《精益数据分析》笔记（Nr.2）

1.好的数据指标

衡量好坏的准则:

   1> 好的数据指标是比较性的。能比较某数据指标在不同的时间段，用户群体、竞争产品之间的表现，可以更好地洞察产品实际的走向。例“本周用户转化率比上周高”。

  2> 好的数据指标是简单易懂的。

  3> 好的数据指标是一个比率。因为可操作性强，例开车时的速度比距离强，可告诉你是否需要调整以确保按时到达；比率是比较指标，例将当前速率与最近的一个小时比较，可知加速还是减速；比率适用于比较各种因素间的正负相关，例单位时间内的里程/罚单数这一比例，开的越快里程越多，但罚单也多，这一比率可帮助决定是否应该超速。

  4>好的数据指标会改变行为。例将日销售额之类的会计指标纳入财务报表，有助于更准确的财务预测；试验指标帮助优化产品。定价以及市场定位。要在收集数据前就确定好针对不同情况的应变措施。

学会根据数据确定一条做与不做的准绳。目标：保留客户，鼓励口碑传播，有效获取新用户，创造营收。

数据指标间的耦合现象（注意）：

例：转化率（访客中真正发生购买行为的比例）通常与购买所需时间绑定的；二者结合可以告诉你关于现金流的信息。

       病毒式传播系数（平均每个用户邀请来的新用户数）和病毒传播周期（用户完成一次邀请所需的时间）共同推动产品的普及率。

要找到正确的数据指标，五点注意：

    定性指标与量化指标：定性指标是非结构化的、经验性的、揭示性的、难以归类的；

                                        量化指标涉及很多数值和统计数据，提供可靠的量化结果，但缺乏直观的洞察

   虚荣指标与可付诸行动指标：虚荣指标不能为公司带来丝毫变化

                                                 可付诸行动的指标可以帮助选择一个行动方案，知道商业行为

  探索性指标与报告性指标：探索性指标是推测性的

                                             报告性指标是让你时刻对公司的日常运营、管理性活动保持信息通畅、步调一致

  先见性指标与后见性指标：先见性指标用于预测未来

                                             后见性指标用于解释过去

  相关性指标与因果性指标：两个指标总是统一变化，则说明是相关的

                                             如果其中一个指标可以知道另一个指标的变化，则是因果关系

2.定性指标与定量指标

      定量指标是那些我们跟踪与衡量的数字，比如体育比赛的比分和电影的评分。量化的数据使用方便，易于归类、外推和置入电子表格。但量化数据在创业初期是匮乏的，这时需要定性的数据。定性数据是杂乱的、主观的、不精确的，类似从采访或辩论中获得的信息。定量数据回答的是“什么”和“多少”，定性数据回答的是“为什么”。

    定量数据排斥主观因素；定性数据吸纳主观因素。

3.虚荣指标与可付诸行动指标

     如果你有一个数据，却不知如何根据它采取行动，则为虚荣指标。你需要利用数据揭露信息，指明方向，帮助你改进商业模式，决策下一步的行动。

    例：总注册数（或总用户数），这个数字只是个单调递增函数，并不能穿搭关于用户行为的信息（用户在做什么，是否对你有价值）；总活跃用户数会稍微好点，但仍然只会随时间增长。真正该关注的指标（可付诸行动指标）是活跃用户占总用户数的百分比，它揭示了产品的用户参与度，当产品做出调整时，指标会相应的变化，他可以指导你试验、学习和迭代。

    又例：单位时间内新用户的数量（新用户增速），对比较不同营销手段的优劣有帮助。

    8个常见的虚荣数据指标：点击量；页面浏览量（PV值）；访问量；独立访客数；粉丝/好友/赞的数量；网站停留时间/浏览页数（用来代替客户参与度或活跃度不是明智的）；收集到的用户邮件地址的数量；下载量。

4.探索性指标与报告性指标

     

