近些年，随着Growth Hack、精益化运营、数据化运营等概念渐入人心，数据产品这个名字被提及的次数越来越多。数据产品究竟何去何从呢？
在互联网的下半场，不断精细化运营的背景下，产品经理不再是单纯的靠感觉来做产品，更需要培养数据的意识，能以数据为依归，来不断改善产品。
借用最近很火的名词来说，如果嘻哈歌手的freestyle，基本功是即性说唱，那么现在，产品经理的fresstyle，基本功则是数据分析。
那么在数据已经被有效记录的前提下，如何有效的去分析数据呢？
1、明确数据分析的目的；
2、确认数据收集是否准确完备；
3、有效剔除干扰数据；
4、合理客观的审视数据。
1.明确数据分析的目的
产品经理需要带着明确的目的去分析数据，思考实现目标，需要构建哪些维度去验证。If you can’t measure it, you can’t improve it，如果无法衡量，就无法增长。
而不同的数据分析目的，需要通过不同的数据指标分析拆解，如电商最核心的是订单转化率，订单数，订单金额等，对于社交网站来讲则是日活跃用户数，发帖量、评论数等。
在数据分析指标的构建中，我们需要谨记遵从金字塔分析原理，即逐层拆分，不重不漏。
比如将订单金额拆成订单数单均价，订单数也可以往下细分出用户数人均订单数，不同的用户还会拥有不同的人均订单数，一层层往下分拆确保指标能明确表达含义，为上层的分析思路提供依据明确指标定义，统计口径和维度。
比如APP首页猜你喜欢推荐模块，忽然发现点击率从40%下降到了35%，暴跌5%个点，这个时候，我们可以从时间、版本、平台、人群等维度拆解。
先看看数据是从什么时候开始变化的，是不是因为受到了圣诞、元旦假日因素的影响，页面上其他模块上线了新的活动，影响了猜你喜欢的转化。
如果不是，再看看是不是哪个版本的数据发生了波动，是不是因为新版本上线埋点遗漏或有误造成的。
如果不是，则再拆解是不是流量来源构成发生了变动，是不是iOS&Android平台用户比例发生变化，或是新老用户的构成比例改变。
2.确认数据收集是否准确完备
关于数据收集，我一定要先谈准确，不得不说，务必请跟我念，一定要认真检查埋点，埋点，埋点。这绝对是个遇神坑神的大坑。
很多时候临到使用，才发现这个埋点的方式一直都是错误的，或者发现这个指标计算的方法，没有把某种因素排除掉。
接着谈完备，如果涉及未来产品发展方向或页面改版计划的前期调研，数据分析仅靠APP本身的埋点，绝对是远远不够的。可以考虑以下3种渠道。
1、从外部如易观或艾瑞的行业数据分析报告获取，需要带着审慎的态度去观察数据，提取有效准确的信息，剥离部分可能注水的数据，并需要时刻警惕那些被人处理过的二手数据。
2、从AppStore、客服意见反馈、微博等社区论坛去主动收集用户的反馈。我自己经常有空的时候就会去社区论坛看看用户的状态评论，一般这样的评论都是非常极端的，要么特别好，要么骂成狗，但这些评论对于自身产品设计的提升还是非常有益的，可以尝试去反推用户当时当刻为什么会产生如此的情绪。
3、自行参与问卷设计、用户访谈等调研，直面用户，收集一手数据，观察用户使用产品时所遇到的问题及感受。问卷需要提炼核心问题，减少问题，回收结果更需剔除无效的敷衍的问卷。用户访谈需要注意不使用引导性的词汇或问题，去带偏用户的自然感受。
3.有效剔除干扰数据
我们的数据收集准确&完备后，并没有大功告成，还要进一步剔除干扰数据。
1、选取正确的样本数量
选取足够大的数量，剔除极端或偶然性数据的影响。举一个最low也最经典的例子，08年奥运会上，姚明的三分投篮命中率为100%，科比的三分投篮命中率为32%。
