本篇文章3000字，閱讀需要20分鐘~~

無論是商業產品經理還是使用者產品經理，透過資料來發現問題並找到最佳化方向一直都是非常重要的一個技能，我負責任的說，發現問題並能清楚的定義問題等於產品最佳化成功的一半。很多產品經理的資料分析能力較差，除了不會基本的資料技能（SQL等）之外，還有一個原因就是沒有較為清晰的資料分析思路。遇到一個問題應該從哪個切入點入手解決，不僅涉及到資料分析思路的問題，還涉及到對產品功能邏輯以及功能場景的理解的問題。對於程式設計師來說，一個程式設計師水平的高低，寫程式碼的時候你很可能看不出來，但是出bug的時候，分析和排查問題，有經驗有思路的程式設計師其處理的效率往往比缺乏經驗沒思路的高一個數量級。這種效率的對比現象，在資料分析中對於產品經理來說同樣適用。

那麼產品經理要如何提升自己的分析資料，發現問題並最佳化的能力呢？基於我這麼多年踩的坑，我來說下我的方法。以下的一些方法主要是針對商業廣告方面的總結，但聰明的同學都知道，其實可以舉一反三。

一、充分的瞭解功能的目的以及業務的具體邏輯

產品的功能都會有一個特定的目的，瞭解了產品的目的的前提下，你才知道什麼是合理的什麼是不合理的。業務邏輯的梳理也有助於你在對比分析中更容易的找到問題的所在。舉個例子，同樣是豎版影片廣告且在同一個廣告庫的基礎前提下，在A媒體上的點選率有2%+，在B媒體上卻只有0。5%，如果你不瞭解業務的邏輯，即便你在分析的顆粒度上細分到年齡，地域以及網路環境進行分析，都很難發現他們之間的問題所在。但是一旦你瞭解到業務的邏輯，去體驗下產品，就容易知道兩個媒體在廣告的“可點區域上“有明顯的區別，A媒體的可點區域比B 每天同樣廣告的可點區域要大得多，那麼問題就迎刃而解了。

有時候，我們會聽到一些同學說，某某媒體廣告的點選率多高多高，其實這也是不嚴謹的，廣告的最終效率是一個曝光帶來的轉化或者收益，涉及點選率（CTR）和CVR（轉化率）等多箇中間指標，僅僅提升其中一箇中間指標還是相對容易的，比如增大可點區域就可以快速的提升CTR，但是隨之CVR就會或多或少的出現下降。所以不能單純的看某個中間指標，要看一個全域性的指標，才能對業務和邏輯有一個全盤的認知。脫離業務場景談指標最佳化的同學都是耍流氓。

二、對產品的資料和功能鏈路有個完整清晰的轉化路徑資料

資料分析中，有個非常普遍而又很有用的分析模型是“漏斗分析模型”即將產品或者功能的各個環節的轉化鏈路指標從開始一層一層的逐步分析，類似一個漏斗的進行逐層的分解，這樣對目標以及轉化的損耗都有比較清晰的認知。舉個例子，搜尋廣告的收入 = 使用者的搜尋量 * 廣告曝光率*廣告點選率*平均廣告點選價格。若想提升搜尋廣告的收入，就需要從以上幾個核心因素入手。如何提升使用者的搜尋量：1）最佳化搜尋的技術，讓搜尋結果更加精準；2）控制搜尋入口渠道，網址導航，位址列劫持（客戶端劫持與閘道器劫持，前者如瀏覽器或其他客戶端軟體、工具條等等）；3）掌控優質內容，形成競爭門檻，如百度知道，百度百科，百度文庫。透過這樣的措施，把握了搜尋的入口和內容，使用者的搜尋量就可以得到較大的上漲。

而如何提升廣告的曝光率，這裡 商業詞、熱頻詞已經被客戶全覆蓋，最佳化方向來自於長尾詞，從精確的關鍵詞匹配廣告到智慧模糊匹配，長尾詞的覆蓋率極大提高。另外從文字相關逐步增加“意圖”相關，也能很好的擴充套件廣告搜尋詞的匹配。比如搜尋facebook 可以匹配到Instagram等；其他指標也需要不斷的展開分析。這樣就會形成了你對於產品邏輯以及商業邏輯的一個思考分析的思路。

說個題外話，最近百度投資知乎，位元組跳動入股互動百科，都是在形成自己的內容壁壘。內容是搜尋的根基，在移動網際網路資訊孤島效應的情況下尤甚。在位元組跳動（今日頭條母公司）公佈他們做搜尋的8個月之前，我在公司的一次分享中曾經說過，未來1到2年內位元組跳動一定會做搜尋，因為位元組跳動在資訊以及影片上這幾年積累了大量的內容，由內容直接切入搜尋是很合理的一件事情，因為內容是搜尋的根基和護城牆。

