产品经理的数据分析能力
- 指的是从专业人员已经整理好的数据与产品关系的分析
- 现象-数据-现象的分析过程
- 偏重对于业务本身的理解，而不是如何整理、挖掘数据。也不是如何使用SPSS、R语言。
- 是意识，是手段，非技术。
总之，对于PM而言，个人觉得数据是一种意识，而非技术，是一种方法总结，而非理论科学，关注数据是个优点
PM数据分析的他山之石
产品数据主要作用是监控产品设计、运营效果、营收是否正常或达标，并判断业务发展阶段，为后续推进提高参考。
-
首先了解业务，熟悉数据框架、体系
- 核心指标
- 基于业务对此庖丁解牛。（它由什么组成？影响到该指标的因素有哪些）
再其次对现有数据指标进行思考，多维度集中分析规律
- 对比行业、竞品
- 若有机会可以试错，想办法去做一些改动证明
他认为数据能力核心的分为数据打点、数据使用、数据预估
- 数据打点
问题：产品经理应如何提供打点需求？尤其是当产品经手一个不熟悉的项目时。
沟通后进行穷举。在筛选出不同层次的指标，再让资深人士评估
（核心指标》重要指标》次要指标》检测指标）
穷举是是从每个入口和页面按流程走一遍开始的。
- 数据使用
图表最常用的就是折线图（看趋势），柱状图（看关系），饼图（看比例）
- 数据预估（略）
正在看的相关书籍
- 《啤酒与画布》
- 《数据分析之美》
- 《谁说菜鸟不会数据分析》
数据驱动设计
-
系统级A/B测试是重要工具.A/B Test 是为了验证已有产品想法、指导产品改进的手段。只有带着明确目标，一般是可量化的关键效绩指标，最好是单一指标)所进行的 A/B Test 才是有效的，它是一个滞后行为。
- 作用：方案/决策的确立、减免反复试错成本、降低内耗成本，验证方向正确性，避免集体选择障碍而不得已拍脑袋做决定（这一点在我们自己校园团队中经常出现/(ㄒoㄒ)/~~）
- 成本：开发成本、测试周期（时间成本）、对用户可能存在的伤害；
- 局限性：忽略宏观问题，埋在细节之中出不来。因为性能、体验的提升是存在瓶颈的,存在一个“局部最大”。
来自 HubSpot 的 Steve Hass 曾经告诉我有关 Josh Porter 提出的 “局部最大” 概念。“局部最大” 指的是你在现有设计中所能改善的最大值。改善的有效性只能建立在目前版本之上。所以即使你做了 100 个调整，也只能提高这么多。就好像你可以一改再改，但发出的箭只能抵御这么大的风，而你能做的就是改变箭发出的方向。
所以如果你已经做了你能做的改进，并已经达到了 “局部最大”，那你应该做什么呢？Porter 指出，到了这个阶段，就可以 “停止优化，并回到其他方面的分析，看看下一步能做些什么。主持面谈，做用户测试，问卷调查，问问题。” 这些工具都是传统上帮助考虑 “顾客想要什么” 这一策略的。这个阶段应该考虑的是这些，而不是再做 A/B 测试。- 策略：实践中需要把握好改进的方向。在资源有限的条件下需考虑性价比（ROI）。
如果产品处于早期，我们更应该关注的不是如何把每一处都做到 100 分，而是先大刀阔斧地把业务和功能架构搭建起来。在这些大节点上进行优化的性价比明显要比揪着某个细节要高得多。
墨鱼仔一期就是遵循这样的里面
