产品数据分析需要注意哪些坑

一、明确做数据分析的目的是什么，要解决什么问题

看起来大而空，其实是最容易犯的错误。产品经理尤其是数据分析师应当注意，分析某项数据是要解决一定问题或作为某项决策的依据。不能只做单纯分析，分析目的是什么都不知道，又怎么能从图表中发现问题？甚至，又怎么能做出有针对性的图表呢？

很简单的例子就是，不知道要解决什么问题，要针对哪些用户群体，选择的样本容量不对，错把某一类型数据当成全量数据或抽样规则制定错误，直接导致错在起跑线上。

二、迫切需求≠必要需求，缺乏对产品的宏观把控

此类误区尤以某一鲜明但偶然的事件易诱人误导。“洛阳纸贵”只是一时现象，不能因它而忽略了产品背后的整体概率。举个例子，在欧洲杯前期，商家H5宣传盛行，某H5公司客服接到很多客户反映，希望自己做好的H5作品可以转送他人或者允许他人修改。产品经理在接到客服反馈后，没有深思产品功能的可延续性周期，迅速立项，联合工程加班加点开发出子账号功能。欧洲杯期间，此功能确实使用概率较高，但欧洲杯过后，H5行业热度降低，子账号功能的使用频度更是直线下降。

三、理论不结合实际，过于注重数据表象

系统化的数据分析报表才能够更好的反映出产品或服务存在的问题，要结合营销性思维来分析数据。否则，即便报表做的再漂亮再专业，也只是纸上谈兵。示例：某家服务型公司发现，使用某项功能4次以上的用户忠诚度更高。于是，公司加大了对该功能的宣传推广，EDM、首页推荐各种推送。一段时间后，该功能的使用度大幅提升，但忠诚用户比例并无明显上升。为何？用户并非单一使用该功能，而是在产品的诸多功能使用中该功能频度较高。这是一个整体过程，非单一事件。数据分析逻辑错误，因果关系错判，方向错误结果自然也不理想。

四、高流量即高转化的误区

与网站收录高不一定排名好同理。大流量、收录高是获得好转化、好排名的基础，是敲门砖。但绝不是决定性的唯一因素。某些情况下，大流量是获得转化的前提，也就我们平常所说的扩大用户池子。在获得流量后需要考虑如何提高产品转化。但某些情况下，流量转化的高低取决于渠道质量的好坏。此种情况下，最应该做的是选择优质渠道而非研究流量转化。

示例：一篇文章百度带来100个leads，微信带来80个leads。但百度带来的流量最终转化为60个注册用户，微信渠道最终转化了64个注册用户，哪个渠道比较好，不能单纯根据流量来源多少定吧？

五、只关注最终总体产品转化率

不注重数据分析价值时易犯此错误，不懂精细运营也易犯此错误。

延用上述案例。百度带来的流量明显比微信多，转化第一步流失30%，第二步流失10%左右，最终带来流量60%转化的效果； 微信第一步流失仅5%的用户，第二步流失16%。

针对两个渠道，我们就要开始进行数据分析，并思考：什么造成了百度第一步转化流失率高，该采取什么措施。微信第二步流失率高的原因是什么，该怎样解决？

六、转化率高不一定代表用户体验好

一般而言，我们会通过提高用户体验来提高产品转化率。但是，反之，转化率高就代表用户体验好吗？
 

像我们曾经遇到的问题，登录密码那块出现问题，用户登录不上，只好重新注册。短期内，用户注册率大幅上升，但造成的用户体验却很不好。

工作中处处留心，可以避免走入很多的误区。产品经理每一个决策几乎都要牵涉到很多方面。磨刀不误砍柴工，多想想再去做，说不定效果更好。