产品经理如何提高数据挖掘和数据分析的能力?

数据挖掘是数据分析工作中一个前提工作,没有数据挖掘这项工作,我们的数据分析工作基本上就没什么意义。产品经理不能为了数据分析而分析,而要将落脚点放到产品和用户上。

作者:李硕,前联想AIOT高级产品经理,乐视车联网产品经理。《数据产品经理实战训练营》讲师。

数据挖掘是数据分析工作中一个前提工作,没有数据挖掘这项工作,我们的数据分析工作基本上就没什么意义。产品经理不能为了数据分析而分析,而要将落脚点放到产品和用户上。数据分析应该帮助产品经理不断优化产品设计和迭代,驱动产品和用户增长做好下面几点可以帮助产品经理提高数据挖掘和分析的能力

1.对业务有深刻的理解 熟悉数据框架、体系

通常来说,没有深刻的业务理解去做数据挖掘往往是事倍功半,行业的业务理解越透彻,就越能抓住数据中本质的特征,

了解你的业务是做什么的,业务的发展规划有什么,核心指标有哪些;

然后对几个核心指标进行拆解,这点也需要根据你的业务属性进行,你的业务凡是会影响到这个指标的有哪几个元素,

这些结果可以帮助你更精准的定位你的产品,为你后面的运营、推广、品牌等定位出一个比较精准的模型;

2.对现有数据指标进行分析

使用正确的方法论。比如增长黑客,从AARRR框架入手进行产品分析。了解现有每个指标的运营现状;如果有同行业指标对比更好,看是否有提高的空间;或者是,希望通过某个运营的动作,提高哪一个指标,提高到多少;

另外有一个精准模型的好处是了解你的核心用户后,你可以单独针对这部分用户进行产品用研与需求挖掘,更利于你内心确定哪些指标是可以通过什么手段提升的;

下面提供一些数据分析的方法

方法1:流量分析

分析不同获客渠道流量的数量和质量,进而优化投放渠道。常见的办法有UTM代码追踪,分析新用户的广告来源、广告内容、广告媒介、广告项目、广告名称和广告关键字。

实时监测产品的访问走势,尤其要关心流量异常值。举个例子,某互联网金融平台因为一个产品BUG导致用户疯狂抢购造成的流量峰值,产品经理发现实时数据异常后迅速下线该产品修复BUG,避免了损失扩大。

方法2:转化分析

广义上所有的商业网站都是电商网站;因为都需要用户转化、需要用户变现。在我们的产品里面有很多地方需要做转化分析:注册转化、购买转化、激活转化等等。一般我们借助漏斗来衡量用户的转化过程。影响转化率的因素很多,我们总结了三个大的方面:渠道流量、用户营销、网站/APP体验。以渠道流量为例,通过优选渠道并且量化分配我们的投放资源,可以有效提升总体的转化率。

方法3:留存分析

留存,顾名思义是指用户首次访问你的网站/APP后多少天后回访。留存是产品增长的核心,用户只有留下来,你的产品才能不断增长。一条留存曲线,如果产品经理不做什么的话,那么用户就慢慢流失了。 从产品设计的角度出发,找到触发留存的关键行为,帮助用户尽快找到产品留存的关键节点。之前我们发现我们产品里面,使用过“新建”功能用户的留存度非常高;于是我们做了产品改进,将“新建”按钮置于首页顶部刺激用户使用,效果非常好。

方法4:可视化分析

用户体验,是一个非常抽象的概念,我们可以对其进行形象化。目前一个普遍的方法就是对用户的数据进行可视化,以热图的形式呈现。借助热图,产品经理可以非常直观了解用户在产品上的点击偏好,检验我们的产品设计或者布局是否合理。

方法5:群组分析

千人千面,产品经理对用户精细化的分析必不可少。不同区域、不同来源、不同平台甚至不同手机型号的用户,他们对产品的使用和感知都可能存在巨大的差异。产品经理可以对不同属性的用户进行分群,观察不同群组用户的行为差异,进而优化产品。之前我们做过一次分析,网站的总体注册转化率是6%;但是使用Chrome浏览器的新用户注册转化率高达12%,使用IE浏览器的新用户注册转化率才1%。这样一分的话,问题就很明显了,极有可能是浏览器兼容性的问题,产品经理应该关注一下这个问题。

3.勤于取数训练 增加数据多样性

大数据中最强调的一个特征是维度多,这说明了数据多样的重要性。一般来说,企业的数据挖掘师都需要通过长时间的取数训练,这样对于企业的数据体系有个全局的认识,在特征选择时有更多的发挥空间,同时数据建模师如果不理解运营商的业务和数据,则可能无法想到这个维度。

总而言之 数据分析是一门多学科、多领域的交叉学问,涉及到的东西非常多。产品经理要想做好数据分析,应该有一套完整的思维体系,在价值观、方法论和工具三个层面上储备相关知识。同时立足于产品和用户,用数据来打磨产品,用数据来检验迭代,不断提升用户体验。

0条评论 添加新讨论

登录后参与讨论
Ctrl+Enter 发表