你會怎樣衡量你的產品? —— 一點產品數據分析的經驗分享

目標讀者:涉及產品數據的新人(PM、數據分析師、產品運營)

當我剛開始在文圖做產品實習生的時候,想做點數據分析,但有很多問題,不知道怎麼做,比如

  • 怎樣對產品做數據分析?用什麼樣的工具?
  • 怎麼定義產品的指標 (metrics)?
  • 為什麼要做數據分析?數據分析能帶來什麼樣的價值?

於是找了不少書和資料,才做了一點微小的工作。

目前,這方面的例子並不多,所以,這裡以我們的產品文圖(wentu.io/) 為例,分享一點微小的經驗,希望能對和我一樣的新人們有所幫助,當中存在的問題也歡迎指正

註:因為商業上的一些考慮,所以對數據做了遮擋處理,希望大家可以理解

1. 產品與Metrics

(1) 文圖是什麼?

文圖是一款用來做數據報告(下圖)的產品

比如,你寫了一篇數據分析報告,然後希望看起來比較專業(排版、顏色),那麼可以用文圖,因為有設計好的樣式。另一方面,圖表、表格中的數據都是可交互的,也有目錄導航,對讀者有較好的閱讀體驗。

(2) 怎麼定義產品的數據指標?

產品數據分析的基本,是各項指標(metrics),當中最常用的是AARRR模型 [1],也就是把用戶從訪問到使用,分成了獲取(Aquisition)、激活(Activiation)、留存(Retention)3個階段(下圖)

其核心指標是留存/活躍用戶數,也就是希望用戶能再次訪問(e.g. 微信, 微博)

然而,AARRR並不適合所有產品

一個簡單的例子是,Airbnb的留存肯定也很低,因為沒有人會每天訂房間。文圖也類似,沒有人會每天寫報告,可能一個月一篇就不錯了。因此,短期留存的意義不大, 留存/活躍用戶更大程度上是產品好壞的最終反映,而非需要直接提升的指標。

所以,我們用HEART模型來定義metrics (下圖,具體介紹見[2])

具體而言,是從產品本身的目的入手,更為本質。

文圖的目的是幫助用戶製作數據文檔,在產品中由多個事件組成:文檔創建 -> 編輯文檔 -> 文檔完成(發布/下載)。最核心的指標,是完成文檔的數量,即有多少文檔發布、下載了同樣的, Airbnb的核心指標之一是訂床的數量, 而不是每天的活躍用戶有多少。

不過,這只是對「製作者」而言。對於運營人員、數據分析師這些製作者來說, 他們最終的目的是希望「讀者」能方便的閱讀文檔,了解數據和分析的結果,文圖也因此才會有移動端閱讀、分享到微信等功能。所以,只有保證讀者有良好的體驗,製作者才會長期的使用下去。不過,這方面並沒想到好的指標。

最後,總的metrics包括

(1) 基本狀況

  • 註冊用戶數(按周/月)
  • 活躍用戶數(按周/月)

(2) 業務指標

  • 文檔製作者: 創建文檔 -> 編輯文檔 -> 發布、下載
  • 文檔讀者: 暫缺

(3) 增長指標

  • aquisition 轉化率: 訪問 -> 註冊按鈕-> 註冊成功
  • activiation 轉化率: 註冊成功 -> 創建文檔 -> 編輯文檔

2. 實現

設計好了metrics,怎麼具體得到這些數據呢?

我們用神策(類似Mixpanel/GrowingIO),包括基本的dashboard和更複雜的事件分析

上圖是我們的dashboard, 包括註冊用戶、文檔創建等指標,每天用來了解產品的基本使用情況。

在代碼實現上,用戶做了相應的操作,就用js把相應的數據傳輸到後台進行記錄(埋點),之後就可以用神策進行分析了。

比如

(1) 文檔製作漏斗

可以用漏斗模型看文檔製作中各個步驟的轉化率(創建 -> 編輯 -> 下載/發布)

而完成文檔的用戶數,就是我們產品的核心用戶群

這個也放在了dashboard中,可以看到,每周都會有許多用戶在文圖上完成了文檔製作

(2) 註冊成功/失敗比例

對用戶註冊的行為做了記錄(分成成功和失敗),能看到產品註冊成功/失敗的曲線

(3) 文檔類型比例

文圖的文檔有多種類型,包括單頁-PPT-列印文檔3種,這3種各佔比例多少呢?我們內部幾乎都是用單頁文檔,但看到數據,發現實際用戶創建PPT的並不少,比我們預想的多多了

3. 案例:這個模板好用嗎?

