本篇文章3000字左右，商业升数阅读需要20分钟~~
无论是产品商业产品经理还是用户产品经理，通过数据来发现问题并找到优化方向一直都是经理据分非常重要的一个技能，我负责任的何提说，发现问题并能清楚的商业升数定义问题等于产品优化成功的一半。很多产品经理的产品数据分析能力较差，除了不会基本的经理据分数据技能（SQL等）之外，还有一个原因就是何提没有较为清晰的数据分析思路。遇到一个问题应该从哪个切入点入手解决，商业升数不仅涉及到数据分析思路的产品问题，还涉及到对产品功能逻辑以及功能场景的经理据分理解的问题。对于程序员来说，何提一个程序员水平的商业升数高低，写代码的产品时候你很可能看不出来，但是经理据分出bug的时候，分析和排查问题，有经验有思路的程序员其处理的效率往往比缺乏经验没思路的高一个数量级。这种效率的对比现象，在数据分析中对于产品经理来说同样适用。
那么产品经理要如何提升自己的分析数据，发现问题并优化的能力呢？基于我这么多年踩的坑，我来说下我的方法。以下的一些方法主要是针对商业广告方面的总结，但聪明的同学都知道，其实可以举一反三。
一、充分的了解功能的目的以及业务的具体逻辑
产品的功能都会有一个特定的目的，了解了产品的目的的前提下，你才知道什么是合理的什么是不合理的。业务逻辑的梳理也有助于你在对比分析中更容易的找到问题的所在。举个例子，同样是竖版视频广告且在同一个广告库的基础前提下，在A媒体上的点击率有2%+，在B媒体上却只有0.5%，如果你不了解业务的逻辑，即便你在分析的颗粒度上细分到年龄，地域以及网络环境进行分析，都很难发现他们之间的问题所在。但是一旦你了解到业务的逻辑，去体验下产品，就容易知道两个媒体在广告的“可点区域上“有明显的区别，A媒体的可点区域比B 每天同样广告的可点区域要大得多，那么问题就迎刃而解了。
有时候，我们会听到一些同学说，某某媒体广告的点击率多高多高，其实这也是不严谨的，广告的最终效率是一个曝光带来的转化或者收益，涉及点击率（CTR）和CVR（转化率）等多个中间指标，仅仅提升其中一个中间指标还是相对容易的，比如增大可点区域就可以快速的提升CTR，但是随之CVR就会或多或少的出现下降。所以不能单纯的看某个中间指标，要看一个全局的指标，才能对业务和逻辑有一个全盘的认知。脱离业务场景谈指标优化的同学都是耍流氓。
二、对产品的数据链路有个完整清晰的转化路径数据
数据分析中，有个非常普遍而又很有用的分析模型是“漏斗分析模型”即将产品或者功能的各个环节的转化链路指标从开始一层一层的逐步分析，类似一个漏斗的进行逐层的分解，这样对目标以及转化的损耗都有比较清晰的认知。举个例子，搜索广告的收入 = 用户的搜索量 * 广告曝光率*广告点击率*平均广告点击价格。若想提升搜索广告的收入，就需要从以上几个核心因素入手。如何提升用户的搜索量：1）优化搜索的技术，让搜索结果更加精准；2）控制搜索入口渠道，网址导航，地址栏劫持（客户端劫持与网关劫持，前者如浏览器或其他客户端软件、工具条等等）；3）掌控优质内容，形成竞争门槛，如百度知道，百度百科，百度文库。通过这样的措施，把握了搜索的入口和内容，用户的搜索量就可以得到较大的上涨。
而如何提升广告的曝光率，这里商业词、热频词已经被客户全覆盖，优化方向来自于长尾词，从精确的关键词匹配广告到智能模糊匹配，长尾词的覆盖率极大提高。另外从文本相关逐步增加“意图”相关，也能很好的扩展广告搜索词的匹配。比如搜索facebook可以匹配到Instagram等；其他指标也需要不断的展开分析。这样就会形成了你对于产品逻辑以及商业逻辑的一个思考分析的思路。
说个题外话，最近百度投资知乎，字节跳动入股互动百科，都是在形成自己的内容壁垒。内容是搜索的根基，在移动互联网信息孤岛效应的情况下尤甚。在字节跳动（今日头条母公司）公布他们做搜索的8个月之前，我在公司的一次分享中曾经说过，未来1到2年内字节跳动一定会做搜索，因为字节跳动在资讯以及视频上这几年积累了大量的内容，由内容直接切入搜索是很合理的一件事情,因为内容是搜索的根基和护城墙。
