社交产品方法论（八）：数据分析的二三事

作为产品的设计师，我们做出的决策要逻辑自证。尽量避免“我认为”或“我觉得”这类主观拍脑袋的决策。因此，用数据驱动产品迭代是一个产品设计方法论，也是我们必须掌握的一项能力。

如 何做数据分析驱动产品迭代？我们可以分为三个步骤。

第一步：明确数据分析的目的

数据分析的目的一般有2个：

• 了解产品或指定功能表现
• 验证假设

验证假设的数据需要根据具体情况来设计。了解产品或指定功能的数据主要有5个维度：

1. 产品规模，如：DAU/MAU，付费
2. 产品健康度，如：新增，留存，使用时长
3. 用户属性，如：用户画像属性，终端数据属性
4. 用户行为，如：用户使用产品的路径
5. 渠道质量，如：各个渠道的新增留存

我们可以自建后台收集以上数据，这是自由度最大化的做法，但成本较高。也可以利用第三方数据分析平台的SDK快速构建，如：友盟或神策。对于竞品数据，我们可以通过艾瑞，易帆进行查询。

通过收集到的数据，我们可以判断产品目前处于产品发展的哪个阶段，从而制定相应的产品策略。 详见《社交产品方法论（一）：自上而下的思考产品》。

产品发展阶段

切记数据分析一定要有目的性的去做。对于每一个收集的数据，要问自己，我们可以做些什么优化的事情吗？如果不能回答这个问题，可能这个数据本身就没有太多意义。比如：我们收集了日活数据，一定要思考如何提升日活，日活需要提升到多少，相应的我们需要做哪些事。单纯的天天盯着日活数据毫无意义的。

第二步：确定收集的数据指标

明确数据分析的目的后，我们需要收集相关的数据来帮助我们决策。数据指标的选择要有重点，尽量选择当下对产品最具有建设意义的，不要为了收集数据而收集。

我们可以参考下在《Lean Analytics》一书中，Alistair 和 Benjamin 提出的用户生命周期 AARRR 5个阶段，根据每个阶段确定相应的重点数据指标。

1. A：acquisition （获取），如何获取用户。数据有推广点击量，单个用户获取价格等。
2. A：activation（获取），如何激活用户。数据有新增，注册成功率等。
3. R：retention（留存），如何留住用户。数据有留存，活跃，使用时长等。
4. R：revenue（付费），如何让用户付费。数据有付费金额，付费频率等。
5. R：referral （推广），如何让用户推广。数据有分享量，点击量等。

第三步：选择合适的分析方法

针对不同的目的和场景，我们需要选择合适的分析方法。

最常用的就是“埋点”，对不确定的事件进行埋点。比如：预埋一个功能的用户量，使用频率，付费数量等。从而判断该功能的表现如何，或者判断功能优化后是否起了作用。其次，对若干套无明显区别的方案，我们可以使用 A/B Test，让用户投票哪一种方案更好。

最后，推荐下《Lean Analytics》一书中提及的漏斗分析方法，根据用户所处不同阶段，假设用户预期行为，用数据验证假设从而驱动产品迭代。

细节如下：

Tunnel Analysis

综上，数据分析的逻辑图如下：

数据分析逻辑图

举几个笔者最近分析的案例：

（1）产品首页的游戏模块布局优化

• 分析目的：了解功能优化效果
• 收集数据：产品留存和游戏模块使用时长
• 分析方法：埋点，取上线前后一周时间对比

（2）连击礼物2种动效的选择

• 分析目的：验证哪一种连击礼物动效更能促进付费
• 收集数据：礼物的赠送数量
• 分析方法：A/B Test，根据送礼玩家的UID对2取模分为A/B组，取每组的礼物赠送数量平均数。结果需要考虑统计显著性和置信区间。

三、语音房小程序各流程优化

• 分析目的：数据驱动产品模块优化；
• 收集数据：每个漏斗阶段用户转化率，使用时长，分享转化率；
• 分析方法：漏斗分析。

漏斗分析图

四、根据用户行为进行精细化运营

• 分析目的：产品策略优化
• 收集数据：最先使用的功能，功能日活，好友数，留存
• 分析方法：埋点，发现导致留存差异的明显数据区别。强化关键数据，如：引导用户加好友，通过最先使用的功能给其他功能导流，重点优化日活高的功能。

小结

数据分析作为一种方法论，可以在产品设计的各个阶段发挥作用。我们设计产品时，时常问自己三个问题：这个需求值得解决吗？设计方案能解决需求吗？如何用数据验证我们的假设？

从概率论的角度而言，样本量足够大的数据接近于真理。可能从李世石输给阿尔法狗的那天起，信自己就注定比不上信数据了。