刚入行的时候不懂怎么看数据，每天就是看着后台报表里的 UV 、 PV 涨了一点点/跌了一点点，然后就没有然后了。直到后来机缘巧合做了一段时间用户增长，渠道相关的工作，才慢慢学会怎么去看数据。

后来我反思为啥最早对着数据的时候整个人是懵的？想来想去最后觉得根本原因还是缺少了目标。不知道为什么看数据的时候，所有数据都是一个个孤立的数字，后来开始带着目标去看，去数据中找答案，慢慢就学着找数据之间的联系，找隐藏在数据表象下的信息。

在我看来，所有具体的目标概括起来就是两点：找问题，找机会。找现在的产品有没有隐藏的问题，找设计的逻辑是不是符合用户行为，找有没有潜在机会帮产品再上一个台阶。

扯完目标进入正题，我平时经常需要关注数据大致有四类：

产品的运营数据，包括 规模数据 和 质量数据

产品核心场景的用户行为数据

新功能上线后的反馈数据

行业数据

其中适合每天看的主要是运营数据和核心场景的行为数据；反馈数据是在某个新功能，或者为了验证某种假设的实验后研究的；行业数据则基本是按季度维度去看就可以了。

运营数据

最常规的数据是产品的运营数据，我习惯从规模和质量两个角度去看：

规模数据主要是产品的一些数据指标，例如：新增用户数，DAU （日活跃用户数）， MAU （月活跃用户数）， 电商产品的话就包括订单、收入、等等。

质量指标则是反应产品业务健康程度的数据，例如：新增用户的次日留存，用户的启动频率和启动时长，等等。

看这些数据首先要弄明白数据的定义方式，采集和计算过程。理解上的差异可能导致将一些不同数据做强行匹配，导致结论显著的错误，尤其是面对不同产品，不同公司的数据时。

弄清楚了指标的定义，具体看数据的时候我习惯反复使用 对比 和 分解 这两种基本方法：

对比，是通过 横比 和 纵比 的方式看数据，横比就是和相似的产品比，和自己的经验数据比（比如经验里面寒暑假是视频的旺季，但是产品对应的数据确下跌了，这就需要进一步去找原因了）；另一个纵比是在时间线上过去的自己比。

分解，是按照不同的维度去分解数据，例如：可以从渠道的维度看，从地域维度看，通过不同的维度分解将对比的差异值逐级锁定，方便寻找原因，做用户增长的时候，我会关注不同类型的 Top 渠道。

使用对比/分解大法基本能养成较好的数据 sense 了，最后再说三个数据解读中比较常见的错误：

过度关注数据下跌的原因，而完全忽视上涨的原因，开奖，或完全归因为业务的好转。我在做浏览器的时候有个核心指标「人均搜索数」，它是由 「总搜索次数/搜索用户数」 计算得来的，所以人均搜索数的增长，可能是总搜索数增长，也可能是搜索用户数下跌了，是需要进一步分析的，简单的认为上涨就是好、下跌就是差是有问题的。

因果归因错误，把相关关系错认为因果关系，或者忽略了关键因素；例如： A 导致了 B 和 C 的发生，分析时却忽略了 A ，直接认为 B 和 C 存在因果关系。

幸存者偏差，atv直播，忽视了沉默的大多数，这是在看抽样数据时很容易犯的一类错误，关于幸存者偏差的详细定义大家可以翻翻百度百科。

还有一个建议每天看的是用户行为的 log 数据，这个数据有点像「百度统计」里面的漏斗模型，但是他比漏斗模型更加详细一些，他不单单能说明用户有没有走到漏斗当中，还可以进一步看到，用户在漏斗中的路径，以及跳出用户是如何跳出的。

用户的行为数据都是一些生数据，数据量比较大，需要有一定的处理。

1、找产品的核心场景

不是所有用户的行为日志都去看，而是要找到影响用户认知产品的核心场景，这里可以借鉴（ MOT , Moments of Truth ）的概念，就是用户和产品的服务发生接触的点，这些点的体验决定了用户对于产品整体的评价。例如，做用户新增的需要看新用户进来之后找到自己想要的服务的路径是什么样子的，是不是足够简短？有没有遇到困难？

2、为用户分类，找目标用户

最好一次只看一类用户，因为看用户的行为数据是比较消耗精力的过程，不是每次都能有收获的，需要不断的看，不断的挖掘。

所以在做新增的时候，我基本会以引流时设置的钩子做分类，每次看其中一类用户，例如通过今天只看通过视频加速引流的用户，看看这些用户进来之后能不能快速的找到对应的视频；过几天看看通过资讯进来的用户。

说完每天看到数据再简单说两句 反馈数据 和 行业数据 ，虽然这两个数据不需要每天看，但在产品经理的工作中也是很有帮助的。

新功能反馈数据