为什么你的目标和执行都没有问题，产品却越做越差？

　　如果产品经理仅仅凭自己的直觉经验和理解来设计产品，自以为懂得用户所想，反而会离用户的真实需求越来越远。
　　对于很多产品经理来说，用户体验是一个重要的考量标准，因此产品经理往往把自己放在用户的角度来思考问题。但是这里其实有一个悖论因为产品经理永远无法真正成为用户，假装对自己亲手创造的产品一无所知，是根本不可能的。因此如果产品经理仅仅凭自己的直觉经验和理解来设计产品，自以为懂得用户所想，反而会离用户的真实需求越来越远。
　　所以，在产品经理的工作中不能仅仅依靠产品Sense来作为决策的依据，于是，反映用户行为的指标和数据就成为了重要的决策依据。作为用户体验的原生反馈，指标越来越受到互联网公司的重视，那么指标是如何帮助我们进行决策？有哪些重要指标还没有被重视起来？产品经理用指标做分析的基本思路又是什么呢？
　　一、业务需求执行得很好，产品却越做越差
　　我之前在一家toB的公司做产品，根据业务需求设计了用户群组，为了更完整的用户体验，还做了很多后续的高级功能：用户在创建群组后，可以建立组内项目，进行组内分享以及协同开发等高级功能。新建组织的数量和总体用户数都还不错，但是接下里用户却并没有按照我们预计地活跃起来，甚至还在流失。可是当时没有认识到这个问题的严重性，还在继续搭建后续的高级功能。我们既没有用多种指标衡量产品结构是否合理的意识，也没有实时关注产品数据的习惯，因此完全找不到原因。
　　很长一段时间之后，我们才发现用户创建群组后，没有得到有效的引导，导致无法邀请其他成员进来，因此很多用户就走到新建群组为止了，后面的高级功能根本没有用到，相当于用户的使用流程在早期就完全断裂了。如果我们把每一步的流程和转化效率直观化，即时看到各个步骤的转化率和使用度，就可以及时调整产品战略，减少用户的流失。后面我们会讲具体的思路和方法。
　　二、这些指标与产品健康度息息相关
　　既然数据对产品的设计和优化很重要，那么我们需要关注哪些数据和指标呢？
　　1。简单指标
　　对于产品经理来说，最简单的指标就是页面浏览量、登录用户数和访问用户数这样的的数据了：
　　每天关注这些指标的变化和趋势，可以快速了解产品的整体情况，但是只有这些是远远不够的，产品经理需要更多的关心反应产品健康度的指标。
　　2。复合指标
　　基础指标用户数量基础指标访问数量
　　将基础指标平均在每个用户身上，或者每个访问（Session）上，就可以获得产品的平均访问深度、平均访问时长、平均每周购买数量等复合指标：
　　相比于简单的基础指标，分摊在每个用户身上的指标通常能够更好地帮助产品经理了解用户的真实使用情况。拿PV相关的数据举例，即使PV升高，但平均访问深度（每个Session的PV数量）下降了，就不是一个很好的征兆，这代表用户的使用情况可能出现了问题，每个访问进行的操作和打开的页面数正在变少，甚至有可能直接导致流失。
　　因此，产品经理应该更多地关注这类指标，并且尝试去提高平均访问时长，平均访问深度，平均每周购买数量等指标等，这样可以有效地消除基础指标带来的虚荣效应，保持对产品现状以及产品目标的清晰认识。
　　转化率指标
　　在衡量产品的使用流程时，转化率指标是至关重要的。转化率指标能帮助你真正了解产品流程的健康度。拿注册流做一个简单的例子，注册成功的用户数量正在不断增加，但这并不能代表注册流程正在变得更好（有可能是拉新来的流量基数变大了），只有注册转化率（注册成功人数所占百分比）有所提高，才能说明注册流的优化是行之有效的。
　　3。留存指标
　　在这些指标中，留存指标越来越受到产品经理的重视。从前大家更偏向于下载量，注册数这样代表拉新效果的指标，但是一个人在什么时候才真正成为你产品的用户呢？其实是在他留存下来的时候。
