科技猎PM如何用数据驱动产品设计与迭代？
作者：清水Calvin
为什么要数据驱动?
我们把2000年后的互联网分为3个阶段：
- 2000-2006年，流量时代，有三大门户，拼流量
- 2006-2011年，用户时代，如开心、FB，比用户量、日活等
- 2012年至今，订单时代，如O2O，互金，直播等，比订单量、流水。
可以看出，随着互联网发展，行业趋于成熟，产品精细化是大势所趋，大多产品新功能和改动需要依靠数据支撑，从而 过滤掉大量负优化、伪需求，更好提升效率 ，这是数据驱动真正的价值所在。
数据驱动另外一个重要意义，就是了 解海量用户真实行为 ，这与传统用户调研的区别在于，传统用户调研是抽样调查，结果置信度和准确性有限，而数据驱动采用的是整体数据，结果更接近用户的真实行为。
开始前知识储备
统计学相关概念：概率论与数理统计，掌握基础数学知识
数据库技术积累：了解数据库原理，掌握SQL常用语法
Excel基本操作：合并、拆分列，常用函数，图表制作等
数据分析实操流程
开始数据分析前，最重要的是 明确数据分析的最终目的 ，是想提升用户留存率？还是想改进某个功能模块的使用情况？
明确目标以后再做目标衡量指标拆解，比如想提升收入，那就拆解收入是如何构成的？收入计算公式是怎样的？，然后围绕相关组成因素进行分析，找到瓶颈和薄弱的点并针对性改进
一般数据分析分为以下4步：
- 数据采集：在产品中加入埋点，定义在用户相应使用场景下以何种方式采集、采集哪些数据
- 数据建模：将采集到的数据重新组织
- 数据分析：采用某种或多种分析方法研究数据
- 指标：转化得到监测产品、考核效果等的关键指标
应该关注哪些指标？
不同类型（电商、社交、游戏、工具等）不同平台（PC、移动端等）的产品，其关键数据指标往往不太一样，需要结合具体情况调整指标。
移动端常用指标：
注册用户数：针对有账户体系的产品，已注册账户的用户数
活跃用户数：DAU（日活跃数）、MAU（月活跃数）
新用户占比：日活跃中，当天新安装用户的占比
用户留存率：次日留存率、周留存率
渠道转化率：某个渠道成功转化用户数/该渠道看到转化入口的用户数
PC端常用指标：
总PV：每日总页面浏览数，反映网站受欢迎程度
平均浏览页面数：用户每次打开网站后流量的页面平均数，反映网站用户价值高低
平均访问时长：反映网站的用户价值高低
流量各渠道来源占比：根据比例优化SEO、SEM，了解用户质量构成
日总UV：每日独立访客数，反映网站受欢迎程度
商业收入指标：广告召回率、展现量、点击量、转化率等
常用数据分析方法
对比法： 与上个周期比，与去年同期对比
构成分析法： 自身百分比构成，如不同渠道新装用户占比构成
ABTest： 设立实验组与对照组，类似于对比法，但略有差异
漏斗转化模型： 触达、激活、留存、推荐、变现 每一步都有一定折损，可用来分析用户价值变现流程的瓶颈所在
数据驱动产品设计与迭代真实案例
这里以搜索引擎改版为例，做了搜索结果页左侧留白增大的改版，评估改版之后的真实收益
首先确立实验目标：综合衡量用户产品指标变化（人均访问页面数、自然结果点击率）、商业产品指标变化（千人展现成本）如何，从而评估此次改版最终真实收益
数据收集：将实验组（改版后）和对照组（改版前）采用不同版本号，分别随机划分5%UV，进行一周实验，在页面前端代码中加入埋点，并收集日志供建模
数据建模：将数据按版本号划分分开处理，按天分割统计1周数据，并导出到Excel
数据分析：加工实验组与对照组基础数据，对比分析各项数据值
指标：PV、自然结果点击率略有下降，广告收入下降3%，可以看出此次改版用户侧和商业侧都是负收益，应放弃上线，后续优化改版方案后重新做ABTest评估收益，待收益为正向时再逐步放量。
PS：关于数据驱动、数据分析其实想写的很多，今天篇幅原因讲的比较粗、不做更多展开和扩展，建议产品经理平时多培养数据思维、多尝试提炼和总结数据规律，对PM来说，数据分析能力将越来越重要。
End.
转载请注明来自36大数据（36dsj.com)： 36大数据 » PM如何用数据驱动产品设计与迭代？
