產(chǎn)品經(jīng)理如何通過數(shù)據(jù)分析發(fā)現(xiàn)用戶需求？

更新時間:2022年05月18日17時10分來源:傳智教育瀏覽次數(shù):

推薦10種適合產(chǎn)品經(jīng)理的數(shù)據(jù)分析思維，在需求調(diào)研的時候不妨嘗試下，可能會有意想不到的效果。

一、分類思維

日常工作中，客戶分群、產(chǎn)品歸類、市場分級……許多事情都需要有分類的思維。通過分類可以直接核心關(guān)鍵指標(biāo)上的差距。

分類思維

如圖，橫軸和縱軸往往是你運營當(dāng)中關(guān)注的核心指標(biāo)（當(dāng)然不限于二維），而分類后的對象，你能看到他們的分布不是隨機的，而是有顯著的集群的傾向。

打個比方，經(jīng)典的RFM模型依托收費的3個核心指標(biāo)構(gòu)建用戶分群體系：最近一次消費時間（Recency）、消費頻率（Frequency）、消費金額（Monetary）。

在R/M/F三個指標(biāo)上，我們通過經(jīng)驗將實際的用戶劃分為以下8個區(qū)（如上圖），我們需要做的就是促進(jìn)不同的用戶向更有價值的區(qū)域轉(zhuǎn)移。也就是將每個付費用戶根據(jù)消費行為數(shù)據(jù)，匹配到不同的用戶價值群體中，然后根據(jù)不同付費用戶群體的價值采用不同的策略。（如下表）

二、矩陣思維

分類思維的發(fā)展之一是矩陣思維，矩陣思維不再局限于用量化指標(biāo)來進(jìn)行分類。許多時候，我們沒有數(shù)據(jù)做為支持，只能通過經(jīng)驗做主觀的推斷時，是可以把某些重要因素組合成矩陣，大致定義出好壞的方向，然后進(jìn)行分析。大家可以百度經(jīng)典的管理分析方法“波士頓矩陣”模型。

波士頓矩陣圖

三、管道/漏斗思維

這種思維方式已經(jīng)比較普及了，漏斗分析分為長漏斗和短漏斗。長漏斗的特征是涉及環(huán)節(jié)較多，時間周期較長，常用的長漏斗有渠道歸因模型，AARRR模型，用戶生命周期模型等等；短漏斗是有明確的目的，時間短，如訂單轉(zhuǎn)化漏斗和注冊漏斗。

管道漏斗思維

但是，看上去越是普適越是容易理解的模型，它的應(yīng)用越得謹(jǐn)慎和小心。在漏斗思維當(dāng)中，我們尤其要注意漏斗的長度。

漏斗從哪里開始到哪里結(jié)束？漏斗的環(huán)節(jié)不該超過5個，漏斗中各環(huán)節(jié)的百分比數(shù)值，量級不要超過100倍（漏斗第一環(huán)節(jié)100%開始，到最后一個環(huán)節(jié)的轉(zhuǎn)化率數(shù)值不要低于1%）。若超過了我說的這兩個數(shù)值標(biāo)準(zhǔn)，建議分為多個漏斗進(jìn)行觀察。

理由是什么呢？超過5個環(huán)節(jié)，往往會出現(xiàn)多個重點環(huán)節(jié)，那么在一個漏斗模型中分析多個重要問題容易產(chǎn)生混亂。數(shù)值量級差距過大，數(shù)值間波動相互關(guān)系很難被察覺，容易遺漏信息。

四、相關(guān)思維

我們觀察指標(biāo)，不僅要看單個指標(biāo)的變化，還需要觀察指標(biāo)間的相互關(guān)系。有正相關(guān)關(guān)系（圖中紅色實線）和負(fù)相關(guān)關(guān)系（藍(lán)色虛線），最好能時常計算指標(biāo)間的相關(guān)系數(shù)，定期觀察變化。

相關(guān)思維

相關(guān)思維的應(yīng)用太廣了，往往是被大家忽略的?，F(xiàn)在的很多企業(yè)管理層，面對的問題并不是沒有數(shù)據(jù)，而是數(shù)據(jù)太多，卻太少有有用的數(shù)據(jù)。相關(guān)思維的其中一個應(yīng)用，就是能夠幫助我們找到最重要的數(shù)據(jù)，排除掉過多雜亂數(shù)據(jù)的干擾。

如何執(zhí)行呢？

你可以計算能收集到的多個指標(biāo)間的相互關(guān)系，挑出與其他指標(biāo)相關(guān)系數(shù)都相對較高的數(shù)據(jù)指標(biāo)，分析它的產(chǎn)生邏輯，對應(yīng)的問題，若都滿足標(biāo)準(zhǔn)，這個指標(biāo)就能定位為核心指標(biāo)。

建議大家養(yǎng)成一個習(xí)慣，經(jīng)常計算指標(biāo)間的相關(guān)系數(shù)，仔細(xì)思考相關(guān)系數(shù)背后的邏輯，有的是顯而易見的常識，比如訂單數(shù)和購買人數(shù)，有的或許就能給你帶來驚喜！另外，“沒有相關(guān)關(guān)系”，這往往也會成為驚喜的來源。

