
数据如何指导产品设计
两年之前,那时我刚开始做产品,当需要做数据分析时,我总是一头雾水,完全不知道该如何下手。我想做好,我真的非常想做好,可我却真的不知道该怎么做。经过这两年大大小小项目的不断锤炼,摸索、尝试、碰壁、复盘、再尝试,终于能够根据数据分析的结果,做出成功的产品设计,最终呈现出良好的结果。现在呢,每天到公司第一件事就是看数据,对昨天各平台的流量、各页面的转化、各品类各入口各目的地的销量,心中有数。从数据中发现问题,进行进一步的分析,及时调整优化。
我在网上曾不断的找有关“数据如何指导产品设计”的文章,一直没有找到有含金量的东西,所以,我决定自己写一篇,把自己认为有价值且能迅速用于实战的东西分享出来:
以“手机淘宝”App为例,打开淘宝App,选择阿里旅行:
由于我是一直做旅游产品的缘故,所以还是拿旅游App做为案例。通过对这个App的观察,可以把影响数据的因素概括如下:
好了,先说明一下:
1、数据分析的过程:
2、先把因素罗列出来是为了方便大家理解。在实际工作中,遇到一个数据呈现出来的问题,你自然而然就能联想到由哪些因素造成的,然后去查询分析相应的数据,找出具体原因。
3、电商类产品普遍以GMV为目标(不要说为什么不是用户体验,电商类和其他类产品在这点真的很不一样)。
4、大中型公司普遍都有自己的数据平台及相应的数据团队。每天早上看数据也是产品经理的日常工作。小型公司的话,建议自学SQL,自己在数据库中查询数据。其实我在去哪儿网也自学了SQL,因为这样更方便。先在我们的数据平台上看数据,发现异常,就自己在SQL里查询更详细的数据。不用去麻烦数据团队,因为大家手里的活都挺多的,自己查的话效率还更高。
5、 日常需要分析的数据纬度有:页面转化;商户/商品;用户纬度;市场环境;渠道推广;客诉纬度;财务纬度
6、数据分析的利器是Execl,重点要学会用“数据透视图”,这会对你的工作帮助极大。(以后我会专门写一个关于数据透视图的文章)
7、推荐看《谁说菜鸟不会数据分析》,这算是数据分析的入门书了。
案例一:产品第一版本上线后,发现首页向下转化率极低,才25%。需要紧急提高首页的转化率。
思考过程:先查询首页每一个入口的向下转化率。发现数据集中在首页的“搜索”模块,而其他模块,比如“热销低价商品推荐”,点击率都极低。基于对我们产品业务的了解来进行分析,我们产品属于旅游环节中的中下流。用户到我们的界面上来时,基本已选好目的地了。那么他们主要就使用搜索来查询他们想要的目的地,然后再筛选他们感兴趣的旅游商品。而“热销低价产品推荐”由于只命中了单一目的地,且商品不一定是用户感兴趣的,它击中用户需求的几率较低,所以点击率极低。
解决方案:1)、在首页增加了更多热门目的地的入口,并且设计了一个成本极低“运营管理后台”,对目的地进行人工运营配置。2)、把商品分类提到首页,方便用户选择目的地时同时选择商品类型,进行更精准的搜索,同时让用户在首页了解到我们有哪些类型的商品。3)、删除了“热销低价商品推荐”模块,增加了“主题游”作为尝试
后评估:最终首页向下转化率提高至68%。措施1提高了约25%的转化率(每两周查询一遍所有目的地的点击数据,把点击率低的目的地更换为近期较热门的目的,反复替换,最终达到较高的点击率为止。);措施2提高了约10%的转化率;措施3提高了约8%的转化率
案例二:发现某一个渠道带来的流量的转化率极高,从进来的流量到下单付款,转化率能有约10%,而我们一般的转化率才2%~3%。
思考过程:分析这个渠道的流量质量,发现与其他渠道差别不大,都是对旅游有需求的普通用户,且各自的商品类型都差别不大。然后横向对比所有渠道的流量、转化率、设计、所在位置、用户在此处的需求,发现主要原因是这个渠道入口的“设计”与别的渠道不同,这一种设计形式带来的转化率要明显高于其他的设计形式。
解决方案:根据实际情况,把这种设计移植到其他渠道
后评估:此平台(web端)的订单提高了约15%
案例三:在参与一个独立App时,发现一个功能的入口点击率很高(90%),但使用率不高(60%)
思考过程:查询与之相关的数据,从入口进来的用户流量都分布在什么位置,然后发现用户进来后都集中在新手引导上,反复的左右翻看新手引导(滑动操作的数据是UV的4倍),且停留时长能有20多秒,发现用户的注意力都集中到了新手引导上面。
解决方案:在新手引导的最后一页,增加一个“使用功能”的按钮
后评估:此功能的使用率从60%提高到了80%
案例四:公司攻略部门愿意与我们导流量的合作
思考过程:攻略每天有10万多UV,若能给我们的商品导流量,一定会促进我们商品的销售。我们平台(Web端)每天才6000的UV,若能有10万级的流量入口,对我们商品销售的帮助一定是极大的。然后考虑到数据越是在下游,就越精准,转化率也就越高。
解决方案:在搜索结果页、攻略详情页,增加相应目的地的我们商品的入口。推荐每个目的地销量最好的商品。保证用户在攻略的界面看到的会是他们需要的商品。
后评估:上线一周后评估,一周仅成一个订单,远远没有达到预期的一天至少5个订单。后来经过与攻略产品经理的沟通,分析,发现主要原因是攻略的用户主要是出行前15天至两个月的用户,属于旅行前期的规划阶段,看攻略是为了选择去哪里玩,而去哪儿玩都没有确定,怎么会在此时就购买旅游商品呢?而我们的用户普遍集中在出行前的三天至七天,是用户确定了目的地、机票酒店都已经订好了。才会在我们这里提前3~7天预订出境WiFi、包车、导游翻译...
最后,数据分析是需要不断的实践总结,成功都是靠失败的经验教训堆积而成的。在这个过程中,除了学习产品设计、数据分析的方法以外,更重要的是:了解业务,沉浸到业务当中去,成为自己业务的骨灰用户,知晓业务的方方面面,产品经理一定要做到比团队中的任何人都更了解业务!这样才能够做出成功的产品设计。
我的初衷是希望你看了之后能够有所收获,能够对你的工作和专业水平的提高,有那怕一点点的帮助。不然我就白写了 。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10