不要被表面的資料所矇蔽，產品經理如何透過資料發掘問題的本質

產品經理所面對的資料，實質上和日常生活中的資料沒有太大的差異。簡單來說，都是一個量化事物的方法，就像身高、體重一樣，都是一個數字指標，它代表了事物的一個客觀狀態。

正是由於資料的客觀性，讓資料變成了發掘問題本質，尋覓事物規律所用到的最有利的方法之一。

資料固然很客觀，但是有時也往往會騙人，下面我們就來講一下資料騙人的方法，從中學到如何去規避。

1、障眼法

案例：把某一型別資料當做全部資料招致剖析結果錯誤

某產品想要看網站如今的使用者訪問量是什麼狀態，於是選擇了PV作為觀測指標，經過alexa來看網站的PV在過去一年中呈明顯的下降趨勢，於是就以此為依據進行了分析。

可是後來發現，alexa僅僅統計了WEB電腦端的訪問量，而使用者移動端的訪問量並不在統計範圍之內。由於微信、支付寶等移動端應用的大量使用，現實是絕大部分人都是透過移動端的途徑進入的，缺失這部分資料意味著前面統計的資料根本沒有任何意義，由於WEB電腦端訪問量的降落有可能是使用者訪問網站次數降低了，但同時也有可能是由PC端向移動端遷移造成的流量下滑，這個統計就不能作為依據來呈現了。

2、外部因素影響被動法

把某一型別資料當做全部資料招致剖析結果錯誤

當年Firefox使用者與Mac使用者對支付寶是否重要進行分析，單從資料統計看，Firefox訪問支付寶的比例實在是太低了。噹噹時支付寶根本不支援Firefox，所以，這個比例就不能作為判別的根據。Mac使用者也是一樣。另一個，支付寶當年代繳水電煤的專案改版之後，發現繳費使用者立即暴增，產品人員欣喜若狂。後來某同事分析一下之後發現，原來那幾天是每個月水電煤繳費高峰期，只是屬於週期性的抽風而已。

案例：只關注產品而不關注外界要素

比方：A入口的留存率是30%，B入口的留存率是50%，大多人都覺得B入口更吸收使用者。但你有可能遺漏了B入口隱藏的很深，能夠進到這裡的使用者都是很忠實的使用者，當然留存就會很高，這就無法分析到底B比A好還是不好了。

3、分析指標單一法

案例：只看資料不思索其他影響要素

一篇文章百度帶來100個獨立訪客，微信帶來80個獨立訪客。但百度帶來的流量最終轉化為60個註冊使用者，微信渠道最終轉化了64個註冊使用者，哪個渠道更好一些，就不能單純依據流量來界定了吧？

大流量、收錄高是取得好轉化、好排名的根基，是敲門磚。但絕不是唯一決定性的要素。某些情況下，大流量是取得轉化的前提，也就我們平常所說的擴充套件使用者池子，在取得流量後再思考如何進一步提升產品轉化。但另一些情況下，流量轉化的高低與否還取決於來源渠道的質量好壞。

那如何防止被 “會說謊的資料 ”矇蔽呢？

警覺5大誤區，讓資料不在說謊

案例：高流量即高轉化？

08年奧運會上，姚明的三分投籃命中率為100%，科比的三分投籃命中率為35%，那麼是不是說姚明的三分投籃命中率要比科比高？

顯然不能這麼說，因為那屆奧運會姚明只投了1個三分球，而科比投了53個。

因而，在做資料比照分析時，關於樣本的選取，必須制定相同的抽樣規則，儘量減少分析結果的偏差。

抽取樣本的辦法有：

隨機抽樣

系統抽樣

整群抽樣

分層抽樣

各種抽樣辦法的抽樣誤差大小是：整群抽樣≥單純隨機抽樣≥系統抽樣≥分層抽樣。

1、選取的樣本容量有誤

某電商網站資料顯示，商品評論的數量與商品銷售額成正比。即一個商品評論數越多，那麼該商品的銷售額也會越高。

假設我們認為評論多是銷量提高的原因的話，資料就會指導我們，必須製造出更多的商品評論來帶動商品銷量。但假如真的這樣操作了的話，你就會發現很多商品的銷量與評論的關係並不一樣，以至很多商品銷量很高，但與其評論量的多少一點關係都沒有。

這裡，我們就需要考慮，評論真的是影響銷量的必然要素嗎？除了評論之外，影響銷量的要素，還有其質量、價錢、活動等等，如果能很好很完整的認識到這些要素，那我們要拉昇商品銷量的時候，首先會先從其他角度來思考，而非從評論先著手。因此，在剖析資料的時候，正確辨別資料指標之間的邏輯關係，是指導我們做出好產品決策的前提。

2、混淆關聯與因果

使用者迫切需求的需求≠產品的中心需求

產品經理在聽到少部分使用者反映的時候就做出決策，耗費大量的時間開發相應的功用，常常導致的結果可能是這些功能只是極少一部分使用者的迫切需求，而對大部分使用者來講並不需要。

3、忽略沉默使用者

，沒有全盤的考慮產品的大部分目標使用者的核心需求，就可能造成人力物力的浪費，更有甚可能會錯失商業良機。

忽略沉默使用者

用來表達資料的圖表的長寬，取值的距離，資料的規範化等都會形成視覺上的誤差。