一文看懂:互联网产品分析,该如何做?

简介: 总有同学们在抱怨:“说的是做产品分析,可实际上每天都在埋点,建表,写SQL,对口径,找bug,我分析啥了?到底啥是产品分析?”今天简单分享一下。所谓产品分析,特指对互联网产品:APP/小程序/H5一类的分析。不是传统企业口中的“产品”哦(传统企业的,参见之前分享的《商品分析》)。传送门:一文看懂:商品分析如何做?

image.png


一、产品分析是什么?


产品分析,指的是分析互联网产品的用户使用情况。诸如:有多少用户在用产品,使用哪些功能,使用时长,操作流程中转化/跳出等等。这些数据一般是服务产品经理的,帮助产品经理们监控产品发现情况,了解功能优劣,选择更好的产品改版方案。


image.png


注意:产品分析的有些指标,是和用户分析共用的,比如DAU、MAU、流程转化率等等,也因此会引发一些混淆。


区分的方法也很简单:产品分析是服务产品经理的,最后指向的是要不要修改页面,增加/减少功能,优化路径等等产品上的改进。用户分析是服务用户运营的,最后指向的是要不要投放内容,要不要推优惠券等用户相关的动作。


那么,产品分析该如何做呢?


二、产品分析有哪些内容?


产品分析包括三个部分:


  • 市场情况分析
  • 日常数据监控
  • 新功能测试


市场情况分析,指分析产品市场表现,比如:


  • 产品累计注册用户,潜在用户数量估算
  • 产品活跃用户,DAU(日活跃)/月活跃(MAU)
  • 产品付费用户,转化率(多大比例付费)/平均收入(ARPU)
  • 产品的新用户获取数量、质量(转化率/平均收入)
  • 整个行业的竞品数量、累计用户、活跃/付费/新增情况


这些数据,是用来支持产品经理们的BRD/MRD文档的,用于下面宏观性判断:


  • 产品赛道是否有潜力
  • 当前发展速度是否够快
  • 下一步是加速还是稳步发展


image.png



日常数据监控,则是监控产品日常表现,常见的,比如:


  • 产品整体指标,比如DAU/MAU,转化率,转化率,在线时长……
  • 关键流程指标,比如新用户注册流程,主要活动流程、交易流程
  • 主要功能指标,比如某功能使用人数,使用次数,使用时长

这些监控,主要用来发现问题,找优化机会。比如发现活跃人数少,成交人数少了,就会进一步看:用户卡在哪个环节?是不是某个步骤出了问题?进而思考解决方法。


image.png


新功能测试,指测试产品功能/设计的改变,是否达到预期。从众多的设计方案中,找一个数据上表现最好的方案。新功能测试,包含事前的多版本测试(ABtest)以及事后的监控。日常工作中,产品的改版/升级/优化,都是很常见的,因此要经常做。


image.png


那么,这么分析,有没有个啥模型可以套用呢?是有滴。


三、产品分析有啥模型?


产品分析,最常用的就是漏斗模型。因为很多产品功能都不是一步完成的,需要很多步,因此自然形成了漏斗,可以用漏斗模型,观察哪一步流失的用户多,进而做改善(如下图)。


image.png



同时,用户进入APP/小程序以后,往往有很多路径可以走。甚至用户可以直接从站外广告,进入落地页,完成交易。这样就会形成很多个路径,有很多个漏斗。


此时就涉及两个问题:

站外到站内引流,什么路径更好走?

站内流量分配,怎样分效率最高?


因此,有一些分析人员,会把这种多漏斗路径合并展示,做一张全站流量转化地图。这种方法也被称为UJM(User Journey Map)模型。对于有明确行为终点的产品(比如交易型产品)UJM方法还是很好用的。


那么问题来了,为什么产品分析有理论,有方法,有模型,但是日常工作中大家还是觉得很艰难呢???

四、为什么感觉做的很琐碎?


