除了产品经理还应该知道这三大数据指标
⇨⇦
一、PM必须要知道的三大数据指标
作者技术出身，从数据组成的角度来说，一个完整的闭环数据源包括三部分：
用户行为数据；
服务端日志数据；
实际交易数据。
其中，实际交易数据会经常被存储在离线数据库中，并通过 ETL 来获取分析。而用户行为数据和服务端日志数据很多时候都是近似的。最近几年发展最快的是前端，每个月都会有新的东西出来；整体趋势是往单页应用发展，追求更好的用户体验。
所以从产品经理角度来说，我们需要知道屏幕前的人是怎么使用我们的产品的，洞悉用户行为背后的规律，发掘用户价值。
作者去年开始新的创业历程，分析总结了几百家企业的数据分析需求，大致可以分为三个数据指标或者场景：渠道、转化和留存。
渠道衡量和优化
很多产品经理或者运营人员都有过这样的经历：公司做了一次线上促销，发表了一篇软文，买了很多搜索关键词（SEM），但是如何衡量这些活动的效果。你是否知道用户是从那几个渠道来访问你的网页或者下载你的APP；不同渠道来的用户有哪些差异；如何用最少的钱在不同的渠道上办最有效的事情。
提升转化率
产品经理最常见（没有之一）的一个问题：注册！！！
用户的注册流程是否顺畅？激活步骤是否合理？运营拉过来的流量，是否转化为注册用户。再细一点，每一步的转化率是多少？没转化的用户去哪里了？如何优化注册或者购买的流程？
提高留存率
先举几个硅谷前沿公司的案例。
社交网络公司LinkedIn（领英）发现：在第一周增加5个社交好友后，这类用户的留存度非常高。Dropbox（一家云存储公司）发现在第一周安装两个以上操作系统的用户留存度非常高。Facebook和Twitter也通过让新用户添加好友的方式提升用户的留存。这里面的5（个社交好友）、2（个操作系统）等等就是这些产品留存的魔法数字。
作为产品经理，你肯定希望用户留下来，那么你是否知道你产品留存的魔法数字呢？对于提升用户留存，你是否有好的办法？
二. PM需要警惕的虚荣指标
产品经理做数据分析，归根结底都是为了用户服务的。所以我们需要建立一套基于用户行为的数据分析体系，了解用户是谁？用户都做了什么？不同用户之间的差异等等。产品经理只有明白了＂是什么＂，才能搞懂＂为什么＂，进而优化产品设计。
数据分析是一个长时间优化的过程，需要我们持续监测各项指标变化。在这个过程中，产品经理需要警惕一类虚荣指标：即PV、UV等概览性指标。这类指标就算很大，也没法很好的指导我们具体的工作，还容易给人带来误导。
而我们需要关注的用户行为数据指标，包括我们上面介绍的用户获取（渠道）、用户激活（激活）、用户留存（留存）等等。只有了解到这些指标，才能优化我们的产品设计； 所以这些指标也叫做 Actionable Metric（可执行指标），这也是用户行为数据的魅力。
三、案例解释：用户行为数据分析的基本流程
确定了具体的数据指标后，我们开始分析用户行为数据，那么该如何操作呢？我们以一个产品经理常见的场景——网页注册转化率过低——为例，对用户行为数据分析的流程进行详细介绍。
第一步：明确你的分析场景，确定具体的目标
在这个案例中，网页的注册转化率过低，那么我们的目标就是提升注册转化率；为例提升注册转化率，我们需要知道到底是哪一步挡住了用户注册。
第二步：规划一下你需要那些数据来支持你的分析
比如对于之前的目标，我们需要拆解从进入注册页面到完成注册的每一个步骤的数据，每一次输入的数据，同时，完成或者未成为这些步骤的所有用户的特征数据。
第三步：让工程师帮忙采集数据
一般这个时候，产品经理和工程师们就开始进入撕X节奏了，理由可能是：太忙，你这个数据收集起来有意义吗？一定需要这些数据嘛，你再想想？好的，提个工单，排期到下下下个月。收集每一个注册页面的数据，需要工程师在每一个注册页面或者按钮下面埋点来收集说句。同时还要调取不同类别客户的基本属性（IP来源、电脑系统、屏幕大小、浏览器版本、客户会员登记、客户职务等等各种可能涉及到的信息）数据，怪不得程序员嫌烦。（作为工程师，作者深有体会）
第四步：评估和分析数据
这一步和产品经理的数据分析能力息息相关，懂数据分析的PM可以自行完成这些工作；不懂数据分析的PM可能要求数据分析师帮忙了。对于注册转化率过低的案例，一般是做个转化环节的漏斗分析，通过不同环节的漏斗大小来分析问题出在那里。
第五步：给出优化方案
通过数据分析来发现问题，然后提出解决问题的方案。例如发现某一个页面填写的注册信息过多，导致很多用户放弃，那就需要简化这个页面。
第六步：就是确定方案的负责人
如果是BUG，产品经理可能要和程序员开始新一轮的交战。如果是设计的问题，产品需要和交互等交流，交流完再和程序员撕。
第七步：评估实施新方案的效果，并持续优化
这是一个不断优化的过程，需要日复一日，持续监测和改进。