极客时间的专栏读者你好，我是邱岳。这一次我们继续聊跟数据分析相关的话题。
我们在前面的文章中假设了一个情境：“你在早晨起来，发现昨天产品流量暴跌 20%”。上一次分享，我们主要从产品和渠道的角度介绍了分析思路，这一次的分享，我们就从用户的角度出发，继续对这个问题进行拆解和分析。
在上次分享开始的时候，我们提到了需要先排除技术故障的可能性，使用到的方法便是对用户的终端技术参数做分析，将用户按照网络条件、浏览器类型和分辨率、手机型号等指标进行分类，从而排查问题。
这其实就是对用户特征的分类进行具体分析。下面，我们一起来探索一下更多的用户和业务的观察角度。
除了技术参数之外，我们要关注的第一个用户特征就是新访和回访用户。
在这里顺便提一句，在我们的数据分析中，应当将新访和回访用户当作完全不同的用户群体，因为他们对产品的认知和行为倾向都会有很大差异。
回到我们设计的“流量骤降 20%”的情境，当从新老用户的角度做分类分析时，我们关注的其实是产品的获客和留存环节。
我们提到，整个产品的用户存量像一个水池，水池水位突然下降，要么是进水管关掉了，要么是水池出现了新的漏水点。
新用户流量变化通常需要与渠道做交叉分析，去观察哪个渠道的龙头关掉了。我遇到过几次新用户降低的情况，这种情况通常没什么技术含量，基本都是因为有投放到期或者欠费了，这时候充钱就行了。
如果新用户没有变化，而是老用户的流量暴跌，通常是召回手段出了问题，比如推送没发出去，邮件服务停了等等。
这种情况通常可以跟产品模块流量交叉分析，比如平时推送内容是商品推荐，如果昨天的推送失败了，那么商品详情页的流量可能就会显著下降。
除了对用户的客观属性进行分类外，我们还可以从业务出发对用户进行分类，通过根据用户在产品中的行为和轨迹，为用户加上各种标签来区分用户。
这个过程我们可以做得很复杂，以至于变成一个动态的用户画像分析系统。我们平时看到的电商或内容网站的推荐系统，背后其实通常都会有复杂的数据和算法支撑。这样的系统需要对用户画像的业务维度做出划分，然后尽可能多的收集用户行为偏好以便精准分类。
比如，电商网站会考虑用户的购买力、信用特征、心理特征、社交网络连接等等。
我们从日志系统里面抽出用户的行为轨迹，通过一些方法，去掉时效性和一些非典型性行为的影响，做一些聚类和分类的工作，再归到各个用户维度中去。这样就可以做好一个精准分类了。
如果你已经有了这样的数据系统支撑，那么在做用户分类的时候，应该会有很大的余地，面对“流量骤降 20%”的情况，可以快速地找出流失部分的用户类型。
当然了，据我所知大部分团队没有这么高端的系统支撑。不过也没关系，简陋也有简陋的做法，我们还是可以通过一些典型行为或者手边现成的工具，给用户一个快速分类。
比如，我之前在做一个垂直领域电商系统时，是用 GA 作为数据统计工具的。GA 有一个用户分割（User Segment）的功能，可以根据一些行为特点将用户类型分开，于是我在这里为用户做了很多粗略的分类。
当时网站上有商品以及一些资料和内容，我会根据着陆页和页面轨迹把用户分为“来买东西的”和“来学习的”，也会根据用户是否有“点击过商品页面上商家的联系方式”，把他们分为“想买的”和“逛逛的”，以及根据用户在一个 session 中是否访问过多个商品详情页把他们分为“诚心买的”和“路过的”等等。
你也可以试着考虑一下在你的产品体系中，有哪些行为可以帮助做各种有业务意义的用户分类。比如在我们的抽奖助手产品中，我们就可以区分“发起抽奖的”和“参与抽奖的”，以及“喜欢分享的”和“不喜欢分享的”等等。
如果可以通过这些维度差异去交叉对比流量，有可能会发现一些有趣的现象。比如流量的暴跌是“因为来买东西的人少了，还是来学习的少了”“是想买的不来了，还是纯粹逛一逛的不来了”等等。通过这样方式筛下来，也许我们可以看出一些端倪。
其实，即便不是面对流量暴跌的场景，只是单纯去试着分类和交叉分析，我们也会发现很多有意思的数据现象，你不妨试试看。
这里有一点要特别注意的是，在我们设计的情境中，我们用的指标是“流量”而非用户量，这就有一种可能是在用户量没有特别变化的情况下，由于访问深度的减少而导致的流量减少。
这就意味着上述的种种分析过程，你除了用户数量的变化之外，也需要看到浏览数量的变化，以及用户停留时长的变化。在大部分情况下，只要用户数和停留时长没有太大波动，流量的变化并不会立刻威胁产品的健康状态。
聊完用户分析，我们再回到产品本身，从业务的角度看看如何去做数据分析。在前面增长部分的分享中，我们聊到过如何拆解业务公式，产品中的任何一个业务数字，都应当可以逆向推出计算方法。
在我们提到的这个情境中，流量下降 20% 是果，那么我们需要往前分解找到业务上的因。
我在这里举个例子，如果极客时间的流量下降 20%，假设我们找到流量下降的主要位置是专栏文章详情页。那我们可以逆向拆解：
文章详情页浏览量 = 当日更新文章数 x 当日文章平均浏览量 + 存量文章数 x 存量文章平均浏览量。
(滑动查看公式)
在此基础之上，我们可以进一步分析，是不是当日的更新文章少了，或者更新的专栏订阅数或阅读率偏低了，以便做出进一步的调整。
在做业务有关的数据分析时，我们要尽可能地把粒度拆得小一点，才能有的放矢。在接下来的分享中，我们还会反复地提到这一个原则。
因为我们是产品经理，是专业人士，专业人士和普通人的最大差异，就是我们能够看到并理解足够完整的微观信息，将它们有条理地串到一起。
除了一些我们能够分析、定位以及解决的问题之外，还有一些我们也无能为力的情况。做事讲究天时地利人和，做产品也是一样。比如就在上个月，九月初的那几天，好多小程序和小游戏流量暴跌，分析到最后，大家才意识到，原来是因为开学导致的。
除此之外，政策原因也经常是造成数据波动的主要原因。比如搜索引擎又迭代了排序算法，这可能就会给以搜索引擎流量为主的产品带来不小的影响。再比如微信又调整了分享策略，关掉了接口或者限制了虚拟支付等等。
只要做产品，就要学会与所有这些变化共处。当流量因为这些原因暴跌 20%（甚至可能更多）的时候，我们还是要保持心态平和，该调整调整，该转向转向，千万不要被这些事情打垮，这就不值得了。
今天的内容就到这里，我们从上一次的场景出发，对用户层面进行了拆解，用户首先分为新老用户，我们需要根据不同的群体，选择不同的策略。
接下来我们再把用户按照不同的行为模式拆解分类，在这个过程中，我们可以发现很多有趣的数据现象。最后我们还聊到业务的数据因果，这里需要把粒度拆得尽量小，才会有的放矢。
在下一次分享，我们会给这个情境收个尾，聊一聊怎样做好数据分析之后的沟通和应对。关于数据分析的内容，你有什么问题的话，也欢迎你留言分享讨论，我们下次再见！
评论