閱讀2011
標籤：
產品經理資料分析產品經理所面對的資料， 本質上和日常生活中的資料沒有太大的差別。 簡單來說， 都是一個量化事物的手段， 就像身高、體重一樣， 都是一個數字指標， 它代表了現實存在的事物的一個客觀情況。
正是因為資料的客觀性， 讓資料變成了發掘問題本質， 尋找事物規律所需要用到的最有利的手段之一。
但是， 資料雖然客觀， 有時也會騙人， 而且騙人的方式不同。
一、障眼法欺騙
案例一： 把沉默用戶當做支持和反對的中間態
2家網站A和B， 都經營類似的業務， 有穩定的用戶群。 它們都進行了類似的網站介面改版。 改版之後， 網站A沒有得到用戶的讚揚， 反而遭到很多用戶的臭駡；而網站B既沒有用戶誇它， 也沒有用戶罵它。
如果從資料來看, 應該是網站B的改版相對更成功, 因為沒有用戶表達不滿。
但事實並非如此。 網站A雖然遭到很多用戶痛駡， 但說明還有很多用戶在乎它；對於網站B， 用戶對它已經不關心了。 網站A指的是Facebook， 網站B是微軟旗下的Live Space。
案例二：把某一類型資料當做全部資料， 導致分析結果錯誤
某產品想要看網站現在的使用者訪問量是什麼狀態， 於是選擇了PV作為觀測指標。 通過alexa來看網站的PV在過去一年中呈明顯的下降態勢， 於是就以此為論據進行了分析。 可是後來發現， alexa僅僅統計通過WEB的訪問量， 而用戶移動端的登錄並不在統計範圍之內。
由於微信等移動端應用的使用， 一大部分人會通過移動端的途徑進入， 缺失這部分資料意味著前面統計的資料基本沒有意義。 因為WEB端訪問量的下降有可能是用戶訪問網站次數降低，
二、單一欺騙法
案例一：將指標分開單一看， 忽略多環節指標
在統計用戶回饋的時候， 只看到幾個用戶回饋一個問題， 這些回饋在整個問題裡占比只有1%， 你覺得這個太低了， 不加以重視！
但是， 你不知道另外99%遇到這個問題的用戶很可能卸載你了！！！
案例二：高流量即高轉化？錯！
一篇文章百度帶來100個leads， 微信帶來80個leads。 但百度帶來的流量最終轉化為60個註冊用戶， 微信管道最終轉化了64個註冊用戶， 哪個管道比較好， 不能單純根據流量來源多少定吧？
大流量、收錄高是獲得好轉化、好排名的基礎， 是敲門磚。 但絕不是決定性的唯一因素。 某些情況下， 大流量是獲得轉化的前提， 也就我們平常所說的擴大用戶池子。 在獲得流量後需要考慮如何提高產品轉化。 但某些情況下， 流量轉化的高低取決於管道品質的好壞。
三、被動欺騙法
案例一：只看資料不考慮其他因素
比如：A入口的留存率是30%， B入口的留存率是50%。
但你忘記了B入口藏的非常深啊， 進到這裡的用戶都是非常忠實的用戶當然留存高啊， 這就根本沒法說明B比A好。
案例二 ： 只關注產品而不關注外界的決定性因素
支付寶當年代繳水電煤的項目改版之後， 發現繳費使用者立刻暴增， 產品人員欣喜若狂。 後來某同學分析一下， 原來那幾天是每個月水電煤繳費高峰期， 週期性的抽風。
案例三：數位背後對應的內容可能更重要
改版了款wap產品， 沒做任何推廣前提下， 發現流量飆升， 尤其匿名使用者漲了3倍。 因為產品本身使用者基數低， 所以流量翻了兩三倍也算正常。 當時估計是SNS的口碑傳播導致的。
但最後還是覺得不對勁， 查了一下，發現是搜尋引擎在抓頁面，因為改版了，所以它們要重新抓一次。空歡喜一場。數位還是那個數位，但背後它到底對應了什麼內容，常常被忽略了。
在與資料打交道的過程中，我們會因為各種原因，導致分析的結論出現較大的偏頗。
那如何避免被 “說謊的資料 ”欺騙呢？
警惕5大誤區，讓資料不再說謊
1、選取的樣本容量有誤
2008年奧運會上，姚明的三分投籃命中率為100%，科比的三分投籃命中率為32%，那麼是不是說姚明的三分投籃命中率要比科比高?顯然不能這麼說，因為那屆奧運會，姚明只投了一個三分球，科比投了53個。
因此，在做資料對比分析時，對於樣本的選取，需要制定相同的抽樣規則，減少分析結論的偏差性。
2、忽略沉默使用者
使用者迫切需要的需求≠產品的核心需求
產品經理在聽到部分使用者回饋的時候就做出決策，花費大量的時間開發相應的功能。可能這些功能只是極少部分使用者的迫切需求，而大部分用戶並不在乎。
忽略沉默使用者，沒有全盤的考慮產品大部分目標使用者的核心需求，可能造成人力物力的浪費，更有甚者，會錯失商業機會。
3、混淆關聯與因果
某電商網站資料顯示，商品評論的數量與商品銷售額成正比。即一個商品評論數量越多，那麼該商品的銷售額也會越高。假如我們認為評論多是銷量高的原因的話，資料分析的結論就會指導我們，需要創造更多的商品評論來帶動商品銷量。
但如果真的這樣操作的話，就會發現很多商品的銷量對於評論的敏感度並不一樣，甚至很多商品銷量很高，但與其評論的多少毫無關係。
這裡，我們就需要思考，評論真的是影響銷量的必然因素嗎?
