當產品指標上升或下降時，如何找出原因？

當產品的數據指標出現上升或下降時，老闆通常會直接問：

（是否有種熟悉感...）

在這種情況下，如何快速找到變化的根本原因，並為產品的優化提供依據呢？以下是我常用的分析步驟：

1. 拆解數據變化的可能因素

首先，將數據進行細分，從不同維度著手。

例如，假設「播放按鈕點擊率」下降，第一步就是分析這個下降是否與特定版本相關。是最新版本的點擊率下降，還是所有版本的點擊率都有所影響？

還是，是某個平台（如 Web、iOS、Android）的點擊率特別低，或者是否是某個市場（如台灣、美國、日本）出現了下降趨勢？

2. 實際去查看分類數據

拆解完可能的因素後，我就會實際去查看這些不同分類、不同維度的數據。

這時候，GA4 或 Amplitude ...等工具就很好用啦～因為它們可以讓我快速根據版本、平台、地區等不同維度查看數據變化。這樣可以幫助我迅速縮小問題範圍，大大節省時間。

然而，有時候不會這麼幸運！

並不是所有數據都能直接從這些平台獲取。有時候，我需要從資料庫（DB）提取資料，或者處理散佈於多個 Excel 文件中的數據。

這時候，就需要進入Data Cleaning 數據清理的階段。

數據清理常見情境

處理遺漏值：根據分析需求，決定是填補、刪除還是忽略有遺漏值的數據。

處理異常值：識別出異常數據點，並決定是否需要排除這些異常值。

格式轉換：數據來自不同來源，常會出現不一致的時間、數字或文字格式，這樣的數據在分析時難以整合，因此必須統一格式。

表格合併：當數據來自不同表格時，必須將它們進行合併，確保有所需的欄位資料可以分析。

數據重新分類：有時候，根據不同的分析需求，我們需要重新整理、分類數據。如：年齡依照10歲級距分組、地理位置重分成北/中/南區...等。

文字資料處理：對於文字類資料，有時需要將文字分割成多個部分進行分析，或將多個欄位合併。

​

當我不確定該怎麼進行某些步驟或忘記公式時，AI就會是我的好幫手。

透過向 ChatGPT 詢問資料整理的技巧或公式，我可以更快地完成數據清理，節省寶貴的時間。

3. 提出假設並驗證

當找到具體的數據異常後，我會進一步推測原因。

如果是新版本導致的問題，我會先檢查新功能是否影響了用戶的使用體驗，或者是追蹤碼埋設是否正確。

如果是某個市場數據下滑，那麼可能是競品活動或市場環境變化帶來的影響。

這時候，通常需要進一步拉取相關數據來驗證這些假設，最終推導出原因。

4. 視覺化數據並報告結果

最後，將分析結果進行數據視覺化是關鍵的一步。用圖表展示數據可以讓結果更直觀，並能有效說服決策者。

因此，我通常會用 Looker Studio 將數據轉換為清晰的視覺化報告，這樣大家可以一目了然地了解數據變化的原因。

這就是我在面對產品數據變化時的一套流程，通過數據拆解、分類查看、假設驗證和數據視覺化，可以快速找出問題的根源並提出有效的解決方案。

如果你想深入學習如何運用AI 工具進行數據分析，或想要提升在產品管理中的數據技能，歡迎參考「AI妙用大揭秘 - 軟體產品經理的輕鬆工作指南！」線上課程

這門課程包含3 堂直播課和8 個精心設計的預錄章節，讓你能全面掌握 AI 工具的實戰技巧。

👉點我看更多介紹