　　因此在AARRR模型中，留存是最重要的一环，获取（Acquisition）和激活（Activation）的用户愿意持续地使用产品，就实现了用户留存，留存下来的用户才能实现后续的变现（Revenue），甚至自发进行传播和推荐（Referral）。如果留存率不够理想，所有在用户获取方面的努力都都将白费，进而也不可能激发用户的付费和推荐意愿了。
　　三产品经理怎样用数据分析的思路优化产品？
　　对于没有数据分析意识的产品经理来说，在完成产品规划，功能开发，以及测试上线之后，就认为自己在这一阶段的工作结束了，这样是无法做出优秀产品的。在产品发布上线之时，数据分析的工作才刚刚开始，只有对上线的功能进行不断的调整和优化，才能打磨出真正体验优秀的产品。
　　那么对于产品经理来说，怎样用数据分析的思路驱动产品优化呢？
　　1。建立业务目标和产品期望
　　认真思考用户故事，明确产品成功的目标是怎么样的，比如什么样的使用量，使用频度，达到怎样的留存率才算是成功；
　　2。将产品抽象化、逻辑化和结构化
　　只有对产品的结构和逻辑足够了解，才知道哪些是需要关注的数据和指标，以及怎样通过对这些指标的监控实现最终的目标。因此这时我们需要将产品功能抽象化、逻辑化和结构化，拆分成具体的逻辑层次。包括用户的预期操作可以分为几个部分，业务逻辑分为几个部分等等在理清产品逻辑之后，才可以按照每一个部分去进行分析和优化，比如在电商应用中，就可以将用户的购买行为抽象为如下的逻辑结构A。打开商品详情页B。进入购物车页面C。确认订单页面D。进入支付页面E。付款成功；
　　3。进行数据的准备和收集
　　产品经理需要确定出具体的分析计划，并且整理出数据需求。在一段时间的数据采集之后，形成相应的数据样本（时间上很短，或者用户很少的数据是没有意义的）。
　　但很多产品经理常常就败在这一步，因为传统的数据收集工作必须要提前埋点，而埋点最常发生的事情就是漏埋和错埋，产品上线了才发现“没埋点，没有数”。
　　4。多种手段进行数据分析，衡量用户的使用情况
　　在新功能上线之后，我通常会利用多种分析手段了解用户的真实使用情况，并验证是否符合在第一步中设定的业务目标和产品期望。
　　比如，在验证产品每一个步骤的逻辑和转化时，我会使用漏斗功能对用户的核心路径进行分析，在之前的电商例子中就形成了一个A。打开商品详情页B。进入购物车页面C。确认订单页面D。进入支付页面E。付款成功的漏斗（如下图）。
　　GrowingIO漏斗实时进行数据分析
　　在这个漏斗中，可以发现从收货信息页面，到支付页面的转化率不太理想，已经产生购买意愿并确认订单的用户只有50。2到达了支付页面，为什么这一步流失了一半的用户呢？在这里我们就可以针对确认订单页面到支付页面的流程，对这个现象的成因进行相应的分析了。
　　5提出猜想并验证
　　通过上面的数据分析，针对为什么确认订单到支付这步的转化率这么低？我们就会有一个初步的猜想，可能是用户无法在确认订单页面查看商品细则，为了返回上一页，因此放弃了付款，也可能是用户想修改商品数量和样式，但是确认订单页面不能修改，因此放弃了付款，当然也有可能是单纯的提交支付按钮存在Bug或者理解的偏差。
　　接下来就要用数据分析来验证我们的猜想。例如：我怀疑一个按钮的样式以及文案不够符合用户的期待，就可以查看这个按钮的点击率是否存在问题，以及设计新的按钮样式进行AB测试。有了这样实时的数据分析图，我们就可以随时看到用户行为以及每一步的转化行为，及时调整产品策略，以获得更好的结果。
　　验证猜想后，我们就会得到具有相应论据的结论，产品经理就能够以此为依据进行产品的优化，以提升产品的用户体验，更好的实现业务目标了。在优化上线之后，产品经理就要开始新的数据分析轮回，对改版的数据进行分析提炼，以检验改版带来的效果是否是有效的，不断用数据驱动产品优化和业务增长，形成良性的循环。