本篇文章給大家介紹產(chǎn)品經(jīng)理在日常分析數(shù)據(jù)中所必須掌握的三個框架，一個叫邏輯分層拆解，一個叫漏斗分析，還有一個是用戶行為路徑分析。

邏輯分層拆解

雖然產(chǎn)品涉及到的方方面面的指標非常的多，但產(chǎn)品經(jīng)理不可能對每一個指標，每一個環(huán)節(jié)都了如指掌，產(chǎn)品經(jīng)理更多關注的是反應業(yè)務核心的關鍵指標，針對社交類的產(chǎn)品，產(chǎn)品經(jīng)理每天最關注的指標之一就是日活；對于電商類的產(chǎn)品經(jīng)理按理說，每天醒來想看到的第一個指標就是銷售額，對于游戲的產(chǎn)品經(jīng)理來說，用戶的每天ARPU就是不得不關注的指標；對新聞客戶端的產(chǎn)品經(jīng)理來說，昨天網(wǎng)站的流量是每天必須要關注的數(shù)據(jù)，而當產(chǎn)品經(jīng)理關注的核心指標發(fā)生變化的時候，這個問題就來了，是什么原因?qū)е聰?shù)據(jù)的上升或下降呢？我們需要怎樣解釋這些變動呢？這個時候就會通過邏輯分層拆解的框架來尋找答案了，邏輯分層拆解框架有兩個方面，一個是邏輯拆解，另外一個是分層拆解，

邏輯拆解需要我們?nèi)ふ液秃诵闹笜擞羞壿嬒嚓P的一些指標，這里需要注意一個原則，找到的指標一定要能影響到核心指標的變動，他們之間要存在強烈的邏輯關聯(lián)，選用這些相關的指標之前，我們必須清楚的了解他們是如何影響核心指標的。

當核心指標發(fā)生了變動，我們一般會去看和核心指標相關的一些變動，從而去定位核心指標變動的原因。

另外一個方面是分層拆解，因為我們解釋核心指標的相關指標也能夠細分成很多小的相關指標，這個里面就會有分層的概念，

第一層一般會去解釋核心指標變動的大的方向，第二層是針對大的方向的細分，從而能夠?qū)栴}定位的更加準確和可操作性。這里有一個原則需要注意的是同一層里面的各個指標都是代表了一個尋找方向，所以他們之間是不能有相關性的，拿電商網(wǎng)站中的銷售額舉例來說。銷售額自然是電商網(wǎng)站中最為關注的核心指標，一般我們都知道有個萬能公式，銷售額=UV*轉(zhuǎn)化率*客單價

一般我們都會從流量、轉(zhuǎn)化和客單價三個方面來去分析銷售額的變化，假如銷售額出現(xiàn)降低的時候，我們會首先去看一下這三個指標的變化，以便來分析到底是來到我們app上的人少了，還是在我們app上買東西的人少了，還是用戶買的金額減少了。

假設是流量降低導致了銷售額的降低，那么我們就會去分析流量相關的指標，來去尋找導致流量降低的因素，分析流量的時候我們一般會去關注流量的來源，看看是否是有一些渠道的流量變化，導致了整體流量的下降，另外還可以區(qū)分新訪客和老訪客，來看一下是否是網(wǎng)站的推廣或者是用戶的回訪出了問題，當然我們還會把渠道和新老訪客做一些交叉分析，形成第三層的拆解，一層層的分析下來，直到我們能最終定位到能根本解釋最終銷售額降低的原因，當然有的時候不一定是那一個原因，有可能是多方面的原因?qū)е逻@一現(xiàn)象的產(chǎn)生。

實操過程中可能會發(fā)現(xiàn)這樣的一個問題，邏輯分層拆解核心指標的時候，我們并不能保證和這個核心指標相關的所有數(shù)據(jù)都能被找到，這種情況下我們該怎么辦呢？這個時候可以進行頭腦風暴，因為每個人在分析核心指標的時候，他所掌握的背景信息往往不夠全面，所以會遺漏一些指標，這個時候我們可以多找?guī)讉€人進行一次頭腦風暴，把這個核心指標相關的，能夠解釋這個核心指標的其他的方向和因素都能夠全部找出來，這樣才能發(fā)揮出邏輯分層拆解的最大價值。

漏斗分析

這個方法其實是從營銷管理里面演變而來的，它廣泛應用與流量監(jiān)控，產(chǎn)品目標轉(zhuǎn)化等日常數(shù)據(jù)工作，用戶從某個節(jié)點進入，到最后完成目標動作，可能會經(jīng)歷多個節(jié)點，通過分析每個節(jié)點，來尋找最終可優(yōu)化的點。

