怎样用数据分析中的比率来发现解决问题？

　　笔者从工作实践中出发，探讨了数据是如何指导产品工作的，以及怎样用数据分析中的比率来发现和解决问题。
　　需求挖掘之数据指导
　　凡是需求，必有数据统计项；凡是改进，必有数据对比。
　　用数据来保证稳定产出，用数据来做迭代的依据。
　　大佬们都说，数据不是万能的，没有数据是万万不能的。那数据具体有什么作用呢，我们就一起探讨一下数据是如何指导产品工作的。
　　1。通过数据指导产品工作
　　问题分析：通过数据认识还原用户使用产品的路径，发现解决问题；
　　用户分析：用数据给用户分层，精准解决特定用户的问题（精细化运营策略）用户到达一定数量级之后，用同一的策略是不适用的，用户分层之后可以做流量区分、运营区分等等；
　　需求优先级：数据能确定影响面使用频率，帮助确定优先级；
　　评估上线效果：上线数据对比、周期数据跟踪、需求发起之前的数据证明。
　　本篇就与大家分享一下我所理解的问题分析中的一项：通过【率】的异常发现并解决问题。
　　2。通过数据发现、解决问题
　　率：比率（ratio）是样本（或总体）中各不同类别数据之间的比值。既然是比值，那必然有分子和分母的存在，我们最常用的几个比率无外乎注册转化率、订单转化率、页面使用率，页面跳出率等。
　　比率一般被认为是能够在短时间内显现问题的利刃，当新版本上线后，查看和对比比率往往可以较迅速的发现问题。一般来说，无论有利还是不利的数据，通常会在更新版本的4周内显现，有短期明显的属性。
　　之所以比率可以指导我们工作，是因为产品的产出有着较明确的目标，比如促成用户下单。而用户下单的流程和节点我们可以拆开来，利用比率来分析用户在去往下单的路上出了什么问题，进而将问题解决。按照这个模板，我们可以得到比率的使用流程：
　　基于数据优化转化率
　　1。梳理用户体验地图
　　用户体验地图，即上文中用户从进入落地页之后需要走的路，路上的每个红绿灯都可能是用户流失的节点，所以我们需要梳理这些节点，这些节点一般称之为接触点。
　　产品与用户的接触点，使用户一步一步的到达我们想要让用户到达的目标点（下单）。这种用户数量递减的体验地图被大佬们很形象的总结为漏斗，漏斗最上方是我们能够触达的所有用户，最下方的尖端，则是完成了我们既定目标的用户群。
　　举个栗子：
　　背景：刚入职公司，想趁机看看公司的数据，熟悉下公司系统和业务情况，通过询问同事，发现公司最近在测试某着陆页的广告投放效果，广告已投放了两周，需要进行效果分析，于是着手收集相关数据进行分析。
　　起点是着陆页，终点是支付成功。知道体验地图和目标之后进入第二步：
　　2。梳理能够影响转化率的关键点和事件
　　影响转化的关键点和事件往往比较明确，比如push成功下发数、活动页访问数，验证码发送成功率等，这里我们用最简单的页面跳转举例：
　　分析出关键点：着陆页注册页订单页支付成功
　　分析完毕之后，我们将拿到的数据进行分析，即进入第三步：
　　3。建立漏斗与衡量指标
　　选取出真正拿来分析的节点，每个节点要亲密链接且有转化事件。
　　这里我们记录分析每个页面的UV，得出下面的漏斗：
　　得出漏斗之后便来到最关键的一步，发现问题：
　　4。发现问题
　　问题的产生必然伴随异常的数据，一般来说我们可以通过下面的几个维度进行问题发掘：
　　1）剧烈变化
　　剧烈变化有两个方向，分别是断崖式下跌或爬坡上涨。我们可以看到上图漏斗中，着陆页到注册页的转化可以称之为断崖式下跌。那么说明这里极大可能存在问题。有点关注点之后，我们再进入下一层更细的分析：
　　2）渠道下钻
　　通常我们的广告或push不会只在一个渠道上投放，所以当出了问题的时候，我们要看是哪个渠道出了问题。渠道的划分视具体情况而定，设备、来源、sem流量的渠道，都可能是划分渠道的维度。
　　同时，我们要知道，留存等指标、用户质量跟渠道是息息相关的，通常每个渠道的用户都有一定程度上的整体差距，比如iOS用户的付费能力要高于安卓用户。
　　这里我们把每个渠道的数据分离出来，分别做漏斗模型。即可发现问题所在：
　　可以看到，每个渠道的问题不一，比如百度PC在着陆页注册页的下跌异常剧烈等，这里不再赘述。
　　3）用户分群
　　用户分群说人话就是打标签，标签越细，就越能掌控用户。这里不只是用户的社会属性，还要到达行为属性的维度。比如一些常见的行为标签，如男女老少，是否付费，rfm，平台定制的其他用户标签，如买过几次的等等。
　　不同分群的用户，可以帮助我们发现问题。
　　一般认为，我们的广告、push操作，越能精确触达用户，效果就会越好。假如你给24岁的北京单身男程序员推送母婴用品，不用说大家都会知道用户的反应是什么样子的。用户分群的操作比较灵活，我们可以在下一篇中一起探讨，这里不再展开，但可以举几个常见的例子：
　　比如：付费超过300元的用户（高付费用户），打开率优于其他用户；买过B产品的用户，打开率明显低，买完了就长期用不再回归。
　　由用户分群得出的问题，一般都是推送不精确，那我们就可以进行push优化。目前各大厂都可以智能的对不同用户发送不同文案的推送，我们在做推送的过程中，可以使用猜测》实行》验证》猜测的常规试验方式进行一步一步的优化。
　　4）时间对比
　　对于push和广告行为而言，不同时间对不同人的作用是不一样的
　　通常我们会按照小时、星期的维度划分，根据平稳波动周期、某段时间与其他时间不一致等现象来判断哪些用户的最佳push时机，
　　比如：每天的不同时间段推送的响应程度不一样（分时活跃数，不同的产品不同的群体是完全不同的表现）本周本月等维度也要分析分群对比，做AB测试，效果好的就保留这群人的推送时间等。
　　5。假设求证
　　假设求证是所有发现问题解决问题中都会用到的定位问题的方法，不论是工作生活甚至是学术科研。
　　这里都我们发现断崖下跌的时候，可以假设出现的问题，比如某渠道填单页到付款成功转化率低于平均水平，那我们就要怀疑付款按钮是不是除了问题，付款渠道是不是除了问题。然后带着问题去测试求证。
　　6。给出解决方案
　　通常能够发现问题的产品经理都是不可多得的，产品优化的难点不在于解决问题，而在于发现问题，优秀的产品都是高级啄木鸟，总是善于发现问题。发现了问题所在，总会有办法解决。
　　重复，重点在于发现问题。
　　7。选取一个方案开发上线进行验证
　　与发现问题的征求一样，解决问题不是最终环节，最终环节在于验证通过。上线之后需要对这个问题进行持续的追踪，求证之后才算是解决问题。
　　求证问题的方法跟发现问题的方法大同小异，只是查看的数据、渠道等更聚焦。
　　数据指导工作问题分析比率的使用这一小节基本到此结束了，浅薄只见，欢迎批评指正。