数据分析之于产品
为什么数据分析是产品经理的基本功能？我们以字节头条的发展轨迹来看：今日头条本身拥有很不错的广告变现效率------能保证流入的流量高效率的变现，因此头条敢几倍于同行引入流量。这些优势使得整个字节获取流量的速度比其他公司快几倍，等其他公司反应过来的时候，流量已经被它吸走了一大半。上一个这么运作流量的公司是：阿里巴巴。
为什么能有如此大的能量？这极度依赖强大的数据和算法能力。而这些都依赖于数据分析的基础，练好这项基本功才有可能拥有好的数据和算法洞察能力，从而构建一条清晰的数据和算法驱动的发展逻辑。当然 ，也不是说只有这一种好的产品方法论，但如果能把数据能力+对业务、用户的洞察能力+商业嗅觉能力组合发力：就像配上了先进的现代化武器去对付装备很差的军队一样，威力超强。其实，数据和算法本质上极大的提升了产品决策、运营/运作的效率。
当然，到今天红利消失的竞争环境也让数据分析成为了越来越重要的必备技能，众所周知：中国互联网已经进入一个获取流量成本很高的时期，那么产品无论是创新业务还是同质化竞争，让流量获取、流量分发、流量变现变得更有效率成为越来越重要的问题，是产品能否快速增长的重要因素。当然，也不是每一个产品经理都需要这么高的数据能力，对于小萌新而言我们需要知道：
- 什么时候分析数据？
- 分析哪些数据？
- 如何分析数据？
- 如何用数据辅助决策？
- 如何用数据驱动业务？
这些是基本能力。
数据分析常见的应用场景有：
- 通过数据变化趋势、发现用户需求
- 提升产品漏斗的转化率
- 定位具体问题，查找原因
- 预测业务未来走向
常见误区和感悟
我们可以通过阅读《精益数据分析》、《增长黑客》等书以及其他渠道来学习这一技能的基本功，下面是一些数据分析方面的感悟：
（1）不能只看大的数据，还需拆解、细化来分析
比如一首歌曲的评论量与日俱增、表现良好是不是说明真的非常棒了？并不是，我们还需要考证：
- 超过100条评论的歌曲数量占比是多少？
- 评论、点赞数量的分布是怎样的，大量点赞是否集中在少数评论上，还是有长尾效应？
- 新的精彩评论数量占比是多少？被用户浏览过、点赞或回复过的评论数量占比是多少？
- 用户互相回复的比例有多少？
这些细颗粒的数据分析才能真正的看到业务的实际情况，而不是虚假繁荣，这很考验产品经理是不是能沉下心来做产品。
（2）需要看数据的变化、趋势
比如在业务发展平缓期，虽然总数据是不变的，但随着时间的推移，更低维度往往会暗流涌动，通过趋势变化的分析，可能会发现新的内容形态、新的流行趋势，这可能会成为新的用户增长点。
当然，产品经理本身需要有很敏锐的发现数据趋势的能力，
（3）需要对比数据，找到数据底线
我们普遍的遇到的问题是，不知道这个数据是不是算好？某个指标的天花板在哪里？或者很有可能我们在对着天花板努力、苦恼了很久。这就需要有数据参考，才能做到心中有数。
如何找到这个参考值？
- 对比竞争对手的数据
- 对比行业大盘数据
- 回归产品的本质来思考
（4）找到关键数据
业务发展中总会出现不同的业务指标之间互相冲突的情况，所以很难做到面面俱到。这就需要抓住第一关键指标了，在增长黑客里就是所谓的“北极星指标”，这样才可以在繁多的数据中找到核心，找到最能衡量/驱动业务的增长的数据指标。
以下是一些参考项：
- 内容型产品多为内容消费人数、数量；
- 电商产品多为订单量、客单价；
- 社交产品多为关系数、互动数
但具体是哪一个，还需要根据实际情况进行分析和验证。
（5）树立数据约等于效率的意识
我们都知道Python的办公自动化能大大提高我们的办公效率，将我们从原来繁冗的重复、低技能要求的工作中解放出来，数据在产品经理的工作中其实也是，数据分析能帮助产品经理快速做决策、甚至A/B测试可以替代产品经理做部分决策，降低决策的失误率和风险。将产品经理聪明的大脑用在更适合、更有深度、更有价值的地方------洞察。
后记
得益于“用户增长”概念的风行，很多产品经理接触到了这个概念。这个概念本身并不新鲜，所涉及的具体事项也就是BI、数据分析、市场投放、用户研究的日常工作，但整整能做好的甚少。
真正能把用户增长做好的公司往往不是赶时髦设立增长部门，而是从上至下都具备数据驱动意识并且认真落地执行的公司。
