產品經理如何進行數據分析

對於產品經理而言，看明白數據是一件很簡單的事情，但是要想從數據中挖掘其背後更深層次的內涵，看懂數據背後的邏輯是一件非常不容易的事情。往往一個決策的成功或失敗，總能歸咎到對數據的理解上。

值得欣慰的是，隨着接觸到的用戶越來越多，對於用戶心理模型和業務邏輯的理解越發的透徹，產品經理對數據的理解能力也將越來越強。

1、不配看數據

產品經理對待數據的態度不應該像市場分析者或財務人員一樣。我們看數據，更多是需要了解數據背後用戶的行爲邏輯和期望需求。這就要求我們看到數據的時候，必須第一時間想象到用戶是如何創造出這些數據的，爲什麼會創造出這樣的數據。

作爲一個產品設計者首先必須告訴自己：“I’M Not User”，如此同時還要再把自己模擬成一個平凡的用戶，不停的反覆的去用自己的產品，和同類產品。我向來認爲，一個做移動互聯網的產品設計師，不有事沒事換手機玩，不是好的產品設計師;一個電子商務的產品設計師，不每週在網上買一件東西，不是一個好的產品設計師。

在某個用戶體驗設計的會上，某知名教授大講他所在公司搞到的facebook的數據，說他的理解、說他的分析，說facebook如何沒戲。剛開始聽着蠻有根有據，後來越聽越不對味，突然他冒出來一句“雖然我從來不用facebook”…我當場昏厥。這種人，不配分析facebook的數據，更不配去評論。、

要想有資格去看數據，通過數據給產品設計提供有效的依據。方法很簡單，也很有效：把自己當作一個平凡的用戶，不停的用自己的產品，和同類產品。有，且只有這麼一個方法。

　2、爲了看數據而看數據

和做可用性測試一樣，測試之前不能說沒有“關注點”，發現什麼就是什麼。那樣什麼也發現不了，即使發現了，價值也不大。數據拿到手裏，沒有目的的去看，不如不看。

在做產品設計的數據分析之前，首先應該搞清楚自己需要什麼樣的`數據來說明什麼問題。一個數據對於不同的產品、不同的環境、不同的用戶類型，得到的結論應該是不一樣的。傳統的市場研究中，對於數據的分析往往是根據“硬屬性”，比如他們對於用戶的分析基本都是根據“人口屬性”的數據，他們得到的結論也很少結合現實環境。這樣的結論，對於(互聯網的)產品設計基本上沒有太大的參考價值，特別是如今個性化需求越來越強，用戶行爲越來越獨特的時候，“人口屬性”很不能代表用戶背後的行爲邏輯。

比如，想了解“有購物搜索需求的網民”具備的主要特徵，這個時候“年齡、學歷、性別、收入、婚姻狀況、消費能力、信息獲取方式、上網條件、..”可能都是對我有參考價值的數據，但那些纔是最重要的呢?分析後很快就可以發現，比較而言“年齡、收入、上網時間、上網條件”都不是最重要的，“消費能力”、“信息獲取方式”在這裏纔是最重要的特徵。這些數據背後才更能代表用戶的行爲邏輯和需求。(如果不是很明白這個結論，稍後再《DesingIT.》第8篇左右會談到)。

3、不篩選數據

做一個優秀的設計者，首先必須善於“提問”。“提問”的水準和設計水平基本成正比。要什麼樣的數據，什麼樣的數據可以幫我解決這些問題和疑問？這個很簡單，一羅列你可以想到很多很多。但，事實上數據類型到達一定數量後，類型越多，反倒越不利於對於結論的判斷。因爲，不同數據類型之間會產生相互的干擾，有些時候次要問題可能會戰勝主要問題，影響最終的結論。

在實際項目中，解決了主要問題，次要問題可能就會很自然的被稀釋了。獲取數據也一樣，必須搞清楚什麼樣的數據最能說明這個問題?確定這些會使分析過程的精力更加集中。把主要的幾個問題想穿、打透，其他問題很快就會迎刃而解了。

很多時候不是解決不了問題，而是想解決的問題太多；很多時候不是數據不夠，而且想要的數據太多。還比如，想要了解如何解決“購物搜索”的需求，其實只要關注好“信息獲取方式”、“消費能力”、“決定購買的因素”基本就能解決很多問題，盯着“用戶是男是女，8歲還是80歲”，只能是耗費精力。

