DMA01
產品經理必學的數據分析思維,掌握數據的PM就掌握決策話語權。學習這最能說服團隊的必備能力!

產品經理必學的數據分析思維,掌握數據的PM就掌握決策話語權。學習這最能說服團隊的必備能力!

Joseph Chen- 產品經理喬 PM Joe

現在的就業市場為了盡可能規避浪費開發資源的情況,會盡可能要求所有需求的產出是科學化的。為了與目前市場上數據相關文章做出區隔,這篇文章主要整合了自己實際業務以及用數據做產品決策的經驗。

你會進行數據分析後,才開始進行產品設計 (Product Design) 嗎?還是你常常被團隊質疑你的決定,因為你有數據撐腰呢?

現在的就業市場為了盡可能規避浪費開發資源的情況,會盡可能要求所有需求的產出是科學化的。為了與目前市場上數據相關文章做出區隔,這篇文章主要整合了自己實際業務以及用數據做產品決策的經驗

順道一題,根據個人經驗:如果你是工程背景在做產品經理,在就業市場上更要利用這個優勢,去凸顯出自己理科的思維。會造成自己職涯上的薪資待遇等等都會突出許多。

首先,有個問題我從業多年都會一直被問的問題:

產品經理到底要不要會數據分析的硬實力 — 程式語言:SQL抓數據、Python or R 分析/可視化等等。

答案是不一定,真的很看公司,小公司可能會要求產品SQL取數要會。

個人待過的公司經驗大多是不強求。而且我認為:要理性評估自己可支配的時間來進行進修學習,而不是沒有方向的什麼都要學。根據 Dream Job 的 JD 中提到的職位要求,去調自己整職涯進修路徑很重要。

→ 真要練的話,我剛好是念資工的,所以推薦去 LeetCode 刷題練吧。建議可以了解 資料科學 (data science) 相關的理論。

但是基本所有公司都要求產品經理 具備數據分析思維能力,而這能力是對PM職涯整體而言最關鍵且影響最大的。

 

一、數據分析步驟 (基礎知識)

建議可以理解下實務中數據分析的流程

數據分析大致流程 (Data Analysis Process)

其中產品經理最核心的數據分析能力價值,體現在第五點跟第六點,分析數據報告與產出解決方案的部分

 

1. 商務問題理解 (business objectives)

目前的業務上,具體有遇到什麼問題?必須要明確一個業務目標,才能定義出數據分析策略,進而獲得可執行的解法 (actionable solutions)。否則,毫無目的的進行數據分析,很大概率會是一種資源浪費。

以下的部分,我根據自己的經驗把實際業務中可能遇到的問題分類:

• 通用型收入指標類 (revenue — ARPU/LTV) — 變現方式:廣告變現 (advertising)、訂閱變現 (monetization)
→ 訂閱率 (subscription rate);
→ 廣告展示數 (ad display times)、廣告點擊率 (ad click-through rate);
→ eCPM (展示千個用戶所營利的金額)

• 工具類 (usage rate) — PicsArt, VSCO, B612, BeautyPlus 等等
→ 圖像/影音類:照片/影片保存率 (save rate)
→ 資訊安全類:單日人均數據清除次數、人均應用上鎖App數
→ ……

• 社交類 (engagement rate) — Facebook, Instagram, LinkedIn, Tinder 等等
→ 熟人社交:日/週/月人均的互動次數(按讚/評論/分享)、日人均關係鏈建立(加好友、建立人脈)
→ 陌生社交:日/週/月人均文字聊天人數、日/週/月人均影片對談人數、日/週/月人均關注用戶數等等
→ ……

• 內容類 (engagement rate) — 閱讀類應用[小說、漫畫]、OTT類[影片串流]、聲音廣播類[Podcast]
→ 日人均觀看單一內容時間長度、日人均觀看內容數量
→ 針對特定用戶,單一內容裡面的哪一頁或者哪一個部分,造成用戶觀看時長最長:知道這數據可以用於廣告買量 (Media Buy) 時,成為廣告素材
→ ……

• 電商類 (e-commerce)
→ 日人均瀏覽商品數、日人均購買商品數、日人均商品收藏數
→ 每個品類的用戶瀏覽比率…
→ ……

以上數據,在業務上實際監測時,可以切成不同的用戶群體 (user segement) 來進行分析,不要整個群體一起看數據,很有可能會造成誤判。這樣去看數據,可以最大程度的定位到潛在問題。

所謂用戶群體,個人經驗在業務上常常使用的包含:

