乾貨：為什麼產品經理需要做數據分析？

本文作者：GrowingIO 增長團隊，集工程、產品、市場、分析多重角色於一身，負責拉新和用戶活躍，用數據驅動業務增長。

知乎上有一個熱門問題「怎麼評價產品經理拿數據說話這回事？如何做數據分析？」，吸引了 6800+關注和 110+個回答。題主的描述，在某種程度上折射出產品經理在做數據分析過程中的尷尬與無奈。

圖 1：怎麼評價產品經理拿數據說話這回事

「實際上，該功能整個平台的用戶都希望做，是沒有必要耗費人力評估的，只要做就可以了。」

現實中，用戶希望做的功能難道真的不需要評估嗎？用戶提出的要求都滿足嗎？

「很多數據和評估是必要的，但有些很形式化，請問有意義嗎？」

數據分析到底該怎麼做，才不至於淪為「形式化」？

一、從一次改版談產品數據分析

2015 年末的時候，我們 GrowingIO 的產品已經上線了 1.0 版本並且服務了多家客戶。隨著新用戶的不斷增加，產品經理每天都能接到了好多新用戶反饋：希望在官網看到產品介紹視頻，以便進一步了解我們產品的功能和特點。

圖 2：官網首頁改版的前後對比

既然每天都有用戶在提這個事情，那肯定是很重要的東西了。正如上面知乎網友說的：「實際上，該功能整個平台的用戶都希望做，是沒有必要耗費人力評估的，只要做就可以了。」於是不假思索，在產品經理和市場同學的努力下我們很快把介紹視頻做好了，放在官網首頁上。

添加了新的介紹視頻後，產品運營想觀察一下其對新用戶的註冊轉化率影響如何。持續觀察了一個星期的數據，發現新用戶的註冊按鈕 CTR（Click Throught Rate，點擊率）不但沒有上升，反而斷崖式下降，由原來的 40% 左右跌倒了 20%。

對於一家高速成長中的創業公司，轉化率大幅度下降當然是不能容忍的；但是為了保險起見，我們又持續觀察了一周的時間。兩個星期後仍未起色，於是產品經理撤掉了官網上的介紹視頻。奇蹟般一樣，CTR 開始恢復到改版前的水平。

這個產品介紹視頻花了產品和市場部門大量的人力、精力和物力，又是因為用戶的需求而專門做的，為什麼做了之後轉化效果反而下降了呢？

事後我們反思了整個過程，得到這樣一些啟發：

（1）部分用戶的觀點無法代表全體用戶的真實體驗，產品介紹視頻可能是偽需求；

（2）產品經理的主觀感知無法代表用戶的真實體驗；

（3）新加的視頻介紹分散了新用戶的精力，導致首頁註冊點擊率大幅度下降。

還好我們當時用自己產品對我們官網做了實時的監測、對比了改版前後的註冊 CTR 指標，不然現在還在官網改版的坑裡面自嗨呢！所以，改版前後的數據監測和數據驗證是非常重要的。

二、產品經理需要用數據說話

相信上面 GrowingIO 的案例已經能給你一個直觀的感受了。完全拍腦袋、憑感覺、憑經驗做決策的時代已經過去了，產品經理必須掌握數據分析技能、用數據說話！

（一）通過數據分析迭代產品

在用戶研究的過程中，很多產品都會把自己換位成用戶來思考。出發點是好的，但是也很容易陷入誤區中；因為任何模擬都是蹩腳的，思維定勢決定了產品經理無法靠想像來 100% 還原用戶的真實操作行為。

圖 3：從 Burbn 到 Instagram

給大家舉一個經典的案例：圖片社交軟體 Instagram。Instagram 的前身，Burbn（上圖左），是一款基於地理位置簽到的積分軟體，這款產品做了好久一直都不溫不火。直到有一天他們通過數據分析發現，Burbn 的用戶對產品主推的簽到功能並沒有展現出什麼興趣，反而喜歡用系統嵌入的圖片分享功能。於是產品邏輯開始重構，主推圖片社交分享，這才有了現在的 Instagram（上圖右）。

用戶就是這麼奇怪，從不按套路出牌；你需要不斷通過數據來觀察他們的興趣點，而不是坐在辦公室模擬或者假設。

（二）通過數據分析洞察用戶

產品的每一次迭代和升級，都需要評估效果，以便今後改進。如果僅僅是憑藉產品經理的肉眼觀察和主觀感受，下一個「用戶反饋很好」、「用戶很喜歡這個新功能」類似的結論，是很蒼白無力的。更多時候，會因為主觀感覺而產生誤判。

