作者：alishayang，騰訊 TEG 數據分析師

我們期望每一次的產品功能上新、功能改版，都可以帶來更好的交互體驗，項目組所關注的指標都能有大幅度提升。但期望并不代表真實效果，功能上線后帶來的真實效果還需要通過數據進行客觀描述。在這篇文章中，我們將對產品數據分析日常工作進行剖析，從數據采集到產品分析框架的梳理，進而介紹如何通過數據對產品及運營進行反哺。

產品經理作為產品功能的發起者，在眾多需求中挑選出來可做需求時，心中就會有初步的構想，新功能能夠幫助產品覆蓋哪些增量用戶，新功能又能帶來哪些指標的提升，提升幅度大約是多少？然而當產品功能上線后，用戶使用產生用戶行為數據，產品和運營同學經常會提出類似這樣的問題：這次的功能迭代優化，是否達到了預期的效果，具體的提升效果是什么樣子？這時候就引入了功能上線后的一個很重要的步驟——“評估”。

其實“評估”，就是將業務問題轉化為數據問題的過程。通過效果評估，我們可以確定上線功能與預期效果之間的真實差異。如果效果好于預期，則評估的結果可以作為運營同學功能推廣的支撐點；當效果明顯未達預期時，則需要基于用戶行為進一步分析未達預期的原因，為功能的優化或改版提供建議。因此“評估”是新功能上線后必做的一步。

要進行功能效果評估，完整的數據和對行業及產品充分的理解是必不可少的兩個部分。接下來就分別介紹一下我們在數據采集、具體產品功能評估方面所做的工作。

數據采集：準確的業務數據和用戶行為數據，缺一不可

• 卷入測試同學校驗埋點數據的準確性及完整性，避免需求上線后返工

用戶行為數據對深入理解用戶使用習慣起到至關重要的作用。目前用戶行為數據上報多采用埋點形式，上報內容越多，對性能的影響越大。因此這就導致數據同學在和開發同學評審需求的時候常出現的一段對話：

數據同學： 我要上報這個數據，對分析很重要！

開發同學： 這個上報會影響頁面性能，不能做！

其實大家的目標都是為了產品更好。所以數據同學在提埋點需求的時候，可以多思考需求是否是必須的，是否有其他的數據可以近似替代？在與開發同學對齊需求時，也可以多交流下，是否有對性能影響小一點的實現方式？

此外，經常會遇到埋點上線后才發現數據上報有問題的情況。這里選了3個經常遇到的挺具有代表性的示例：

例子1-數據不全： 我們的產品是服務于廣告主的落地頁產品，廣告的投放就會涉及多個流量渠道，而不同的渠道對于數據上報時間節點的限制不同的，像這類情況就可能導致某些渠道數據上報不全；

例子2-數據不準確： 我們的落地頁整體形式，頭部是商品首圖，接下來是商品詳情頁，最后是購買所需填寫的表單內容。在這種頁面結構下，我們希望能夠獲取用戶最后跳出頁面的位置。但當我們統計上報的數據后，發現90%的用戶在完成表單填寫后上報的頁面瀏覽位置小于整體頁面長度的10%。這明顯與常規理解不符；

例子3-數據上報鏈路存在異常： 后臺同學說埋點需求已經發布上線了，可以用了。但數據同學打開數據庫，發現里面空空如也。然后開始拉著開發同學排查數據沒到庫的原因，是數據壓根沒采集？還是采集了沒上報到服務器？服務器收到了沒有推送到數據庫？全部驗證一遍之后，可能發現只是其中某一個環節的問題導致，但整個排查耗費了大量的人力。

踩的坑多了，我們就在想，是否埋點需求也可以像功能需求一樣，在上線之前讓測試同學幫忙把關呢？答案是可行的，而且還很高效！！！因此我們梳理細化了埋點數據上報測試全流程規范，將埋點數據問題暴露在上線發布之前。這里也對我們這個規范做一個簡單的介紹：

