一、构建一个监控产品健康度的漏斗

第一步：选取关键事件

我认为有两种思路选取关键事件。

方法一：通过思考产品的核心价值，推断出用户的行为路径。

先画出这个产品的主要流程：

这个陌生人社交产品的核心价值是：通过匹配让陌生用户之间建立联系。因此上述流程中，最核心的体验是：是否喜欢→匹配成功→聊天，关键事件包括：选择喜欢→匹配成功→发送消息→收到消息

方法二：通过【用户路径】的数据结果，挑选出关键事件。

第二步：使用间隔分析，设置合理的窗口期时长

为了排除极端数值对结果的影响，这里可以选取【人均间隔时间的中位数】，大约是6.7天，取整数后为7天，因此窗口期设置为7天较为合理。

第三步：创建漏斗，查看核心流程关键环节指标以及转化率

选择【漏斗分析】→【创建漏斗】→选择事件【选择喜欢】、【匹配成功】、【发送消息】、【收到消息】→窗口期选择【7天】

第四步：监控核心体验健康度

想要提升核心体验转化率，可以分别去思考每一步转化率的提升。

第一、从【选择喜欢】到【匹配成功】，存在这几个步骤：

如果用户每天能喜欢的人有数量上限，那么可以在用户A喜欢用户B之后，将用户B优先推荐给用户A，从而提前获得匹配结果；

可以根据用户的喜欢历史，猜测用户喜好，提供更符合用户喜好的推荐；

第一， 从【匹配成功】到【发送消息】，这一步的转化率已经接近90%，因此是比较理想的数据；

第二， 从【发送消息】到【收到消息】，这里发送消息的定义是“前端点击发送按钮”，因此有可能出现3种结果：一是用户A将消息发送给用户B，用户B成功收到了；二是用户A将消息发送给用户B，但是用户B没有收到；三是用户A没有成功发送消息。后两种结果，可能是用户的网络有问题，也有可能是产品服务器有问题，如果是用户网络问题，当用户使用了风险较高的网络时（如2G），给予提示“您目前使用的网络可能导致消息发送失败，建议您更换网络后再进行操作”；如果是产品服务器的问题，就要定位并解决服务器问题。

二、分析不同属性用户的产品体验情况

这一部分采取多维度拆解的方法进行分析。

维度一：性别（男、女）

可以看出，女性用户的总转化率几乎是男性用户的2倍，女性用户从【选择喜欢】到【匹配成功】的转化率差不多高出20%，【发送消息】到【收到消息】的转化率也差不多高出20%。有可能是因为：

① 这个产品的男女比例在2:1，女性用户被喜欢的基数更大，以致于匹配成功的概率更高。女性用户如果主动发送消息，被回复的概率也更高；

②男性用户选择喜欢相对更加大胆，而女性用户更加谨慎；

③女性用户更有可能精心处理照片，使照片质量更高，更容易获得异性的喜欢。而男性用户一般不太会拍照，而且不会在照片处理上花太多心思，因此被喜欢的概率就要低一些；

④ 俗话说，“女追男隔层纱”，所以女性用户给男性用户发送消息更有可能收到回复；

维度二：年龄

经对比，转化率随着用户年龄的不同并没有呈现出很大差异，年轻群体和中年群体数据区别不大。

]维度三：位置（省份、城市）

经对比，转化率随着用户省份的不同并没有呈现很大差异，基本上在总体转化率±3%左右，经济发达省份和落后省份区别不大。

除了青海省的转化率较低（比总体低接近10%），考虑到青海省的样本量较小，不太具有代表性，因此暂时不做深究。

从城市来看，一线、二线、三线…等城市的转化率区别不大。另外由于城市的样本量较小，因此暂时不做深究。

综上所述，核心体验的效果会因为用户性别不同而有较大的区别，女性用户的体验优于男性用户的体验。而不同年龄、不同省份城市的用户体验效果差异不大。

三、这个产品国庆期间出现了“数据猛涨”的现象，是什么原因导致的？

首先，对“数据猛涨”给出定义：

考虑到假期，用户新增可能会受影响，因此，选择观察【注册成功】的【触发用户数】。

【注册成功】的用户数相比国庆前一周环比增长了15.86%，对比平常的周环比增长率要高出2倍。

对异常数据进行多维度拆解分析

接下来将选取常见的维度进行分析：用户属性（性别、年龄、省份城市）、事件属性（操作系统、注册方式）

维度一：性别

男生和女生国庆期间的数据都有一定程度的涨幅，因此性别不是导致国庆期间数据猛涨的原因。

维度二：年龄

不同年龄的用户国庆期间的数据都有一定程度的涨幅且趋势相似，因此年龄不是导致国庆期间数据猛涨的原因。

维度三：省份城市

可以明显看出海南、云南这两个地方的增长特别夸张。

由于基数不同，其他省份的情况不太容易看出变化情况，所以把数据导出来进行进一步观察：

除了海南（+540.71%）和云南（+73.48%），重庆（+18.77%）、北京（+15.65%）和广东（+8.77%）的增长数量和增长率也比较突出。广西、吉林、湖南和四川等省份虽然增长率较高，但本身基数小；上海增长数量较多，但本身基数大，所以这些地方的增长可以视为假期正常增长范围，就不另作研究了。

接下来观察海南、云南、重庆、北京、广东的城市数据

三亚、大理、丽江、重庆和北京这几个城市给国庆期间带来了大量新增注册用户，考虑到这几个都是比较热门的旅游城市，为用户“交友”提供了更合适的场景，因此导致大批用户下载并使用。也有可能这几个城市有线下推广活动，后续可以跟运营、市场、渠道确认。