• 新用戶、老用戶
• 不同市場 (美國、日本、韓國等等)
• 有消費過、沒消費過 (例:會員/非會員、買過商品/沒買過商品)
• 年齡、性別等等
• 一些根據公司技術能力可以做出的特有群體 (例:依照膚色區分之類)
• ……

 

2. 數據理解 (data interpretation)

根據公司擁有的數據平台概況:
無論是公司自己製作的平台,或者第三方數據服務平台如下所示:

• App用戶行為 (產品核心數據漏斗、關鍵數據[活躍用戶、留存率]):
(1) , (2) Facebook Analytics, and (3) Flurry 等等

• 市場營銷推廣數據 (廣告素材數據表現、付費用戶產品內關鍵數據表現):
(1) AppsFlyer and (2) Adjust 等等

會安裝兩個以上的數據平台,實務上是要確認數據正確性 (data accuracy)

可行性確認 (Feasibility):

首先要先搞清楚我們可以抓到什麼數據呢?

✔ 假設今天的商業問題是,收入需要提升:

→ 那必須先理解產品業務端的變現方式為何?
例:是廣告變現?是訂閱制變現?還是其他的變現方式?必釐清關鍵點。

✔ 假設業務端變現方式是訂閱模式:

→ 預計要監測的關鍵數據指標:
例:不同訂閱入口的點擊率、訂閱頁不同費率的轉化率;

 

3. 數據準備 (data preparation)

  • 數據科學正規流程:
    採集 (acquisition) → 清洗 (cleaning) → 整合 (consolidation)

如果是特別的複雜數據,理論上需要數據組開始參與了。

正常情況,產品經理本身不會花太多時間在數據準備上,而應該要花更多時間在研究、分析數據報告 (insights) ,根據目標用戶 (TA, target audience) 設計解法來進行優化,或者新功能常識。

以下順便記錄,自己工作經驗中所合作過的,理解的三個與數據相關的職能 (各家公司可能會有些為差別):

✔ 數據分析師 (data analyst):
存在目的為「基於數據回答商業問題」,是溝通產品與商業的橋樑。在 Google 被稱為 business analyst 或 product analyst,基於數據工程師維護的資料庫,用 SQL 跑數據 [也就是 ETL (extract, transform, load)]。數據分析師會使用 Excel 進行數據可視化 (visualization) ,藉此提升可讀性 (readability)。其數據見解 (insight)給予產品或者商業上更科學化的建議。

✔ 數據工程師 (data engineer):
存在目的為「數據管理 (data management)」 — 成本低且查詢效率高,可以理解為是軟體工程師 (software engineer),把產品本身的原始數據 (raw data) 儲存入資料庫,然後把這些原始數據建成表格。具體從事數據建模、數據架構、數據標準以及所有與數據管理相關的事情。

✔ 數據科學家 (data scientist):
存在目的為「替高複雜性的商業問題:定義分析方向 (analytical direction definition)、建模 (modeling)、預測 (prediction)」,這職能是統計學與資訊工程的專家,而通常也是數學/統計學/資料科學的 PhD學位擁有者。

雖然我實際認識的 PM同業 中, 確實存在數據分析師太忙了,所以產品經理必須要自己去進行數據準備的情況。(包含我自己也做分析師的事)

(以下簡述每個名詞的簡單定義,並附上外在連結補充細節)

(1) 數據採集 (data acquisition)
從平台上採集數據,始為原始數據 ;

(2) 數據清洗 (data cleansing)
把不合理數據清除掉;簡言之就是處理不合理的 (無效/缺失)、不一致的數據清理,避免這些不合理的數據可能影響分析結果;

(3) 數據整合 (data consolidation):
把來自不同數據源的數據進行採集與清洗,轉換後 (ETL — extract, transform, load),統一載入到一個新的數據源,提供統一數據視圖的方式。

 

4. 數據分析 (data analysis)

(以下簡述每個名詞的簡單定義,並附上外在連結補充細節)

(1) 數據挖掘 or 數據探勘 (data mining):
在大數據中,利用機器學習 (machine learning)統計學、和資料科學的理論學理,找出規律 (pattern) 的一種方式。

(2) 數據建模 (data modeling):
利用機器學習 (machine learning) 與統計學的理論,替資訊系統建立數據模型,進而解決商業問題的一種方式。

 

5. 分析報告 (insights)

(以下簡述每個名詞的簡單定義,並附上外在連結補充細節)

