您現在的位置是:首頁 > 綜合
產品資料分析(一):怎樣解讀出深層次資訊?
- 由 人人都是產品經理 發表于 綜合
- 2021-12-23
留存率是什麼意思
一、資料分析的層級
產品的資料分析經常會遇到這樣的問題:
只有資料,沒有分析
。僅僅是描述資料,告訴你產品發生了什麼。
比如次日留存率只有5%,這個資料偏低,可以看出該功能的使用者粘性不好。
然後呢?往往就沒有然後了。
為什麼同樣的資料給不同的人能看出不同的內容?高手們究竟是如何透過資料找出產品中的問題的。
本文將告訴你分析產品資料時,
如何從資料中解讀出比描述現狀更深層次的資訊。
資料分析過程要解決的問題往往有四個層級。
第一層,發生了什麼?
如留存率降低,使用者粘性下降。
初級分析
基本到此結束。
第二層,為什麼?
這個答案要落實到
使用者層面
,是第一步的延伸。是使用者找不到想要的功能,還是功能不符合使用者的預期?
及格的資料分析
基本分析到這一層。
第三層,繼續問為什麼?
這個問題的答案要落實
產品層面
,即我們的產品的哪項內容造成了使用者出現了第二層的問題。
優秀的資料分析
可以分析到這一層。
第四層,我們該怎麼辦?
後續該如何改進產品。
高階的資料分析
到此結束。
以這種思維方式作為整個分析的核心思想,就不容易走彎路,更快更好地找出產品的問題,而掌握各種資料技巧,圖表的最佳化等等都是為了最終找到問題,解決問題這個目的服務的,因此這種層級的思想是資料分析的核心。
我們本文主要討論
前兩個步驟
:發生了什麼,以及為什麼發生(使用者層面)。
二、從資料中找問題
下面就要開始講解如何從資料中找問題,只有找到了問題才能有繼續分析的方向。要注意,這裡的問題
不單單是指不足之處
,而是指資料的
異常之處
,
過高和過低都是異常
。
我們首先來解決第一個層級的問題,發生了什麼。
最簡單的方法就是觀察單個指標找問題。
比如某個產品或功能的留存率很低,那麼可以得出結論是該頁面的使用者粘性較差。這個結論解決了“發生了什麼”的問題。剛入門的資料分析,往往也就到這個深度就停止了。
至於為什麼較差,留存率這個資料本身無法告訴我們。
其他的例子如停留時長很短,說明使用者可能對頁面不感興趣,至於為什麼不感興趣,我們無法得知。
要達到這個水平只需要
瞭解各個資料的含義
,有基本的
業務理解
就可以了。
想要分析得更深入,一般需要多個指標結合起來一起看。
比如剛才的例子,一款粘性較差的產品,到底是頁面資訊不吸引人,還是頁面設計太混亂,抑或是入口位置太深?有了這些猜想,我們可以透過
不同的維度組合
去找到問題所在。從而解決“為什麼發生”的問題。
舉幾個例子。
這是一個
雙維度的資料矩陣
,該矩陣模擬了幾種虛擬產品。其中點選率是指進入產品/功能後的各按鈕的點選率,留存率是指該產品/功能的整體留存率。
兩個資料維度能夠得到的資訊比單維度資料的資訊要豐富的多。我們能夠透過兩個資料模擬出一點使用者真實的使用場景了。
比如右下角
低點選率、高留存率
的功能或產品,往往是已經迭代最佳化過多次的版本。如果不是的話,這樣的頁面由於頁面內點選率較低,我們不知道使用者的真實行為,我們很難從資料中瞭解使用者的真實需求在哪,也就談不上後期的迭代。
我們看一下右上角,
高點選率,高留存率
。這樣的產品看起來已經非常不錯了,但是前面提到過,我們從資料中不單單是找不足之處,要看到的是
異常
。這樣的高點選高留存是有問題的,這個問題就是過高的點選率。
我們
還原到使用者的使用場景
,如果一個使用者
每天都要來用這個產品
(留存率高),而且還
天天要來點選這個按鈕
(點選率高),那麼這個按鈕裡的內容能不能直接拿出來呢(
省去點選動作,直接使用
)?
我們再看左上角,
高點選率,低留存率。
使用者點選很高,說明使用者在找東西?留存率低是不是因為沒有找到?
矩陣中其他的問題可以自己去思考,我在圖上寫下了我的猜想,當然這些猜想也不一定適合所有產品,這張圖只是希望能發散你的思維,讓你養成這樣的思維方式。
維度的組合多種多樣,你可以嘗試多種不同的維度組合從而確認問題所在。比如點選率分散度和留存率的維度組合。
點選率分散程度是一種主觀的感覺,但有時也能反映出某些問題。
我們以圖中左下角的
低留存率,點選率分散
的情況為例。這種情況下,每個功能使用者都有意願去點,但是留存率卻不高,模擬一下使用者的使用場景,會不會使用者點了之後發現解決不了自身需求?當然,這需要結合實際的產品形態,結合自己的產品頁面特點,模擬一下使用者的實際使用過程,你應該能得到一系列的猜想。
再比如左上角,點選率集中,留存率低。這種情況我們想象一下,使用者進入頁面後,直奔著一個功能而去,其他功能不太關心,但是用了這個功能之後,使用者之後不再來這個頁面了。什麼原因?是不是用了那個功能,但是卻讓他失望了,沒有解決他的問題?帶著這樣的猜想,我們重點分析點選率集中的那個功能,可以猜測使用者到底想做什麼。
各種不同維度的矩陣在此就
不再多做介紹
,只是希望大家能夠
掌握透過資料找到問題的方法
。讀者可以自己再將各類不同的資料組合成矩陣,分別分析各個不同的資料組合的含義。以此來
增強從資料解讀資訊的能力。
透過這種組合資料找問題的這種方式,你就能輕鬆突破描述資料的階段,進入到資料分析的及格線。
歡迎訂閱我的專欄,後續我將繼續探討後兩個層級的分析。
本文由 @Jason 原創釋出於人人都是產品經理。未經許可,禁止轉載
題圖來自 Pexels ,基於 CC0 協議