一、數據分析的層級
產品的數據分析經常會遇到這樣的問題：只有數據，沒有分析。僅僅是描述數據，告訴你產品發生了什麼。
比如次日留存率只有5%，這個數據偏低，可以看出該功能的用戶粘性不好。
然後呢？往往就沒有然後了。
為什麼同樣的數據給不同的人能看出不同的內容？高手們究竟是如何通過數據找出產品中的問題的。
本文將告訴你分析產品數據時，如何從數據中解讀出比描述現狀更深層次的信息。
數據分析過程要解決的問題往往有四個層級。
第一層，發生了什麼？如留存率降低，用戶粘性下降。初級分析基本到此結束。
第二層，為什麼？這個答案要落實到用戶層面，是第一步的延伸。是用戶找不到想要的功能，還是功能不符合用戶的預期？及格的數據分析基本分析到這一層。
第三層，繼續問為什麼？這個問題的答案要落實產品層面，即我們的產品的哪項內容造成了用戶出現了第二層的問題。優秀的數據分析可以分析到這一層。
第四層，我們該怎麼辦？後續該如何改進產品。高級的數據分析到此結束。
以這種思維方式作為整個分析的核心思想，就不容易走彎路，更快更好地找出產品的問題，而掌握各種數據技巧，圖表的優化等等都是為了最終找到問題，解決問題這個目的服務的，因此這種層級的思想是數據分析的核心。
我們本文主要討論前兩個步驟：發生了什麼，以及為什麼發生（用戶層面）。
二、從數據中找問題
下面就要開始講解如何從數據中找問題，只有找到了問題才能有繼續分析的方向。要注意，這裡的問題不單單是指不足之處，而是指數據的異常之處，過高和過低都是異常。
我們首先來解決第一個層級的問題，發生了什麼。
最簡單的方法就是觀察單個指標找問題。比如某個產品或功能的留存率很低，那麼可以得出結論是該頁面的用戶粘性較差。這個結論解決了“發生了什麼”的問題。剛入門的數據分析，往往也就到這個深度就停止了。
至於為什麼較差，留存率這個數據本身無法告訴我們。
其他的例子如停留時長很短，說明用戶可能對頁面不感興趣，至於為什麼不感興趣，我們無法得知。
要達到這個水平只需要瞭解各個數據的含義，有基本的業務理解就可以了。
想要分析得更深入，一般需要多個指標結合起來一起看。
比如剛才的例子，一款粘性較差的產品，到底是頁面信息不吸引人，還是頁面設計太混亂，抑或是入口位置太深？有了這些猜想，我們可以通過不同的維度組合去找到問題所在。從而解決“為什麼發生”的問題。
舉幾個例子。
這是一個雙維度的數據矩陣，該矩陣模擬了幾種虛擬產品。其中點擊率是指進入產品/功能後的各按鈕的點擊率，留存率是指該產品/功能的整體留存率。
兩個數據維度能夠得到的信息比單維度數據的信息要豐富的多。我們能夠通過兩個數據模擬出一點用戶真實的使用場景了。
比如右下角低點擊率、高留存率的功能或產品，往往是已經迭代優化過多次的版本。如果不是的話，這樣的頁面由於頁面內點擊率較低，我們不知道用戶的真實行為，我們很難從數據中瞭解用戶的真實需求在哪，也就談不上後期的迭代。
我們看一下右上角，高點擊率，高留存率。這樣的產品看起來已經非常不錯了，但是前面提到過，我們從數據中不單單是找不足之處，要看到的是異常。這樣的高點擊高留存是有問題的，這個問題就是過高的點擊率。
我們還原到用戶的使用場景 ，如果一個用戶每天都要來用這個產品（留存率高），而且還天天要來點擊這個按鈕（點擊率高），那麼這個按鈕裡的內容能不能直接拿出來呢（省去點擊動作，直接使用）？
我們再看左上角，高點擊率，低留存率。用戶點擊很高，說明用戶在找東西？留存率低是不是因為沒有找到？
矩陣中其他的問題可以自己去思考，我在圖上寫下了我的猜想，當然這些猜想也不一定適合所有產品，這張圖只是希望能發散你的思維，讓你養成這樣的思維方式。
維度的組合多種多樣，你可以嘗試多種不同的維度組合從而確認問題所在。比如點擊率分散度和留存率的維度組合。
點擊率分散程度是一種主觀的感覺，但有時也能反映出某些問題。
我們以圖中左下角的低留存率，點擊率分散的情況為例。這種情況下，每個功能用戶都有意願去點，但是留存率卻不高，模擬一下用戶的使用場景，會不會用戶點了之後發現解決不了自身需求？當然，這需要結合實際的產品形態，結合自己的產品頁面特點，模擬一下用戶的實際使用過程，你應該能得到一系列的猜想。
再比如左上角，點擊率集中，留存率低。這種情況我們想象一下，用戶進入頁面後，直奔著一個功能而去，其他功能不太關心，但是用了這個功能之後，用戶之後不再來這個頁面了。什麼原因？是不是用了那個功能，但是卻讓他失望了，沒有解決他的問題？帶著這樣的猜想，我們重點分析點擊率集中的那個功能，可以猜測用戶到底想做什麼。
各種不同維度的矩陣在此就不再多做介紹，只是希望大家能夠掌握通過數據找到問題的方法。讀者可以自己再將各類不同的數據組合成矩陣，分別分析各個不同的數據組合的含義。以此來增強從數據解讀信息的能力。
通過這種組合數據找問題的這種方式，你就能輕鬆突破描述數據的階段，進入到數據分析的及格線。
歡迎訂閱我的專欄，後續我將繼續探討後兩個層級的分析。
題圖來自 Pexels ，基於 CC0 協議
閱讀更多 人人都是產品經理 的文章