圖 4： GrowingIO 洞察到的用戶行為軌跡

我們之前遇到過一個客戶，有一段時間網站的註冊轉化率有了上升；雖然並沒有查出原因在哪，但是產品經理還是很高興。過了一段時間，分析師通過用戶行為軌跡細查發現，【找回密碼】功能出 BUG 了；很多老用戶忘記密碼無法找回，只好重新註冊了一個賬號。

這個 BUG 無意中提升了網站的註冊轉化率，然而卻並不是件好事；如果產品經理不做數據分析的話，就會產生錯覺，陷入「轉化率提升」的坑中！

（三）通過數據分析驗證產品

如何驗證一個新功能好還是不好，這個需要數據來說話。除了產品本身的指標，產品經理還要關注產品或者企業的商業目標，畢竟產品最終還是為這個負責的。上面我們分享了 GrowingIO 首頁改版的案例，雖然滿足了部分用戶的需求，但是造成了註冊轉化率的大幅度下降。下面這個案例來自 Facebook，Facebook 早期員工、峰瑞資本合伙人覃超曾在我們的線下活動分享過，希望能給大家帶來啟發。

下圖左邊是 2009 年的 Facebook 首頁界面，當時的產品經理想嘗試瀑布流式、扁平化的設計風格，提升用戶的操作體驗。在設計了好幾個版本後，決定採用了右邊的設計。工程團隊用了好幾個月做了出來，內部測試後大家都覺得很好，沒有太大問題。於是，新版首頁開始面向 2% 的用戶灰度發布，看一下效果。

圖 5：Facebook 產品優化嘗試

結果出問題了，這 2% 的平均在線時長指標開始下跌，直接影響到了這部分用戶的廣告曝光。大家都知道廣告是 Facebook 重要的業務收入來源，廣告的曝光和點擊下降當然是不能接受的。

項目組的同學認為可能是用戶對於新版本需要適應的時間，決定再開通 10% 的用戶，觀察整體的效果。結果，整體活躍度、在線時長跌了 20% 左右，一直持續了 3 個月。最後，Facebook 沒有通過這個改版，首頁回滾到最初的樣子。那麼大的一個團隊，做了大半年的項目，因為數據驗證沒有通過直接作廢。Facebook 這麼大的企業都在貫徹著數據驅動的思路，我們又何嘗不應該呢？

三、產品數據分析如何避免踩坑

對於產品經理來說數據分析很重要，但是又該怎麼做呢？數據分析如何避免淪為形式，又該如何避免踩坑呢？

（一）發聲用戶 VS 沉默用戶

文章一開始 GrowingIO 的案例就是一個很好的說明，發聲用戶提出需求要我們提供產品視頻，但是沉默用戶可能直接就流失了。其實分析的時候本質並不在於用戶發聲還是沒發聲，本質在於真正目標用戶的感受。

發聲用戶的數據非常容易獲取，數據分析也就更加容易；沉默用戶很多都流失了，用戶選擇用腳投票，這部分的數據獲取和數據分析就更加困難。產品經理如果在做數據分析的時候只採用發生用戶的數據，分析的結論往往有偏差，統計學上有專門研究抽樣問題，說的就是這麼一回事。

（二）先入為主 VS 保持客觀

大部分時候，人們總是更喜歡看到自己想看到結果，即先入為主或者預設結果。產品經理在做數據分析的時候，也容易出現這樣的預判，數據分析往往變成為為自己的觀點找論據。

比如新功能上線，管理層希望用戶活躍度可以提升 5%；那麼此時產品經理在做復盤的時候就會過分關注眼下的 5%，而忽略可能 50% 的增長機會甚至無視其他負面的影響。

（三）報告驅動 VS 業務驅動

產品經理數據分析的最終目標還是指導產品和用戶增長，幫助企業增加利潤。產品新人在做數據分析的時候容易將數據分析的終點歸結於數據報告，以為寫完一份產品數據分析報告就等於做完了一次數據分析。

數據分析驅動產品和用戶增長不是一鎚子買賣，而是一個不斷迭代的過程。產品經理應該在「用戶數據-數據分析-產品優化」的循環中不斷鍛煉自己的數據分析能力，將目光聚焦於產品優化&用戶增長。

越來越多的企業在招聘產品經理時，會在崗位描述上寫「掌握數據分析方法」、「擅長產品&用戶行為數據分析」等字眼，產品經理要會數據分析已經是大勢所趨。我們不能因為有的人將數據分析形式化就否定數據分析的意義，只有正視數據分析、避開誤區，數據分析才可能發揮它的最大價值。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！