上面的例子就是分析用戶從進入網(wǎng)站到最終轉(zhuǎn)化購買，這個過程我們可以看到用戶在進入以及到最終實現(xiàn)目標的轉(zhuǎn)化率，同時也能夠看到整個關鍵路徑中，每一步的轉(zhuǎn)化率，能夠幫助我們發(fā)現(xiàn)這個路徑中用戶流失最多的環(huán)節(jié)，在上面的例子中，我們可以發(fā)現(xiàn)用戶從網(wǎng)站首頁到商品詳情頁的轉(zhuǎn)化率的是最低的，這樣看來漏斗分析也很簡單，那有什么要注意的點么？

這里有兩個點是需要注意的，第一個是轉(zhuǎn)化率需要對比，我們不能說某個環(huán)節(jié)的轉(zhuǎn)化率最低，就一定是某一個環(huán)節(jié)出現(xiàn)了問題，比如上面的例子，從首頁到商品詳情頁，這個環(huán)節(jié)的轉(zhuǎn)化率只有40%是所有環(huán)節(jié)中最低的，但是如果和上個月比的話，上個月同期這個比例也是40%，而如果和同行業(yè)比的話，行業(yè)同類產(chǎn)品的這個環(huán)節(jié)是36%,這說明在這個環(huán)節(jié)，該產(chǎn)品做得還是不錯的。

而我們再看支付環(huán)節(jié)，從支付到支付成功的轉(zhuǎn)化率是82%（13/16），跟其他環(huán)節(jié)比起來，這個轉(zhuǎn)化率是最高的，但是如果說同行業(yè)的轉(zhuǎn)化率是90%，那它就不高了；如果上個月同期的轉(zhuǎn)化率是91%，那就更不高了，其實這個就回到了對比分析方法里面了，這個方法我在之前的文章里有說，產(chǎn)品需要跟自己的歷史數(shù)據(jù)做對比， 跟競品分數(shù)據(jù)做對比， 才能得出完整的結(jié)論。

另外一點是不同的用戶類別在用戶漏斗中的轉(zhuǎn)化率往往是有很大的差異的，像用戶來自于不同的渠道的，不同的區(qū)域、不同的生命周期、不同的性別，不同的年齡，他們在漏斗中的表現(xiàn)都是不一樣的，所以說我們在進行漏斗分析的時候，往往還要做一些細分的漏斗模型。

用戶行為路徑分析

其實我們上面所列的漏斗是一個理想的狀態(tài)，或者說我們是把用戶的行為做了一次匯總，然后給大家呈現(xiàn)出來的一種狀態(tài)，其實真實的用戶行為遠比我們看到的要復雜的多。比如在實際使用的過程中，有的用戶會把商品先放到購物車，但并不會立即下單購買，可能會去比較別的產(chǎn)品，可能過幾天再來下單，那這種情況我們要怎么辦呢？這就牽涉出另外一個分析框架，叫做用戶行為路徑分析。

這里借用神策的一張數(shù)據(jù)圖，從上圖我們可以看出，在啟動app之后，有40%的客戶進入banner、30%的客戶搜索商品、約10%的用戶瀏覽商品列表、約5%的客戶會退出app。

我們再接著細看，搜索商品的用戶約90%的用戶提交了訂單，而點擊banner的用戶約30% 提交了訂單（可以看一下圖中的陰影面積），所以說banner點擊后的體驗可能是需要重點優(yōu)化的對象。

其實很多第三方數(shù)據(jù)分析工具都有用戶行為路徑分析，大家可以找一個適合自己的平臺的那個。

還有更多的數(shù)據(jù)分析方法，我們將會在之后的文章中介紹，大家可關注我們的微信公眾號：產(chǎn)品劉 。

也歡迎有問題的小伙伴加微信：chanpin628?溝通交流。

此外我們的官方網(wǎng)站也上線了，每日分享高質(zhì)量的文章、原型素材和行業(yè)報告，小伙伴可自行前往索取，支持搜索，需要的小伙伴可點擊底部的閱讀原文直接查看，或者復制網(wǎng)址：www.dadaghp.com?打開。

更多干貨可關注微信公眾號：產(chǎn)品劉

想學習更多關于產(chǎn)品、職場、心理、認知等干貨，可長按右邊二維碼，關注我們。

··················END··················

RECOMMEND

推薦閱讀

手把手教你從0-1的搭建產(chǎn)品分銷體系

面試題，如何改進一款產(chǎn)品

線下實戰(zhàn)2.0

To B的痛

考個研？

點擊“閱讀原文”

查看更多干貨

總結(jié)

以上是生活随笔為你收集整理的产品经理必知的三个数据分析框架的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。