不管是哪个行业，当前处于哪个阶段的产品经理，躲不开的一个词便是：数据分析。提到数据分析，它一般会出现在以下的场景中：

功能上线后，需要数据复盘来指引迭代的方向

结果异常时，通过数据来快速定位问题

周报日报，需要在众多的数据中识别需要呈现的重要数据

通过数据洞察，找到产品的各种增长场景

像大多人一样，几年前我也是试图寻求各种数据分析的书籍来找答案，在翻看了十几本数据分析的书后，结论如下：没想到这个行业发展之快，书籍的出版速度已经远远跟不上行业需要了！就像是你手里拿着一个iPad在看windows 95视窗操作系统的使用手册一样难过。

图1.1 市面上热门的数据分析书籍

但是，经过这几年的摸爬滚打，我的产品从0用户做到3000w+后，我结合了数据分析的各种场景以及产品的不同特性，提出来一套简单又具备实操性的数据分析五步法。

如果你是小团队，创业公司，或者野生产品经理，那么请一定要好好理解它，它是你产品经理精进路上的催化剂。

1.数据分析思维

在开始探讨数据分析万能公式之前，我先来问你一个问题：你觉得数据分析是一种方法工具还是一种思维方式呢？

我见过两种类型的产品经理：

第一类，先假设结论，然后去找数据来证明自己的结论是否正确，如果不正确再去做新的假设。

例如：功能A上线后，发现新增用户多了，于是假设结论：A功能带来了新用户。下一步操作去找能证明此猜想的数据，并罗列出来。如果无法找出此数据，再做新的假设。

第二类，先不做任何假设，比较当前版本数据和之前版本数据之间的差异，然后分析原因。

例如：功能A上线后，发现新增用户多了，于是比较前后两个版本的新增用户数据，看看来源渠道，功能使用，访问内容等差异数据，找出最大差异点，然后深挖原因。

对照上面的描述，看看你属于哪一类呢？

第一类产品经理的思维方式很像中学生解应用题，而“解题家”只能证明自己，无法推动业务。而第二类产品经理，在两组数据中做对比，然后抽丝剥茧从而找到问题的真相。这才是产品经理需要具备的数据思维。

所以，数据思维的本质就是站在毫无立场的客观数据前，找到核心指标，来对比业务中的两组变量之间的关系，从而解释业务，并引领业务前行。

也就是我们常说的，没有对比的数据毫无意义。

2.数据分析五步法

接下来，我们一起来探讨五步法的具体操作。

2.1 第一步：感知问题

顾名思义，就是需要具备判断问题是否存在的能力。比如产品的健康度如何？一个功能达到什么样的指标才算成功？页面的转化率是否正常？等等。

有天赋的产品经理靠直觉来判断，而有经验的产品经理靠的是方法。要获得感知问题的能力并不难，其实只要看瞄准一个指标即可，这个指标就是OMTM（One Metric That Matters ），俗称北极星指标。

它是最能代表你产品健康度的缩影，但这也并不意味着完全不需要看其他的指标了。只有北极星指标能最直接、最快速地反应问题。

那如何找业务的北极星指标呢？其实常见的互联网产品无非就是以下的四种业务形态，或者这四个业务形态的合集：

黏着式增长引擎

北极星指标：留存

工具、内容、资源类的产品都属于黏着式增长引擎（例如：百度、小猿搜题、知乎等）；这类产品的本质是解决了用户的某一部分需求，用户今天用了明天、后天还会回来用，从而带来了新的增长。

根据海盗模型AARRR，用户从获取，注册，活跃，留存，再到最终的转化。判断这类产品是否健康，北极星指标就是留存率。只有留存率提升了，才能带来真实的用户增长。

一般情况，建议观察次留、三留和七留。拿工具型产品为例，40%的次留，20%的七留算是比较优秀的了。当然数值并不绝对，最好和行业同类产品对比，和自己的前一版本对比，这样才有更客观的判断。

付费式增长引擎

北极星指标：用户生命周期价值>获客成本

课程类、绝大多数B端产品、会员类产品等都属于付费式增长引擎（例如：VIPKID、saas系统服务、爱奇艺等）；这类产品的本质是提供某一类服务供用户消费，当企业有了利润才能投入再生产，从而开拓新的市场或新的服务。

此类产品的业务逻辑是从获客，到销售转化，需要产生利润才可能驱动业务增长。判断这类业务是否健康，就是看客户终生价值是否大于获取成本。所以北极星指标是：CAC＜CLV

注：

CAC（Customer Aqusition Cost）客户获取成本

CLV (Customer Lifetime Value) 客户终生价值

在线教育行业，经过这一两年的投资机构疯狂催熟，获客成本进一步水涨船高，猿辅导的一个正价课获客成本甚至高达3000元，这样算下来，除非有非常高的正价课转化率与续费率，否则很难获得盈利。

爆发式增长引擎

北极星指标：病毒系数K

裂变运营活动，话题性事件等都属于爆发式增长引擎。例如砍价、拼团、瓜分红包、双11电商促销活动、美国大选等等。这类产品的业务逻辑就是短时间内是否能迅速传播，因为时效性强，一般过了48~72小时活动就不再有效了。

