查字典图书网
查字典图书网
只要你做的是一个大用户量的产品（互联网产品往往都有这个特点），那么我们总会惴惴不安：上述3种方法，就算做问卷的普查，回收到的有效问卷也可能不到用户总数的10%，或者说，在样本的选择上都有一定的被动性――需要样本同意参与，所以它们都只能接触特定的少部分用户，那么到底能不能代表目标用户群体？ 虽然绝大多数情况下的经验证明，只要在用户的选择上没犯什么低级错误，他们是“具有代表性的”，或者说接受这种假设是一种性价比很高的廉价解决方案。不过，我们还有数据分析，一种定量的研究方法，数据来说话，看看用户到底是怎么做的，不论是考察目标用户全体、还是采样，都完全可控，所谓“According to the data”是最难被驳倒的。 数据分析时，根据不同的目的，数据来源多种多样，常见的有用户使用产品的日志、客户管理系统里的信息、网页访问情况的统计信息等。数据分析的方法，最简单的可以用Excel，复杂一点的可以用一些统计软件、数据库软件，或者直接自己写程序解决。而最最关键的就是对结果的解读，通常数据分析只能发现一些现象和问题，并不能了解原因，所以分析完成后通常会伴随着一些用户访谈，听听用户怎么解释。 数据分析的常见问题与对策 我们要意识到，用户“怎么说”和“怎么做”不同，甚至经常有矛盾，有时候用户的行为比语言更能反映出他的真实需求。比如用户说在搜索买家的时候应该加一个“按交易额搜索”的条件，也许只是他某次特殊的需要使然，但如果我们听他的做了这个功能，之后通过用户行为的数据分析发现，只有1/10000的人用过，那就表明我们被用户的说法骗了，但数据永远不会骗我们。不过，在数据分析时也会有一些特定的问题，下面让我们逐一分析。 第一，过于学术，沉迷于“科学研究”。 我在读研的时候，做的就是统计分析、数据挖掘相关的课题，所以工作中开始遇到数据分析的时候，我挺兴奋的，感觉可以好好地研究一番了。但渐渐我体会到，实际的生产和科研是有很大不同的。科学研究通常只注重“性价比”的性，只要结果好，往往不在乎投入，因为相对而言科研的结果不是为了马上应用，而是为了证明实力。 但实际生产环境就更注重综合的性价比了，所以我们日常的数据分析方法也就显得不那么严谨了，我特指小步快跑的创业团队，他们可能不需要在每次分析前都去验证样本群体是否符合某种统计分布，也可能不需要用“人工神经网络”等“高科技手段”去预测产品将来的用户数，甚至给出“A>B”的结论时也用不着做“显著性检验”，一切的一切需要的只是一种感觉，一种对数据的敏感，对商业的敏感。 第二，虽然数据不会主动骗人，但我们经常无意或有意地误读数据。 无意地误读数据，举个例子，对一个人群，人们的身高用平均数来衡量是有意义的，因为我们知道身高属于典型的正态分布，中间多两边少，所以一个平均值就能了解群体的大致情况，而对人们的收入，就不能用平均值来衡量了，一个超级富豪和1000个零收入的人一平均，很可能得出人均收入100万的荒谬结论。这个问题的对策，是学习统计学的知识22，努力提高自己的水平。 主动地误读数据，是比较有趣的现象。在提取数据之前，我们心中通常已经有一些结论了，无非是想验证它，而抱着这点思想，就总能找到数据来证明自己已有的想法，并且技术越娴熟的人越容易做到这点。对于这点，我想一个简单的对策就是对数据保持中立的态度，尽量不要“为了迎合一个观点而去找数据”，减少利益牵扯，比如为了证明老板的判断，或者为了保持自己之前拍脑袋的英明形象等，你明白我的意思。 第三，平时不烧香，临时抱佛脚。 这是一个很实际的问题，我们经常在做决策的时候才想起来数据分析，但忽然发现手头没有数据可分析。一次又一次地发生同样的情况……为了避免，我们应该在产品设计的时候就把数据分析的需求加进去，比如记录每个按钮的点击次数、统计每个用户的登录频率等，这也算一种典型的非功能需求，这样做对产品的可持续发展非常必要。 日志分析的商业价值 下面举个小例子，看看数据分析是如何转化为商业价值的。整体的思路是：在对产品足够熟悉的基础上，先做出方向性的假设，再提取相应的数据并分析，得到一些现象，最好是之前没发现的现象，然后尝试解释，接下来做用户调研修正解释，最终指导产品发展方向。 2008年底的时候，我们希望产品的用户能更活跃，活跃的衡量指标是更多的登录次数，方向确定之后，我们假设有方法可以促使某类用户更多地登录，于是对产品的用户登录日志做了一些分析，希望找到方法和对应的用户。结果，发现了一条很有趣的曲线。 