产品数据分析（一）：怎样解读出深层次信息？

小提示：您能找到这篇{产品数据分析（一）：怎样解读出深层次信息？}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的产品数据分析（一）：怎样解读出深层次信息？内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

本文将告诉你分析产品数据时，如何从数据中解读出比描述现状更深层次的信息。

一、数据分析的层级

产品的数据分析经常会遇到这样的问题：只有数据，没有分析。仅仅是描述数据，告诉你产品发生了什么。

比如次日留存率只有5%，这个数据偏低，可以看出该功能的用户粘性不好。

然后呢？往往就没有然后了。

为什么同样的数据给不同的人能看出不同的内容？高手们究竟是如何通过数据找出产品中的问题的。

本文将告诉你分析产品数据时，如何从数据中解读出比描述现状更深层次的信息。

数据分析过程要解决的问题往往有四个层级。

第一层，发生了什么？如留存率降低，用户粘性下降。初级分析基本到此结束。

第二层，为什么？这个答案要落实到用户层面，是第一步的延伸。是用户找不到想要的功能，还是功能不符合用户的预期？及格的数据分析基本分析到这一层。

第三层，继续问为什么？这个问题的答案要落实产品层面，即我们的产品的哪项内容造成了用户出现了第二层的问题。优秀的数据分析可以分析到这一层。

第四层，我们该怎么办？后续该如何改进产品。高级的数据分析到此结束。

以这种思维方式作为整个分析的核心思想，就不容易走弯路，更快更好地找出产品的问题，而掌握各种数据技巧，图表的优化等等都是为了最终找到问题，解决问题这个目的服务的，因此这种层级的思想是数据分析的核心。

我们本文主要讨论前两个步骤：发生了什么，以及为什么发生（用户层面）。

二在小红书里搜索嗯奶茶怎么、从数据中找问题

下面就要开始讲解如何从数据中找问题，只有找到了问题才能有继续分析的方向。要注意，这里的问题不单单是指不足之处，而是指数据的异常之处，过高和过低都是异常。

我们首先来解决第一个层级的问题，发生了什么。

最简单的方法就是观察单个指标找问题。比如某个产品或功能的留存率很低，那么可以得出结论是该页面的用户粘性较差。这个结论解决了“发生了什么”的问题。刚入门的数据分析，往往也就到这个深度就停止了。

至于为什么较差，留存率这个数据本身无法告诉我们。

其他的例子如停留时长很短，说明用户可能对页面不感兴趣，至于为什么不感兴趣，我们无法得知。

要达到这个水平只需要了解各个数据的含义，有基本的业务理解就可以了。

想要分析得更深入，一般需要多个指标结合起来一起看。

比如刚才的例子，一款粘性较差的产品，到底是页面信息不吸引人，还是页面设计太混乱，抑或是入口位置太深？有了这些猜想，我们可以通过不同的维度组合去找到问题所在。从而解决“为什么发生”的问题。

举几个例子。

这是一个双维度的数据矩阵，该矩阵模拟了几种虚拟产品。其中点击率是指进入产品/功能后的各按钮的点击率，留存率是指该产品/功能的整体留存率。

两个数据维度能够得到的信息比单维度数据的信息要丰富的多。我们能够通过两个数据模拟出一点用户真实的使用场景了。

比如右下角低点击率、高留存率的功能或产品，往往是已经迭代优化过多次的版本。如果不是的话，这样的页面由于页面内点击率较低，我们不知道用户的真实行为，我们很难从数据中了解用户的真实需求在哪，也就谈不上后期的迭代。

我们看一下右上角，高点击率，高留存率。这样的产品看起来已经非常不错了，但是前面提到过，我们从数据中不单单是找不足之处，要看到的是异常。这样的高点击高留存是有问题的，这个问题就是过高的点击率。

我们还原到用户的使用场景，如果一个用户每天都要来用这个产品（留存率高），而且还天天要来点击这个按钮（点击率高），那么这个按钮里的内容能不能直接拿出来呢（省去点击动作，直接使用）？

我们再看左上角，高点击率，低留存率。用户点击很高，说明用户在找东西？留存率低是不是因为没有找到？

矩阵中其他的问题可以自己去思考，我在图上写下了我的猜想，当然这些猜想也不一定适合所有产品，这张图只是希望能发散你的思维，让你养成这样的思维方式。

维度的组合多种多样，你可以尝试多种不同的维度组合从而确认问题所在。比如点击率分散度和留存率常德市小程序的维度组合。

点击率分散程度是一种主观的感觉，但有时也能反映出某些问题。

我们以图中左下角的低留存率，点击率分散的情况为例。这种情况下，每个功能用户都有意愿去点，但是留存率却不高，模拟一下用户的使用场景，会不会用户点了之后发现解决不了自身需求？当然，这需要结合实际的产品形态，结合自己的产品页面特点，模拟一下用户的实际使用过程，你应该能得到一系列的猜想。

各种不同维度的矩阵在此就不再多做介绍，只是希望大家能够掌握通过数据找到问题的方法。读者可以自己再将各类不同的数据组合成矩阵，分别分析各个不同的数据组合的含义。以此来增强从数据解读信息的能力。

通过这种组合数据找问题的这种方式，你就能轻松突破描述数据的阶段，进入到数据分析的及格线。

欢迎订阅我的专栏，后续我将继续探讨后两个层级的分析。

本文由 @Jason 于。，