产品经理关于数据分析几个关键认知

上周作为点评嘉宾参加了一次有关业务问题定位与排查的线上圆桌讨论，有发言选手在大数据分析公司工作，将公司已有的分析框架拿出来套用。在点评时，明确点出了这个选手拿出这套框架的两个明显问题：分析前提是要有数据和需要结合对业务理解做分析。因此并不存在一个框架解决所有问题的情形。本篇就谈谈作为产品经理关于数据分析的几个关键认知。

业务目标

无论C端or B端业务，本质都是为商业服务的，这里的商业并不一定都是直接带来营收或赚钱，但实现商业目标不会变。因此无论做C端or B端都不要担心谈业务目标，业务目标更明确，C端产品经理不必在交互或体验上皓首穷经，B端目标更明确反而更有利于打磨产品符合企业需求。

最近这些年从业做推荐服务，就是通过算法或规则的方式，实现企业某些目标的提升，最终实现商业价值。

数据分析的价值也在于实现商业目标，在此基础上拆分成一些关键的指标，并通过运营或产品动作，将关键指标不断提升。

例如公众号运营，可能会是企业获取营销线索或积累私域流量的来源，运营人员就会关注用户的累计值及增减值，并且通过运营动作与数据增减关系，实现对受众与用户偏好的理解，再不断常规化或增强正向动作，以更加促进核心指标的增长。有数据指导动作，相比没有数据而言，通过「假设-验证-调整」打法迭代会更加快速。

数据量前提

在这些年做智能推荐业务的过程中，不断有垂直企业也希望实现智能分发，但经过评估后，最终还是无法承接这类企业的需求。主要原因就是小数据量跑模型无法保证泛化能力，即不一定就能够比企业方制定规则效果更好。数据分析也一样，在数据量不大的情况下，作出的分析和洞察很可能只看到了局部，但并不能代表整体。因此在任何时间点，产品从业者都要认知数据分析是辅助做决策参考，但不能代表决策本身。

有朋友公众号注册后偶尔运营，粉丝十几个，在这样的数据量基础上，很难分析判断潜在粉丝就是这十几个粉丝的特征，因为很多个人公众号早期的粉丝多为亲朋好友，公众号想要长足运营，最重要一点就是要“出圈”。

在数据量小时，更多的是需要快速尝试不同的渠道和方式，做产品或业务增长，而非钻到数据中出不来。再讲回智能推荐的需求，很多企业期望在业务早期引入智能推荐，无非是希望促进增长，但智能推荐本质又是在大数据量小提升留存上限的工具，早期业务反而不那么适用，最后折腾半天，无论是招聘算法人员，还是对外采购推荐服务，ROI都不是正的。

分析的精髓

上周圆桌活动，比较多的参与者将talk king给到了最后一位选手，主要的原因在于这位选手以思维导图的方式，拆分了不断下钻分析的过程，给大家展示出了通过数据分析定位问题的过程。这里面就涉及到数据分析的精髓：对比和细分。

对比是数据分析的基础。无论做产品或运营动作，期望看后续是否有效果，最基础的动作，就是与之前指标做对比，通过对比对动作效果一目了然。

比如公众号做了一场互推活动，将活动后一周用户增量与之前用户增量做对比，即能明确感知到互推的价值。如果互推有效，是否要定期组织或参加互推；如果互推无效，是什么原因。

数据分析另外一个精髓就是细分。在对比的基础上，不断的细分指标，逐步加深对产品或业务的洞察，找到最关键的因素或指标。

再拿公众号互推活动举例，假设互推活动后，虽然有短暂用户增长，但之后用户流失增加，这时如果能够细分流失用户特征，就能够找出流失的原因，挽回损失。公众号后台本身提供了一些简单的细分能力，例如城市、性别、手机型号。

人货场分析

除了一些纯工具类产品，大部分的产品都是提供内容或商品或服务，这些产品做产品或运营的本质便是实现人与物的高效匹配，最终带动最大化的商业价值。因此数据分析不止限于对功能、用户属性或用户行为的分析，还应关注物的分析。物品的销售量变动、物品的各指标细分、物品的库存、物品的利润。

拿公众号运营举例，除了对用户总量和增减的分析外，还需要对文章阅读量、点赞量、在看量、评论量、收藏量做细致分析，不断定位出用户对哪些内容或话题有偏好，最终带动公众号商业价值的提升。