此类产品的北极星指标是病毒系数K（ K=I * Conv=分布密度×感染强度）只有当K>1时，裂变才能进行下去。

注：

I：Invitation，即每个用户发送的邀请数量，反映了分布密度

Conv ：Conversion rate，即每个邀请成功的概率，反映了感染强度

这些年最成功的几个裂变运营活动当属花小猪和微粒贷。从获知的数据推算，K值应该在3.6以上，也就是说平均一个用户带来了3~4个新用户。这就是病毒传播的魔力。

其他业务形态

北极星指标：简单指标&复合指标

业务不属于以上的任何一种，这种情况下一些简单指标，例如：页面PV\UV、登录用户量、页面停留时长、活跃用户数等，能帮助你快速的了解产品状态。

如果我们把这些简单指标做一个除法，就会得到一些有魔法的复合指标，例如：

页面PV/访问数量=平均访问深度；

访问时长/访问数量=平均访问时长；

每周付费用户/用户活跃数=平均每周每人购买数量

这些复合指标能一眼就观察到产品的用户真实情况。

当然，大部分的产品都是以上各个业务形态的合集，针对产品的不同模块，可以监控不同的北极星指标。并且，随着产品的不断发展北极星指标也需要跟着一起变化。例如：爱奇艺，在很早的时候北极星指标应该是用户的留存和平均访问时长；但是现在业务规模发展壮大了，北极星指标应该是付费用户数与营业额了。

2.2 第二步：提出假说

当我们感知到了产品出了问题，但原因可能是什么？这个时候就需要针对现象来提出假设了。我推荐以下两种方法：

方法1：归纳式，就是根据个案进行总结。

例如一个知识付费产品用户的付费问题：团队可以一起头脑风暴，提出各种可能的因素；也可以对分层的用户进行抽样深读访谈，了解他们不使用或继续用下去的原因及看法；然后来归纳验证。

方法2：演绎式，就是根据模型进行推演。

例如：针对部分用户在打开app后跳出的问题，可以根据对用户行为模型进行拆解，而拆解的有效与否，其实就是对用户行为的理解，用户的行为模型多少有关。

提出假说，是一个思维发散的过程，此时不拒绝任何可能性。在这个过程中，补充各个维度的思考是非常有必要的。

2.3 第三步：选择表征

有哪些证据可以证明以上问题？到这一步，丽莎阿姨要送给你的一句话：If you can’t measure it, you can’t improve it.（不可被数据量化，就不无法证明其好坏。）

经常有产品经理会这样描述情况：反馈这个问题的用户挺多的，所以我们就做了这个XXX功能。

然后我都会追问几句：挺多的是多少？这部分用户占你全量用户的多少？“挺多的”这部分用户他们是你的核心用户吗？

所以...作为一个逻辑清晰的产品经理，讲数据的时候请用量化的语言准确的描述，好吗？拉钩钩...

在选择数据表征时，有一些注意事项：

选择的数据表征能够充分代表提出的假说的内涵；

选择的数据尽量是用户客观行为数据而非主观态度数据；

选择的数据是有被记录或比较容易获取。

仍然沿用前面的例子：

这样下来，数据分析思维的前三步就被很好的建立起来了。

2.4 第四步：收集数据

从感知问题、到假设原因再到选择表征，接下来就是收集数据了。这一步可以说是数据分析里面最不需要动脑子的一步，产品只要有基础数据平台，就很容易获取到基础数据。

但这一步也需要注意：

一切能获取到数据的前提是做了相关的数据埋点

当数据出来后，不要着急分析，先看看是否合理，要去掉明显不合理的数据。记住，对开发小哥的数据上报要永远抱有怀疑态度（哪怕他把胸脯拍到烂）。

2.5 第五步：分析验证

这一步就是利用你小学数学知识的时候了！！

很多产品经理会把这一步作为数据分析最重要的一步，花很多时间在数据分析、图表绘制上，但在我看来，这一步其实已经不那么重要了。做分析验证，可视化图表是很棒的工具。

一般来说只要确定好了x与y轴的含义和数据，通过数据可视化的方式，表现出x与y的关系，就能发现其中是否存在有价值的规律了。发现x与y存在某种关系的时候，最好通过数据进行再次验证。选择另外一组数据，再次进行分析，看确定的关系是否再次被复现。

那如何选用数据可视化图形呢？以下是我整理的一些规律：

只有一个变量，且相加为100%的情况下，用饼图来展示，例如：用户来源渠道

当有两个变量存在，用折线图与柱状图，例如：不同时间段内用户的留存情况

用演绎法推导用户行为，用漏斗模型，例如：运营活动最终的转化率

不要沉迷在图形绘制上，其他看起来很叼的数据可视化都是纸老虎，除了浪费时间外并不能帮你发现问题，还不如直接展示excel表格（严肃脸）

下方的数据可视化图表使用建议，请各位自取自用：

3、写在最后

数据分析能力，是产品经理必备的技能之一。一旦具备了数据思维，做产品的视野与思考方式便会有质的飞跃；但是要注意，通过数据仅能让你找到局部最大值，而更高的山峰只会建立在你更广阔的视野与深厚的认知上。