产品管理中的数据分析的四个关键点

和硅谷的产品管理相比，中国科技行业产品管理领域显著忽略的一个内容是数据分析在产品管理中的应用（customer analytics, product analytics, marketing analytics, etc）。几乎所有的公司会同意数据分析在产品管理中的重要作用，但只有20%（根据我个人的经验）左右的公司在实践中真正努力的贯彻数据分析并利用数据分析指导自己的业务。

造成这种现象的原因是多方面的：

一是 在中国科技行业中，产品经理得到的授权不够：不像硅谷的公司的产品经理会负责产品的方方面面，中国公司的产品经理的主要任务是定义产品的需求、功能、路线图，领导团队按时交付(deliver) 产品。产品前期需要进行什么样子的市场活动，需要引入多少用户，产品上市后在市场上的表现如何，如何改进产品的表现等工作任务，很多时候不在产品管理部门。

二是 精细化产品管理，特别是假设驱动、数据驱动，一直没有在中国科技公司中得到很好的贯彻。

三是 缺少数据科学(Data Science)领域中的相关人才。这一点不仅在中国如此，在其他很多国家也是如此。

这篇文章从我个人的经验出发，谈一下产品管理中数据分析的几个关键点。这几个关键点不涉及具体的分析手段、工具，但这些关键点往往触及潜意识中我们的思维习惯，更能影响工作的效果。

假设驱动，而不是数据驱动/Hypothesis driven, Not Data Driven

很多公司标榜自己采用data driven的方法，各项决策都要有有力的数据支撑。实践当中，这往往是错误的方法，经常会浪费很多分析资源而又找不到问题的关键。原因是，数据驱动(data driven)不能提供真正的洞见(insights).

数据只存在于“待验证的假设”的框架之中（Data only exist in the framework of hypothesis)。换句话说，只有存在预先的假设，才能指导你瞄准哪里去寻找数据。因此，正确的方法应该是假设驱动(Hypothesis Driven)。

比如，产品的新版本发布之后，每日活跃用户(DAU - Daily Active User) 显著上升，产品团队需要弄清楚这是为什么。可能的假设是（1）这段时间市场推广活动增加了，造成DAU增加；（2）新版本发布后，很多老用户重新被激活，又回到产品当中，造成DAU增加；（3）在同样的市场推广力度下，新版本比原先的老版本带来更多的新用户。基于这些假设，产品团队能够聚焦在“需要做什么样的分析能证明或证伪这些假设，需要什么数据来验证这些分析”，从而更快速的验证产品的表现。

所以，任何时候都要问：为什么要做这个分析，要验证什么假设还是只是看看这些数据能告诉我们什么？要做的分析能够带来什么样的行为改变(behavior change)？

因果关系，而不是相关性/ Causality, Not Correlation

太多的产品经理、商业分析师将 causality 和correlation 混为一谈。一部分原因是实践当中有太多因素影响最终的结果，因此很难发现causality的因素；另一部分原因是，没有很好的区分两者的关系。

Correlation只能表明两个的变化关系：一个变量发生变化的时候，另一个变量也发生变化。但是，这不能表明另一个变量的变化是由其中一个变量的变化引起的。

Causality 表明因果关系：一个变量的变化，带来另一个变量的变化。

要形成因果关系，需要具备三个因素：

（1）存在相关性。X和Y之间有correlation

（2）存在先后性。X发生在Y之前

（3）没有第三个因素带来X和Y的同时变化(control of other variables)

最好的方法是做A/B test。

所以，如果你没有A/B test，就请不要把你做的feature或者产品列在时间点1， 然后将用户或营收的增长列在时间点2，以此来证明是你的feature或产品带来这样的增长。

分清楚三类分析的各自作用并时刻意识到现在的分析处在这三类分析中的哪一个阶段

（1）描述性分析(descriptive analytics) 是揭示问题的第一步，但往往变成报告(reporting) 而不是分析(analysis)；应该尽量自动化