除了評論之外，影響銷量的因素，還有其品質、價格、活動等。如果能完整的認識到這些因素，那我們要拉升商品銷量，首先會需要先從其他角度來考慮，而非評論入手。
因此，在分析資料的時候，正確判斷資料指標的邏輯關係，是指導我們做出產品決策的前提。
4、視覺化表達方式有誤
用來表達資料的圖表的長寬，取值的間隔，資料的標準化等都會造成視覺上的誤差。
由上圖可知，如果資料的取值間隔劃分過大（等比數列 1,10,100,1000,10000）而不是標準等差數列（1,2,3,4），則資料之間巨大差異會被縮小。
左圖暗示“湖北、河南、江蘇總產值排名前三遠超其他省市” 右圖暗示“各省市總產值相差並不太大”5、過度依賴資料
過度依賴資料，一方面，會讓我們做很多沒有價值的資料分析；另一方面，也會限制產品經理本來應有的靈感和創意。
比如，分析馬車的資料，很可能我們得出的結論，是使用者需要一匹更快的馬車。如果過度依賴資料，局限了我們的思維，就很有可能不會有汽車的誕生。
很多優秀甚至偉大的產品決策，並非通過資料發現的，而是一個產品經理綜合智慧的體現。
資料是客觀的，但是，解讀數據的人是主觀的。只有正確的認識資料，才能正確的利用資料。
文/老衲（公眾號：ifenxipai），部分內容整理自網路。數極客資料分析師，玩轉運營及資料分析的應用，擁有大量相關經驗。
查了一下，發現是搜尋引擎在抓頁面，因為改版了，所以它們要重新抓一次。空歡喜一場。數位還是那個數位，但背後它到底對應了什麼內容，常常被忽略了。在與資料打交道的過程中，我們會因為各種原因，導致分析的結論出現較大的偏頗。
那如何避免被 “說謊的資料 ”欺騙呢？
警惕5大誤區，讓資料不再說謊
1、選取的樣本容量有誤
2008年奧運會上，姚明的三分投籃命中率為100%，科比的三分投籃命中率為32%，那麼是不是說姚明的三分投籃命中率要比科比高?顯然不能這麼說，因為那屆奧運會，姚明只投了一個三分球，科比投了53個。
因此，在做資料對比分析時，對於樣本的選取，需要制定相同的抽樣規則，減少分析結論的偏差性。
2、忽略沉默使用者
使用者迫切需要的需求≠產品的核心需求
產品經理在聽到部分使用者回饋的時候就做出決策，花費大量的時間開發相應的功能。可能這些功能只是極少部分使用者的迫切需求，而大部分用戶並不在乎。
忽略沉默使用者，沒有全盤的考慮產品大部分目標使用者的核心需求，可能造成人力物力的浪費，更有甚者，會錯失商業機會。
3、混淆關聯與因果
某電商網站資料顯示，商品評論的數量與商品銷售額成正比。即一個商品評論數量越多，那麼該商品的銷售額也會越高。假如我們認為評論多是銷量高的原因的話，資料分析的結論就會指導我們，需要創造更多的商品評論來帶動商品銷量。
但如果真的這樣操作的話，就會發現很多商品的銷量對於評論的敏感度並不一樣，甚至很多商品銷量很高，但與其評論的多少毫無關係。
這裡，我們就需要思考，評論真的是影響銷量的必然因素嗎?
除了評論之外，影響銷量的因素，還有其品質、價格、活動等。如果能完整的認識到這些因素，那我們要拉升商品銷量，首先會需要先從其他角度來考慮，而非評論入手。
因此，在分析資料的時候，正確判斷資料指標的邏輯關係，是指導我們做出產品決策的前提。
4、視覺化表達方式有誤
用來表達資料的圖表的長寬，取值的間隔，資料的標準化等都會造成視覺上的誤差。
由上圖可知，如果資料的取值間隔劃分過大（等比數列 1,10,100,1000,10000）而不是標準等差數列（1,2,3,4），則資料之間巨大差異會被縮小。
左圖暗示“湖北、河南、江蘇總產值排名前三遠超其他省市” 右圖暗示“各省市總產值相差並不太大”5、過度依賴資料
過度依賴資料，一方面，會讓我們做很多沒有價值的資料分析；另一方面，也會限制產品經理本來應有的靈感和創意。
比如，分析馬車的資料，很可能我們得出的結論，是使用者需要一匹更快的馬車。如果過度依賴資料，局限了我們的思維，就很有可能不會有汽車的誕生。
很多優秀甚至偉大的產品決策，並非通過資料發現的，而是一個產品經理綜合智慧的體現。
資料是客觀的，但是，解讀數據的人是主觀的。只有正確的認識資料，才能正確的利用資料。
文/老衲（公眾號：ifenxipai），部分內容整理自網路。數極客資料分析師，玩轉運營及資料分析的應用，擁有大量相關經驗。