0
雷鋒網按：本文作者王柳， 系GrowingIO 產品經理。 GrowingIO由華人大神、前LinkedIn 總監張溪夢創立，之后張溪夢和GrowingIO的工程師們將會為雷鋒網讀者們撰文分享他們的產品和技術。關于張溪夢的介紹，可以參看前Facebook工程師覃超的專欄文章：《LinkedIn大佬張溪夢的前世今生》。
（圖來自人人都是產品經理）
對于很多產品經理來說，「用戶體驗」是一個重要的考量標準，因此產品經理往往把自己放在用戶的角度來思考問題。但是這里其實有一個悖論——因為「產品經理永遠無法真正成為用戶」，假裝對自己親手創造的產品一無所知，是根本不可能的。因此如果產品經理僅僅憑自己的直覺經驗和理解來設計產品，自以為懂得用戶所想，反而會離用戶的真實需求越來越遠。
所以，在產品經理的工作中不能僅僅依靠「產品Sense」來作為決策的依據，于是，反映用戶行為的指標和數據就成為了重要的決策依據。作為用戶體驗的原生反饋，指標越來越受到互聯網公司的重視，那么指標是如何幫助我們進行決策？有哪些重要指標還沒有被重視起來？產品經理用指標做分析的基本思路又是什么呢？
我之前在一家 to B 的公司做產品，根據業務需求設計了「用戶群組」，為了更完整的用戶體驗，還做了很多后續的高級功能：用戶在創建群組后，可以建立組內項目，進行組內分享以及協同開發等高級功能。新建組織的數量和總體用戶數都還不錯，但是接下里用戶卻并沒有按照我們預計地活躍起來，甚至還在流失。可是當時沒有認識到這個問題的嚴重性，還在繼續搭建后續的高級功能。我們既沒有用多種指標衡量產品結構是否合理的意識，也沒有實時關注產品數據的習慣，因此完全找不到原因。
很長一段時間之后，我們才發現用戶創建群組后，沒有得到有效的引導，導致無法邀請其他成員進來，因此很多用戶就走到「新建群組」為止了，后面的高級功能根本沒有用到，相當于用戶的使用流程在早期就完全斷裂了。如果我們把每一步的流程和轉化效率直觀化，即時看到各個步驟的轉化率和使用度，就可以及時調整產品戰略，減少用戶的流失。后面我們會講具體的思路和方法。
既然數據對產品的設計和優化很重要，那么我們需要關注哪些數據和指標呢？
1、簡單指標
對于產品經理來說，最簡單的指標就是頁面瀏覽量、登錄用戶數和訪問用戶數這樣的的數據了：
每天關注這些指標的變化和趨勢，可以快速了解產品的整體情況，但是只有這些是遠遠不夠的，產品經理需要更多的關心反應產品健康度的指標。
2、復合指標
基礎指標/用戶數量 & 基礎指標/訪問數量?
將基礎指標平均在每個用戶身上，或者每個訪問（Session）上，就可以獲得產品的平均訪問深度、平均訪問時長、平均每周購買數量等復合指標。
相比于簡單的基礎指標，分攤在每個用戶身上的指標通常能夠更好地幫助產品經理了解用戶的真實使用情況。拿 PV 相關的數據舉例，即使 PV 升高，但平均訪問深度（每個 Session 的 PV 數量）下降了，就不是一個很好的征兆，這代表用戶的使用情況可能出現了問題，每個訪問進行的操作和打開的頁面數正在變少，甚至有可能直接導致流失。
因此，產品經理應該更多地關注這類指標，并且嘗試去提高平均訪問時長，平均訪問深度，平均每周購買數量等指標等，這樣可以有效地消除基礎指標帶來的虛榮效應，保持對產品現狀以及產品目標的清晰認識。
轉化率指標
在衡量產品的使用流程時，轉化率指標是至關重要的。轉化率指標能幫助你真正了解產品流程的健康度。拿注冊流做一個簡單的例子，注冊成功的用戶數量正在不斷增加，但這并不能代表注冊流程正在變得更好（有可能是拉新來的流量基數變大了），只有注冊轉化率（注冊成功人數所占百分比）有所提高，才能說明注冊流的優化是行之有效的。
在這些指標中，留存指標越來越受到產品經理的重視。從前大家更偏向于下載量，注冊數這樣代表拉新效果的指標，但是一個人在什么時候才真正成為你產品的用戶呢？其實是在他留存下來的時候。
