⛄️ 今天是立冬(從帳篷中探頭)(吶喊)知識進補雙 11,先領週末 $777 🎁
全站 85 折|熱銷買 1 送 1 ⚡️
登入/註冊
產品經理喬 PM Joe
2022/12/01
4,939

PM 決策術:產品經理必學的數據分析思維!關於數據應該懂多少?

現在的就業市場為了盡可能規避浪費開發資源的情況,會盡可能要求所有需求的產出是科學化的。這篇文章中,PM Joe 要跟你分享自己的實際業務以及使用數據做產品決策的經驗。

對文章有興趣來不及看?點選右上角「橘色小書籤」收藏 文章,再也不怕錯過就是一輩子!

你會進行數據分析後,才開始進行產品設計(Product Design)嗎?還是你常常被團隊質疑你的決定,因為你有數據撐腰呢?

現在的就業市場為了盡可能規避浪費開發資源的情況,會盡可能要求所有需求的產出是科學化的。為了與目前市場上數據相關文章做出區隔,這篇文章主要整合了自己實際業務以及用數據做產品決策的經驗。

順道一提,根據個人經驗:如果你是工程背景在做產品經理,在就業市場上更要利用這個優勢,去凸顯出自己理科的思維。會造成自己職涯上的薪資待遇等等都會突出許多。

首先,有個問題我從業多年都會一直被問的問題:

產品經理到底要不要會數據分析的硬實力——程式語言:SQL 抓數據、Python or R 分析/可視化等等。

答案是不一定,真的很看公司,小公司可能會要求產品 SQL 取數要會。

個人待過的公司經驗大多是不強求。而且我認為:要理性評估自己可支配的時間來進行進修學習,而不是沒有方向的什麼都要學。根據 Dream Job 的 JD 中提到的職位要求,去調自己整職涯進修路徑很重要。

真要練的話,我剛好是念資工的,所以推薦去 LeetCode 刷題練吧。建議可以了解資料科學(data science)相關的理論。但是基本所有公司都要求產品經理具備數據分析思維能力,而這能力是對 PM 職涯整體而言最關鍵且影響最大的。

數據分析步驟(基礎知識)

建議可以理解下實務中數據分析的流程:

產品經理
圖片來源:產品經理喬 PM Joe 提供

其中產品經理最核心的數據分析能力價值,體現在第五點跟第六點,分析數據報告與產出解決方案的部分。

1. 商務問題理解(business objectives)

目前的業務上,具體有遇到什麼問題?必須要明確一個業務目標,才能定義出數據分析策略,進而獲得可執行的解法(actionable solutions)。否則,毫無目的的進行數據分析,很大概率會是一種資源浪費。

以下的部分,我根據自己的經驗把實際業務中可能遇到的問題分類:

  • 通用型收入指標類(revenue — ARPU/LTV)—— 變現方式:廣告變現(advertising)、訂閱變現(monetization)
    → 訂閱率(subscription rate)
    → 廣告展示數(ad display times)、廣告點擊率(ad click-through rate)
    → eCPM(展示千個用戶所營利的金額)

  • 工具類(usage rate)—— PicsArt、VSCO、B612、BeautyPlus 等等
    → 圖像/影音類:照片/影片保存率(save rate)
    → 資訊安全類:單日人均數據清除次數、人均應用上鎖 App 數

  • 社交類(engagement rate)—— Facebook、Instagram、LinkedIn、Tinder 等等
    → 熟人社交:日/週/月人均的互動次數(按讚/評論/分享)、日人均關係鏈建立(加好友、建立人脈)
    → 陌生社交:日/週/月人均文字聊天人數、日/週/月人均影片對談人數、日/週/月人均關注用戶數等等

  • 內容類(engagement rate)——閱讀類應用(小說、漫畫)、OTT類(影片串流)、聲音廣播類(Podcast)
    → 日人均觀看單一內容時間長度、日人均觀看內容數量
    → 針對特定用戶,單一內容裡面的哪一頁或者哪一個部分,造成用戶觀看時長最長:知道這數據可以用於廣告買量(Media Buy)時,成為廣告素材

