Empfohlene Tutorials: Python-Tutorial
In der zweiten Hälfte des Internet, ständig Im Kontext verfeinerter Abläufe verlassen sich Produktmanager bei der Herstellung von Produkten nicht mehr nur auf Gefühle, sondern müssen auch das Datenbewusstsein kultivieren und in der Lage sein, Daten als Grundlage für die kontinuierliche Verbesserung von Produkten zu nutzen.
Im Gegensatz zu den professionellen Datenanalysten des Unternehmens können Produktmanager Daten eher auf Benutzer- und Geschäftsebene anzeigen, um die Gründe für Datenänderungen schneller und gründlicher zu finden.
Unter der Voraussetzung, dass die Daten effektiv erfasst wurden, wie können die Daten effektiv analysiert werden?
1. Klären Sie den Zweck der Datenanalyse
1. Wenn der Zweck der Datenanalyse darin besteht, die zu vergleichen Seite vor und nach der Überarbeitung Um die Vor- und Nachteile zu ermitteln, sollten die zu messenden Indikatoren von der Klickrate, der Absprungrate und anderen Dimensionen der Seite ausgehen und auch die Bestellkonvertierungsrate berücksichtigen Konzentrieren Sie sich auf die Besuchsdauer des Benutzers, Likes, Weiterleitungsinteraktionen usw.
Wenn viele Neueinsteiger ihre eigenen Produkte entwerfen, verbringen sie möglicherweise viel Zeit mit dem Design des Produkts selbst, verschwenden jedoch keine Energie darauf, darüber nachzudenken, wie sie den Erfolg des Produkts messen können . In der Produktdokumentation einen leeren Satz wie „Das Benutzererlebnis wurde verbessert“ zu schreiben, trägt weder zum reibungslosen Bestehen der Produktdesignprüfung bei, noch ist es möglich, die KPI-Indikatoren des Produkts schnell und effektiver zu verbessern.
2. Wenn der Zweck der Datenanalyse darin besteht, die Gründe für abnormale Datenschwankungen in einem bestimmten Modul zu untersuchen, sollte die Analysemethode schrittweise nach dem Pyramidenprinzip, Version->, abgebaut werden ; Zeit->
Wenn Sie beispielsweise feststellen, dass die Klickrate des Guess You Like-Moduls auf der Homepage kürzlich von 40 % auf 35 % gesunken ist, was einem starken Rückgang um 5 %-Punkte entspricht Überprüfen Sie zu diesem Zeitpunkt zunächst, welche Version der Daten aufgetreten ist. Sind die Schwankungen auf Auslassungen oder Fehler beim Start der neuen Version zurückzuführen?
Wenn die Versionsschwankungsdaten konsistent bleiben, schauen Sie sich an, wann sich die Daten zu ändern begannen. Liegt es an den Weihnachts- und Neujahrsfeiertagen, dass andere Module auf der Seite online sind? Die neue Aktivität wirkte sich auf Rate-You-like-Conversions aus.
Wenn nicht, analysieren Sie, ob sich die Zusammensetzung der Verkehrsquellen geändert hat oder ob dies auf eine Zunahme der Kontaktzahlen neuer Benutzer zurückzuführen ist.
Produktmanager müssen Daten mit einem klaren Zweck analysieren und darüber nachdenken, welche Dimensionen konstruiert werden müssen, um die Ziele zu überprüfen. Meist müssen Produktmanager sehr geduldig sein und die Unterteilungen Schritt für Schritt abbauen, um den Ursachen auf den Grund zu gehen.
2. Mehrkanalige Datenerfassung
Es gibt im Allgemeinen vier Arten von Erfassungsmethoden.
1. Wenn Sie von externen Branchendatenanalyseberichten wie Analysys oder iResearch beziehen, müssen Sie die Daten mit einer umsichtigen Haltung beobachten und effektive und genaue Informationen extrahieren. Ziehen Sie einige Daten ab, die möglicherweise mit Wasser gefüllt sind, und Sie müssen immer auf der Hut sein vor sekundären Daten, die von anderen verarbeitet wurden.
2. Sammeln Sie proaktiv Benutzerfeedback aus AppStore, Kundenservice-Feedback, Weibo und anderen Community-Foren. Wenn ich Freizeit habe, gehe ich oft in das Community-Forum, um die Statuskommentare der Benutzer zu lesen. Im Allgemeinen sind solche Kommentare sehr extrem, entweder sehr gut oder schimpfend, aber diese Kommentare tragen immer noch sehr zur Verbesserung meines eigenen Produktdesigns bei Ja, Sie können versuchen herauszufinden, warum der Benutzer in diesem Moment solche Emotionen hatte.
