1. 产品经理需要具备哪些基本的数据能力和意识

原文链接

数据是理解产品现状的基础，是做出产品抉择的依据。

数据分析能力：产品经理技能图谱之一。

产品素养：

  1. 养成数据走查习惯。
    1. 宏观指标：日活、用户新增、留存。
    2. 收入情况：总收入、总订单笔数。
  2. 建立数据体系。
    1. 自建 or 第三方工具。
    2. 数据仪表盘视图。
    3. 展现对比。单个数据指标无意义，在横向或纵向对比时，才有意义。

2. 突发式流量数据暴跌，产品经理应该如何应对？【分析篇】

假设了一个情境：“你在某天早晨起来，发现昨天产品流量暴跌 20%”，并从这个场景出发，分享了产品经理需要具备数据走查习惯和日常数据体系。

分析路径：

  1. 分析有无产品或业务的变化。
    1. 商品调价、试用到期、网站改版等直接影响流量。
    2. 取数据，详细分析具体变化和影响，提供给业务部门做策略参考。
  2. 排除技术故障可能性。
    1. 纯技术的变更产品经理可能不知情。
    2. 系统故障（应用问题）、环境故障（网络故障、终端故障）。
  3. 找到流量降低的案发现场。
    1. 要有数据体系中相关的数据指标，熟悉不同模块数字和比例。
    2. 找到流量下跌的页面或模块，提供前进方向。
  4. 分析不同渠道的流量情况。
    1. web 流量分为：直接流量、搜索引擎和引荐流量。
    2. 搜索引擎分为：自然搜索和付费搜索。

3. 突发式流量数据暴跌，产品经理应该如何应对？【拆解篇】

原文链接

对用户特征的分类进行具体分析。

分析路径：

  1. 用户特征：新访和回访。
  2. 用户分类，打标签区分不同行为模式的用户。
  3. 业务有关的数据因果分析。
  4. 其他不可抗因素：节日变化或政策原因。

4. 突发式流量数据暴跌，产品经理应该如何应对？【处理篇】

核心数据指标的分析如何做到基本结构和内容清楚并专业：

  1. 通报发生了什么事。
  2. 直接了当地给出结论和原因。
  3. 用详细的数据分析过程作为依据。
  4. 作为数据分析师，给出的一些思考与建议。

值得产品学习的几个核心思路：

  1. 数据分析要形成结论。
    1. 如果作为一个产品经理，只知道“流量降低 20%”，然后没有任何分析结论，也没有补充说明以及应对措施。那我们只能算得上是数据工具的传声筒，没有起到应有的作用。
  2. 进行必要的有效沟通。
    1. 发生数据波动之后，作为产品线的负责人，我们有义务主动向相关方通报数据波动，并附上相关结论和应对措施。
    2. 类似的分析其实有两大忌讳，一个就是只给现象不给结论，而且现象也很粗浅。另一个则是一次说不清楚，要不断反复地说。
    3. 保证自己沟通中的信息量，直接给结论，干净利落最好。
  3. 要有应对策略。
    1. 表现分级：别人问->看数据->有分析->有结论—>有应对策略。
    2. 短期策略：如何快速把数据抢救回来；
    3. 中期策略：怎样修复相应机制，防止问题再次发生；
    4. 长期策略：类似的数据波动是否会对我们整体的产品规划和方向选择有所影响。

5. 当收集数据的前后，我们应该做什么？

讨论情境：“为了摆脱对搜索引擎的流量依赖，我们应该做什么”，而且提供了两个备选，做社区还是做工具。

我们在这里只说工具和社区，是为了缩小范围，工具和社区是两个经典构建自有流量蓄水池的路径，目标都是通过一个产品，持续黏住某种属性的用户。

  1. 开始前：用数据论证和预演目标。
    1. 卫哲 3+1 思考法：
      1. 需求从哪里来，目标客户是谁？
      2. 有多少人有这样的需求，这个需求紧迫吗？
      3. 他们的痛是什么？场景时什么？
      4. 解决之后在网站数据上会有什么表现。
    2. 数据和预测可以成为一个更冷静的停止线，在高不成低不就的时候帮助我们果断做减法。
  2. 开始后：纵向和横向的标杆数据。
    1. 纵向数据来自产品内部。
    2. 横向数据来自类似产品，或来自渠道。

6. 从具体业务出发，如何利用数据辅助你的决策？

需求价值分析框架：

  1. 用户是谁
  2. 用户有什么问题
  3. 我们提供什么解决方案。

场景：想通过构建流量池，摆脱对搜索引擎流量的绝对依赖，在我们决策究竟是做工具还是做社区的时候，需要数据来做辅助的判断。

  1. 通过数据了解用户是谁。
    1. 想办法了解群体用户画像。
      1. 一种是可以直接获得的属性数据。
      2. 另一种是需要分析的行为数据。
  2. 通过数据了解用户的需求。
    1. 理解用户未被满足的需求。
      1. 一类是通过调研、访谈和客服等各种渠道收集用户反馈。
      2. 另一种通过用户行为去分析和推测。
        1. 看搜索记录。
        2. 从产品假设出发，去寻找逻辑上的「反对意见」。
      3. 第三个方法是去看抽样用户的具体行为轨迹，建立猜想，再倒退回去看整体数据。
  3. 我们能提供什么解决方案。
    1. 竞争现状。
      1. 同一产品市场类似工具，有无垄断。
      2. 无宏观数据，可以调研访谈。
    2. 触达效率。
      1. 自触达能力。
  4. 做出决定，开工干活。
    1. 注册行为数据 —>判断用户群体 —>分析评论点赞行为—>产出内容分享交流的动机
    2. 开发者社区未垄断，内容产品之上建立社区。
    3. 社区具备自行获客和留存的能力，反哺当前商业产品。

7. 那些数据不能告诉你的事：尽信「数」不如无「数」

心理学的巴纳姆效应：

  • 人通常会很容易相信一个笼统的、一般性的人格描述，即使这种描述十分泛泛，甚至会把这些描述当做对自己的描述。

针对数据的极不平衡，第一反应应该是这个数据有问题，而不是直接用来分析。

不拿相关性当做因果性。

数据不是唯一驱动力，不能为了数据的好看，而违背了了价值传递的初衷。比如为了公号的高阅读量，在标题里耸人听闻或者追热点。

数据分析不是终点，真正驱动我们做事情的，是产品的目标和用户的价值。数据只是帮助我们去做决策、去选择方向的一个辅助而已，而不能代替系统性的思考。