  • 電商類(e-commerce)
    → 日人均瀏覽商品數、日人均購買商品數、日人均商品收藏數
    → 每個品類的用戶瀏覽比率⋯⋯

以上數據,在業務上實際監測時,可以切成不同的用戶群體(user segement)來進行分析,不要整個群體一起看數據,很有可能會造成誤判。這樣去看數據,可以最大程度的定位到潛在問題。

所謂用戶群體,個人經驗在業務上常常使用的包含:

  • 新用戶、老用戶

  • 不同市場(美國、日本、韓國等等)

  • 有消費過、沒消費過(例:會員/非會員、買過商品/沒買過商品)

  • 年齡、性別等等

  • 一些根據公司技術能力可以做出的特有群體(例:依照膚色區分之類)

2. 數據理解(data interpretation)

根據公司擁有的數據平台概況,無論是公司自己製作的平台,或者第三方數據服務平台如下所示:

  • App 用戶行為(產品核心數據漏斗、關鍵數據〔活躍用戶、留存率〕):
    (1) Firebase Analytics, (2) Facebook Analytics, and (3) Flurry 等。

  • 市場營銷推廣數據(廣告素材數據表現、付費用戶產品內關鍵數據表現):
    (1) AppsFlyer and (2) Adjust 等。

會安裝兩個以上的數據平台,實務上是要確認數據正確性(data accuracy)。

可行性確認(Feasibility):首先要先搞清楚我們可以抓到什麼數據呢?

✔ 假設今天的商業問題是,收入需要提升:

→ 那必須先理解產品業務端的變現方式為何?
例:是廣告變現?是訂閱制變現?還是其他的變現方式?必釐清關鍵點。

✔ 假設業務端變現方式是訂閱模式:

→ 預計要監測的關鍵數據指標:
例:不同訂閱入口的點擊率、訂閱頁不同費率的轉化率。

3. 數據準備(data preparation)

數據科學正規流程:採集(acquisition)→ 清洗(cleaning)→ 整合(consolidation)。如果是特別的複雜數據,理論上需要數據組開始參與了。

正常情況,產品經理本身不會花太多時間在數據準備上,而應該要花更多時間在研究、分析數據報告(insights),根據目標用戶(TA,target audience)設計解法來進行優化,或者新功能常識。

產品經理
圖片來源:Hahow 圖庫

以下順便記錄,自己工作經驗中所合作過的,理解的三個與數據相關的職能(各家公司可能會有些為差別):

  • 數據分析師(data analyst)
    存在目的為「基於數據回答商業問題」,是溝通產品與商業的橋樑。在 Google 被稱為 business analyst 或 product analyst,基於數據工程師維護的資料庫,用 SQL 跑數據(也就是 ETL:extract,transform,load)。數據分析師會使用 Excel 進行數據可視化(visualization),藉此提升可讀性(readability)。其數據見解(insight)給予產品或者商業上更科學化的建議。

  • 數據工程師(data engineer)
    存在目的為「數據管理(data management)」—— 成本低且查詢效率高,可以理解為是軟體工程師(software engineer),把產品本身的原始數據(raw data)儲存入資料庫,然後把這些原始數據建成表格。具體從事數據建模、數據架構、數據標準以及所有與數據管理相關的事情。

  • 數據科學家(data scientist)
    存在目的為「替高複雜性的商業問題:定義分析方向(analytical direction definition)、建模(modeling)、預測(prediction)」,這職能是統計學與資訊工程的專家,而通常也是數學/統計學/資料科學的 PhD 學位擁有者。

雖然我實際認識的 PM 同業 中, 確實存在數據分析師太忙了,所以產品經理必須要自己去進行數據準備的情況。(包含我自己也做分析師的事)

  1. 數據採集(data acquisition):從平台上採集數據,始為原始數據。

  2. 數據清洗(data cleansing):把不合理數據清除掉;簡言之就是處理不合理的(無效/缺失)、不一致的數據清理,避免這些不合理的數據可能影響分析結果。

  3. 數據整合(data consolidation):
    把來自不同數據源的數據進行採集與清洗,轉換後(ETL:extract,transform, load),統一載入到一個新的數據源,提供統一數據視圖的方式。

4. 數據分析(data analysis)

  1. 數據挖掘 or 數據探勘(data mining):在大數據中,利用機器學習(machine learning)、統計學、和資料科學的理論學理,找出規律(pattern)的一種方式。