不去篩選數據，還有一個很大的危害就是：“因爲沒有篩選，所以不能把關心的數據點看透徹”。

比如，很多人都在誇開心網的推薦做的好，很多用戶在上面找到了自己的“同學”，於是定論爲“算法的技術好”。其實如果專注關心“開心網爲什麼打通用戶關係這麼快”的人，經過詳細分析後是不會得到“技術好”這個結論的。根據我的觀察，我比較贊成麥田的結論：“開心網把校友錄的數據庫用進去推薦算法裏面了”，我甚至認爲開心網的推薦裏面不只是用了“校友錄”的數據庫，還有更多其他數據庫。(麥田對於數據的分析雖然是偏市場和運營性的，但其實對於產品設計的促進一樣很大，而且他確實是一個觀察數據很細，研究數據很深的人)

　　4、不關注數據採集的方式和方法

當我們爲某個項目尋找方向或者確定某個決策，需要一些數據的支持，以便了解狀況並確定思路。這個時候，不僅需要給出“需要什麼樣的數據”這個需求，同時還應該包括如何得到這些數據。

很多時候，我們只提出需要什麼樣的數據，並不去提出要求如何得到這些數據的方式、方法，完全依靠調研者的經驗去獲取數據，這是不可取的。因爲這樣來的數據對結果的幫助是不準確的，甚至往往會出現誤導。因爲調研過程中不同的方式方法，得到的結果會不一樣。

比如，還是要做一個購物搜索的網站，你給出的“需求”不應該只是“用戶目前獲取信息的方式”、“搜索的商品類型”等，還應該包括數據的來源，以及獲取的方法。現有搜索網站?問卷?電話?…

不同的方式方法，渠道，得到的數據是不一樣的。不同水平的人採集到的數據結果也是不一樣的。

往往我很同情國內的同行，大家能找到靠譜的數據真的少的可憐。就拿行業數據來說，基本上國內沒有一家第三方機構可以提供靠譜的數據。XX統計局就不說了，比如商業機構艾瑞，他的數據絲毫不具備可信度。最根本的，我們可以去看看尼爾森在歐美(不要看國內的尼爾森，那是同樣的不靠譜。跟他們合作過一次，東西做的一塌糊塗)的一些問卷，從問卷設計的邏輯、採集方式、統計方法，甚至包括“埋地雷”的方法，都高出國內這些數據提供商一大截。(比如一個細節：去尼爾森在歐美的一些問卷試試，如果你是玩的心態，很快就會被說“謝謝你參與調查”。因爲，他們很快就通過“地雷”判斷出你並非真正的採集對象，很快就把你踢走了，而國內的你可以隨便玩)

有些時候，如果實在沒有辦法，去做小量的抽樣數據，也比那這些不靠譜的數據去分析強。

　　5、只用定量數據，沒有定性數據

還說那個最老土的例子：

沃爾瑪每天總重要的事是“想盡一切辦法，把貨架擺好，讓顧客更快的找到，更快的走掉”。事實上，當他們的MBA(商業數據分析)人員通過龐大的數據處理系統發現，啤酒和尿布的銷售曲線驚人相似的時候，他們其實只能得到一個“結論”。但，這些知識定量的數據，並不能挖掘出本後的顧客行爲，以及爲什麼會造成這個現象。這個時候，如果靠“分析”、“猜測”是不能得到正確結論的，方法只能是去結合“定量”的研究，通過具體觀察和調研了走到用戶身邊，最終才能瞭解到“因爲，在美國一般都是男人去買尿布的，而在沃爾瑪就算買1美元的東西也要排隊半個鍾結帳，男人們這個時候就順手拿了啤酒犒勞一下自己”。

海量的定性數據，只能告訴我們結論，不能告訴我們背後的原因。同樣，如果只有定性的數據，往往看到的現象可能是片面的，結論可能是有偏差的。

有時候，定量更多的是爲了定性。

6、其他常見的數據分析誤區：

（1）、只關心數據結果，不關心過程

比如，就知道那個廣告的流量大，沒注意那個廣告比別的大三倍。

（2）、只看大數據，不看小數據

比如，只發現交易量瘋狂增長了，沒注意虛假交易瘋狂上升了。

（3）、只看數據表象，不看發展過程

比如，只知道現在的行業分佈均衡，沒發現曲線的前方已經出現裂痕。