策略产品经理二三事（5）数据分析

数据分析是策略PM的核心技能之一。但因为这个词有点被用烂了，这里就引入一个新词语：数据洞察。

分析是一个过程，洞察才是目标。从数据中洞察的规律，可以指导产品的进一步迭代。

数据分析三板斧

趋势分析：

一般而言，趋势分析适用于产品核心指标的长期跟踪，比如，点击率，GMV，活跃用户数等。做出简单的数据趋势图，并不算是趋势分析，趋势分析更多的是需要明确数据的变化，以及变化原因。

趋势分析中需要用和以往数据的比值来量化数据的变化。比如：2017年2月份某APP月活跃用户数2000万，相比1月份，环比增加2%，相比去年2月份，同比增长20%。

趋势分析另一个核心目的则是对趋势做出解释，对于趋势线中明显的拐点，发生了什么事情要给出合理的解释，无论是外部原因还是内部原因。

除了这些描述性信息，还可以发掘一些周期性规律，比如DAU是否和工作日周末变化有关、是否和寒暑假有关。通过这些信息发掘可以更好地在事件早期预测后续发展，进而尽早进行干预。

对比分析

数据的趋势变化独立的看，其实很多情况下并不能说明问题，比如如果一个企业盈利增长10%，我们并无法判断这个企业的好坏，如果这个企业所处行业的其他企业普遍为负增长，则5%很多，如果行业其他企业增长平均为50%，则这是一个很差的数据。

对比分析，就是给孤立的数据一个合理的参考系，否则孤立的数据毫无意义。

一般而言，对比的数据是数据的基本面，比如行业的情况，全站的情况等。有的时候，在产品迭代测试的时候，为了增加说服力，会人为的设置对比的基准。也就是A/B test。

细分分析

在得到一些初步结论的时候，需要进一步地细拆，因为在一些综合指标的使用过程中，会抹杀一些关键的数据细节，而指标本身的变化，也需要分析变化产生的原因。这里的细分一定要进行多维度的细拆。常见的拆分方法包括：分时、渠道、分用户群、分地区等。

当我们两组数据对比有差异时，最好的方法就是对两组的组成进行细分。当找到合适的维度时，就可以解释数据产生的原因。

比如：本周相比于上周用户留存变差了。我们分渠道细分发现，本周A渠道用户量增加，无论是上周还是这周，A渠道的数据都远远低于其他渠道，目前本周留存变差就是因为A渠道用户量增加引起的。

洞察因果效应

因果效应是最近一段时间我刚想得比较清楚的事情。当不能做AB测试时，想要从一堆数据中分析出因果效应，就需要很多手段。

很多朴素的数据分析方法本质就是衡量因果效应。

因果效应的原理我在另一篇文章里面写过，这里不做赘述，可以参考：AB测试的穷途末路。具体到方法上，其实很多方法大家也都熟悉。

随机化实验是最好的因果效应衡量方法，AB测试中AB组的差异就是因果效应，只是我们直接认可了这个方法，而没有思考背后的理论。

识别策略中的多种方法本质就是找到可对比的基准线。细分方法的拆分结果是因果效应。趋势分析中的事件造成的趋势断点，也是计量经济学的“断点回归”的思想。回归算法，算是衡量因果效应的一种，不仅仅是多元回归，也包括时间序列的回归。常用的同期群分析（Cohort Analysis）其实算是典型的“面板数据方法”。

这些陌生的高级词汇正是我们平时使用的数据分析方法背后的原理。

而最根本的原理就是找到潜在的参照数据的估算方法。知道一组样本因为A因素参与之后的结果，需要找到这组样本没有A因素参与的情况下预估的结果。这个差值就是A因素带来的因果效应。

在具体实践中，不了解这些底层原理也OK，那就需要多考虑这些方法的应用条件。

后续方向是什么

很多数据分析的出发点就是了解数据是多少，这并没有任何意义。

还是以用户获取举例子，我知道A渠道占新用户的50%，这没有任何意义。但是知道占新用户比例50%的A渠道留存远远低于平均，这就有意义了。这意味着可能要考虑减少A渠道的资源投入，或者想办法做A渠道的留存优化。

当你在做一个数据分析时，最忌讳的理由是想知道这个数据，并且从多个角度展示了这个数据。

所有数据分析的出发点都应该数据洞察。

“好的，假如我知道了这个数据，然后呢？”

当你发现无法回答这个问题，或者这个问题的答案是“我们就知道这个数据了”，那么这个数据分析就毫无意义了。

不过可惜的是，大部分所谓的数据分析，都是在围绕“知道某些数据”展开。

数据分析的出发点和落脚点一定都是得到明确的可以指导产品迭代的数据洞察，而上面提到的分析出因果效应是关键的一环。

我感觉，数据分析或者说数据洞察是在回答三个问题：产品现状是什么？为什么会这样？我们后面该怎么迭代。这三个问题对应的部分就是基本分析、因果效应、找到后续方向。

哲学的三大问题是：我是谁？我从哪里来？我到哪里去？其实想一下，不谋而合。