3. Nehmen Sie selbst an der Gestaltung von Fragebögen, Benutzerinterviews und anderen Umfragen teil, wenden Sie sich direkt an Benutzer, sammeln Sie Daten aus erster Hand und beobachten Sie die Probleme und Gefühle, auf die Benutzer bei der Nutzung stoßen Produkte. Der Fragebogen muss die Kernfragen verfeinern und die Anzahl der Fragen reduzieren, und die Recyclingergebnisse müssen ungültige und oberflächliche Fragebögen eliminieren. Bei Benutzerinterviews muss darauf geachtet werden, dass keine Leitwörter oder Fragen verwendet werden, um die natürlichen Gefühle des Benutzers zu beeinflussen.
4. Studiendaten aus aufgezeichneten Nutzerverhaltensverläufen. Große Unternehmen verfügen im Allgemeinen über Festnetzberichte/E-Mails, um tägliches oder sogar Echtzeit-Feedback zu Online-Benutzerdaten bereitzustellen. Sie stellen Produktmanagern oder Datenanalysten auch SQL-Abfrageplattformen zur Verfügung, damit diese Daten detaillierter untersuchen und vergleichen können Benehmen.
3. Interferenzdaten effektiv beseitigen
1. Wählen Sie die richtige Anzahl von Proben aus, wählen Sie eine ausreichend große Anzahl aus und eliminieren Sie den Einfluss extremer oder zufälliger Daten. Bei den Olympischen Spielen 2008 lag die Drei-Punkte-Schussquote von Yao Ming bei 100 % und die von Kobe bei 32 %. Bedeutet das, dass Yao Mings Drei-Punkte-Schussquote höher war als die von Kobe? Es gibt ein Problem mit der Anzeige, denn bei den Olympischen Spielen schoss Yao Ming nur einen Dreier und Kobe 53.
2. Entwickeln Sie dieselben Stichprobenregeln, um die Verzerrung der Analyseschlussfolgerungen zu verringern . Zum Beispiel zwei Push-Texte, der erste „Sie haben einen herzerwärmenden roten Umschlag zum Mitnehmen, den Sie nicht erhalten haben. Der größte rote Umschlag ist nur für Sie reserviert, die am besten essen können, klicken Sie hier, um teilzunehmen“, der zweite „Ich biete Ihnen einen Vorteil bei niedrigen Temperaturen zum Mitnehmen, ohne das Haus zu verlassen.“ Experimentelle Daten zeigen, dass die Klickrate der zweiten Push-Kopie 30 % höher ist als die der ersten. Ist also wirklich das zweite Exemplar attraktiver? Es stellte sich heraus, dass die Aktivität der Empfänger der zweiten Push-Kopie deutlich höher war als die der ersten.
3. Mit Ausnahme der Beeinträchtigung durch Versions- oder Feiertagsfaktoren ist die Datenleistung der neuen Version beim ersten Start häufig sehr gut, da Benutzer dies tun Aktiv upgraden sind im Allgemeinen sehr aktive Benutzer. Wenn Wochenenden oder wichtige Feiertage näher rücken, werden die Konsumbedürfnisse der Benutzer ausgelöst und auch die Bestellkonvertierungsrate von E-Commerce-Anwendungen wird stark ansteigen. Daher sollten beim Datenvergleich die Daten der Versuchsgruppe und der Kontrollgruppe in der Zeitdimension konsistent bleiben.
4. Vergessen Sie historische Daten. Der Mensch unterscheidet sich von der Datentechnologie. Die Datentechnologie verfügt über eine 100-prozentige Gedächtnisfähigkeit, während sich der Mensch nach dem Gesetz des Vergessens von Ahobins nur an 33 % nach einem Tag, 25 % nach 6 Tagen und 21 % nach 31 Tagen erinnern kann. Daher müssen wir den Screening-Zeitraum angemessen wählen. Beispielsweise führt das Modul „Guess You Like“ nicht nur einen bestimmten Gewichtungsprozess für die Bewertung von Interessen-Tags durch, sondern führt auch eine Reihe von Regressionsexperimenten basierend auf Faktoren wie dem Lebenszyklus des Produkts durch, um die Rückgangskurve der verschiedenen Zielgruppen zu erhalten Interessen und Kauftendenzen Nutzen Sie regelmäßige Zeitänderungen, um alte Daten effektiv zu löschen und die Klickrate des Moduls zu erhöhen.
5. Das Experiment muss die A1-Gruppe aufteilen, das heißt, eine weitere Gruppe A1 zur Versuchsgruppe B und zur Kontrollgruppe A hinzufügen. Die Regeln von A1 und A sollten konsistent sein , und erforschen Sie dann die Regeln von AB. Durch den Vergleich von Datenschwankungen mit AA1 werden die Auswirkungen natürlicher/unnormaler Datenschwankungen eliminiert. Mein eigentliches A/B-Experiment zeigt, dass es sehr wichtig und notwendig ist, die A1-Gruppe einzurichten, egal wie groß die Datengröße ist, die Daten der beiden Gruppen mit den gleichen experimentellen Regeln weisen auch gewisse kleine Schwankungen auf Aufgrund der geringen Schwankungen im Verfeinerungsprozess kann unser Urteilsvermögen stark gestört und voreingenommen sein.
