产品上线后带来的真实效果需要通过数据进行客观描述

如果产品是个孩子，产品经理应当充当什么角色呢？有个比喻很恰当：产品经理是父亲，不负责具体生孩子，可一旦孩子闯祸了，优先找产品经理。

所以每一次新功能上线，产品经理都期望他能“争口气”，可以是更好的交互体验，也可以是相关指标有所提升。期望并不代表真实效果，产品上线后带来的真实效果需要通过数据进行客观描述。

一、为什么要做数据分析？

上线前：对产品经理而言，从众多需求中精心挑选出（拍脑袋）的需求时，在心中就会有初步的构想，新功能能够帮助产品覆盖哪些增量用户，新功能带来哪些关键指标的提升，提升幅度大约是多少?

上线后：用户使用后产生用户行为数据可以侧面验证这次的功能迭代优化，是否达到了预期的业务目标，具体的提升效果是什么样子?这本质上就是将业务问题转化为数据问题的过程。通过数据分析的结果，我们可以确定上线功能与预期效果之间的真实差异。

如果效果好于预期，则评估的结果可以作为运营同学大力推广的支撑点；当效果明显未达预期时，则需要基于用户行为进一步分析未达预期的原因，为功能的优化或改版提供新一轮的“脑暴”，因此数据分析是新功能上线后必做的一步。

往小了说，数据分析帮助产品经理不断优化产品设计和迭代，往大了说，数据分析用纯数据的方式非常有说服力，可以让决策者、大领导直观的感受到“数据分析、挖掘”的价值，验证自己的远见卓识，且能更好地为企业发展服务。

二、怎么做好数据分析？

上线新功能后如何做好数据分析，一要采集用户行为数据；二要分析用户行为数据；三要从数据分析中得出结论。

以下将一一进行展开：

1. 数据采集

用户行为数据对深入理解用户使用习惯起到至关重要的作用，目前用户行为数据的采集是通过数据埋点形式，通常有两种方式：

一种是由公司自主搭建数据分析体系：由研发人员在产品当中注入统计代码，而后上报进行分析；第二是快速接入市面上比较成熟的第三方统计平台（友盟、GrowingIO等）。

但对大公司而言，出于数据安全和个性化需求等因素考量，往往采纳前者，不过相比后者前者的人力成本和时间成本比较大。

1）项目成员对数据埋点有分歧的情况，如下：

• 产品同学：我要上报这个数据，对分析很重要！
• 开发同学：这个上报会影响页面性能，不能做！

所以，不是用户行为数据上报的越多越好，要兼顾性能。换个角度来想，大家目标一致，都是为了产品更好。

所以数据产品童鞋在提埋点需求的时候，可以多思考该数据是否是必须的，是否有其他的数据可以近似替代？在与开发同学对齐需求时，也可以多交流下，是否有对性能影响小一点的实现方式?

2）埋点上线后缺失数据字段的情况

• 产品同学：额，我要的付款时间字段怎么没有哇！
• 开发同学：额，你没有和我对这个字段！

产品同学关注的部分数据字段被开发同学忽略的情况的发生，通常理解下，业务数据更多的是前端和后台开发同学，为了保证功能完整运行所需要存储的数据。

若数据产品同学没有在需求阶段和开发同学对齐，可能就导致数据关注的部分字段被开发同学忽略的情况的发生。

3）埋点上线后发现数据没有上报的情况，如下：

• 后台同学：埋点需求已经发布上线了，可以用了。
• 产品同学：数据库没有数据哇。

是采集了没上报到服务器，还是服务器收到了没有推送到数据库？

所有流程验证一遍之后，可能发现只是其中某一个环节的问题导致，但整个排查耗费了大量的人力。

所以埋点需求在上线之前需要进行充分的测试验证，从数据上报，到服务器接收数据，到数据入库，这样全流程下来，能保证每个环节数据流的准确和完整性，可以节省了排查问题的大量时间。

4）埋点上线后发现数据上报有误差的情况，如下：

• Android开发：我给页面1命名为双十一狂欢活动
• IOS开发：我给页面1命名为双十一活动页

数据产品同学需要参与到业务数据沉淀需求讨论中，统一好字段属性。因为当启动评估后，发现数据维度不够，再推动研发落地对应字段后启动评估，整个评估的时间周期明显被拉长了。

这就是因为前期数据同学没有和开发充分沟通的结果。

2. 数据分析

量化即增长–当数据准备好了后，该如何进行数据分析呢？

产品功能的每次迭代优化，都期望能够对核心指标产生积极影响，这就要求数据和业务形成有机结合，相互促进的良好局面。好的数据量化不仅是业务增长的前提，也是抓手。