
作为产品经理,你每天会观察哪些数据
我看来,所有具体的目标概括起来就是两点:找问题,找机会。找现在的产品有没有隐藏的问题,找设计的逻辑是不是符合用户行为,找有没有潜在机会帮产品再上一个台阶。
扯完目标进入正题,我平时经常需要关注数据大致有四类:
产品的运营数据,包括 规模数据 和 质量数据
产品核心场景的用户行为数据
新功能上线后的反馈数据
行业数据
其中适合每天看的主要是运营数据和核心场景的行为数据;反馈数据是在某个新功能,或者为了验证某种假设的实验后研究的;行业数据则基本是按季度维度去看就可以了。
运营数据
最常规的数据是产品的运营数据,我习惯从规模和质量两个角度去看:
规模数据主要是产品的一些数据指标,例如:新增用户数,DAU (日活跃用户数), MAU (月活跃用户数), 电商产品的话就包括订单、收入、等等。
质量指标则是反应产品业务健康程度的数据,例如:新增用户的次日留存,用户的启动频率和启动时长,等等。
看这些数据首先要弄明白数据的定义方式,采集和计算过程。理解上的差异可能导致将一些不同数据做强行匹配,导致结论显著的错误,尤其是面对不同产品,不同公司的数据时。
弄清楚了指标的定义,具体看数据的时候我习惯反复使用 对比 和 分解 这两种基本方法:
对比,是通过 横比 和 纵比 的方式看数据,横比就是和相似的产品比,和自己的经验数据比(比如经验里面寒暑假是视频的旺季,但是产品对应的数据确下跌了,这就需要进一步去找原因了);另一个纵比是在时间线上过去的自己比。
分解,是按照不同的维度去分解数据,例如:可以从渠道的维度看,从地域维度看,通过不同的维度分解将对比的差异值逐级锁定,方便寻找原因,做用户增长的时候,我会关注不同类型的 Top 渠道。
使用对比/分解大法基本能养成较好的数据 sense 了,最后再说三个数据解读中比较常见的错误:
过度关注数据下跌的原因,而完全忽视上涨的原因,或完全归因为业务的好转。我在做浏览器的时候有个核心指标「人均搜索数」,它是由 「总搜索次数/搜索用户数」 计算得来的,所以人均搜索数的增长,可能是总搜索数增长,也可能是搜索用户数下跌了,是需要进一步分析的,简单的认为上涨就是好、下跌就是差是有问题的。
因果归因错误,把相关关系错认为因果关系,或者忽略了关键因素;例如: A 导致了 B 和 C 的发生,分析时却忽略了 A ,直接认为 B 和 C 存在因果关系。
幸存者偏差,忽视了沉默的大多数,这是在看抽样数据时很容易犯的一类错误,关于幸存者偏差的详细定义大家可以翻翻百度百科。
用户行为数据
还有一个建议每天看的是用户行为的 log 数据,这个数据有点像「百度统计」里面的漏斗模型,但是他比漏斗模型更加详细一些,他不单单能说明用户有没有走到漏斗当中,还可以进一步看到,用户在漏斗中的路径,以及跳出用户是如何跳出的。
用户的行为数据都是一些生数据,数据量比较大,需要有一定的处理。
1、找产品的核心场景
不是所有用户的行为日志都去看,而是要找到影响用户认知产品的核心场景,这里可以借鉴( MOT , Moments of Truth )的概念,就是用户和产品的服务发生接触的点,这些点的体验决定了用户对于产品整体的评价。例如,做用户新增的需要看新用户进来之后找到自己想要的服务的路径是什么样子的,是不是足够简短?有没有遇到困难?
2、为用户分类,找目标用户
最好一次只看一类用户,因为看用户的行为数据是比较消耗精力的过程,不是每次都能有收获的,需要不断的看,不断的挖掘。
所以在做新增的时候,我基本会以引流时设置的钩子做分类,每次看其中一类用户,例如通过今天只看通过视频加速引流的用户,看看这些用户进来之后能不能快速的找到对应的视频;过几天看看通过资讯进来的用户。
说完每天看到数据再简单说两句 反馈数据 和 行业数据 ,虽然这两个数据不需要每天看,但在产品经理的工作中也是很有帮助的。
新功能反馈数据
迭代是产品经理重要的工作手段,无论是灰度发布, AB test ,还是常规的发版都需要通过收集数据来验证之前的假设,从而觉得是继续优化,还是推到重来,迭代帮助产品经理积累被验证的认知。
看反馈数据最重要的是在设计的时候就想清楚,目标是什么?我认为这个新功能能够起作用的逻辑是什么?我需要采集哪些数据来验证?
