数据分析：如何深挖缘由，推进业务

编辑导语：数据是产品运转流程中必不可少的分析要素，经过数据分析，产品经理可以从中获得相关信息，提炼出用户体验感受，进而推进产品向有效的方向迭代晋级。本篇文章里，作者针对如何经过数据分析发掘缘由、推进业务停止了相关引见，一同来看一下。

数据分析的工作大部分的分析其实都是在找表面缘由。

用户数下跌了：A渠道新用户下跌；转化率提升了：落地页转化率上升；留存率下降了：C地区用户留存率下降。

找表面缘由其实就是经过目的体系的各种维度、子目的对成绩停止拆解，得出一些初步的数据结论。

对于成熟的业务线来说，这种分析足够了。业务方拿到分析结论，本人稍加分析就知道后续该做什么。比如渠道人数下降了，对应的动作要么就是添加投放资源，要么就是优化投放的内容，提高拉新效果。

但是这是普通状况，有的时分我们就算给出了下面这些结论，指导也不称心。由于在详细执行的时分，还是不知道该做什么。

渠道人数下降了，但是我们没资源做新的投放，只能优化现有的文案。数据分析师来分析一下，用什么文案比较好？落地页转化率不高，但是业务同窗曾经修正了八个版本的落地页，效果都不好，我也知道要优化落地页，但是到底要怎样优化？

表面缘由会让业务进入误区，而且一直用这些结论驱动业务发展，很容易进入一个隐藏的圈套，那就是追求短期收益而丧失了长期收益。

比如APP的日活下降，经过表面缘由的分析最后发现是由于用户的留存率的下降导致的。

这个结论不能说错，但是很容易误导人。由于这个结论的潜台词是，整个业务是一台运转严密的机器，最终的产出下降了，是中间的一环出现了成绩，如今既然留存率出了成绩，那么我们把留存率搞上去的话，日活就能回归正常。所以提升留存率就成了之后的业务目的。

而一旦提升留存率这件事成为一个KPI之后，业务同窗就会做一些能疾速提升留存率的动作，比如签到活动、标题党PUSH之类的运营动作。

这些运营动作的确会给留存率带来短期的提升效果，但是对于全体APP的产品力提升并没有什么协助，甚至这些动作还会让用户厌烦，长期来看反而会降低留存率。

一、第一性原理

1. 第一性原理


面对这种状况，怎样办呢？不焦急详细结论，我们先引见一个概念：“第一性原理”。

这个词大概是2017年末尾在互联网知识圈中火起来的，带火这个词的是马斯克。在一次TED采访中，他泄漏了本人非常推崇的思想形式，叫做 “First principle thinking”，翻译成中文就是「第一性原理」思想。

由于马斯克应用第一性原理在多个范畴都获得了成功，于是“第一性原理”就被很多创业公司奉为圭臬。虽然如今马斯克的特斯拉负面音讯不断，不过那就是另一个故事了。

第一性原理是指当你遇到一个成绩，成绩背后一定有其缘由，这个缘由的背后还有缘由，就这样一步一步向前推演，直至找到成绩最本质的缘由。然后，从这个本质缘由末尾，重新向后推演，直到找到处理成绩的方法。

2. 用户需求是商业的第一性原理


我们回到刚才的案例来看一下。假如日活用户下降了，缘由是什么？

之前我们给出的答案是由于留存率下降了，于是针对这个缘由，我们给出了相似签到活动、push等业务动作。

假如根据第一性原理的思想形式，我们还要继续思索，留存率下降的缘由又是什么呢？以及这个缘由背后的缘由又是什么。商业成绩，追溯到最本质的根源，一定是用户需求。

我们的业务动作只是刚好符合用户的需求，于是这些业务动作让用户需求更好地驱动商业形式运转起来。所以用户的需求才是整个商业运转的第一性原理。

二、用户需求

1. 用户需求是不断变化的


那知道了用户需求是商业形式的第一性原理，so what？

第一性原理假如保持不变，那么基于推导出的结论和形式就是波动的。就比如机器处理的是确定性的成绩，所以机器的结构也是确定性的，假如一个齿轮松动了，加固下齿轮成绩就处理了。

但第一性原理假如变了，后面一切基于这个原理的逻辑就全都不顺应了。而商业处理的就是这样的非确定性的持续变化的成绩。

用户需求是不断变化的，随着工夫和外部环境的变化，用户的需求也会随之变化，而且商业形式本身也会影响需求的变化。就好像标题党看多了，用户对这种激发猎奇心的手腕也就麻木了，用户就会想要看更多有价值的信息。