维度四：操作系统

由于基数不同，从折线图比较难看出苹果的数据变化情况。因此将安卓和苹果【注册成功用户数】导出来，经过计算：

不同操作系统的数据都有增长，因此本次数据猛涨跟操作系统没有关系。

维度五：注册方式

不同注册方式的数据都有一定程度的增长，因此本次数据增长跟注册方式无关。

四、找到另外一个数据异常的时间节点，分析原因。

从下图可以看出，9月14日的数据呈现断崖式下跌，并且情况很严重

根据经验，一般出现断崖式下跌，技术问题的可能性比较大，因此先进行这一假设的验证。

首先进行小时级别的拆分：

我们发现，从9月14日19:00开始，数据比上周同期要低很多。一直到24:00才恢复到上周趋势。

在此基础上，增加用户属性和事件属性进行多维度分析。

【性别】，可以看出【男性】用户数据异常，而【女性】用户数据跟平时趋势一致

【年龄】，不同年龄的数据异常情况跟总体保持一致，因此排除

【省份】【城市】，不同省份、城市的数据异常情况跟总体保持一致，因此排除

【操作系统】，不同操作系统数据异常情况跟总体保持一致，因此排除

【注册方式】，不同注册方式的数据异常情况跟总体保持一致，因此排除

【设备】，不同设备的数据异常情况跟总体保持一致，因此排除

综上所述，可以确认在9月14日大约19:00开始，该产品出现技术故障，导致所有【男性】用户使用异常。而由于晚上【20:00-24:00】是这个产品的用户同时在线的高峰期，并且【男性】用户比例高于60%，最终导致这次严重的数据异常。

五、找出具有怎样特征的用户在这个产品中更受欢迎。

首先定义“受欢迎”：被“喜欢”的次数越多，该用户越受欢迎

选择这个指标来衡量受欢迎程度，不选其他指标的原因是：

①   人物卡片曝光次数：

考虑到这种情况：当用户A被推荐给其他用户，其他用户可能只是觉得“还行”，需要二次确认是否喜欢，于是点开查看用户A的卡片，这样用户A的卡片曝光次数会增加。但是看了之后别人可能不喜欢用户A，这样用户A被“不喜欢”的次数就增加了，因此不使用这个指标。

②   被“不喜欢”的次数：

当用户看到推荐的人的时候，可以选择“喜欢”或者“不喜欢”，因此被“喜欢”的次数越多跟被“不喜欢”的次数越少实际上是一回事，而被“喜欢”的次数会更加直观，所以就不选这个指标了。

③   匹配成功的次数：

考虑到这种极端情况：用户B对所有推荐的用户都“喜欢”（因为题目没有提到该产品单用户是否存在喜欢上限），那么对用户B来说，匹配成功的概率就变成单方面的对方是否喜欢ta的概率了。从统计学的角度，两个独立事件同时发生的概率是两个事件概率的乘积，并且乘积都小于两个事件单独的概率，在刚刚提到的情况中，用户B这边的概率变成了1，所以ta匹配成功的概率会比其他用户都高，但ta不见得就是受欢迎的。

④   收到消息的数量：

这个跟匹配成功有点类似，当一个用户通过极端操作有很高的匹配成功次数，ta就可以发出很多消息，这样就更有可能收到很多回复，因此不选用这个指标。

对被“喜欢”的次数这个指标进行多维度分析

通过【事件分析】【选择喜欢】的【总次数】，按照【对象性别】、【对象年龄】、【距离】和【照片数量】观察

【对象性别】

【女性】用户被喜欢的次数占比超过了50%，因此女性用户比男性用户更受欢迎

【对象年龄】

总体上看，更容易被喜欢的年龄是：25、26、24、27、28、23，也就是23-28岁

不同性别的情况跟总体情况类似，在【23~28岁】这个年龄段更容易被喜欢

另外可以发现，年龄越大，越难被喜欢，毕竟到30岁左右，大部分人都已经成家了，还没成家的一般也不会通过这类型的产品来“找对象”，走线下相亲的会更多。这个产品不太适合年纪比较大的用户。

【照片数量】

总体上看，照片数量在5张、4张、3张、6张的时候，更容易被喜欢。

不同性别的情况跟总体情况类似，照片数量为【3~6张】时更容易被喜欢。

一个有趣的现象是，照片数量超过7张以后，被喜欢的次数会骤降，可能是因为看的照片越多，越觉得没有“神秘感”了。

【距离】

总体上看，距离在400至500、500至600、300至400、600至700时，更容易被喜欢

不同性别的情况跟总体情况类似，用户距离为【300~700米】时更容易被喜欢。另外，从表格数据可以看出，距离太近或太远，特别是距离太远时就很难受欢迎。

综上所述，在这个产品中更受欢迎的用户有以下共同特征：

女性，23~28岁，照片数量为3~6张，距离为300~700米

六、找出可能认为产品体验更好的用户群体。

首先定义“体验好”：能让用户的社交需求得到满足：匹配到喜欢的对象，然后聊天。

因此选择“选择喜欢→匹配成功”（下面简称“匹配率”）和“发送消息→收到消息”（下面简称“消息到达率”）作为分析的指标，“匹配率”和“消息到达率”越高，用户的体验越好。

对【匹配率】和【消息到达率】进行多维度分析

选取不同的用户属性（性别，年龄，省份城市）进行对比

维度一：性别

无论【匹配率】还是【消息到达率】，女性用户都明显高于男性用户

维度二：年龄

年龄为28岁的用户【匹配率】和【消息到达率】最高

维度三：省份城市

广西的【匹配率】和【消息到达率】最高

承德市的【匹配率】和【消息到达率】最高

综上所述，28岁来自广西的女性或28岁来自承德市的女性的体验最好。