产品经理必知的三个数据分析框架
本篇文章给大家介绍产品经理在日常分析数据中所必须掌握的三个框架，一个叫逻辑分层拆解，一个叫漏斗分析，还有一个是用户行为路径分析。逻辑分层拆解虽然产品涉及到的方方面面的指标非常的多，但产品经理不可能对每一个指标，每一个环节都了如指掌，产品经理更多关注的是反应业务核心的关键指标，针对社交类的产品，产品经理每天最关注的指标之一就是日活；对于电商类的产品经理按理说，每天醒来想看到的第一个指标就是销售额，对于游戏的产品经理来说，用户的每天ARPU就是不得不关注的指标；对新闻客户端的产品经理来说，昨天网站的流量是每天必须要关注的数据，而当产品经理关注的核心指标发生变化的时候，这个问题就来了，是什么原因导致数据的上升或下降呢？我们需要怎样解释这些变动呢？这个时候就会通过逻辑分层拆解的框架来寻找答案了，逻辑分层拆解框架有两个方面，一个是逻辑拆解，另外一个是分层拆解，逻辑拆解需要我们去寻找和核心指标有逻辑相关的一些指标，这里需要注意一个原则，找到的指标一定要能影响到核心指标的变动，他们之间要存在强烈的逻辑关联，选用这些相关的指标之前，我们必须清楚的了解他们是如何影响核心指标的。
当核心指标发生了变动，我们一般会去看和核心指标相关的一些变动，从而去定位核心指标变动的原因。另外一个方面是分层拆解，因为我们解释核心指标的相关指标也能够细分成很多小的相关指标，这个里面就会有分层的概念，第一层一般会去解释核心指标变动的大的方向，第二层是针对大的方向的细分，从而能够将问题定位的更加准确和可操作性。这里有一个原则需要注意的是同一层里面的各个指标都是代表了一个寻找方向，所以他们之间是不能有相关性的，拿电商网站中的销售额举例来说。销售额自然是电商网站中最为关注的核心指标，一般我们都知道有个万能公式，销售额=UV转化率客单价一般我们都会从流量、转化和客单价三个方面来去分析销售额的变化，假如销售额出现降低的时候，我们会首先去看一下这三个指标的变化，以便来分析到底是来到我们app上的人少了，还是在我们app上买东西的人少了，还是用户买的金额减少了。假设是流量降低导致了销售额的降低，那么我们就会去分析流量相关的指标，来去寻找导致流量降低的因素，分析流量的时候我们一般会去关注流量的来源，看看是否是有一些渠道的流量变化，导致了整体流量的下降，另外还可以区分新访客和老访客，来看一下是否是网站的推广或者是用户的回访出了问题，当然我们还会把渠道和新老访客做一些交叉分析，形成第三层的拆解，一层层的分析下来，直到我们能最终定位到能根本解释最终销售额降低的原因，当然有的时候不一定是那一个原因，有可能是多方面的原因导致这一现象的产生。
实操过程中可能会发现这样的一个问题，逻辑分层拆解核心指标的时候，我们并不能保证和这个核心指标相关的所有数据都能被找到，这种情况下我们该怎么办呢？这个时候可以进行头脑风暴，因为每个人在分析核心指标的时候，他所掌握的背景信息往往不够全面，所以会遗漏一些指标，这个时候我们可以多找几个人进行一次头脑风暴，把这个核心指标相关的，能够解释这个核心指标的其他的方向和因素都能够全部找出来，这样才能发挥出逻辑分层拆解的最大价值。漏斗分析这个方法其实是从营销管理里面演变而来的，它广泛应用与流量监控，产品目标转化等日常数据工作，用户从某个节点进入，到最后完成目标动作，可能会经历多个节点，通过分析每个节点，来寻找最终可优化的点。
上面的例子就是分析用户从进入网站到最终转化购买，这个过程我们可以看到用户在进入以及到最终实现目标的转化率，同时也能够看到整个关键路径中，每一步的转化率，能够帮助我们发现这个路径中用户流失最多的环节，在上面的例子中，我们可以发现用户从网站首页到商品详情页的转化率的是最低的，这样看来漏斗分析也很简单，那有什么要注意的点么？这里有两个点是需要注意的，第一个是转化率需要对比，我们不能说某个环节的转化率最低，就一定是某一个环节出现了问题，比如上面的例子，从首页到商品详情页，这个环节的转化率只有40%是所有环节中最低的，但是如果和上个月比的话，上个月同期这个比例也是40%，而如果和同行业比的话，行业同类产品的这个环节是36%,这说明在这个环节，该产品做得还是不错的。而我们再看支付环节，从支付到支付成功的转化率是82%（13/16），跟其他环节比起来，这个转化率是最高的，但是如果说同行业的转化率是90%，那它就不高了；如果上个月同期的转化率是91%，那就更不高了，其实这个就回到了对比分析方法里面了，这个方法我在之前的文章里有说，产品需要跟自己的历史数据做对比， 跟竞品分数据做对比， 才能得出完整的结论。另外一点是不同的用户类别在用户漏斗中的转化率往往是有很大的差异的，像用户来自于不同的渠道的，不同的区域、不同的生命周期、不同的性别，不同的年龄，他们在漏斗中的表现都是不一样的，所以说我们在进行漏斗分析的时候，往往还要做一些细分的漏斗模型。用户行为路径分析其实我们上面所列的漏斗是一个理想的状态，或者说我们是把用户的行为做了一次汇总，然后给大家呈现出来的一种状态，其实真实的用户行为远比我们看到的要复杂的多。比如在实际使用的过程中，有的用户会把商品先放到购物车，但并不会立即下单购买，可能会去比较别的产品，可能过几天再来下单，那这种情况我们要怎么办呢？这就牵涉出另外一个分析框架，叫做用户行为路径分析。
这里借用神策的一张数据图，从上图我们可以看出，在启动app之后，有40%的客户进入banner、30%的客户搜索商品、约10%的用户浏览商品列表、约5%的客户会退出app。我们再接着细看，搜索商品的用户约90%的用户提交了订单，而点击banner的用户约30% 提交了订单（可以看一下图中的阴影面积），所以说banner点击后的体验可能是需要重点优化的对象。其实很多第三方数据分析工具都有用户行为路径分析，大家可以找一个适合自己的平台的那个。
