數據分析如何輔助進行產品迭代

來自專欄產品經理PM的點滴成長記錄

本文分為3部分：

數據產品的分類及其作用

我們所需要的數據怎麼來

如何讓大數據指導產品迭代

一、數據產品的分類及其作用

數據產品是可以發揮數據價值去輔助用戶做更優決策的一種產品形態。

記住：是輔助

問題來了，你做產品的過程中，當你的經驗與數據的反饋相違背時，你會選擇相信/參考哪個？

當然是先思考為什麼經驗和數據反饋相違背，尋找原因啦

數據產品的分類及其作用：

分類方法一：

報表型數據：靜態數據報表、即時數據查詢、DashBoard（BI儀錶盤）等。-->滿足查看數據的需要。

BI：用戶數據效果呈現，如雙11我們看到的成交額滾動、地圖上亮起的藍點。

分析型數據：動態數據分析、數據模型、數據可視化方案等。-->滿足使用數據的需要。

智能型數據：將數據與決策邏輯有機結合，在分析的基礎上形成可用維度，如CRM系統，BI等。-->提供決策依據。

預測型數據：更多著眼於未來，是一種趨勢性判斷分析，給出建議。 -->提供行動的建議。適合銀行、教育這類監管比較完善的產品。

分類方法二：

用戶訪問數據，如：PV、UV、日活、周活、使用人數等。---體現了：產品使用情況

產品表現數據，如：註冊轉化率、購買轉化率、重複購買率等。---體現了：產品運營情況

業務表現數據，如：商品屬性、銷量、庫存、退貨率、換貨率等。---體現了：業務經營狀況。如：當一家企業的銷量高，但是這家企業庫存也高，退貨率也高時，這家企業的業務額經營狀況並不好。

二、我們所需要的數據怎麼來

數據分析的過程 ：

業務需求產生分析需求，進而產生數據需求。

而數據分析則倒推，分析某項/某類的數據統計，再分析商品詳情頁的跳出情況和跳轉情況，再分析整站的訂單轉化率。

數據分析的要素：數據、邏輯、目標、決策、行動

要讓數據說話，得有目的的收集和整理數據，目標明確才能讓數據展示其真實的情況和數據需求。

第一步：確定數據分析的目標

明確的目標導向，數據分析的範圍和著手點就比較明確

第二步：分析需要收集哪些數據

原先沒有操作的事件，需要添加後才能記錄數據

已有的操作事件，需要確認在什麼條件下記錄數據

第三歩：考慮每個數據分析點的成本（埋點會影響訪問速度）

處理能力、響應時間、資源投入、數據質量

此外，常用的埋點工具：友盟、talkingdata、growingIO、諸葛IO、谷歌統計、百度統計

GrowingIO：無腳本，但還是會影響響應時間。

另，華哥老司機提醒我們2點：

1、埋點代碼，必須添加註釋。

2、需要關注數據是否是用戶隱私數據。

三、如何讓大數據指導產品迭代

舉個例子吧

場景：用戶下單之後會退貨，退貨佔比較高

目的：分析用戶為什麼下單之後還要退貨

措施：讓用戶退貨退款時增加選擇退貨退款的原因

原因：1、不想要了；2、價格過高；3、發貨太慢；4、服務太差；5、其他

數據：收集用戶每次取消訂單時選擇的原因

並記錄每次用戶修改原因的日誌（手動提示重要）

目標：通過原因數據的分析，找到用戶的痛點，優化產品

結果：超過70%的用戶原因選擇「其他」

先思考一下，再來看分析

根據業務流程：用戶退貨退款-->選擇原因-->商家處理-->同意退貨退款，分析得出：商家這個第三方角色的存在導致用戶更改了其本來的選擇，進而導致退貨退款原因的反饋失真。

這裡也涉及到對用戶心理的把握，一般用戶在退貨退款時，內心多少會有點愧疚（自己下的單，自己退貨退款），因此一般會選擇退貨退款的真實原因。但是70%的用戶選擇了其他，基本上數據就有問題了。