文圖的核心功能之一,是用戶可以使用模板(下圖)創建文檔。這些模板都是經過設計的,比單純的Excel + Word來的要更好看。

但是,我們對模板的設計並不滿意,覺得一些模板並不好看,而且,也常有用戶說某個模板顏色對比不夠等等

這些模板好用嗎?怎麼分析這個問題?

可以從文檔完成率考慮 —— 用戶創建文檔後,經過一系列的操作,最終完成文檔(發布、下載)。期間,有沒有可能因為模板的不足(e.g. 顏色對比不夠),而放棄呢?

各模板的創建量、完成量和完成率(完成率=完成量/創建量)如下

可以看到

  • 默認模板(blue)創建量明顯高於其他模板,說明數據基本準確
  • 完成率和創建量相當不同,創建最多的並不是完成率最高的,而一些小眾模板(pure)的完成率不錯,說明計算基本上有效。而且這個順序和我們主觀的感知也大致相符

仔細觀察完成率最後幾位 (my_red, my_blue, my_green),可以發現一個共同點,都帶有header. 這和一些用戶的反饋相同,「自己寫了個文檔,結果頭上頂個別人家的header, 覺得不爽 」,也難怪寫到一半就不寫了

而很有意思的是,blue 和my_blue的關係(下圖)

這兩個模板大體相同,只是後者帶了header,而完成率就有了區別。考慮到blue作為默認的模板本身會有大量的試用,其實際完成率要更高, 因此可以說,單單加上這個header,文檔的完成率就會往下掉大概15% 。而去掉header, 文檔完成的數量就很有可能提升。

總之,通過完成率,可以發現模板設計的好壞對文檔完成有較大影響

而且,假如把所有模板的設計水平都提升到第一的水準,是近40%的提升。把這些分析結果告訴設計師,他們也就更有動力、方向做改進了,而不是簡簡單單的說「把模板設計得更好看」

4. 案例: 為什麼產品沒有增長?

仔細觀察dashboard,會發現更深層次的問題

  • 註冊量: 始終不變. 意味著自然流量來源沒有增加,也就是說沒有任何人為我們自發宣傳,沒有口碑傳播
  • 文檔創建量: 始終不變,意味著活躍用戶沒有增長, 否則應該逐漸積累並增加. 意味著大量的用戶流失, 沒有繼續使用

簡單來說,產品沒有明顯的增長,儘管這一年更新了許多功能 ,儘管每周會有許多用戶在文圖上完成文檔製作(此處應有心碎的聲音,嗚嗚)

為什麼會這樣?

可能原因之一,是文圖本身的特性所致。

像上圖,是典型用戶的行為次數統計,可以看到3-4月第一次使用,再次使用就是8月了,而下次使用呢?這是我們的用戶,但他的留存效果並不明顯。Airbnb也是類似,其留存是按年計算的 [3]。

那怎麼分析這個問題?

數據分析師同學們可能已經摩拳擦掌,想了很多模型、演算法了。。。。。

但更好的辦法是直接找到用戶,問他們為什麼繼續使用/放棄使用,也就是用戶訪談。在這裡,可以分群體訪談,比如

  • 流失用戶:3個月前註冊並完成文檔的用戶,但之後沒有再使用的。為什麼沒有再使用?是使用效果不滿意,還是行為本身低頻?
  • 留存用戶:本月完成文檔,但是在3個月之前註冊的老用戶。為什麼持續使用?他們用來做什麼?有沒有可能找到更多類似的用戶?他們是從哪裡知道文圖的?
  • 嘗試但是未完成文檔的用戶:本月註冊成功,並嘗試使用(編輯文檔5次以上),但最終沒有完成文檔的。產品在哪些方面有問題,最終沒有完成文檔?