用户需求一旦发生变化，那么会导致原有商业形式和需求之间不再婚配，于是运转出现成绩。这个时分，你再用机器的那套思绪，哪个坏了修哪个，强行提高某个目的来处理成绩的做法，是不处理根本成绩的。只要调整业务的运转形式，让业务形式重新符合用户需求，才是真正有效的策略。

2. 用户需求也有波动的一面


既然如此，那么找表面缘由的分析方法不是很不靠谱？

也并不完全是。虽然用户需求是持续变化的，但是也有相对波动的时期，所以商业形式在一段工夫内还是可以很好地满足用户需求。

就好像小孩子的身高不停地在长，但是一件衣服还是可以穿很久。对单个用户来说，需求变化相对较快，比如一个宝妈对尿布的需求集中在孩子两岁以内，但是对于整个的用户群体来说，总有一部分人。他的孩子在两岁以内，所以这一个市场总体上可以保持波动。

所以需求依然有相对波动的时期，这个阶段只做好原有商业形式的维护，是依然有效的。

3. 用户需求的细分


说起需求变化，我们不焦急到底如何应对。我们先来聊一聊，到底什么是用户需求。

中文对于名词解释非常不擅长，我们还是用英文解释一下。用户需求有两个层次，一个是want，一个是need。

用户说我需求某功能，这是want；用户说我运用这个功能做什么，这是need。很简单的一个例子：搜索网站是want，疾速地找到信息是need。

want是need的处理方案。用户想要疾速找到信息这个需求是need，满足这个need有很多种方案，不同的方案就是不同的want，其中搜索网站就是现有技术条件下最优秀的处理方案。

搞清了need和want，一个商业成绩的基本上可以归结为两类：要么是没有满足用户真实需求（need），要么是处理方案不够好（want）。

三、如何深挖缘由，推进业务

落实到详细的业务分析上，用户需求的成绩影响了业务管理的三个层面：

我们一个个来看。

1. 战略层成绩


要处理用户需求是什么，是商业的战略级成绩。

只要明白要处理的用户需求是什么，并且这个需求有商业价值，那么后续的一切业务动作、组织调整等才有意义。假如没有找准用户的需求，那么后续的一切业务动作都是没有意义的。

普通正常的创业流程，是先预判一个用户需求，然后经过MVP（最小可行化产品）的方式验证PMF（产品与市场婚配），在PMF验证终了后，继续扩展资源投入。

如今很多的创业想法，都是从一个公众号或小程序末尾，这种产品方式相比APP成本要低得多。一旦公众号或小程序验证成功，再进入APP开发和大规模的宣传推行，这种形式的创业风险就比较小。

所以假如你要处理的是战略层的商业成绩，那么数据分析能发挥的作用比较有限。由于用户需求是很难经过感性分析找到，我们能做的，就是建立高效的数据反馈机制，让公司的试错迭代效率更高。相反工夫内测试的产品版本越多，找到靠谱的用户需求的几率也就越大。

当然，有些产品的诞生完全是由于老板的拍脑袋决策，结果产品出来当前，用户量和留存率惨不忍睹，但是后期投入又非常大，于是老板就让员工想办法提高各项目的。

但是对于这样的产品，你去分析如何优化现有产品是没有任何意义的，由于你根本不知道这个产品处理的是什么需求，或者你要处理的根本就是伪需求，所以方向选错了，一切努力都是白费。假如在这类公司，并且你无法改变公司的决策流程的话，建议还是早点换公司。

回到案例中的成绩：产品的留存率不高。假如留存率非常低，那么用户能够根本就没有这样的需求。这种状况下，我们不需求分析如何提升留存率，而是应该是让产品经理重新思索用户需求是什么，重新设计产品。

2. 战术层成绩


找到了一个有商业价值的用户需求（need），还需求对应的产品提供处理方案。战术层成绩就是处理方案还不够好，间隔用户心目中等待的样子（want）还有些差距。

比如案例中留存率的成绩，假如留存率不高，那么一定是我们的产品和用户心目中想要的东西还存在一定差距，或者和竞品存在差距。为了补偿现状和用户的want之间的差距，我们可以从“提升用户动机，降低用户门槛和提示”三种方式提升用户留存率。

但是终究采用哪一种方式呢？

假如你分析只深化到“留存率不高”这个结论的话，业务人员不知道更多信息，也只能选择做一些签到或者标题党的PUSH，由于这类业务动作是一定有效的，只是未必是最佳的策略。