那麼，對於近幾年熱門的資訊流廣告 = 資訊的PV * adload（廣告載入率）* CTR（廣告點選率）* CPC（平均點選單價），如何提升收入？你是不是也可以進行漏斗分析一下，每個環節的漏斗是否合理？

上面的分析，只是從廣告大的轉化鏈路上進行的分析，如果要細化到不同的場景，資料還需要更深入。比如，針對遊戲應用的轉化漏斗 = 廣告的PV * CTR * CVR（轉化率）*CPA（應用啟用成本），而CVR又涉及到應用落地頁的開啟率，應用的開始下載率（下載按鈕點選率），應用的下載成功率，這些更細節的資料在不同的網路條件下資料又是怎樣的一個情況，如此細分不同的環境的資料鏈路進行漏斗分析，這樣就能找到大概的最佳化方向和思路了。

三、分析真實值與預估值之間的 gap

廣告是一門強烈依賴於“預估”的科學，在使用者對廣告真實發生行為之前，所有的數值都是基於預估，比如點選率預估，轉化率預估，合約廣告的流量預估等等。廣告的整體策略就是基於這些預估的資料進行的。那麼，我們常常會分析使用者的廣告行為的轉化漏斗，基於這些“實際的資料”來分析和最佳化。但是，我們常常會忽略了“預估”的影響，預估影響著排序，排序影響著位置，所以最終會影響到廣告系統的整體收益。那麼如何來分析這塊的資料呢？一個直接的方式是，分析“真實值“與”預估值“之間的差距（gap或者說bias）。比如將廣告的預估點選率與真實點選率的差距值情況是怎樣的，預估的轉化率跟真實的轉化率之間的差距又是怎樣。這時候你可以發現更多的東西，比如第一名的預估值可能高估，而第二名的預估值出現的了低估，那麼校正預估值之後可以使得排序結果更準確，從而獲取更高的價值，做到廣告價值最高的優先曝光。在對比真實值與預估值之後，你還需要對預估模型的關鍵引數進行review，看看是否遺漏某些關鍵因素，導致誤差較大。預估模型比較複雜，對很多產品經理來說理解還是有點難度，可以認為是一個黑盒，但是關鍵因素的影響作為產品經理在日常體驗產品和廣告的過程中是可以發現的，比如使用者重複看了多次廣告之後，點選率是怎樣的一個下降的趨勢，模型上是否已經加入了這個因子，如何修正等。廣告的收費模型是CPM，CPC，CPA或者OCPM、OCPC等模式，在廣告排序邏輯上，除了CPM廣告可以投入較少的預估模型之外，其他都非常依賴於廣告系統的預估能力。但實際上，CPM廣告通常是合約的廣告，在當前要求”品效合一“的廣告目標下，廣告的效果預估能力也是非常重要。因此，對於預估值與實際值之間的差異，我們還是非常有必要進行認真的分析的。

四、平均值與數值分佈

無論是生活還是產品的資料，都很容易被平均。比如前段時間騰訊Q2財報，很多人就說騰訊的月均工資是7萬。不好意思，很多人被平均了。那麼在產品分析的過程中，我們也要警惕這種被平均的資料。對於資訊流產品來說，舉個例子，我們當前的產品的人均瀏覽資訊的條數是90條，那麼要想提升用於對於資訊的瀏覽條數，就要將瀏覽資訊條目數分佈的的使用者情況，以及使用者的畫像特徵分析出來，這樣，基於產品設計的原則——基於什麼樣的場景，給什麼樣的使用者提供怎樣的服務和價值——才能針對性的提升不同使用者群裡對於內容的消費量。再說回廣告的情況，如果針對的是廣告產品的填充率指標，整理來看，通常填充率都很難填滿，比如某個影片資訊流場景的廣告填充率是80%。要想提升填充率，就不是單純的說廣告主不夠的問題了，不要被平均的數字限制了你的思路，要看資料的分佈情況，具體的產品需要具體的分析，通常需要分年齡，分畫像特徵以及使用者的行為特徵（比如請求廣告的次數）等場景分析這些情況下廣告填充率的情況，比如，我們會發現很多的遊戲公司投放廣告時通常會有年齡的限定，比如傳奇類遊戲（例如渣渣輝傳奇）就喜歡25歲的男性，因為他們付費能力更好。這樣分析之後，你才能有的放矢。發現問題並把問題清楚的的定義出來，是產品最佳化的關鍵。

未完待續……