五、邏輯樹思維

一般說明邏輯樹的分叉時，都會提到“分解”和“匯總”的概念。我這里把它變一變，使其更貼近數(shù)據(jù)分析，稱為“下鉆”和“上卷”。

邏輯樹思維

下鉆，就是在分析指標(biāo)的變化時，按一定的維度不斷的分解；而上卷是反方向的匯總。

下鉆和上卷并不是局限于一個維度的，往往是多維組合的節(jié)點，進(jìn)行分叉。邏輯樹引申到算法領(lǐng)域就是決策樹。有個關(guān)鍵便是何時做出決策（判斷）。當(dāng)進(jìn)行分叉時，我們往往會選擇差別最大的一個維度進(jìn)行拆分，若差別不夠大，則這個枝椏就不在細(xì)分。能夠產(chǎn)生顯著差別的節(jié)點會被保留，并繼續(xù)細(xì)分，直到分不出差別為止。經(jīng)過這個過程，我們就能找出影響指標(biāo)變化的因素。

六、時間序列思維

很多問題，我們是找不到橫向?qū)Ρ鹊姆椒ê蛯ο蟮?，那么，和歷史上的狀況比就將變得非常重要。其實很多時候用時間維度的對比來分析問題，便于排除掉一些外在的干擾，尤其適合創(chuàng)新型的分析對象，比如一個新行業(yè)的公司，或者一款全新的產(chǎn)品。

時間序列思維

時間序列的思維有三個關(guān)鍵點：

一是距今越近的時間點，越要重視（圖中的深淺度，越近期發(fā)生的事，越有可能再次發(fā)生）；

二是要做同比（圖中的連線指示，指標(biāo)往往存在某些周期性，需要在周期中的同一階段進(jìn)行對比，才有意義）；

三是異常值出現(xiàn)時，需要重視（比如出現(xiàn)了歷史最低值或歷史最高值，建議在時間序列作圖時，添加平均值線和平均值加減一倍或兩倍標(biāo)準(zhǔn)差線，便于觀察異常值）。

七、隊列分析思維

隨著計算機運算能力的提高，隊列分析（cohort analysis）這一方式逐漸展露頭腳。從經(jīng)驗上看，隊列分析就是按一定的規(guī)則，在時間顆粒度上將觀察對象切片，組成一個觀察樣本，然后觀察這個樣本的某些指標(biāo)隨著時間的演進(jìn)而產(chǎn)生的變化。目前使用得最多的場景就是留存分析。

隊列分析思維

隊列分析中，指標(biāo)其實就是時間序列，不同的是衡量樣本。隊列分析中的衡量樣本是在時間顆粒上變化的，而時間序列的樣本則相對固定。

八、循環(huán)/閉環(huán)思維

循環(huán)／閉環(huán)的概念可以引申到很多場景中，比如業(yè)務(wù)流程的閉環(huán)、用戶生命周期閉環(huán)、產(chǎn)品功能使用閉環(huán)、市場推廣策略閉環(huán)等等。

閉環(huán)思維

業(yè)務(wù)流程的閉環(huán)是管理者比較容易定義出來的，列出公司所有業(yè)務(wù)環(huán)節(jié)，梳理出業(yè)務(wù)流程，然后定義各個環(huán)節(jié)之間相互影響的指標(biāo)，跟蹤這些指標(biāo)的變化，能從全局上把握公司的運行狀況，如脈脈的業(yè)務(wù)流程（如下圖）。有了循環(huán)思維的好處是，你能比較快的建立有邏輯關(guān)系的指標(biāo)體系。

九、邏輯思維

邏輯思維即明白價值鏈、明白各項數(shù)據(jù)中的關(guān)系，也就是因果關(guān)系。

該方法的關(guān)鍵在于明白其中的關(guān)系要求你對這項工作要了解、熟悉，要細(xì)致和慎密，要清楚充分性和必要性的關(guān)系。實際上也就是指：你需要哪些數(shù)據(jù)？如何獲得這些數(shù)據(jù)?數(shù)據(jù)之間的關(guān)系如何？這里最常見的手段就是A/B test啦。

那么如何細(xì)化一下這個概念？

一是在條件允許的情況下，決策前盡量做對比測試；

二是測試時，一定要注意參照組的選擇，建議任何實驗中，都要留有不進(jìn)行任何變化的一組樣本，作為最基本的參照。

現(xiàn)在數(shù)據(jù)獲取越來越方便，在保證數(shù)據(jù)質(zhì)量的前提下，希望大家多做實驗，多去發(fā)現(xiàn)規(guī)律，可以按如下表格來做實驗。

邏輯思維

十、指數(shù)化思維

指數(shù)化思維是今天分享的10個思維當(dāng)中最重要的。許多管理者面臨的問題是“數(shù)據(jù)太多，可用的太少”，這就需要“降維”了，即要把多個指標(biāo)壓縮為單個指標(biāo)。指數(shù)化思維就是將衡量一個問題的多個因素分別量化后，組合成一個綜合指數(shù)（降維），來持續(xù)追蹤的方式。

指數(shù)化思維