• 全流程覆蓋： 從數據上報 -> 服務器接收數據 -> 數據入庫，測試同學需要校驗每個流程中數據流的準確及完整性；

• 多維度測試用例： 考慮到落地頁流量渠道的復雜性，規范要求測試同學根據渠道等特性編寫多渠道測試用例，關注不同渠道數據上報情況；

• 多用戶測試用例： 為了避免只使用一個用戶進行模擬點擊的行為，規范要求測試同學要批量的模擬不同用戶的點擊行為并關注每一個模擬用戶的數據上報；

有了這個規范，測試同學的火眼金睛就可以幫助我們在上線前發現很多隱藏的數據問題，這也間接節省了數據同學校驗數據、開發同學返工的大量時間。

• 數據同學應該參與到業務數據沉淀的需求討論

通常理解下，業務數據更多的是前端和后臺開發同學，為了保證功能完整運行所需要存儲的數據。若數據同學沒有在需求階段和開發同學對齊，可能就導致數據關注的部分字段被開發同學忽略的情況的發生。當啟動評估的時候，發現數據維度不夠，再推動研發落地對應字段后啟動評估，整個評估的時間周期明顯被拉長了。

關于業務數據沉淀，舉個親身經歷的小例子：新功能調用了算法提供的異常帳號鑒別的接口，當時開發同學只對帳號標識了label（0：正常1：異常）。而當數據同學評估整個接口效果的時候，發現需要統計算法接口打分分布情況。這個時候發現，開發同學存儲的數據缺失了打分字段。這就是因為前期數據同學沒有和開發充分溝通的結果。這也是數據分析同學需要參與到業務數據沉淀需求討論中的原因。

產品分析：搭建合適的產品分析框架，實現分析指標的可視化監控

產品功能的每次迭代優化，都期望能夠對核心指標產生積極影響。這就要求數據和業務形成有機結合，相互促進的良好局面。好的數據量化不僅是業務增長的前提，也是抓手。隨著增長理論的深入，很多產品都設立了自己的北極星指標，作為衡量產品一個戰略周期的關鍵成果指標。但由于關鍵指標過于宏觀，可能對于業務策略制定和執行的指導性不強。

因此，我們需要拆解出可以影響關鍵指標的因素，并將這些因素對應到具體的、可落地、可度量的行為上，從而保證執行計劃沒有脫離大方向。

這里介紹一下我們最常使用產品分析框架——OSM模型（Objective、Strategy、Measurement）三個詞的縮寫，其中：

• Objective（業務目標）： 明確業務要提升的目標是什么

• Strategy（實現策略）： 為了提升目標所需要采取的策略是什么

• Measurement（評估指標）： 盡可能使用數據語言描述策略是否達到了提升目標

利用OSM模型梳理自己產品的數據框架，不同產品的數據體系差異也主要體現在這里。比如游戲行業，可能更多的關注用戶留存率；而針對電商平臺，可能更多的關注轉化率。

游戲行業核心關注指標

還是拿我們自己的產品作為例子，楓頁作為騰訊電商類廣告的落地頁服務，為廣告主提供便捷的落地頁創建服務的同時，又承載C端用戶下單轉化流程。我們關注廣告主在楓頁上的廣告消耗，拋開廣告前置鏈路的影響，在落地頁層面真正影響廣告主消耗的是C端用戶在落地頁的轉化率，轉化率越高，廣告主也就更愿意在平臺上投放更多的廣告。因此，我們最終將 轉化率提升 作為我們的核心指標，并將這一目標利用OSM模型進行拆解。

通過OSM模型的拆解，我們就確定了一個可以數字化執行計劃，每一個評估指標的波動，都可以評估其對核心指標的影響，繼而，我們也可以知道每次的功能迭代優化具體產生的效果。

