简单内在,复杂外延

之前跟几个做数据分析非常厉害的产品经理交流,我们谈到一个话题,为什么很多产品经理做不好数据分析?或者说是,做的那些个事情,看上去都那么的狭隘,摸不到G点上?

其实,并不是数据分析有多难,也不是数据有多难提取,而是因为最基本的问题没搞清楚,后面就全乱套了。

比如,说转化率,首先不清楚分子和分母代表什么,如何定义,后面完全不知道如何去提升了。

一般来看,

比率=分子/分母。

要让比率提升,就2个方法,要么将分母减少,要么将分子扩大。这是一个小学生都知道的基本原理。

现实状况下,因为产品在不断迭代,所以分母往往是不断变大的,那么问题就转移成如何让分子变的足够大,分子扩大的速度要高于分母扩大的倍数,这个时候,比率一样会提升。这是一个高年级小学生都知道的基本原理。

然后,再往下去拆解就是具体该如何去操作了。

一般来看,

订单量=使用人数*使用频率。

使用人数=新用户+老用户-流失用户

订单量=(新用户+老用户-流失用户)*使用频率。

所以,要提高订单量就要去改变几个元素就好了。剩下的问题就变成了,如何去拉新用户、促进老用户活跃、防止用户流失、提升用户的购买次数/使用频率。

一般来看,

表达一个问题的逻辑,概括起来看就2种,横向展开、纵向分解。

于是,你会发现,绝大多数的演讲,都是这样2个逻辑开始的。要么就是跟你说1,2,3,4;要么就是先提出一个问题,然后分析这个问题,最后提出一个自己的主张解决了这个问题。

这样的例子还有很多。

这些最基本的公式就是所谓的内在,无非加减乘除,根本都用不上更复杂的数学。这些内在是思考问题的起点,把基本公式弄清楚是解决问题的最基本步骤。

搞清楚内在的基本公式再分析问题就会事半功倍,搞不清楚内在的基本公式就去分析问题自然就是事倍功半。

刚才举的例子是正向拆分,一般出现在拍kpi或者制定规划的时候。其实,反过来,通过现状追查问题也一样适用。

实际情况上看,某个比率持续走低,怎么办呢?

1、把这个比率的分子与分母确认下来

2、影响分子的因素是什么,影响分母的因素又是什么

3、近期这些因素的变动情况是怎样的

4、…

你就会发现,你能通过一个基础的公式,把很多事情连接起来了,找到了相互联系,然后答案就自然的出来了。

内在都是很简单的,外延一定是很复杂的。

如果直接从外延入手去思考解决问题的办法,得到的就是一些苦劳的招儿,并不能足够高效的解决问题;如果从内在入手去解决问题,得出结论的过程可能会比较慢,但是,得到的一定是能高效解决问题的妙招。这也是我们常说的罗辑思维能力的一种体现。

使用这种从内在到外延的分析方法分析问题的时候,常常会遇到一种现象,需要单独的说一下

比如,

分析订单量的时候,发现,很多用户不来购买了,但是各个指标都没有明显的变化,于是,就陷入僵局了。

必须要说明一下,所谓的数据分析,并不是说,所有的数据都是存储在我们的服务器上的,我们就只能用这些数据去做分析。更多的时候,最笨的办法就是最有效的办法。

上面说的那个例子,最简单的解决方案是什么?打电话!

设计好你想了解的问题,然后,直接打电话过去跟用户交流,直接问。或者找到用户,做线下访谈,又或者,去观察用户是如何使用的。

依赖技术是我们这一带入最值得骄傲的地方,过渡的依赖技术是我们这一带入最可配的一种思维。

不妨我们停下来思考一下,

你现在做的事情,你搞清楚了他的内在了吗,那个最简单的公式?

这个内在往外延都有哪些呢,那些关联着的因素都是什么?

我们现在做的事情,就是在做事情,一叶障目的做事情吗?