產品資料分析（一）：怎樣解讀出深層次資訊？

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