那么，对于近几年热门的信息流广告 = 资讯的PV* adload（广告加载率）* CTR（广告点击率）*CPC（平均点击单价），如何提升收入？你是不是也可以进行漏斗分析一下，每个环节的漏斗是否合理？
上面的分析，只是从广告层面较大的转化链路上进行的分析，如果要细化到不同的场景，数据还需要更深入。比如，针对游戏应用的转化漏斗= 广告的PV * CTR * CVR（转化率）*CPA（应用激活成本），而CVR又涉及到应用落地页的打开率，应用的开始下载率（下载按钮点击率），应用的下载成功率，这些更细节的数据在不同的网络条件下数据又是怎样的一个情况，如此细分不同的环境的数据链路进行漏斗分析，这样就能找到大概的优化方向和思路了。
三、分析真实值与预估值之间的gap
广告是一门强烈依赖于“预估”的科学，在用户对广告真实发生行为之前，所有的数值都是基于预估，比如点击率预估，转化率预估，合约广告的流量预估等等。广告的整体策略就是基于这些预估的数据进行的。那么，我们常常会分析用户的广告行为的转化漏斗，基于这些“实际的数据”来分析和优化。但是，我们常常会忽略了“预估”的影响，预估影响着排序，排序影响着位置，所以最终会影响到广告系统的整体收益。那么如何来分析这块的数据呢？一个直接的方式是，分析“真实值“与”预估值“之间的差距（gap或者说bias）。比如将广告的预估点击率与真实点击率的差距值情况是怎样的，预估的转化率跟真实的转化率之间的差距又是怎样。这时候你可以发现更多的东西，比如第一名的预估值可能高估，而第二名的预估值出现的了低估，那么校正预估值之后可以使得排序结果更准确，从而获取更高的价值，做到广告价值最高的优先曝光。在对比真实值与预估值之后，你还需要对预估模型的关键参数进行review，看看是否遗漏某些关键因素，导致误差较大。预估模型比较复杂，对很多产品经理来说理解还是有点难度，可以认为是一个黑盒，但是关键因素的影响作为产品经理在日常体验产品和广告的过程中是可以发现的，比如用户重复看了多次广告之后，点击率是怎样的一个下降的趋势，模型上是否已经加入了这个因子，如何修正等。广告的收费模型是CPM,CPC,CPA或者OCPM、OCPC等模式，在广告排序逻辑上，除了CPM广告可以投入较少的预估模型之外，其他都非常依赖于广告系统的预估能力。但实际上，CPM广告通常是合约的广告，在当前要求”品效合一“的广告目标下，广告的效果预估能力也是非常重要。因此，对于预估值与实际值之间的差异，我们还是非常有必要进行认真的分析的。
四、平均值与数值分布
无论是生活还是产品的数据，都很容易被平均。比如前段时间腾讯Q2财报，很多人就说腾讯的月均工资是7万。不好意思，很多人被平均了。那么在产品分析的过程中，我们也要警惕这种被平均的数据。对于信息流产品来说，举个例子，我们当前的产品的人均浏览信息的条数是90条，那么要想提升用于对于信息的浏览条数，就要将浏览信息条目数分布的的用户情况，以及用户的画像特征分析出来，这样，基于产品设计的原则——基于什么样的场景，给什么样的用户提供怎样的服务和价值——才能针对性的提升不同用户群里对于内容的消费量。再说回广告的情况，如果针对的是广告产品的填充率指标，整理来看，通常填充率都很难填满，比如某个视频信息流场景的广告填充率是80%。要想提升填充率，就不是单纯的说广告主不够的问题了，不要被平均的数字限制了你的思路，要看数据的分布情况，具体的产品需要具体的分析，通常需要分年龄，分画像特征以及用户的行为特征（比如请求广告的次数）等场景分析这些情况下广告填充率的情况，比如，我们会发现很多的游戏公司投放广告时通常会有年龄的限定，比如传奇类游戏（例如渣渣辉传奇）就喜欢25岁的男性，因为他们付费能力更好。这样分析之后，你才能有的放矢。发现问题并把问题清楚的的定义出来，是产品优化的关键。
未完待续……