首先,产品分析本身就很琐碎。产品页面经常更新,为了获取数据,埋点经常要随着新页面动来动去,因此需要消耗精力去做。而且ABtest只是简称,很多时候测试版本很多,要搞各种埋点,工作就是麻烦。


其次,很多产品经理自己没啥主见。很多产品经理就是领导的传声筒,根本轮不到他写BRD/MRD(或者随手写写凑数),至于为啥要上这个功能?也不太清楚,不是领导命令的,就是照着竞品抄的。


这种糊里糊涂的状态下,自然没有清晰的分析思路。不是看着DAU波动大呼小叫,让分析为啥涨为啥跌,就是做完测试,拼命抓着数据分析师,问为啥有差异……很多小伙伴的痛苦经历就是这么来的……


image.png


发完牢骚,今天的分享也差不多了。其实产品有很多种,交易型产品/内容型产品/工具型产品各有差异,toC/toB产品也有区别,有机会以后再分享吧。喜欢的话,记得转发+在看+点赞,支持下小熊妹哦,谢谢大家。




相关文章
|
存储 前端开发 JavaScript
Servlet实现一个简单的表白墙网站
前言 前面我们学习了 Java 中知名的 HTTP 服务器 tomcat 的安装和使用,还学习了 servlet 相关 API 的学习,今天,这篇文章我们将运用前面学习的 HTTP 知识、tomcat和servlet来实现一个简单的表白墙网站。
Servlet实现一个简单的表白墙网站
|
算法 前端开发 Java
在字节当了几个月的牛马,醒悟了。
以前也分享过不少实习体验,比如去年就分享了一位师弟的美团实习体验:美团实习三个月,我受益良多,今天来分享一下一位学习圈中学弟的字节实习体验。
591 0
|
存储 缓存 负载均衡
阿里云服务器实例选择指南:热门实例性能、适用场景解析对比参考
2025年,在阿里云的活动中,主售的云服务器实例规格除了轻量应用服务器之外,还有经济型e、通用算力型u1、计算型c8i、通用型g8i、计算型c7、计算型c8y、通用型g7、通用型g8y、内存型r7、内存型r8y等,以满足不同用户的需求。然而,面对众多实例规格,用户往往感到困惑,不知道如何选择。本文旨在全面解析阿里云服务器实例的各种类型,包括经济型、通用算力型、计算型、通用型和内存型等,以供参考和选择。
|
机器学习/深度学习 人工智能 自然语言处理
深度学习中的自适应神经网络:原理与应用
【8月更文挑战第14天】在深度学习领域,自适应神经网络作为一种新兴技术,正逐渐改变我们处理数据和解决问题的方式。这种网络通过动态调整其结构和参数来适应输入数据的分布和特征,从而在无需人工干预的情况下实现最优性能。本文将深入探讨自适应神经网络的工作原理、关键技术及其在多个领域的实际应用,旨在为读者提供一个全面的视角,理解这一技术如何推动深度学习向更高效、更智能的方向发展。
|
机器学习/深度学习 供应链 搜索推荐
优化销售预测:6种模型适用的场景与实战案例
不同行业的销售预测采用什么模型比较好?3分钟了解6种销售预测模型,以及适用行业场景。
4067 2
优化销售预测:6种模型适用的场景与实战案例
|
Java API Maven
如何使用 Java 字节码工具检查类文件的完整性
本文介绍如何利用Java字节码工具来检测类文件的完整性和有效性,确保类文件未被篡改或损坏,适用于开发和维护阶段的代码质量控制。
536 5
|
机器学习/深度学习 人工智能 算法
【AI伦理与社会责任】讨论人工智能在隐私保护、偏见消除、自动化对就业的影响等伦理和社会问题。
人工智能(AI)作为第四次产业革命的核心技术,在推动社会进步和经济发展的同时,也引发了一系列伦理和社会问题。以下从隐私保护、偏见消除以及自动化对就业的影响三个方面进行详细讨论。
782 2
|
Web App开发 缓存 安全
Chrome浏览器启动参数大全
这是一组用于定制浏览器行为的命令行参数,包括但不限于:不停用过期插件、放行非安全内容、允许应用中心脚本、停用GPU加速视频、禁用桌面通知、禁用拓展及各类API、调整缓存设置、启用打印预览、隐身模式启动、设定语言、使用代理服务器、无头模式运行等。通过这些参数,用户可以根据需求灵活调整浏览器功能与性能。
|
安全 Linux 数据处理
探索Linux中的`mount`命令
`mount`命令在Linux中用于挂载文件系统到目录,如硬盘、USB或光盘,使用户能访问数据。它支持多种文件系统,提供灵活的选项控制挂载行为,如 `-t` 指定类型,`-o` 设置选项(如`ro`或`rw`)。挂载点的安全管理包括限制权限和完整性检查。示例应用包括挂载USB设备到`/mnt/usb`,只读挂载,以及重新挂载。使用时需注意权限、正确设备文件、选择合适挂载点,并确保数据安全。使用`umount`卸载文件系统。
|
SQL Java 数据处理
【Hive】Hive的函数:UDF、UDAF、UDTF的区别?
【4月更文挑战第17天】【Hive】Hive的函数:UDF、UDAF、UDTF的区别?