最好的办法就是把这些问题的答案,一条一条的写下来,通过写下来的方法可以保证我们事前就好一些细节的问题都考虑进去了,避免两种常见的失误。
过度采集数据,增加开发工作量;
采集数据不足,不能开展结论分析;
行业数据
最后说说行业数据,我习惯用行业数据来发觉新机会,行业数据能够看到用户迁移的一种大的趋势,如果自己的产品能够借上这种大势,很可能就是一波比较大的突破。例如:2013年 WIFI 万能钥匙的兴起;2014年视频流量的增长;2015 年今日头条和快手的用户量崛起。
行业数据获取比较依赖大平台,如果是在 BAT 这样的大公司,有足够大的用户样本,比较容易及时的看到这些数据。如果没有这样的条件,一方面可以依赖艾瑞等第三方的报告,另一方面就是要多关注各种排行版数据,例如:app store 、应用市场的榜单,微博的关键热榜、百度指数等的变化。
总的来说就是要去想,用户最近关注什么?这个东西和自己的业务有没有联系,切忌不要强制联系。
看数据这种技能也是越练越熟,真有「数据 sense 」这种东西,经常看就会对数据更敏感,更容易发现数据中隐藏的信息。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
PyTorch 核心机制:损失函数与反向传播如何驱动模型进化 在深度学习的世界里,模型从 “一无所知” 到 “精准预测” 的蜕变,离 ...
2025-07-252025 年 CDA 数据分析师考纲焕新,引领行业人才新标准 在数字化浪潮奔涌向前的当下,数据已成为驱动各行业发展的核心要素。作为 ...
2025-07-25从数据到决策:CDA 数据分析师如何重塑职场竞争力与行业价值 在数字经济席卷全球的今天,数据已从 “辅助工具” 升级为 “核心资 ...
2025-07-25用 Power BI 制作地图热力图:基于经纬度数据的实践指南 在数据可视化领域,地图热力图凭借直观呈现地理数据分布密度的优势,成 ...
2025-07-24解析 insert into select 是否会锁表:原理、场景与应对策略 在数据库操作中,insert into select 是一种常用的批量数据插入语句 ...
2025-07-24CDA 数据分析师的工作范围解析 在数字化时代的浪潮下,数据已成为企业发展的核心资产之一。CDA(Certified Data Analyst)数据分 ...
2025-07-24从 CDA LEVEL II 考试题型看 Python 数据分析要点 在数据科学领域蓬勃发展的当下,CDA(Certified Data Analyst)认证成为众多从 ...
2025-07-23用 Python 开启数据分析之旅:从基础到实践的完整指南 在数据驱动决策的时代,数据分析已成为各行业不可或缺的核心能力。而 Pyt ...
2025-07-23鸢尾花判别分析:机器学习中的经典实践案例 在机器学习的世界里,有一个经典的数据集如同引路明灯,为无数初学者打开了模式识别 ...
2025-07-23解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-07-22解析神经网络中 Softmax 函数的核心作用 在神经网络的发展历程中,激活函数扮演着至关重要的角色,它们为网络赋予了非线性能力, ...
2025-07-22CDA数据分析师证书考取全攻略 一、了解 CDA 数据分析师认证 CDA 数据分析师认证是一套科学化、专业化、国际化的人才考核标准, ...
2025-07-22左偏态分布转正态分布:方法、原理与实践 左偏态分布转正态分布:方法、原理与实践 在统计分析、数据建模和科学研究中,正态分 ...
2025-07-22你是不是也经常刷到别人涨粉百万、带货千万,心里痒痒的,想着“我也试试”,结果三个月过去,粉丝不到1000,播放量惨不忍睹? ...
2025-07-21我是陈辉,一个创业十多年的企业主,前半段人生和“文字”紧紧绑在一起。从广告公司文案到品牌策划,再到自己开策划机构,我靠 ...
2025-07-21CDA 数据分析师的职业生涯规划:从入门到卓越的成长之路 在数字经济蓬勃发展的当下,数据已成为企业核心竞争力的重要来源,而 CD ...
2025-07-21MySQL执行计划中rows的计算逻辑:从原理到实践 MySQL 执行计划中 rows 的计算逻辑:从原理到实践 在 MySQL 数据库的查询优化中 ...
2025-07-21在AI渗透率超85%的2025年,企业生存之战就是数据之战,CDA认证已成为决定企业存续的生死线!据麦肯锡全球研究院数据显示,AI驱 ...
2025-07-2035岁焦虑像一把高悬的利刃,裁员潮、晋升无望、技能过时……当职场中年危机与数字化浪潮正面交锋,你是否发现: 简历投了10 ...
2025-07-20CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-18