(1) 可視化 or 視覺化 (visualization):
簡單來說就是,把數據視覺化成統計圖表、圖形;

→ 最常用依然是 Excel。但也可使用 R 或者 Python + Javascript,只是這兩者的學習成本較高。

(以上三種方式皆附上外部 URL,關於如何利用它們進行可視化)

(2) 觀點/結論 (insights) — 分析思路 (analytical & critical thinking)

本部分可能是產品經理與數據分析師最重合的工作內容之一,也是最能體現產品經理價值的其中一個部分。產品經理實際工作中,無論最終是誰提供給我們處理過後的數據,我們最終會看到一堆經過處理的可視化數據。

特別是漏斗分析 (funnel analysis)時,我們所見到的是點到點之間的轉化率 (conversion rate) ,與計算出來的流失率 (churn rate)。更甚者,我們會分析用戶在不同頁面的人均停留的時間 (length of stay in a page),進行原因分析 (factor analysis)

我認為,人類把數據分析成具體觀點,是種無法被 AI 取代,且富有創意與溫度的分析行為。

數據分析思路 (what to analyze)

以下探討:根據業務指標,你具體要分析什麼?有太多可分析的主體,舉凡應用內到應用外,以下的資訊也許可以提供一些策略上的參考。

  • 渠道分析 (channel analysis):

針對用戶增長部門在不同渠道投放廣告(media buy)獲得的用戶進行分析,進而去定義這渠道的用戶品質。實務上,譬如說從 Facebook 跟 twitter 上投放廣告,抓取過來的用戶在產品上的數據表現不同,進而會影響對不同渠道的預算設置

  • 留存分析 (retention analysis):

在用戶下載了產品之後,再次使用的概率。從時間緯度上來說通常分析次日、次週、次月。實務上,很常根據不同市場的用戶群體來做分析。例如:美顏功能在日本,與在美國的表現不同,造成設計即使同值,效果引擎視覺強度不同。

  • 交叉關聯分析 (cross-correlation analysis):

多維度交叉分析,具體維度根據業務訴求而定。例如:在電商上分析新用戶且為婦女,以及新用戶且為少女,他們之間購買行為的不同,進而優化未來針對這兩個用戶群體的運營與產品策略

  • 歸因分析 (attribution analysis):

找到用戶轉化或者流失的原因,例如:對用戶增長做策略歸因,不斷優化增長策略。例如:金融科技產品中,用戶推薦好友加入後可賺100美金,分析出用戶通常加入後就流失了。多設計幾道解法讓新用戶體驗產品價值

  • 間隔分析 (interval analysis):

找到用戶轉化或者二次轉化的拐點,及時介入。例如:針對電商軟體,不同用戶群體下載後幾天,會在什麼時機點進行首次購買?購買過的用戶,會在什麼時機點再次購買?基於這基礎如何去設計再營銷策略以及產品運營系統?

  • 用戶畫像 (user demographics):

聚合符合某種特定用戶行為,或者特徵的用戶。並且針對這群人進行特定的優化與分析。例如:某電商產品定位到其產品使用者超過 50% 為 24歲以上的美國母親,則其相對應的用戶體驗與產品優化策略,都逐漸向這樣的用戶群體靠攏。

數據分析方法論 (methodologies)

你找到了要分析的主體了,那麼你要用什麼思路來分析、切入?以下整理了自己以前在不同平台學習過的思考方式,消化成自己的理解。期望幫助更多人能夠更系統化的進行數據分析,並生產出產品方案給優化與創新 (product optimization & innovation):

• 5W2H分析法:

可用於用戶行為分析 (user behavior)業務特定問題 (specific business problems)市場營銷活動 (marketing campaigns) 等等方向。

→ 以本文中提到的訂閱變現方式為例:

☛ Why?

• 功能為什麼這樣設計?
• 功能為什麼是用這種方法設計?
• 功能為什麼是得到這種結果?(是否有什麼可以規避的?)

→ 例:為什麼用戶要花錢購買?吸引點為何?優化空間?

☛ What?

• 功能有什麼目的?
• 使用這功能的前提,要準備什麼呢?
• 功能有什麼風險呢?

→ 例:產品提供的功能吸引點是什麼?或者,有些吸引點是我們沒有注意到,但是對於用戶來說也是吸引點,可以優化什麼部分呢?

☛ Who?

• 功能是哪個用戶群體使用的?

→ 例:願意花錢購買的主用戶群體 (user segment) 是誰?他們具有什麼特徵?同時產品是否也有滿足到其他潛在用戶?