那么是不是说姚明的三分投篮命中率要比科比高？显示有问题，因为那届奥运会，姚明只投了一个三分球，科比投了53个。
2、制定相同的抽样规则，减少分析结论的偏差性
比如两条Push文案，第1条“您有一个外卖暖心红包未领取，最大的红包只留给最会吃的你，点击进入”，第2条“送你一个外卖低温福利，足不出户吃喝热腾美味，点击领取 ”。
实验数据表明，第二条Push文案的点击率比第一条同比高了30%。那么真的是第二条文案更有吸引力嘛？结果发现是第二条Push文案的接收人群的活跃度明显高于第一条造成的。
3、剔除版本或节假日因素的干扰
新版本刚上线时的数据表现往往会很好，因为主动升级的用户一般是高活跃度的用户。
临近周末或大型节假日的时候，用户的消费需求会被触发，电商类应用的订单转化率也会直线上升。
因此，在数据对比的时候，实验组和对照组的数据在时间维度上要保持对应。
4、A/B实验需拆分A2组
即在实验组B1和对照组A1上再增加一组A2，A1和A2的规则保持一致，然后探究A1B1的数据波动与A1A2比较，剔除数据的自然/异常波动带来的影响。
以我自己实际的A/B实验证明，设立A2组是非常重要且必要的，不管数据量级有多大，相同实验规则的两组在数据也会有一定的小幅波动，而这小幅波动在精细化运营的今天，对我们的判断可能形成较大的干扰偏差。
4.合理客观的审视数据
1、不要忽略沉默用户
产品经理，在做用户访谈或问卷调研时，如果在听到部分用户反馈的时候，就做出决策花费大量的时间开发相应的功能，往往结果，可能这些功能只是极少部分用户的迫切需求，而大部分用户并不在乎。
甚至有可能与核心用户的诉求相违背，导致新版产品上线后数据猛跌。忽略沉默用户，没有全盘的考虑产品大部分目标用户的核心需求，不仅会造成人力物力的浪费，更有甚者，会错失商业机会。
2、全面理解数据结果
如果实验结果的预期与我们的经验认知有明显的偏差，请不要盲目下结论质疑自己的直觉，而是尝试对数据进行更透彻的分析。
例如我们曾经做过在点评首页，设置过给用户投放活动弹窗的实验，发现实验组的数据不管在首页的点击率，订单转化率乃至7日留存率方面都远超对照组，首页上的每一个模块的转化率都有明显的提升，远远超出了我们的预期，那这真的是活动弹窗刺激了用户的转化率嘛，
后来我们发现在首页能够展示出活动弹窗的用户，往往在使用环境时的网络状态比较好，在wifi环境下，而未展示弹窗的用户则可能是在公交/地铁/商场等移动场景下，网络通讯可能不佳，因此影响了A/B实验的结果。
3、不要过度依赖数据
过度依赖数据，一方面，会让我们做很多没有价值的数据分析；另一方面，也会限制产品经理本来应有的灵感和创意。
正像罗振宇在时间的朋友跨年演讲上提到的一样。用户要什么，你就给什么，甚至他们没说出来你就猜到了，这叫母爱算法，在内容分发领域没有人比今日头条做得更好，但母爱算法有很大的弊端，在推荐的时候会越推越窄。
另一面则是父爱算法，站的高，看得远。告诉用户，放下你手里的烂东西，我告诉你一个好东西，跟我来。正像乔帮主当年打造的iPhone系列产品一样，不看市场分析，不做用户调研，打造出超出用户预期的产品。
5.总结
美国最成功的视频网站Netflix通过基于用户习惯的分析，将大数据分析深入到电影的创作环节中，塑造了风靡一时的美剧《纸牌屋》。然而Netflix的工作人员告诉我们，不应该迷恋大数据
如果说电视剧评分9分是精品的话，大数据可以让我们脱离低分6分以下的风险，却也会带我们按部就班的走向平庸的绝大多数7-8分之间。
产品经理在直觉创造的心智能力，情感理解的社交能力，与大数据相结合，正确的理解数据，让数据真正嵌入到产品的设计中，切实解决用户的实际问题，方能真正做到所谓的“用户洞察”，让产品走到用户需求前面，超出用户的预期。