所以为了让业务同窗清楚提升留存率的关键点，我们就要针对这三种方式停止更细致的深挖，找出根本缘由。

比如要找出如何提升用户动机，我们可以经过竞品分析、用户行为分析等找出一些线索。比如经过第三方数据平台，找出留存表现比较好的竞品，然后拆解竞品的功能模块，看一下我们和竞品的差距。或者经过行为分析，尤其是搜索关键词分析找出用户的未被处理的需求。

如今每个APP内都会有搜索模块，用户的搜索关键字往往能反映出用户的真实需求。这种方法有时要比你经过客户调研获得的结果愈加真实有效。

假如要降低用户的门槛，普通是降低运用门槛。由于有些用户由于不会运用产品，导致流失。处理了这部分用户的成绩，自然就能提升留存率。

那么针对这种状况，我们就需求做漏斗分析或者行为途径分析。

漏斗分析最常用，可以很明晰地找出出现成绩的环节。配合用户调研或者本身的运用体验，也能找出一些用户运用过程中能够存在门槛的地方。提示相对来说是最容易的，假如上述的动机和门槛都没有找到，那么就只要提示一种办法了。针对提示的分析曾经非常详细，属于战役层的成绩。

经过上述分析，我们找出了一些提升用户动机和减低运用门槛的成绩改进点，这种结论就要比单纯的“留存率不高”要更详细，业务同窗也能清楚后续要做的工作。

3. 战役层成绩


确定了业务动作的大致方向，接下去就剩下最后的执行成绩了，这个我称作战役层。

这一层我们要处理的成绩是，什么类型的文案更合适，哪类渠道更好，落地页如何设计，push假如发送的话什么时分发？发什么？等等详细的成绩。

这类成绩的分析常见的是根据历史数据得出结论。

比如要做PUSH提示，那么可以经过历史数据找出哪类标题的打开率更高。要做渠道投放，可以分析哪个渠道的ROI最高，等等。

不过历史数据的分析有个成绩，就是这个结论未必反运用户需求。

比如push打开率高的一定是标题党，但是这种标题党未必是用户想要的。

所以除了数据分析，还需求结合业务判别。国内以感性严谨著称的字节跳动，一切功能都要经过AB测试，但是张一鸣依然表示“AB测试只是工具，同理心才是基础。”所以数据分析师还是需求学习一些基本的心思学。

比如有一个行为心思学的现象叫做“钓饵选项”，意思是说当人们对两个不相上下的选项停止选择时，由于第三个新选项（钓饵）的加入，会使某个旧选项显得更有吸引力。

比如下图，假如只要两种爆米花，一种3美元，一种7美元，由于价格和数量成反比，会有很多人选择价格更低的3美元。

而一旦加入了一个分明不划算的6.5美元选项后，就会有更多的人选择7美元的爆米花。

6.5美元的爆米花几乎没有人选择，但是它的作用就是为了提高7美元爆米花的销量。

所以假如产品中某一个功能的点击率非常低，能否阐明这个功能就是不必要的？显然不是。数据还是有很多盲区，需求我们经过用户心思学更好地反应真实状况。

战役层的分析需求和业务非常严密地配合，而且处理的成绩非常详细，所以做这类分析的分析师普通不属于独立的数据分析部门，而是归属于业务团队。甚至很多分析工作是由业务同窗本人完成的。

这部分的工作，业务了解愈加重要。其实哪怕没有数据的支持，一个深化了解用户心思和需求的业务同窗也能设计出非常优秀的方案。

四、总结

找缘由是一件很难的事，假如一切缘由都能按照模板和套路分析出来，那么大公司就永远不会衰落了。好的数据分析师可以提升找到正确缘由的几率，依托的就是从用户需求出发的思索方式。

这还不够，数据分析需求一点“肉体分裂”，找完缘由，还要向业务同窗提建议。这个时分，又得掌握站在业务同窗的角度思索如何提出建议。

#专栏作家#


三元方差，公众号：三元方差（sanyuanfangcha），人人都是产品经理专栏作家。专注用数据驱动业务增长，擅长数据分析、用户增长。喜欢阅读、思索和创作。

本文原创发布于人人都是产品经理。未经答应，制止转载。

题图来自Unsplash，基于CC0协议

数据是产品运转流程中必不可少的分析要素，经过数据分析，产品经理可以从中获得相关信息，提炼出用户体验感受，进而推进产品向有效的方向迭代晋级。

分享了

想知道楼主的感受，怎么样？

老哥，这波稳

好，很好，非常好！