數據反哺：數據來源于產品，應用于產品

效果評估之后還有一個重要的一個環節，那就是推動分析結果的落地，沒有落地的分析結果都是無用的分析。

上面也提到，如果評估出來功能效果滿足預期，我們可以推動運營同學對功能包裝并對外推廣。但是，如果當我們發現新上線的功能效果遠低于預期，這個時候難道僅僅是把這個效果同步出去就完事了嗎？關于這里提到的這兩種不同的情況，還是拿我們近期新上線的功能來做例子。

• 功能未達預期的功能時，數據分析是產品同學的后盾，數據將反哺產品優化迭代

朋友圈原生頁廣告，用戶需要通過二跳才能到達楓頁落地頁（微信廣告的限制）。但中間一跳頁面會留給用戶更多的思考時間，導致到達落地頁的用戶遠低于其他流量渠道。因此，產品同學希望能夠通過技術手段，將廣告外層素材與落地頁直接進行拼接，從而使得用戶點擊外層廣告素材后可以直達落地頁，進而提升轉化率。如圖：

但當功能上線后，我們發現使用拼接的廣告，其轉化率遠低于大盤。至于為什么和預想的效果差異這么大，就是數據分析要做的事情了。

那針對以上的可能原因，我們逐步進行定位分析，最終發現，雖然原生頁拼接可以提升用戶的到達率，但是對于拼接后用戶在移動端首屏所看到的信息極為有限，難以感知是與購物相關的信息（如上圖）。為了進一步驗證猜測，我們統計了用戶在原生頁拼接和非拼接頁面中平均瀏覽時長及跳出位置的差異。最終發現，相較于非拼接頁面，原生頁拼接頁面用戶平均頁面停留時間及跳出位置都比非拼接頁面要差。

我們定位了效果不好的原因，如果這時我們對如何優化有好的想法了，我們就可以直接找產品同學聊策略。但如果對優化策略還沒有好的方案，就可以找產品同學好好溝通一下分析結果以及他們對于優化的思考。畢竟，產品同學才是最熟悉怎么調整產品功能的人兒。等到大家敲定了優化方案，接下來就是方案的落地，以及下一輪效果評估啦~

• 當功能效果達預期時，數據分析是運營同學的后盾，保證運營推廣不走偏

落地頁承載用戶下單轉化，在“在線支付”功能上線之前，僅支持“貨到付款”一種支付方式。為更好滿足C端用戶支付習慣，我們上線了“在線支付”功能。

在功能全量發布后較長的一段時間，我們看到從簽收訂單/生成訂單的維度，在線支付訂單整體轉化率已經優于貨到付款轉化率，但整個功能的滲透率并沒有隨著時間的推移增加。新功能急需運營同學的推廣，然而擺在運營同學面前的問題，除了選擇何種宣推方式外，那應該重點推廣哪些商家、品類、人群呢？

為了更好的配合運營同學的推廣，我們分別從人、貨、場三個維度，給出C端和B端用戶使用情況的數據描述。有了這些分析，運營同學在推廣人群和貨品的選擇上就更有底氣了。

這里需要注意的一點是，每一次運營活動結束，運營同學都會進行效果復盤。這個時候數據分析的同學也應該關注一下，運營推廣的內容具體效果提升是什么樣子的？活動期間的數據是否和活動前給出的數據存在明顯差異？產生差異的原因等等。

寫在最后

回顧近半年產品數據分析的工作，其中有迷茫，也有成長。正如之前一個資深數據分析師所說的，數據分析師的高光時刻，就是自己提出的策略被采納并且產生了良好效果的時候。感謝這個過程中，一直為我提供幫助的同學，與優秀的人一起，如沐春風。

歡迎關注我們的視頻號：騰訊程序員

最新視頻：騰訊“蒙面人”

騰訊技術官方交流微信群已經開放

進群添加微信：journeylife1900

（備注：騰訊技術）

總結

以上是生活随笔為你收集整理的产品经理日常数据分析工作的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。