- 相關推薦
產(chǎn)品經(jīng)理如何進行數(shù)據(jù)分析
對于產(chǎn)品經(jīng)理而言，看明白數(shù)據(jù)是一件很簡單的事情，但是要想從數(shù)據(jù)中挖掘其背后更深層次的內(nèi)涵，看懂數(shù)據(jù)背后的邏輯是一件非常不容易的事情。往往一個決策的成功或失敗，總能歸咎到對數(shù)據(jù)的理解上。
1、不配看數(shù)據(jù)
產(chǎn)品經(jīng)理對待數(shù)據(jù)的態(tài)度不應該像市場分析者或財務人員一樣。我們看數(shù)據(jù)，更多是需要了解數(shù)據(jù)背后用戶的行為邏輯和期望需求。這就要求我們看到數(shù)據(jù)的時候，必須第一時間想象到用戶是如何創(chuàng)造出這些數(shù)據(jù)的，為什么會創(chuàng)造出這樣的數(shù)據(jù)。
作為一個產(chǎn)品設計者首先必須告訴自己：“I’M Not User” ，如此同時還要再把自己模擬成一個平凡的用戶，不停的反復的去用自己的產(chǎn)品，和同類產(chǎn)品。我向來認為，一個做移動互聯(lián)網(wǎng)的產(chǎn)品設計師，不有事沒事?lián)Q手機 玩，不是好的產(chǎn)品設計師;一個電子商務的產(chǎn)品設計師，不每周在網(wǎng)上買一件東西，不是一個好的產(chǎn)品設計師。
在某個用戶體驗設計的會上，某知名教授大講他所在公司搞到的facebook的數(shù)據(jù)，說他的理解、說他的分析，說facebook如何沒戲。剛開始 聽著蠻有根有據(jù)，后來越聽越不對味，突然他冒出來一句“雖然我從來不用facebook”… 我當場昏厥。這種人，不配分析facebook的數(shù)據(jù)，更不配去評論。、
要想有資格去看數(shù)據(jù)，通過數(shù)據(jù)給產(chǎn)品設計提供有效的依據(jù)。方法很簡單，也很有效：把自己當作一個平凡的用戶，不停的用自己的產(chǎn)品，和同類產(chǎn)品。有，且只有這么一個方法。
2、為了看數(shù)據(jù)而看數(shù)據(jù)
和做可用性測試一樣，測試之前不能說沒有“關注點”，發(fā)現(xiàn)什么就是什么。那樣什么也發(fā)現(xiàn)不了，即使發(fā)現(xiàn)了，價值也不大。數(shù)據(jù)拿到手里，沒有目的的去看，不如不看。
在做產(chǎn)品設計的數(shù)據(jù)分析之前，首先應該搞清楚自己需要什么樣的數(shù)據(jù)來說明什么問題。一個數(shù)據(jù)對于不同的產(chǎn)品、不同的環(huán)境、不同的用戶類型，得到的結(jié) 論應該是不一樣的。傳統(tǒng)的市場研究中，對于數(shù)據(jù)的分析往往是根據(jù)“硬屬性”，比如他們對于用戶的分析基本都是根據(jù)“人口屬性”的數(shù)據(jù)，他們得到的結(jié)論也很少結(jié)合現(xiàn)實環(huán)境。這樣的結(jié)論，對于(互聯(lián)網(wǎng)的)產(chǎn)品設計基本上沒有太大的參考價值，特別是如今個性化需求越來越強，用戶行為越來越獨特的時候，“人口屬性”很不能代表用戶背后的行為邏輯。