☛ When?

• 功能什麼時候開始?
• 功能什麼時候結束?
• 功能什麼時候是關鍵時刻?

→ 例:在訂閱頁中進行購買的時機?在訂閱頁中購買的頻率維和?

☛ Where?

• 功能在哪裡進行?
• 功能在哪裡開始?
• 功能在哪裡結束?

→ 例:在哪個付費功能的使用彈出訂閱頁,會導致轉化率最高?

☛ How?

• 功能的過程是如何被監控的呢?
• 功能要如何被提高效率?

→ 例:用戶是購買的途徑為何?

☛ How much?

• 付費功能的定價策略合理嗎?
• 付費功能的定價展示合理嗎?
• 付費功能的在不同國家地區本地化了嗎?
• 付費功能針對新老用戶,有採用不同的策略嗎?
• ……

→ 例:每個費率購買的費用為何?

• 4P原則:

主要針對付費類別功能的數據思考,尤其是 IAP (in-app purchase) 與訂閱類功能 (subscription)

☛ 產品 (product)

• 公司提供的服務帶來什麼價值?用戶數據表現為何?
• 產品是否真的解決了用戶痛點呢?如果沒有,我們要怎麼優化?
• 有什麼特徵的用戶群體 (user segment) 是付費用戶?他們有什麼標籤?

→ 例:產品帶來的價值,是否驅動用戶願意付費呢?

☛ 價格 (price)

• 近日付費情況的趨勢為何?是增長?還是消退?
• 在不同市場的用戶,可以接受的定價策略為何?
• 在不同市場的用戶,他們的支付方式是如何?我們的產品有達到嗎?

→ 例:產品在不同市場的定價,是否考慮到當地可負荷的金額?(多考慮GDP與競品在對應市場的定價策略,不斷嘗試優化調整)

☛ 促銷 (promotion)

• 我們具體投入了多少促銷的資源?譬如說在聖誕節。ROI是正的嗎?
• 我們具體投放了多少廣告呢?計算人均付費用戶的 CAC是否有小於 LTV?進而造成人均 ROI是正的呢?

→ 例:在特定節日 (i.e. 聖誕節) 與針對新手用戶,提供對應的促銷價格。主要目的為賺取感受到產品價值 (a-ha moment) 後,其第二個月之後的付費金額;

☛ 渠道 (platform)

• 公司的產品在每個市場中,有多少銷售渠道呢?(譬如說如果是做大陸市場,安卓應用商店的渠道百家爭鳴,不太可能只上一家)
• 用戶是透過怎樣的渠道進行購買居多呢?(iOS/安卓) 在各個市場的付費數據表現為何呢? (通常以訂閱來說,美國的人均獲利會遠大於其他市場)

→ 例:以移動端產品來說,渠道的特殊狀況通常在大陸安卓市場發生的會相對頻繁。在大陸的 iOS 商店頁與其他市場相同統一,但是安卓市場在 Google Play 退出大陸之後,整體情況就是百家爭鳴,目前也沒有任何一家公司有進行統一商店頁的打算 (2020/08)。

以上大致記錄了自己針對要分析誰,以及怎麼分析的經驗彙整。

 

6. 解決方案 (product design/solution)

例:針對商業化模式 — 訂閱,提升不同訂閱入口的點擊率、訂閱頁不同費率的轉化率 (業務目的:提升收入);

嘗試使用以上提到的各種數據分析方法與思路:

渠道分析:
☛ 從目前投入成本推廣的渠道來的用戶,數據表現如何?
→ 降低投入成本 大於 用戶LTV 的渠道,把多出預算投入表現好的渠道

留存分析:
☛ 針對每個市場,已訂閱過的用戶,再次訂閱的轉化率為何?
→ 不同核心市場,考慮本地化定價策略,以及使用當地幣種展示;

交叉關聯分析:
☛ 具體在關鍵市場中的哪個特定群體,特別容易轉化成付費用戶呢?
→ 假設監測數據,發現24–30歲且為女性的用戶特別容易轉化成付費用戶:運營策略上,針對尚未付費但符合條件的用戶,進行精細化運營,提升付費轉化率

歸因分析:
☛ 用戶付費轉化率最高的時刻,是在使用某付費功能之時
→ 針對訂閱會員頁,可特別設計該功能的前端推廣展示,測試是否真的會對整體的付費轉化率提升;抑或是,找到針對這個付費功能的付費轉化率最高的用戶群體,並且定位出這個用戶群體的特徵,凡符合者,則展示這特別針對該付費功能的前端推廣展示;

間隔分析:
☛ 用戶下載後,在24小時內如果有使用到某功能付費轉化率就會激增
→ 針對新手體驗 (on-boarding experience),引導用戶使用該功能。觀察付費轉化率是否提升;

用戶畫像:
☛ 某一特定用戶群體的付費轉化率特別高
→ 定位出這些用戶特徵與用戶行為,進行精細化運營 (與交叉關聯分析重合到這部分的相關建議解法);

 

二、基於數據的產品功能或應用,有哪些?

