《精益数据分析》是精益丛书的其中一本。这本书融合精益创业法，讲解在精益创业过程中数据分析的应用。
从寻找好的指标开始
数据的重要作用是毋庸置疑，一个好的指标可以佐证我们的想法、可以指导我们的下一步行动、可以影响我们的决策。
好的指标
那么什么是好的指标：
- 是可比较的。可与不同用户群比、与产品不同时期对比、与竞品对比。通过对比获悉产品的状态。“本月用户增长了30%”显然比“本月用户增长了3万个”更有意义。
- 是易懂的。好的指标能让人容易记住，并且很容易反映出产品的状态。
- 能指导行动的。当指标变化时，可以马上判断是否需要采取行动。
- 少而精的。太多指标会让你陷入数据的海洋里面，顾头不顾尾。
以数据为导向
以数据为导向在精益创业的过程中起到了很大的作用。但是很多人会迷信于数据，过分最求数据，而陷入过度分析的深渊。
其一，数据分析可能有所遗漏，分析的结果会遗漏很多重要的可能。其二，片面的追求数据，可能会损坏其它方面。
真正的以数据为导向是要将数据作为工具。利用数据总结过去、验证想法、发现创新点。
找到第一关键指标
第一关键指标OMTM(One Metric That Matters)，也就是你在当前阶段高于一切、需要全部精力专注的那些指标。
我的理解第一关键指标应该不止一个，而是少数几个关键的指标。
我们可以收集所有数据，但是只关注其中最重要的那些。
使用第一关键指标可以：
- 解释了现阶段最重要的问题。
- 反应现阶段的情况以。
- 给出清晰的目标。
- 带来整个团队的专注。
先行指标
先行指标是指经过一段时间的统计分析总结出来的，可以用于预测其他指标的指标。
注册转化率是个先行指标，可以推算引入多少点击率可以最终完成多少个注册用户。还有留存率等，可以大体知道经过n天后，还有多少活跃用户。
先行指标的意义在于：一，可以凭借先行指标提前知道后续指标的情况。二，优化先行指标的数据可以优化后续指标的数据。
因果性指标和相关性指标
假设有两个指标A和B，那么：
- 如果A发生变化，会导致B发生变化，则称A和B为因果性指标。
- 如果A发生变化的时候，B会伴随着发生变化，则A和B为相关性指标。
因果性指标意味着你改变其中一个就能改变另一个指标。你的产品出现了一个严重的Bug导致了很多用户流失。“出现Bug”是因，“用户流失”是果。但如果你把Bug修复了，这部分用户就不会流失了。
但是现实情况是我们很难找到一个100%的原因，往往一个结果是由多个原因共同导致的。上面的例子，出现Bug只是用户流失的一部分原因。尽管如此，找到部分原因也是很有价值的。
更多的时候我们是找到了相关性的指标，通过数据分析可以观察到某些指标有很强的关联性，它们经常会一起出现。例如通过数据分析发现iPhone用户的付费意愿更高，但“使用iPhone”和“付费率高”这两个指标并没有必然的关系。根本的原因应该是“使用iPhone”的群体和“付费率高”群体是同一个群体。
在实际应用中，相关性指标也是有很大作用的。因为相关性指标总是同时出现，这样能从一个指标去推断另一个指标。
创业阶段的划分
本书给出了创业阶段的划分，以及每个阶段需要关注的指标。
这本书将创业阶段划分成：移情、粘性、病毒性、营收、规模性五个阶段。
移情
移情这个词在中文里算是个很偏僻的词汇了。移情原文用的是“ Empathy”这个单词。Google翻译解释“Empathy”就是“the ability to understand and share the feelings of another.”用中文理解应该是同理心、共鸣、移情之意。
“移情”从文章中来分析，应该是：理解用户、和用户产生共鸣，并以此创建出用户喜欢的产品。
这个阶段是从0到1的阶段。通过用户访谈，整理用户需求得出解决方案，最后完成MVP的开发。
这个阶段主要收集数据的手段是用户访谈，收集到的指标主要是定性的指标。阶段的目标在于判断问题是否足以让足够多的人感到困惑。
- 问题足以让人感到困惑。用户要解决的问题很多，这个问题本身是否足够驱使用户去使用你的产品来解决问题。
- 有足够多的人感到困惑。必须拥有一个潜在的足够大的市场。
- 用户已经在试图解决这一问题。用户已经在找其他办法解决这个问题了，而你能从另一个角度高效地解决这个问题。
在移情阶段，无论是用户访谈过程，还是对指标的解读都是比较主观的。所以在这个阶段的主要问题就在于我们自己本身，我们能否真正的解读用户的需求，并设计出真正满足用户需求的产品。
粘性
到粘性阶段你已经完成了MVP开发，并有了一部分用户。在粘性阶段，你需要打造一组核心功能，让用户成功应用你的产品解决问题，并且让用户开始频繁使用你的产品。
从这个阶段开始，你已经可以开始收集定量数据指标。你需要通过数据指标证明两件事情：
- 用户是否如你所料的在使用你的产品？如果没有，寻找原因并调整产品功能或方向。
- 用户是否从你的产品里面获得价值？用户能否通过你的产品解决其问题。
粘性阶段是从移情阶段的主观转向客观的过程，你第一次面对真正的用户群体，你会发现很多在移情阶段的设想是错误的。