因此在AARRR模型中，留存是最重要的一環，獲取（ Acquisition）和激活（Activation）的用戶愿意持續地使用產品，就實現了用戶留存，留存下來的用戶才能實現后續的變現（Revenue），甚至自發進行傳播和推薦（Referral）。如果留存率不夠理想，所有在用戶獲取方面的努力都都將白費，進而也不可能激發用戶的付費和推薦意愿了。
對于沒有數據分析意識的產品經理來說，在完成產品規劃，功能開發，以及測試上線之后，就認為自己在這一階段的工作結束了，這樣是無法做出優秀產品的。在產品發布上線之時，數據分析的工作才剛剛開始，只有對上線的功能進行不斷的調整和優化，才能打磨出真正體驗優秀的產品。
那么對于產品經理來說，怎樣用數據分析的思路驅動產品優化呢？
1.建立業務目標和產品期望
認真思考「用戶故事」，明確產品成功的目標是怎么樣的，比如什么樣的使用量，使用頻度，達到怎樣的留存率才算是成功；
2. 將產品抽象化、邏輯化和結構化
只有對產品的結構和邏輯足夠了解，才知道哪些是需要關注的數據和指標，以及怎樣通過對這些指標的監控實現最終的目標。因此這時我們需要將產品功能抽象化、邏輯化和結構化，拆分成具體的邏輯層次。包括用戶的預期操作可以分為幾個部分，業務邏輯分為幾個部分等等…在理清產品邏輯之后，才可以按照每一個部分去進行分析和優化，比如在電商應用中，就可以將用戶的購買行為抽象為如下的邏輯結構 A.打開商品詳情頁 B.進入購物車頁面 C.確認訂單頁面 D.進入支付頁面 E.付款成功；
3.進行數據的準備和收集
產品經理需要確定出具體的分析計劃，并且整理出數據需求。在一段時間的數據采集之后，形成相應的數據樣本（時間上很短，或者用戶很少的數據是沒有意義的）。
但很多產品經理常常就敗在這一步，因為傳統的數據收集工作必須要提前埋點，而埋點最常發生的事情就是漏埋和錯埋，產品上線了才發現“沒埋點，沒有數”，因此，一些聰明的產品經理開始用不需要埋點的工具 GrowingIO 來解決這個問題。
4.多種手段進行數據分析，衡量用戶的使用情況
在新功能上線之后，我通常會利用多種分析手段了解用戶的真實使用情況，并驗證是否符合在第一步中設定的業務目標和產品期望。
比如，在驗證產品每一個步驟的邏輯和轉化時，我會使用漏斗功能對用戶的核心路徑進行分析，在之前的電商例子中就形成了一個「A.打開商品詳情頁->B.進入購物車頁面->C.確認訂單頁面->D.進入支付頁面->E.付款成功」的漏斗（如下圖）。
GrowingIO 漏斗實時進行數據分析
在這個漏斗中，可以發現從收貨信息頁面，到支付頁面的轉化率不太理想，已經產生購買意愿并確認訂單的用戶只有 50.2% 到達了支付頁面，為什么這一步流失了一半的用戶呢？在這里我們就可以針對「確認訂單頁面」到「支付頁面」的流程，對這個現象的成因進行相應的分析了。
5．提出猜想并驗證
通過上面的數據分析，針對為什么確認訂單到支付這步的轉化率這么低？我們就會有一個初步的猜想，可能是「用戶無法在確認訂單頁面查看商品細則，為了返回上一頁，因此放棄了付款」，也可能是「用戶想修改商品數量和樣式，但是確認訂單頁面不能修改，因此放棄了付款」，當然也有可能是單純的提交支付按鈕存在 Bug 或者理解的偏差。
接下來就要用數據分析來驗證我們的猜想。例如：我懷疑一個按鈕的樣式以及文案不夠符合用戶的期待，就可以查看這個按鈕的點擊率是否存在問題，以及設計新的按鈕樣式進行A/B測試。有了這樣實時的數據分析圖，我們就可以隨時看到用戶行為以及每一步的轉化行為，及時調整產品策略，以獲得更好的結果。
驗證猜想后，我們就會得到具有相應論據的結論，產品經理就能夠以此為依據進行產品的優化，以提升產品的用戶體驗，更好的實現業務目標了。在優化上線之后，產品經理就要開始新的數據分析輪回，對改版的數據進行分析提煉，以檢驗改版帶來的效果是否是有效的，不斷用數據驅動產品優化和業務增長，形成良性的循環。
雷鋒網注：本文由GrowingIO 產品經理王柳分享，轉載請聯系我們并保留完整信息，不得刪減、修改文章。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
