在这样一个「数据驱动」的时代，很多产品团队都选择在产品早期就引入或搭建数据分析平台，并希望能够通过数据驱动产品的快速成长，但即便如此，大多数的初创企业还是难逃失败的厄运。除去战略、经营等导致企业死亡的情况，数据分析的「深度不够」也是让产品铩羽的重要原因——大多数企业构建的数据分析平台仅仅能看一些统计指标——而这并不足以指导产品改进，并使之走向成功！

产品数据分析的三个层次

对产品用户和行为数据的研究可以大致划分为宏观层、微观层和中间层三个层次：

宏观层：由一系列的数据指标构成。如产品每日的「活跃用户数」、「新增用户数」、「订单数量」、「点赞的次数和人数」、「次日或7日留存率」等，这些指标能够帮您从整体上把握产品的运营状况；

微观层：由产品中每个用户及其行为的细节数据构成。如每一个用户的年龄性别……、他在什么时间打开应用、做了什么、他的购物车里都有哪些商品等，这些数据可以让您去深入的了解和理解每一个用户以及用户的行为？

中间层：中间层由一系列相互关联的分析方法、模型以及相应的数据构成。如行为分析、漏斗、留存、细分、画像洞察等等。

决定成败的「中间层」

「中间层」是至关重要的一层——针对您产品和业务目标展开的大部分分析，都需要在中间层的方法模型支持下完成。这是因为：

宏观层的数据指标过于概括，虽然可以帮您了解产品的整体状况，却很难基于这些指标直接构建出切实的产品改进策略；

而微观层的行为的数据量实在太大，海量细节让人无从下手。

如果中间层能够基于丰富的维度提供有效的方法和模型，您就有机会对存在问题的宏观数据指标进行逐级深入的剖析，逐步缩小问题的范围和人群，甚至深入微观层洞察相关的用户及行为，直至对问题原因得到清晰的认识（或有效猜测）——并据此构建出产品改进策略并逐步改进，产品就有机会走向成功。

相反，如果中间层缺失，或提供的方法模型不能支持您对问题指标进行足够的剖析，您就只能回到「看数据→拍脑袋」的老路上去，产品快速增长并最终走向成功的几率将因此降低。

典型实例剖析

以一款假想的「视频分享社区」产品为例：

1. 发现问题

该产品的运营负责人通过数据发现：新用户在注册第二天只有20%人回访（「宏观层」指标「次日留存率」低）

2. 深入分析

接下来，她将某天新增的用户划分为「第二天回访的用户」和「第二天不回访的用户」两个群体（作者按：「中间层」的人群细分），并且：

对这两群用户从各个维度进行了分析对比（作者按：「中间层」的细分、群体画像、行为分析等方法），结果发现这两群人的一个典型区别是：「回访的用户」往往在首次使用时就「拍摄了至少1段视频」并且「分享到微信朋友圈」；

而「不回访的用户」大多在首次使用时「没有拍摄视频」或「没有分享到朋友圈」。根据上述差异，这位运营负责人猜测——首次使用时「拍摄并分享」会影响到第二天及以后的留存率。

于是，她进一步在两个群体中各抽取了少量用户，并查看他们的行为记录（作者按：「微观层」的用户及行为细节数据），发现：在首次使用时「拍摄并分享视频」的用户，往往会在收到朋友圈好友评论时返回应用，以便查看或回复评论。并且，得到评论较多的用户很快会「拍摄新的视频」。而「没有拍摄和分享视频」的用户则情况刚好相反。这位运营负责人的想法通过这些细节数据得到验证。

3. 改进产品获得提升

这位运营负责人将她的发现与产品经理以及其他团队成员进行了沟通，并得到认可。

大家一起基于这个发现，对产品本身进行了更为深入的分析，并选取了部分用户进行了电话调研。然后，大家制定了提升产品的策略：

第一步，对产品本身进行优化改进，引导和鼓励用户在首次使用时完成视频拍摄和分享。新版本发布后，新增用户的次日留存率很快上升到50%；

第二步，组织「最佳微视频评选」、「搞笑视频评选」等一系列活动，刺激视频的拍摄和传播互动。随着活动的进行，新增用户数量和次日留存率又有了进一步的提升，并且老用户的活跃度也不断增长。

随着产品用户的快速增长，产品团队的负责人很快与投资人敲定了新一轮融资，产品迈向成功……

总结

宏观层的指标相对容易得到。而选择或构建合适的分析工具将中间层和微观层「解锁」，才是决定数据分析成败的关键！

#本文作者于晓松，Growth Hacker：介于技术和市场之间的新型团队角色~