在这个阶段你应该做：
- 如果用户没有如你所料的使用你的产品。要吗尽快调整产品功能，要吗寻找真正的目标用户。
- 跟踪第一关键指标，如果某些功能无法帮助你提升核心指标，则尽快删除它。
这个阶段你不应该做：
- 过早进入病毒性阶段。没有足够的粘性用户会迅速流失，而且你很难有机会让用户再次注册你的产品。
- 迷恋于微调和润色部分功能。这个阶段还是不是打磨功能的阶段。应该把尽力放在寻找真正的能解决用户问题的功能上，哪怕这些功能可能还有一定的瑕疵。
- 对用户的反馈过度敏感。用户永远都在抱怨，谨慎对待用户的抱怨。
在这个阶段你应该重点关注核心功能的参与度、用户留存率等指标。
病毒性
经过粘性阶段，你已经找到了一种吸引用户回头的方法解决了用户的问题。在病毒性阶段，你将尝试寻找一个途径通过病毒性传播来吸引更多的用户。
书中将病毒传播分成了三个种类：
- 原生病毒性。你产品本身天然具备的功能。很多社交产品都有邀请、分享的功能。
- 人工病毒性。通过人为增加刺激因素而具备的传播性。如邀请有礼等功能。
- 口碑病毒性。当用户喜欢你的产品后，自发的通过口口相传而传播。这种病毒性很难衡量，但是却有很重要的影响。
这个阶段，你应该关注病毒性系数指标。先计算出邀请率和接受率：
邀请率 = （发出邀请数量 ÷ 活跃用户）
接受率 = （接受邀请用户 ÷ 发出邀请数量
然后计算出病毒性系数：
病毒性系数 = 邀请率 × 接受率 = 接受邀请用户 ÷ 活跃用户
也就是说，病毒性系数衡量了一个现有活跃用户能带来多少个新用户。
另一个需要关注的指标是传播周期：从用户注册到用户邀请新用户的时间。
病毒性系数和传播周期共同决定了病毒式传播的能力。所以在病毒性阶段你应该：
- 提升用户的邀请率。
- 提升邀请的接受率。
- 缩短产品的传播周期。
营收
经过了病毒性阶段，意味着用户数量逐步增长。从这个阶段开始，你需要逐步开始考虑赚钱的问题了。
用户为什么付费？
在向用户收钱之前，先了解：用户为什么付费？用户付费的本质是为产品带来的价值付费。所以，产品能否为用户创造价值才是营收的根本。
找到PMF
营收阶段的第一个目标是寻找PMF（产品和市场契合点）。在PMF到来之前，营收要经历一段缓慢的增长阶段。在PMF之前，你可以：
- 调整产品适应市场的需求。审视你原有的假设和方案，调整产品功能，满足市场的需求。
- 更换目标用户，以适应产品的属性。如果产品没错，那么可能是你的目标用户找错了。你可以更换目标用户，耕耘另一个细分市场。
用户终生价值 > 用户获取成本
找到PMF后，让用户终生价值>用户获取成本是你的下一个重点目标。
这意味着一方面你需要不断调整商品或服务种类、增加新的功能、推出各种促销活动增加你的用户终身价值。另一方面你需要不断优化获客手段、提升注册转化率来降低用户的获取成本。
书中给出了增加营收的手段：“更高效地向更多的用户更频繁地销售更多的商品”。这么多个“更”不是一下子全部能满足的，你需要找出其中哪些“更”能最大限度地提高你平均每用户的营收。
规模化
到了规模化阶段，意味着你已经捕获了一部分用户，并优化了每用户营收和获客成本的关系。从这个阶段开始，你尝试进入新的市场，获得更多用户群体，同时也开始构建你的竞争壁垒。
规模化阶段可以采取的策略有：
- 市场细分策略。重点关注某些利基市场，寻找那些小众但是边界清晰的市场，然后扎根于这个利基市场里。
- 低成本策略。通过高效的手段降低获客、服务、商品成本，构建你的低成本优势。
- 差异化策略。让自己的服务或商品变得与众不同，给用户带来更多的价值。
你也可以运用上面策略的组合，比如在细分市场构建差异化的服务。但是不同的策略也会带来矛盾，例如低成本策略意味着可能无法创造更多的差异化服务以获取更高的利润率。
结尾
真本书给我们提供了一个数据分析的框架，并提供了多个案例加以说明。总的来说是一本入门级的数据分析的书。
其中有些观点值得深思：
经过验证的想法才是对的
虽然往往我们对自己的判断很自信，但是要记住，只有经过验证的想法才是对的。
不要让数据绑住手脚
虽然数据指标在创业过程中很重要，但是人的经验和想法也很重要。过于陷入数据里面，会忽视其他方面。很多创新的点子就来源于人的经验总结和非数据的思考。
确定一个第一个关键指标很重要
当你陷入各种细节指标里面时，其结果跟没有指标差不多。你无法从满屏跳动的指标上获得什么有用的信息。
第一关键指标则能让你更加聚焦当前的工作，为你工作划定一个衡量标准。
指标应该随着各个阶段的目标而不断改变
创业处于不同的阶段，有不同的目标，也会遇到不同的问题，你跟踪的关键指标也应该随着变化。
数据是死的，关键看怎么解读
对数据的解读很重要，是否全面、是否客观、是否真实，都将影响你的结论。相同的数据，不同的解读甚至会出现风牛马不相及的结论。
多试验
多试验，多犯错。利用好数据，纠正错误的想法，找到正确的方法。
指标优化要考虑全局
一些指标的优化可能会带来其他指标的恶化，对指标优化要考虑全局效果。同时，也要关注对其他非数据指标的影响，如品牌形象等。