     “我们知道我们不知道的”意味着某种度量行为。比如数钱、清点用户量、计算代码的行数

     “我们不知道我们不知道的”意味着在一系列探索之后，得到一个能撼动市场的新产品。

      唐纳德理论的作用：检验手头的事实和假设，以确保计划是切实可行的

                                     验证直觉，把假设变成证据

                                      为业务预测表、瀑布式开发流程图和会议提供数据

                                      帮助发现黄金机遇，大展宏图

5.先见性数据指标与后见性数据指标

      先见性指标可用于预测未来。比如：透过销售漏斗中现有的潜在客户数，能大致预测将来所能获得的新客户数。如果目前潜在客户很少，那么将来也不会增加多少新客户。后见性指标能提示问题的存在。比如：用户流失（一段时间内离开某产品或服务的客户量），虽然是后见性，但可以尝试降低用户流失率，再测试是否见效。

     举例：用户投诉，跟踪每日接到的客服电话数，在此之前，以90天为期来跟踪用户投诉量。如果投诉量增加，则作为先见性指标，很有可能未来更多的客户会停用你的产品或服务，但同时该指标帮你深入了解产品和服务的真实状况，分析投诉量上升的原因，解决问题。

    有关账号注销和产品退货的数据是很重要的指标，能精确的指出问题所在，是后见性指标，用户流失量是非常重要的数据指标。在软件公司，季度新订单量是一个后见性指标，新增潜在客户是先见性指标，能帮助提高预测未来的销售业绩。在一个公司中，某一团队的后见性指标有时是另一个团队的先见性指标（例如季度订单量）

6.相关性指标和因果性指标

      发现相关性可以帮助预测未来，发现因果关系意味着改变未来。通常因果关系并不是简单地一对一关系，很多事情都是多因素共同作用的结果。在现实中很难找到100%的因果关系，需要掌握一些独立的数据指标（分析多个独立的数据指标作为自变量），其中每个都能在一定程度上解释某个依存的数据指标（因变量）。

      可以通过如下方法证明一个因果关系：找到一个相关性，进行变量控制试验并测量因变量的变化。如果有一个足够大的用户样本，甚至可以不用太考虑变量控制就能完成一个很可靠的测试，因为其他自变量对因变量的影响最终会被样本数量拉平。

      相关性很好，因果性更佳

7.移动的目标

       早期选定的目标往往是尝试性的，不是板上钉钉。如果你的假设与用户真实行为之间有差别，及时调整你所观察的指标。

8.市场细分、同期群分析、A/B测试和多变量分析

       测试是精益数据分析的灵魂。通常测试就是通过市场细分，同期群分析会A/B测试来比较两个样本的不同。

   8.1 市场细分

         细分市场就是一群拥有共同特征的人。

         以运营网站为例：需要根据一系列的技术，人口信息对访客进行细分，然后比较各个细分市场的差异。如果发现差异，可以通过进一步测试找出原因，并根据原因进行改进。

   8.2 同期群分析

         比较的是相似群体随时间的变化。产品会随着你的开发和测试而不断迭代，这就导致在产品发布的第一周就加入的用户和后来才加入的用户有着不同的体验。在这期间里，你还在不停的对商业模式进行调整。这对用户流失率有影响。每一组用户构成一个同期群，参与整个测试过程。通过比较不同的同期群，可以获知从总体上关键指标的表现是否越来越好了。

         同期群分析使你能够观察处于生命周期不同阶段客户的行为模式，而非忽略个体的自然生命周期，对所有客户一刀切。同期群分析适用于营收、客户流失率、口碑的病毒式船舶、客户支持成本等。

    8.3 A/B和多变量测试

          比较不同群体的同期群试验被称为纵向研究，因为数据是沿着客户群体的自然生命周期收集的。相应的，横向研究指在同一时间段对不同被试群体提供不同的体验。例如：向版数用户展示一个绿色连接，对另一半用户展示蓝色连接，观察哪种颜色的链接点击率更高就是一种横向研究。假设其他条件保持不变，仅考虑体验中的某一属性对被使用户的影响，就是A/B测试。

         可以测试产品的所有细节，但最好首要关注哪些关键的步骤和假设。A/B测试有个软肋，只有用户流量巨大的大型网站能对单一的因素进行测试并迅速得到答案，否则，需要测试很多因素。

         进行一连串的单独测试会延长你走向成熟的周期，所以采用多变量分析同时对多个属性进行测试，其原理是用统计学的方法剥离出单个影响因子与结果中某项指标提升的相关性。

9.精益数据分析周期

     核心在于如何找到一个有意义的指标，然后通过试验改善它，直到令你满意；之后，转而解决下一个问题，或步入创业的下一个阶段。

思考：