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。

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。

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。

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)；

提到基於數據做成的產品，最顯著的例子可以舉 抖音 (TikTok)。

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)與消費側 (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。