公司凝聚了素质高、技能强、深谙物流管理的人才,拥有经过专业培训的装卸队伍,积累了丰富的实践管理经验并提供良好的服务。
当前位置:主页 > 产品案例 >
产品案例
产品数据分析(一):怎样解读出深层次信息?
来源:未知 作者:admin 发布时间:2018-08-23 11:31 浏览量:

  本文将告诉你分析产品数据时,如何从数据中解读出比描述现状更深层次的信息。

  产品的数据分析经常会遇到这样的问题:只有数据,没有分析。仅仅是描述数据,告诉你产品发生了什么。

  为什么同样的数据给不同的人能看出不同的内容?高手们究竟是如何通过数据找出产品中的问题的。

  本文将告诉你分析产品数据时,如何从数据中解读出比描述现状更深层次的信息。

  第二层,为什么?这个答案要落实到用户层面,是第一步的延伸。是用户找不到想要的功能,还是功能不符合用户的预期?及格的数据分析基本分析到这一层。昆明推进派出所消防警组建造提质

  第三层,继续问为什么?这个问题的答案要落实产品层面,即我们的产品的哪项内容造成了用户出现了第二层的问题。优秀的数据分析可以分析到这一层。

  以这种思维方式作为整个分析的核心思想,就不容易走弯路,更快更好地找出产品的问题,而掌握各种数据技巧,图表的优化等等都是为了最终找到问题,解决问题这个目的服务的,因此这种层级的思想是数据分析的核心。

  下面就要开始讲解如何从数据中找问题,只有找到了问题才能有继续分析的方向。郑旭:金融产品创新有哪些实践的形式要注意,这里的问题不单单是指不足之处,而是指数据的异常之处,过高和过低都是异常。

  最简单的方法就是观察单个指标找问题。比如某个产品或功能的留存率很低,那么可以得出结论是该页面的用户粘性较差。这个结论解决了“发生了什么”的问题。刚入门的数据分析,往往也就到这个深度就停止了。

  其他的例子如停留时长很短,说明用户可能对页面不感兴趣,至于为什么不感兴趣,我们无法得知。

  比如刚才的例子,一款粘性较差的产品,到底是页面信息不吸引人,还是页面设计太混乱,抑或是入口位置太深?有了这些猜想,我们可以通过不同的维度组合去找到问题所在。从而解决“为什么发生”的问题。

  这是一个双维度的数据矩阵,该矩阵模拟了几种虚拟产品。其中点击率是指进入产品/功能后的各按钮的点击率,留存率是指该产品/功能的整体留存率。

  两个数据维度能够得到的信息比单维度数据的信息要丰富的多。我们能够通过两个数据模拟出一点用户真实的使用场景了。

  比如右下角低点击率、高留存率的功能或产品,往往是已经迭代优化过多次的版本。如果不是的话,这样的页面由于页面内点击率较低,我们不知道用户的真实行为,我们很难从数据中了解用户的真实需求在哪,也就谈不上后期的迭代。

  我们看一下右上角,高点击率,高留存率。这样的产品看起来已经非常不错了,但是前面提到过,我们从数据中不单单是找不足之处,要看到的是异常。这样的高点击高留存是有问题的,这个问题就是过高的点击率。

  我们还原到用户的使用场景,如果一个用户每天都要来用这个产品(留存率高),而且还天天要来点击这个按钮(点击率高),那么这个按钮里的内容能不能直接拿出来呢(省去点击动作,直接使用)?

  我们再看左上角,高点击率,低留存率。用户点击很高,说明用户在找东西?留存率低是不是因为没有找到?

  矩阵中其他的问题可以自己去思考,我在图上写下了我的猜想,当然这些猜想也不一定适合所有产品,这张图只是希望能发散你的思维,让你养成这样的思维方式。

  维度的组合多种多样,你可以尝试多种不同的维度组合从而确认问题所在。比如点击率分散度和留存率的维度组合。

  我们以图中左下角的低留存率,点击率分散的情况为例。这种情况下,每个功能用户都有意愿去点,但是留存率却不高,模拟一下用户的使用场景,会不会用户点了之后发现解决不了自身需求?当然,这需要结合实际的产品形态,结合自己的产品页面特点,模拟一下用户的实际使用过程,你应该能得到一系列的猜想。

  再比如左上角,点击率集中,留存率低。这种情况我们想象一下,用户进入页面后,直奔着一个功能而去,其他功能不太关心,但是用了这个功能之后,用户之后不再来这个页面了。什么原因?是不是用了那个功能,但是却让他失望了,没有解决他的问题?带着这样的猜想,我们重点分析点击率集中的那个功能,可以猜测用户到底想做什么。

  各种不同维度的矩阵在此就不再多做介绍,只是希望大家能够掌握通过数据找到问题的方法。读者可以自己再将各类不同的数据组合成矩阵,分别分析各个不同的数据组合的含义。以此来增强从数据解读信息的能力。

  通过这种组合数据找问题的这种方式,你就能轻松突破描述数据的阶段,进入到数据分析的及格线。