提到基於數據做成的產品,最顯著的例子可以舉 抖音 (TikTok)

基於抖音產品的理解,我劃下此流程圖

解釋為何舉抖音為數據驅動的內容類產品前,我這邊先分析下這款產品。內容類產品類產品,可以通用型的分為:生產側 (content creator)消費側 (content viewer) 兩種角色,這樣的架構適用於 Facebook/ Instagram/ YouTube訊息流 (News Feed) 等等。那我們來理解下,消費側是如何基於數據來設計的:

內容池 (content pool):
內容池就是一款產品所有內容的總集合。分為UGC (user generated content,一般用戶產生的內容),跟PGC (professionally generated content,專家用戶產生的內容)。

用戶分群 (user segmentation):
內容類產品,無論是影片還是圖像類別,都會很注重所謂千人千面,意思就是個性化推薦 (personalized recommendation)。一切基於用戶數據 [無論是行為或特質(性別/年齡/學歷/工作)],利用推薦演算法給予該用戶最可能感興趣的內容。

推薦演算法 (recommendation algorithm):
基於機械學習(machine learning),可以訓練出一個模型(module),不斷根據用戶的行為去學習用戶的喜好,逐漸更可從內容池,精準推薦用戶喜好的內容。Facebook、Instagram、Amazon 等等科技巨頭,都是這樣的技術應用。

分發流量演算法 (content consumption algorithm):
基於用戶與內容的互動數據,包含觀看影片時間長短、是否按讚/評論/分享等等,來判斷內容質量,進而決定分法給更多用戶的優先級與量級。實操上也是 machine learning的應用,測試不同參數的權重,並時刻判斷其對用戶的數據影響。

由以上的介紹,也可以理解到:涉及流量分發的產品或功能,通常都要基於完善的數據體系,達成讓關鍵行為轉化率最高的情況,才可能最佳化整個產品生態的閉環。

若是需要更進一步的PM產品經理面試準備資訊,可參考我為產品經理面試設計的線上課程(附贈我個人整理的題目類型的題目彙整)

→ 關注 Instagram 帳號 ☛ 產品經理喬 PM Joe (IG內容為輕量PM知識分享)

本篇文章所有權為 Joseph Chen,若需要轉載請 Linkedin 與我聯繫,或者寄信至 [email protected] 與我聯繫。

 

 

原文出處:產品經理必學的數據分析思維,掌握數據的PM就掌握決策話語權。學習這最能說服團隊的必備能力!

Joseph Chen- 產品經理喬 PM Joe
Joseph Chen- 產品經理喬 PM Joe

現任 Canva 產品負責人

曾任職 MX Player (Zenjoy) 產品負責人、火幣網產品副總監、美圖秀秀國際版產品負責人、新創公司玩美移動。

曾旅居紐約、清大資訊碩士畢業。

IG: _PMJoe | Email: [email protected]

Joseph Chen的Medium:https://medium.com/@ohjoe86

【產品規劃系列(三)】軟體 PM 撰寫規格書的三大工具之三,UI Flow
這篇文章說明了「Flow Chart」、「UI Flow」、「Wire Flow」的差異,透過漸進的文件產出,最終可以得到一份完整的功能/畫面規格。
產品經理PM第2講:從頁面拆解練習IA資訊架構(Information Architecture)
對於新手PM而言,使用者是個相對模糊的詞,而且在思維mindset上要有非常大的轉變。因此我在訓練新手產品經理時,會建議他們從最簡單的IA架構著手:去拆解市面上知名的網站APP,從中學習架構邏輯、UX與流程設計,以及功能比較等。
預算面看,如何與外包工程師合作?
身為專案經理,在每次開始專案前最重要的三件事,不外乎就是專案範疇 (Scope)、成本 (Cost)、時間 (Time) 三要素了,假設專案範疇與時程皆為固定的前提條件下,今天就來跟大家聊聊在成本面中,通常會吃掉大部份預算的工程人力成本吧!