陸頁，終點是支付成功。知道體驗地圖和目標之后進入第二步：

2. 梳理能夠影響轉化率的關鍵點和事件

影響轉化的關鍵點和事件往往比較明確，比如push成功下發(fā)數(shù)、活動頁訪問數(shù)，驗證碼發(fā)送成功率等，這里我們用最簡單的頁面跳轉舉例：

分析出關鍵點：著陸頁 —＞注冊頁—＞訂單頁—＞支付成功

分析完畢之后，我們將拿到的數(shù)據進行分析，即進入第三步：

3. 建立漏斗與衡量指標

選取出真正拿來分析的節(jié)點，每個節(jié)點要親密鏈接且有轉化事件.

這里我們記錄分析每個頁面的UV，得出下面的漏斗：

得出漏斗之后便來到最關鍵的一步，發(fā)現(xiàn)問題：

4. 發(fā)現(xiàn)問題

問題的產生必然伴隨異常的數(shù)據，一般來說我們可以通過下面的幾個維度進行問題發(fā)掘:

1）劇烈變化

劇烈變化有兩個方向，分別是斷崖式下跌或爬坡上漲。我們可以看到上圖漏斗中，著陸頁到注冊頁的轉化可以稱之為斷崖式下跌。那么說明這里極大可能存在問題。有點關注點之后，我們再進入下一層更細的分析：

2）渠道下鉆

通常我們的廣告或push不會只在一個渠道上投放，所以當出了問題的時候，我們要看是哪個渠道出了問題。渠道的劃分視具體情況而定，設備、來源、sem流量的渠道，都可能是劃分渠道的維度。

同時，我們要知道，留存等指標、用戶質量跟渠道是息息相關的，通常每個渠道的用戶都有一定程度上的整體差距，比如iOS用戶的付費能力要高于安卓用戶。

這里我們把每個渠道的數(shù)據分離出來，分別做漏斗模型。即可發(fā)現(xiàn)問題所在：

可以看到，每個渠道的問題不一，比如百度PC在著陸頁-＞注冊頁的下跌異常劇烈等，這里不再贅述。

3）用戶分群

用戶分群說人話就是打標簽，標簽越細，就越能掌控用戶。這里不只是用戶的社會屬性，還要到達行為屬性的維度。比如一些常見的行為標簽，如男女老少，是否付費，rfm，平臺定制的其他用戶標簽，如買過幾次的等等。

不同分群的用戶，可以幫助我們發(fā)現(xiàn)問題。

一般認為，我們的廣告、push操作，越能精確觸達用戶，效果就會越好。假如你給24歲的北京單身男程序員推送母嬰用品，不用說大家都會知道用戶的反應是什么樣子的。用戶分群的操作比較靈活，我們可以在下一篇中一起探討，這里不再展開，但可以舉幾個常見的例子：

比如：付費超過300元的用戶（高付費用戶），打開率優(yōu)于其他用戶；買過B產品的用戶，打開率明顯低，買完了就長期用不再回歸。

由用戶分群得出的問題，一般都是推送不精確，那我們就可以進行push優(yōu)化。目前各大廠都可以智能的對不同用戶發(fā)送不同文案的推送，我們在做推送的過程中，可以使用猜測-》實行-》驗證-》猜測的常規(guī)試驗方式進行一步一步的優(yōu)化。

4）時間對比

對于push和廣告行為而言，不同時間對不同人的作用是不一樣的

通常我們會按照小時、星期的維度劃分，根據平穩(wěn)/波動/周期、某段時間與其他時間不一致等現(xiàn)象來判斷哪些用戶的最佳push時機，

比如：每天的不同時間段推送的響應程度不一樣（分時活躍數(shù)，不同的產品不同的群體是完全不同的表現(xiàn)）本周本月等維度也要分析分群對比，做AB測試，效果好的就保留這群人的推送時間等。

5. 假設求證

假設求證是所有發(fā)現(xiàn)問題解決問題中都會用到的定位問題的方法，不論是工作生活甚至是學術科研。

這里都我們發(fā)現(xiàn)斷崖下跌的時候，可以假設出現(xiàn)的問題，比如某渠道填單頁到付款成功轉化率低于平均水平，那我們就要懷疑付款按鈕是不是除了問題，付款渠道是不是除了問題。然后帶著問題去測試求證。

6. 給出解決方案

通常能夠發(fā)現(xiàn)問題的產品經理都是不可多得的，產品優(yōu)化的難點不在于解決問題，而在于發(fā)現(xiàn)問題，優(yōu)秀的產品都是高級啄木鳥，總是善于發(fā)現(xiàn)問題。發(fā)現(xiàn)了問題所在，總會有辦法解決。

重復，重點在于發(fā)現(xiàn)問題。

7. 選取一個方案開發(fā)上線進行驗證

與發(fā)現(xiàn)問題的征求一樣，解決問題不是最終環(huán)節(jié)，最終環(huán)節(jié)在于驗證通過。上線之后需要對這個問題進行持續(xù)的追蹤，求證之后才算是解決問題。

求證問題的方法跟發(fā)現(xiàn)問題的方法大同小異，只是查看的數(shù)據、渠道等更聚焦。

數(shù)據指導工作—＞問題分析—＞比率的使用這一小節(jié)基本到此結束了，淺薄只見，歡迎批評指正。

作者：海燕是只蠢貓，微信公眾號：1個產品還學Python

本文由 @海燕是只蠢貓 原創(chuàng)發(fā)布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協(xié)議。