描述性分析是数据分析的基础。在分析产品、用户、市场、竞争的时候，描述性分析是第一步，他让我们对要分析的事物形成一个直观的概念。例如：为什么销售下降了？上个月的活跃用户是多少？有多少人下载了我们新推出的版本？每天有多少用户浏览我们的主页？用户是谁，分布在哪些地域，他们每个月的消费是多少？他们都上哪些网站，等等？

这些分析通常不能带来行为上的改变，但却是我们理解产品和用户的第一步，必不可少。要做这样的描述性分析，需要具体的数字。数字的来源可以分为定性和定量两个渠道。定性的渠道通常是通过用户访谈(user interview)，焦点小组(focus group)， 一对一采访(one-on-one)，定量的渠道通常是用户调研(survey), 第三方数据库(nielson, IRI, SPINS, social media)，用户主动报告(browser cookie, mobile phone data, LBS data, social media)。

描述性分析的结果通常是生成报告(report)，帮助各个业务部门更好的理解产品和用户。由于这些报告不能直接带来行为改变，而且需要周期性的更新，所以，应该尽量的将描述性分析自动化。

（2）预测性分析(predictive analysis)数据分析的核心竞争力

预测性分析提供对未来的指导，也是数据科学在业务中的主要应用。预测性分析回到的问题通常是：未来的3个月，有多少用户会不再使用我们的产品；如果我花一元钱导入一个新用户，这个用户在整个生命周期内产生的价值是多少？如果一个用户在我们的产品中付费了，他有多大可能继续付费？

预测性分析是数据分析的核心竞争力，因为他提供对产品和用户未来图景的预测，基于这些预测，我们可以更好的调整产品、市场营销活动以及用户服务。预测性分析不仅需要进行大量而深入的数据建模，而且需要对业务有深入的理解。这是数据科学家(Data Scientist) 最有价值的地方。数据分析师、商业分析师应该更多的将自己的工作集中在预测性分析上。

（3）建议性分析(prescriptive analysis) 针对具体问题给出建议，因此，必须对要回答的问题进行清晰的定义

建议性分析的最终结果是给出答案、提出建议和改进方案，因此，对建议性分析的问题，必须要清晰的定义问题，形成预先的假设，确定分析的范围。验证是不是建议性分析的一个试金石是：如果这个分析做完了，能带来什么样的行为变化（例如，用户会采用什么不同的方式使用产品，市场推广会采用什么样不同的手段）。

实践当中，一定要先做描述性分析，对问题形成初步的理解，确定值得探索的几个领域，并尽量将描述性分析自动化，分析结果可以作为整个团队运营的基准。利用建设性分析对产品进行优化，并时刻跟基准线对标，看假设是否合理，如何进一步优化。在此基础上，个人和团队要构建预测性分析的核心能力，将业务能力从“解决现有问题” 转移到“构建问题”上。例如，一个App 产品团队不但要能够回答“该产品的主要用户是哪些人”， “是什么原因造成这个月的活跃用户比上个月少” 这样的问题，更应该具备的能力是回答“如果一个用户在使用产品一周之后连续2周不再登陆，这样的用户还具有多少价值，是否值得对这样的用户继续进行营销和服务的投入？”

公司文化

在产品管理中贯彻数据分析并利用分析指导业务，最难的是构建“假设驱动，数据支撑”的企业文化。很多人(老板，团队领导，客户)，很多业务部门（市场，销售，客服）并不掌握详实的数据，因此经常出现的情况是观点和观点的争论，而不是事实和事实的争论。但观点和观点争永远分不出胜负。必须以事实为基础进行争论和辩论。

每一个人都要努力提供对自己的观点的数据支撑；一个没有数据支撑的观点，不论是谁的观点，都不比你自己的观点更好。

每一个应该牢记一句话并身体力行：如果你有数据，请摆出来，我们可以利用这些数据；如果你有的只是观点，抱歉，我最好还是用我自己的观点。(If you have data, present it and we will use it; if you have opinion, sorry, I'm gonna use mine.)