  2. 數據建模(data modeling):利用機器學習(machine learning)與統計學的理論,替資訊系統建立數據模型,進而解決商業問題的一種方式。

5. 分析報告(insights)

  1. 可視化/視覺化(visualization):
    簡單來說就是,把數據視覺化成統計圖表、圖形。最常用依然是 Excel。但也可使用 R 或者 Python + Javascript,只是這兩者的學習成本較高。

  2. 觀點/結論(insights)——分析思路(analytical & critical thinking)。
    本部分可能是產品經理與數據分析師最重合的工作內容之一,也是最能體現產品經理價值的其中一個部分。產品經理實際工作中,無論最終是誰提供給我們處理過後的數據,我們最終會看到一堆經過處理的可視化數據。
    特別是漏斗分析(funnel analysis)時,我們所見到的是點到點之間的轉化率(conversion rate),與計算出來的流失率(churn rate)。更甚者,我們會分析用戶在不同頁面的人均停留的時間(length of stay in a page),進行原因分析(factor analysis)。

產品經理
圖片來源:Hahow 圖庫

我認為,人類把數據分析成具體觀點,是種無法被 AI 取代,且富有創意與溫度的分析行為。

數據分析思路(what to analyze)

以下探討:根據業務指標,你具體要分析什麼?有太多可分析的主體,舉凡應用內到應用外,以下的資訊也許可以提供一些策略上的參考。

  • 渠道分析(channel analysis)
    針對用戶增長部門在不同渠道投放廣告(media buy)獲得的用戶進行分析,進而去定義這渠道的用戶品質。實務上,譬如說從 Facebook 跟 twitter 上投放廣告,抓取過來的用戶在產品上的數據表現不同,進而會影響對不同渠道的預算設置。

  • 留存分析(retention analysis)
    在用戶下載了產品之後,再次使用的概率。從時間緯度上來說通常分析次日、次週、次月。實務上,很常根據不同市場的用戶群體來做分析。例如:美顏功能在日本,與在美國的表現不同,造成設計即使同值,效果引擎視覺強度不同。

  • 交叉關聯分析(cross-correlation analysis)
    多維度交叉分析,具體維度根據業務訴求而定。例如:在電商上分析新用戶且為婦女,以及新用戶且為少女,他們之間購買行為的不同,進而優化未來針對這兩個用戶群體的運營與產品策略。

  • 歸因分析(attribution analysis)
    找到用戶轉化或者流失的原因,例如:對用戶增長做策略歸因,不斷優化增長策略。例如:金融科技產品中,用戶推薦好友加入後可賺 100 美金,分析出用戶通常加入後就流失了。多設計幾道解法讓新用戶體驗產品價值。

  • 間隔分析(interval analysis)
    找到用戶轉化或者二次轉化的拐點,及時介入。例如:針對電商軟體,不同用戶群體下載後幾天,會在什麼時機點進行首次購買?購買過的用戶,會在什麼時機點再次購買?基於這基礎如何去設計再營銷策略以及產品運營系統?

  • 用戶畫像(user demographics)
    聚合符合某種特定用戶行為,或者特徵的用戶。並且針對這群人進行特定的優化與分析。例如:某電商產品定位到其產品使用者超過 50% 為 24 歲以上的美國母親,則其相對應的用戶體驗與產品優化策略,都逐漸向這樣的用戶群體靠攏。


數據分析方法論(methodologies)

你找到了要分析的主體了,那麼你要用什麼思路來分析、切入?以下整理了自己以前在不同平台學習過的思考方式,消化成自己的理解。期望幫助更多人能夠更系統化的進行數據分析,並生產出產品方案給優化與創新(product optimization & innovation)。

5W2H 分析法

可用於用戶行為分析(user behavior)、業務特定問題(specific business problems)、市場營銷活動(marketing campaigns)等等方向。以本文中提到的訂閱變現方式為例:

☛ Why

  • 功能為什麼這樣設計?

  • 功能為什麼是用這種方法設計?

  • 功能為什麼是得到這種結果?(是否有什麼可以規避的?)

→ 例:為什麼用戶要花錢購買?吸引點為何?優化空間?

☛ What

  • 功能有什麼目的?