比如，想了解“有購物搜索需求的網(wǎng)民”具備的主要特征，這個時候“年齡、學歷、性別、收入、婚姻狀況、消費能力、信息獲取方式、上網(wǎng)條件、..”可能都是對我有參考價值的數(shù)據(jù)，但那些才是最重要的呢?分析后很快就可以發(fā)現(xiàn)，比較而言“年齡、收入、上網(wǎng)時間、上網(wǎng)條件”都不是最重要的，“消費能力”、“信息獲取方式”在這里才是最重要的特征。這些數(shù)據(jù)背后才更能代表用戶的行為邏輯和需求。(如果不是很明白這個結(jié)論，稍后再《Desing IT.》第8篇左右會談到)。
3、不篩選數(shù)據(jù)
做一個優(yōu)秀的設計者，首先必須善于“提問”�！疤釂枴钡乃疁屎驮O計水平基本成正比。要什么樣的數(shù)據(jù)，什么樣的數(shù)據(jù)可以幫我解決這些問題和疑問？這個很簡單，一羅列你可以想到很多很多。但，事實上數(shù)據(jù)類型到達一定數(shù)量后，類型越多，反倒越不利于對于結(jié)論的判斷。因為，不同數(shù)據(jù)類型之間會產(chǎn)生相互的干擾，有些時候次要問題可能會戰(zhàn)勝主要問題，影響最終的結(jié)論。
在實際項目中，解決了主要問題，次要問題可能就會很自然的被稀釋了。獲取數(shù)據(jù)也一樣，必須搞清楚什么樣的數(shù)據(jù)最能說明這個問題?確定這些會使分析過程的精力更加集中。把主要的幾個問題想穿、打透，其他問題很快就會迎刃而解了。
很多時候不是解決不了問題，而是想解決的問題太多；很多時候不是數(shù)據(jù)不夠，而且想要的數(shù)據(jù)太多。還比如，想要了解如何解決“購物搜索”的需求，其實 只要關注好“信息獲取方式”、“消費能力”、“決定購買的因素”基本就能解決很多問題，盯著“用戶是男是女，8歲還是80歲”，只能是耗費精力。
不去篩選數(shù)據(jù)，還有一個很大的危害就是：“因為沒有篩選，所以不能把關心的數(shù)據(jù)點看透徹”。
比如，很多人都在夸開心網(wǎng)的推薦做的好，很多用戶在上面找到了自己的“同學”，于是定論為“算法的技術好”。其實如果專注關心“開心網(wǎng)為什么打通用戶關系這么快”的人，經(jīng)過詳細分析后是不會得到“技術好”這個結(jié)論的。根據(jù)我的觀察，我比較贊成麥田的結(jié)論：“開心網(wǎng)把校友錄的數(shù)據(jù)庫用進去推薦算法里面了”， 我甚至認為開心網(wǎng)的推薦里面不只是用了“校友錄”的數(shù)據(jù)庫，還有更多其他數(shù)據(jù)庫。 (麥田對于數(shù)據(jù)的分析雖然是偏市場和運營性的，但其實對于產(chǎn)品設計的促進一樣很大，而且他確實是一個觀察數(shù)據(jù)很細，研究數(shù)據(jù)很深的人)
4、不關注數(shù)據(jù)采集的方式和方法
當我們?yōu)槟硞�項目尋找方向或者確定某個決策，需要一些數(shù)據(jù)的支持，以便了解狀況并確定思路。這個時候，不僅需要給出“需要什么樣的數(shù)據(jù)”這個需求，同時還應該包括如何得到這些數(shù)據(jù)。
很多時候，我們只提出需要什么樣的數(shù)據(jù)，并不去提出要求如何得到這些數(shù)據(jù)的方式、方法，完全依靠調(diào)研者的經(jīng)驗去獲取數(shù)據(jù)，這是不可取的。因為這樣來的數(shù)據(jù)對結(jié)果的幫助是不準確的，甚至往往會出現(xiàn)誤導。因為調(diào)研過程中不同的方式方法，得到的結(jié)果會不一樣。
比如，還是要做一個購物搜索的網(wǎng)站，你給出的“需求”不應該只是“用戶目前獲取信息的方式”、“搜索的商品類型”等，還應該包括數(shù)據(jù)的來源，以及獲取的方法�，F(xiàn)有搜索網(wǎng)站?問卷?電話?…