这条曲线的横轴是把所有付费用户的第一次登录日期对齐，表示用户从这一天开始使用产品，查看他们在此之后半年，也就是180天的活跃情况；纵轴是这几千家公司的总体活跃情况，可以简单的理解成纵轴数值越高，用户登录次数越多。可以看到，活跃公司比例的变化明显分为4期，特别是1～4个月之间出现了先下降再上升的现象，于是我们先尝试着解释： 该产品是通过经销商销售的，在卖出去之后，经销商在前期也会登录产品帮助用户做一些初始化产品的工作，所以产品的登录行为有经销商登录和用户登录两部分，虽然通过已有的数据无法区分这两种行为，但它们确实各有特点。 第一阶段：第1个月，活跃度考察的是1个月内用户的登录次数，所以30天内活跃度不断上升达到峰值，约60%。这段时间内，经销商登录次数较多，帮助用户初始化，用户的登录次数缓慢增加。 第二阶段：1至3个月，活跃公司比例缓慢下降到约40%，其间包含两部分，经销商行为和用户行为： 经销商登录次数逐渐减少，只有一个趋势：衰减，这个衰减绝对比图中的更陡峭； 用户登录行为有两种趋势：衰减与增加，而增加是大于衰减的，从第三阶段可以看出； 第三阶段：3至4个月，活跃公司比例逐渐上升到60%，这是因为到3个月之后，几乎再没有经销商登录行为了，完全是用户登录，并且经过3、4两个月的使用，用户已经通过产品体会到实际的商业价值，所以登录产品并使用的行为越来越多； 第四阶段：4个月以后，稳定在60%弱一点，进入动态平衡期，用户使用产品的情况不再有大变化。 上面这些解释，完全是我们根据对用户的认识，主观做出的判断，为了验证上述观点，接下来我们做了用户访谈，采取了两种形式――先电话调研、然后有选择的登门拜访，试图区分出经销商登录和用户登录的不同，果然让我们发现，两种人群的主要登录入口不同，经销商通常从A入口登录，因为他们要做的初始化操作从这里进去方便，而用户通常从B入口登录，因为日常操作更多在这里。 由此启发，我们深挖了一段时间从不同入口登录的日志，确实验证了用户的说法，于是，分离出经销商和用户两种登录行为造成的曲线，我给出了简单的手绘。 好，接下来问题就来了，这么“劳民伤财”的分析，是玩儿的么？商业价值呢？有两点。 一方面，我们会考核每个经销商下面的用户活跃度，目的当然是为了让他们更多地服务用户，指导用户使用以促进活跃，但有的经销商会耍小聪明，通过自己登录来忽悠我们。原来我们很苦恼，现在可以通过登录行为的分析，对这种情况做一个初步的判断，事实上我们后来就对不同入口的登录行为、同一台电脑登录多个用户账号的行为做了跟踪，如果某些用户登录次数的增加是以A入口为主，或者是某时间段同一台电脑登录多个用户账号，再关联这些用户的经销商进行分析，就能够找出作弊的经销商，以示惩戒，至少，也可以增加经销商作弊的成本。 另一方面，这次分析告诉我们，对我们有实际意义的是B入口用户的登录，所以产品的优化重点应该放在B入口，另一个数据也证明了上面的推论：有某种登录行为的群体，在出现该行为后几个月的活跃度情况如表2-1。基本上只要出现过“B入口登录”，之后用户的活跃度就会很高，是真正的用户登录。事实上，这次数据分析指导了产品改进，后来，我们对B入口登录做了很多引导，比如降低门槛，运营推广，在宣传手册、光盘上重点说明，等等，起到了很好的效果，用户活跃度真真切切地上去了。 出现某种登录行为的群体 1月后 2月后 3月后 A入口一周内登录>=2天 68.70% 56.80% 58.10% A入口两周内登录>=8天 92.00% 81.80% 78.10% B入口一周内登录>=2天 95.40% 91.20% 87.10% B入口两周内登录>=8天 99.60% 96.40% 94.40% 说点题外话，上述的访谈过程，我们抽取了近100个样本，电话有效沟通了30多例，上门拜访了10例，行业涉及机械、纺织、五金、建筑、服饰等，比较全面，考虑到上门成本问题，所以只在杭州、常熟两地进行。从决定调研开始，连前期的准备、后期的总结，估计总共花了15人天，也就是两个人一周半的时间。整理报销费用的时候，我简单算了一下，给上门的用户礼品平均每家50元，差旅费用，在选了本地和附近用户的基础上，均摊到每家，大约150元，人力成本1人天粗略记为500元，平均分摊给最终上门的10家用户，每家大约要1000元人民币，不算不知道，确实挺贵的……这还只是很简单的调研，所以用户研究的成本真的很高，很多小公司都能省则省，我们很无奈，老板也很无奈，以后在抱怨老板没用户研究意识的时候，也需要体谅一下他们的难处。