Überprüfen Sie die Daten angemessen und objektiv
1 🎜>
Produktmanager treffen Entscheidungen, wenn sie das Feedback einiger Benutzer hören und viel Zeit damit verbringen, entsprechende Funktionen zu entwickeln. Daher decken diese Funktionen möglicherweise nur den dringenden Bedarf ab eine sehr kleine Anzahl von Benutzern und den meisten Benutzern ist es egal. Dies kann sogar im Widerspruch zu den Anforderungen der Hauptbenutzer stehen und dazu führen, dass die Daten nach der Einführung der neuen Version des Produkts stark sinken.
Das Ignorieren stiller Nutzer und das Versäumnis, die Kernbedürfnisse der meisten Zielnutzer des Produkts umfassend zu berücksichtigen, kann zu einer Verschwendung von Arbeitskräften und materiellen Ressourcen und, schlimmer noch, zu verpassten Geschäftsmöglichkeiten führen.
2. Die Datenergebnisse umfassend verstehen
Wenn es einen offensichtlichen Unterschied zwischen den Erwartungen der experimentellen Ergebnisse gibt und unserem empirischen Verständnis Bias, ziehen Sie bitte nicht voreilige Schlussfolgerungen und stellen Sie Ihre Intuition in Frage, sondern versuchen Sie, eine gründlichere Analyse der Daten durchzuführen.
Ich habe beispielsweise einmal ein Experiment durchgeführt, um Aktivitäts-Popups für Benutzer auf der Startseite bereitzustellen, und festgestellt, dass sich die Daten der Versuchsgruppe hinsichtlich der Klickrate der Startseite verbessert haben Die Conversion-Rate der Bestellungen und sogar die 7-Tage-Aufbewahrungsrate übertrafen die der Kontrollgruppe erheblich und übertrafen unsere Erwartungen bei weitem Conversion-Rate?
Später stellten wir fest, dass Benutzer, die aktive Pop-ups auf der Startseite anzeigen können, tendenziell bessere Netzwerkbedingungen haben, wenn sie die Umgebung nutzen. In einer WLAN-Umgebung haben Benutzer, die keine Pop-ups anzeigen können. ups Es kann sein, dass in mobilen Szenarien wie Bussen, U-Bahnen und Einkaufszentren die Netzwerkkommunikation schlecht ist, was sich auf die Ergebnisse des A/B-Experiments auswirkt.
3. Verlassen Sie sich nicht zu sehr auf Daten
Einerseits übermäßiges Vertrauen auf Daten wird uns dazu bringen, viele wertlose Dinge zu tun. Datenanalyse; andererseits wird es auch die Inspiration und Kreativität einschränken, die Produktmanager haben sollten.
Genau wie Luo Zhenyu es in der Silvesterrede von Time’s Friends erwähnte. Geben Sie den Benutzern, was sie wollen, noch bevor sie es sagen. Niemand macht es im Bereich der Inhaltsverteilung besser Empfehlung Mit der Zeit wird es immer schmaler.
Auf der anderen Seite steht der Algorithmus der väterlichen Liebe, der hoch steht und weit blickt. Sagen Sie den Benutzern, legen Sie den Mist in Ihre Hände, ich werde Ihnen etwas Gutes sagen, folgen Sie mir. Genau wie bei den Produkten der iPhone-Serie, die Qiao Bangzhu damals entwickelte, achtete er nicht auf Marktanalysen oder führte Benutzerforschung durch, um Produkte zu entwickeln, die die Erwartungen der Benutzer übertrafen.
5. Zusammenfassung
Netflix, die erfolgreichste Video-Website in den Vereinigten Staaten, nutzt Big Data durch Analyse Basierend auf den Benutzergewohnheiten ging die Analyse tief in den kreativen Prozess des Films ein und prägte das beliebte amerikanische Drama „House of Cards“. Netflix-Mitarbeiter sagten uns jedoch, dass wir nicht von Big Data besessen sein sollten
Wenn eine TV-Serie mit einer Punktzahl von 9 als qualitativ hochwertiges Produkt gilt, können Big Data uns davor bewahren das Risiko einer niedrigen Punktzahl von 6 oder weniger, aber es wird uns auch Schritt für Schritt in Richtung Mittelmäßigkeit führen, wobei die überwiegende Mehrheit davon zwischen 7 und 8 Punkten liegt.
Das obige ist der detaillierte Inhalt vonSo führen Sie eine effektive Datenanalyse durch. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
