产品经理如何建立数据思维

小提示：您能找到这篇{产品经理如何建立数据思维}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经理如何建立数据思维内容感兴趣，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！

本文作者将通过APP数据分析体系上的一些经验与感悟，探索如何建立数据思维的方法论。

统计学之父W. Edwards Deming曾经说过一句话：

In God We Trust, All Others Bring Data.

翻译成大白话就是，上帝我们是信的，但是您哪，得拿数据说话。

权当一个小引子，这次想和大家分享的是通过APP数据分析体系上的一些经验与感悟，探索如何建立数据思维的方法论。作为一枚非小鲜肉但还未到精深界的产品经理，踩过的数据的坑也不少，虽然还未修炼到敏锐的数据直觉，但希望能将自己的一些想法总结一下，和大家共享。

数据思维是新手和老手的分界线（之一）

作为产品，不管是初入行还是处于打怪中间态，都需要建立数据思维，从实战经验来看，数据思维也是区分一年级产品经理和高阶产品经理的分界线之一。我刚入行时，做广告商业产品，遇到一个case让我见识到了产品老大的数据思维。对于广告部门而言，收入是KPI，每天的广告收入是老大重点关注的指标，老大的功力在于能从整体的收入下降不断递进反推快速命中下降的原因。当天的真实情况是，我们这些手底下的人不断被老大追问，为什么会降，降在了哪个渠道，哪个广告位？是算法策略调整了？产品功能优化了？还是有促销活动？

新手看到某个指标的升降，由于没有严密的数据链条，往往只能看到一步，通常是被各种连环追问。我刚入行时，面对mentor的提问，也有挫败感，“为什么总是比别人少想一步？为什么不多问几个为什么？”不过后续独立负责一块业务时，由于对业务框架和细节的了解都比较多，再加上有一定的经验，我体会到，其实数据分析的思维是可以学习并且通过不断重复演练而强化的。

学会建立严密的数据链条

数据链条这个概念是我自己总结出的概念，如何理解这个概念呢？大部分PM在梳理业务时，都会用业务流程图来表明各个模块之间的关系，伴随着业务流产生的数据就是数据流，各个数据指标之间也存在先后和关联，这就是我说的数据江苏电视频道广告链条。

举个通俗的例子，电商行业最重要数据指标GMV，GMV是如何产生的呢？我们可以设想下GMV产生的各个环节。以移动设备为例，首先用户打开APP（DAU，APP打开率），进入APP后，用户可通过不同的入口reach到商品。目前很多购物网站的流量主要来自于搜索场景，我们从搜索切入，用户在搜索框附近可点击或者输入（用户点击率，用户流失率），这里面可以细分用户进入的途径，比如通过点击热搜词进入的，点击历史搜索词进入的，或者输入新的搜索词进入的。接下来，搜索引擎会给用户返回商品列表，用户会浏览或者点击，此时可以观察用户的浏览或者点击行为在序列上的分布，从而了解到搜索词的分发结构。第四步，假设用户点击了排名第四位的搜索结果进入商品详情页（用户点击率、用户流失率），第五步，用户在商详页又可以进行各种操作，比如加关注，加入购物车，此时我们可以考察加购的比率，第六步，用户在加购之后可提交订单，然后付款，直至最后成交。

从以上例子中我们可以看到，看起来很简单的成交这个动作，可以拆解为不同的链条，每个链条上由于用户的动作分支不同会伴随产生不同的数据链条。只有了解数据是怎么产生的，才能具备反向定位的能力。

对于低年级的PM来说，梳理业务逻辑，形成清晰的数据链条，是建立数据思维的重要一步。

通用的APP数据分析框架

接下来，简要介绍下一个通用的APP数据分析的框架，干货见正规营销推广商家下图。

整体分析的思路是，从用户和APP本身两方面进行拆解分析。

在用户层面，首先了解当前活跃用户的现状，基本的指标有DA跨境电商平台营销方案U/MAU等，然后是当前活跃用户的分布特征，按渠道/地域等进行拆分，这里可以根据不同的业务形态进行细分。

另外，还可以从增量也就是新增用户入手了解新增用户的整体情况和分布特征，还可以存量分析，也就是分析现有的用户规模，划分用户的等级，了解各种用户的权重，定位到产品或者新功能要争取的用户群体。

在APP本身的层面，一般分析启动次数，使用时长，页面活跃情况和功能活跃情况。建议实际操作过程中，结合业务模块的流程，从上而下进行细分和拆解。

数据分析也是熟能生巧的技能

数据思维的养成，并不取决于谁对数据更有直觉。事实上，大部分情况下，产品经理的直觉往往是不准确的，必须通过大量的小流量测试去验证。数据分析本质上就是熟能生巧的技能，刚接触新业务时，当然会有了解不到的细节，这很正常。有经验的产品经理更懂得先梳理业务框架，然后自上而下不断拆解，庖丁解牛一般去分析和拆解复杂的业务，从而快速形成严密的逻辑链条和数据链条。

更多产品方面的Methodology，后续会和大家一起分享学习。有关数据分析方面，如果各位有自己独特的方法，也欢迎不吝赐教。

本文由 @时雨于。，。