5. 總結

這裡,我們以自己的產品文圖為例介紹了產品數據分析的一些基本的內容,包括

  • 怎樣設定metrics (HEART),而不僅僅是從活躍用戶數的角度去考慮
  • 怎樣運用metrics分析 (模板完成率的分析,實質是定量分析)
  • 怎樣不用metrics做分析(用戶訪談,實質是定性分析)

不過,為什麼要對產品做數據分析?

數據分析只是手段,重要的是目的

通常,我們會關心這些問題

  • 產品發展得如何,是否有增長?存在什麼問題?
  • 新開發的功能反映如何?是不是起到了效果?
  • 怎麼和團隊溝通這些判斷、分析?

用數據分析可以較好的回答這些問題,尤其在團隊內部溝通的時候。

因為對產品,人們總有不同的看法/感覺,有的人覺得這樣好,有的人覺得那樣好。用數據交流,效果就更好一點,因為是在拿結果說話,而不是光靠感覺。更何況,大家很多時候會發現,用戶的實際反饋和你的感覺並不一樣。(這點對老闆們也很重要,否則團隊就是在滿足老闆的「感覺」,而不是實際的用戶需求。)

但另一方面,數據分析也不是萬能的,很難告訴我們「為什麼」

就比如最後的例子,產品做了很多功能,為什麼還是沒人用呢?數據其實沒有辦法直接告訴我們原因,這需要採用訪談等其他方法了。

6. 學習資源

最後,介紹一些產品數據分析方面的學習資源,方便同學們入門

關鍵字:Product Analytics,不是Data Science. Data Science更接近於推薦系統中涉及到的演算法,而Analytics 則是數據分析、指標這些了。

(1) Lean Analytics, 中文版《精益數據分析》

book.douban.com/subject

包括了許多實際的案例,很好的說明了數據分析能帶來什麼價值。我個人非常喜歡案例中通過分析解決問題的思維方式。

剛入門的話,只看第1部分即可,之後可以按需要再回頭看

(2) How to Measure Anything, 中文版《數據化決策》

book.douban.com/subject

只看第1部分即可,也是學習當中數據分析的思維方式

順帶一提,看完這部分,產品面試中常見的估算問題也能基本搞定了

(3) Growth(用戶增長)

說到產品的數據分析,一定會提到Growth,這兩個很多時候是等價的。這方面內容很多,作為入門,我推薦

a. Andrew Chen: The Next Feature Fallacy

andrewchen.co/the-next-

「產品沒人用? 那做個更NB的功能吧,這樣就有人用了。」 —— 這樣做對嗎?

b. YC Startup課程: How to Get Users and Grow - Alex Schultz

youtube.com/watch?

YC的課程,Facebook的VP Growth專門講Growth的,個人也非常喜歡


最後,數據分析落到實處,其實就是這句話 [4]

Good teams celebrate when they achieve a significant impact to the business KPI』s. Bad teams celebrate when they finally release something.

好的團隊在達成重要的KPI的時候進行慶祝, 差的團隊在終於發布了點東西的時候進行慶祝。

[1] AARRR, 500hats.typepad.com/500

[2] HEART, library.gv.com/how-to-c

[3] Airbnb, blog.ycombinator.com/gr

[4] Good Product Team, Bad Product Team, book.douban.com/review/

文: @子珂

可視化工具:文圖

更多文章關註:數據冰山-知乎專欄


推薦閱讀:

ECharts+Python 給你的數據做「美顏」
Python--matplotlib 繪圖可視化練手--折線圖/條形圖
Power BI應用場景賞析-銷售篇
使用 ECharts GL 實現三維可視化 - 入門款

TAG:数据分析 | 产品经理 | 数据可视化 |