不同的方式方法，渠道，得到的數(shù)據(jù)是不一樣的。不同水平的人采集到的數(shù)據(jù)結(jié)果也是不一樣的。
往往我很同情國內(nèi)的同行，大家能找到靠譜的數(shù)據(jù)真的少的可憐。就拿行業(yè)數(shù)據(jù)來說，基本上國內(nèi)沒有一家第三方機構可以提供靠譜的數(shù)據(jù)。XX統(tǒng)計局就不說了，比如商業(yè)機構艾瑞，他的數(shù)據(jù)絲毫不具備可信度。最根本的，我們可以去看看尼爾森在歐美(不要看國內(nèi)的尼爾森，那是同樣的不靠譜。跟他們合作過一次，東西做的一塌糊涂)的一些問卷，從問卷設計的邏輯、采集方式、統(tǒng)計方法，甚至包括“埋地雷”的方法，都高出國內(nèi)這些數(shù)據(jù)提供商一大截。(比如一個細節(jié)：去 尼爾森在歐美的一些問卷試試，如果你是玩的心態(tài)，很快就會被說“謝謝你參與調(diào)查”。因為，他們很快就通過“地雷”判斷出你并非真正的采集對象，很快就把你踢走了，而國內(nèi)的你可以隨便玩)
有些時候，如果實在沒有辦法，去做小量的抽樣數(shù)據(jù)，也比那這些不靠譜的數(shù)據(jù)去分析強。
5、只用定量數(shù)據(jù)，沒有定性數(shù)據(jù)
還說那個最老土的例子：
沃爾瑪每天總重要的事是“想盡一切辦法，把貨架擺好，讓顧客更快的找到，更快的走掉”。事實上，當他們的MBA(商業(yè)數(shù)據(jù)分析)人員通過龐大的數(shù)據(jù)處理系統(tǒng)發(fā)現(xiàn)，啤酒和尿布的銷售曲線驚人相似的時候，他們其實只能得到一個“結(jié)論”。但，這些知識定量的數(shù)據(jù)，并不能挖掘出本后的顧客行為，以及為什么會造成這 個現(xiàn)象。這個時候，如果靠“分析”、“猜測”是不能得到正確結(jié)論的，方法只能是去結(jié)合“定量”的研究，通過具體觀察和調(diào)研了走到用戶身邊，最終才能了解到 “因為，在美國一般都是男人去買尿布的，而在沃爾瑪就算買1美元的東西也要排隊半個鐘結(jié)帳，男人們這個時候就順手拿了啤酒犒勞一下自己”。
海量的定性數(shù)據(jù)，只能告訴我們結(jié)論，不能告訴我們背后的原因。同樣，如果只有定性的數(shù)據(jù)，往往看到的現(xiàn)象可能是片面的，結(jié)論可能是有偏差的。
有時候，定量更多的是為了定性。
6、其他常見的數(shù)據(jù)分析誤區(qū)：
（1）、只關心數(shù)據(jù)結(jié)果，不關心過程
比如，就知道那個廣告的流量大，沒注意那個廣告比別的大三倍。
（2）、只看大數(shù)據(jù)，不看小數(shù)據(jù)
比如，只發(fā)現(xiàn)交易量瘋狂增長了，沒注意虛假交易瘋狂上升了。
（3）、只看數(shù)據(jù)表象，不看發(fā)展過程
比如，只知道現(xiàn)在的行業(yè)分布均衡，沒發(fā)現(xiàn)曲線的前方已經(jīng)出現(xiàn)裂痕。
【產(chǎn)品經(jīng)理如何進行數(shù)據(jù)分析】相關文章：
如何進行數(shù)據(jù)分析07-10
產(chǎn)品數(shù)據(jù)庫：如何分析數(shù)據(jù)07-10
學會如何進行數(shù)據(jù)分析07-10
如何進行網(wǎng)站的廣告數(shù)據(jù)分析？07-10
調(diào)查貼：如何進行SEO數(shù)據(jù)分析07-10