  • 使用這功能的前提,要準備什麼呢?

  • 功能有什麼風險呢?

→ 例:產品提供的功能吸引點是什麼?或者,有些吸引點是我們沒有注意到,但是對於用戶來說也是吸引點,可以優化什麼部分呢?

☛ Who

  • 功能是哪個用戶群體使用的?

→ 例:願意花錢購買的主用戶群體(user segment)是誰?他們具有什麼特徵?同時產品是否也有滿足到其他潛在用戶?

☛ When

  • 功能什麼時候開始?

  • 功能什麼時候結束?

  • 功能什麼時候是關鍵時刻?

→ 例:在訂閱頁中進行購買的時機?在訂閱頁中購買的頻率維和?

☛ Where

  • 功能在哪裡進行?

  • 功能在哪裡開始?

  • 功能在哪裡結束?

→ 例:在哪個付費功能的使用彈出訂閱頁,會導致轉化率最高?

產品經理
圖片來源:Hahow 圖庫

☛ How

  • 功能的過程是如何被監控的呢?

  • 功能要如何被提高效率?

→ 例:用戶是購買的途徑為何?

☛ How much

  • 付費功能的定價策略合理嗎?

  • 付費功能的定價展示合理嗎?

  • 付費功能的在不同國家地區本地化了嗎?

  • 付費功能針對新老用戶,有採用不同的策略嗎?

→ 例:每個費率購買的費用為何?

4P原則

主要針對付費類別功能的數據思考,尤其是 IAP(in-app purchase)與訂閱類功能(subscription)

☛ 產品(product)

  • 公司提供的服務帶來什麼價值?用戶數據表現為何?

  • 產品是否真的解決了用戶痛點呢?如果沒有,我們要怎麼優化?

  • 有什麼特徵的用戶群體(user segment)是付費用戶?他們有什麼標籤?

→ 例:產品帶來的價值,是否驅動用戶願意付費呢?

☛ 價格(price)

  • 近日付費情況的趨勢為何?是增長?還是消退?

  • 在不同市場的用戶,可以接受的定價策略為何?

  • 在不同市場的用戶,他們的支付方式是如何?我們的產品有達到嗎?

→ 例:產品在不同市場的定價,是否考慮到當地可負荷的金額?(多考慮 GDP與競品在對應市場的定價策略,不斷嘗試優化調整)

☛ 促銷(promotion)

  • 我們具體投入了多少促銷的資源?譬如說在聖誕節。ROI 是正的嗎?

  • 我們具體投放了多少廣告呢?計算人均付費用戶的 CAC 是否有小於 LTV?進而造成人均 ROI 是正的呢?

→ 例:在特定節日如聖誕節與針對新手用戶,提供對應的促銷價格。主要目的為賺取感受到產品價值(a-ha moment)後,其第二個月之後的付費金額。

☛ 渠道(platform)

  • 公司的產品在每個市場中,有多少銷售渠道呢?(譬如說如果是做大陸市場,安卓應用商店的渠道百家爭鳴,不太可能只上一家)

  • 用戶是透過怎樣的渠道進行購買居多呢?(iOS/安卓)在各個市場的付費數據表現為何呢?(通常以訂閱來說,美國的人均獲利會遠大於其他市場)

→ 例:以移動端產品來說,渠道的特殊狀況通常在大陸安卓市場發生的會相對頻繁。在大陸的 iOS 商店頁與其他市場相同統一,但是安卓市場在 Google Play 退出大陸之後,整體情況就是百家爭鳴,目前也沒有任何一家公司有進行統一商店頁的打算(2020/08)。

以上大致記錄了自己針對要分析誰,以及怎麼分析的經驗彙整。

6. 解決方案(product design/solution)

例:針對商業化模式——訂閱,提升不同訂閱入口的點擊率、訂閱頁不同費率的轉化率(業務目的:提升收入);

嘗試使用以上提到的各種數據分析方法與思路:

  • 渠道分析
    ☛ 從目前投入成本推廣的渠道來的用戶,數據表現如何?
    → 降低投入成本大於用戶 LTV 的渠道,把多出預算投入表現好的渠道。

  • 留存分析
    ☛ 針對每個市場,已訂閱過的用戶,再次訂閱的轉化率為何?
    → 不同核心市場,考慮本地化定價策略,以及使用當地幣種展示。

  • 交叉關聯分析
    ☛ 具體在關鍵市場中的哪個特定群體,特別容易轉化成付費用戶呢?
    → 假設監測數據,發現 24~30 歲且為女性的用戶特別容易轉化成付費用戶:運營策略上,針對尚未付費但符合條件的用戶,進行精細化運營,提升付費轉化率。

  • 歸因分析
    ☛ 用戶付費轉化率最高的時刻,是在使用某付費功能之時
    → 針對訂閱會員頁,可特別設計該功能的前端推廣展示,測試是否真的會對整體的付費轉化率提升;抑或是,找到針對這個付費功能的付費轉化率最高的用戶群體,並且定位出這個用戶群體的特徵,凡符合者,則展示這特別針對該付費功能的前端推廣展示。

  • 間隔分析
    ☛ 用戶下載後,在 24 小時內如果有使用到某功能付費轉化率就會激增
    → 針對新手體驗(on-boarding experience),引導用戶使用該功能。觀察付費轉化率是否提升。

  • 用戶畫像
    ☛ 某一特定用戶群體的付費轉化率特別高
    → 定位出這些用戶特徵與用戶行為,進行精細化運營(與交叉關聯分析重合到這部分的相關建議解法)。

二、基於數據的產品功能或應用,有哪些?

提到基於數據做成的產品,最顯著的例子可以舉抖音(TikTok)。

基於抖音產品的理解,我畫下此流程圖:

產品經理
圖片來源:產品經理喬 PM Joe 提供

解釋為何舉抖音為數據驅動的內容類產品前,我這邊先分析下這款產品。內容類產品類產品,可以通用型的分為:生產側(content creator)與消費側(content viewer)兩種角色,這樣的架構適用於 Facebook/Instagram/ YouTube 訊息流(News Feed)等等。那我們來理解下,消費側是如何基於數據來設計的:

  • 內容池(content pool)
    內容池就是一款產品所有內容的總集合。分為 UGC(user generated content,一般用戶產生的內容),跟PGC(professionally generated content,專家用戶產生的內容)。

  • 用戶分群(user segmentation)
    內容類產品,無論是影片還是圖像類別,都會很注重所謂千人千面,意思就是個性化推薦(personalized recommendation)。一切基於用戶數據,無論是行為或特質/性別/年齡/學歷/工作,利用推薦演算法給予該用戶最可能感興趣的內容。

  • 推薦演算法(recommendation algorithm)
    基於機械學習(machine learning),可以訓練出一個模型(module),不斷根據用戶的行為去學習用戶的喜好,逐漸更可從內容池,精準推薦用戶喜好的內容。Facebook、Instagram、Amazon 等等科技巨頭,都是這樣的技術應用。

  • 分發流量演算法(content consumption algorithm)
    基於用戶與內容的互動數據,包含觀看影片時間長短、是否按讚/評論/分享等等,來判斷內容質量,進而決定分法給更多用戶的優先級與量級。實操上也是 machine learning 的應用,測試不同參數的權重,並時刻判斷其對用戶的數據影響。

由以上的介紹,也可以理解到:涉及流量分發的產品或功能,通常都要基於完善的數據體系,達成讓關鍵行為轉化率最高的情況,才可能最佳化整個產品生態的閉環。

看完文章要用時卻忘光光?點選下方按鈕 收藏 此文章,我隨時都在這等你回來!


line-short


課程推薦

▶ 產品經理職場學:PM 必修的職涯指南!

▶ 一次搞懂專案管理 - 從入門到業界實務


延伸閱讀

(本文轉載自產品經理喬 PM Joe - Joseph Chen,原標題產品經理必學的數據分析思維,掌握數據的PM就掌握決策話語權。學習這最能說服團隊的必備能力!)

15
給創作者來點掌聲!
15


產品經理喬 PM Joe

曾任職 Canva 產品負責人、 MX Player (Zenjoy) 產品負責人、火幣網產品副總監、美圖秀秀國際版產品負責人、新創公司玩美移動。曾旅居紐約、清大資訊碩士畢業。IG: _PMJoe | Email: pmjoe.business@gmail.com

其他人也在看

更多文章