momo电子书

手机浏览器扫描二维码访问

第十章 以四个步骤驱动产品迭代（第3页）

我们需要做的，是当预期提升20%时，结果只提升了5%，确认到底哪里出了问题，是否有优化空间，还是这条路压根儿就走不通。

或者提升到了30%，我们要确认之前的判断是否正确，还有哪些没有想到的（甚至很有可能是碰巧触动了意想不到的用户价值，也未可知）。

判断了正误，接下来我们就可以有所行动。

在讨论如何行动之前，我们先讨论一下数据思维。

分析正误的基础：数据思维

就像前文提到的，数据分析师经常被误解为“拉报表的”

或者“跑数的”

，做苦力让我们拿到数据统计结果而已，这种误解就类似外界以为产品经理的核心技能是画原型和写文档一样——它们都只是工具，如同作家的笔和纸，是呈现作家价值的方式，而不是价值本身。

真正的数据分析师像我在滴滴出行的同事、数据分析界的前辈宋世君老师，他关注的当然不是建立一个庞大的数据统计团队。

他对业务的认知深度，以及用数据来辅助产品的业务能力，比大多数产品经理都要专业。

作为脸书出身的数据科学总监，他总结过自己的“数据分析十条”

：

从这十个法则里，1、6、7、8、9、10都是在表述“数据分析产生的价值应当是洞察”

这个道理。

分析师应当通过数据发现问题，这其实是最低的门槛，而不是大家想象中的“我懂得分析数据”

就能成为分析师。

如果能够在发现问题的基础上给出更多的洞见，那才能够成为更高级的分析师，比如前文提到的，知其然，且知其所以然。

数据分析天然会给人客观、中立的感觉，让人在严谨性上有所松懈，忘记了本身做分析的其实是非理性的人，这样就很容易出各种问题，做出许多主观臆测。

例如，下图就是网上流传的一个小段子，用不均匀的坐标轴刻意让观看者产生错误认知。

除了刻意行为，常见的数据分析方面的认知偏误也有许多，它们会暗地里影响数据决策的准确性，有些也会影响用户调研结果的准确性。

●样本选择偏误（sampleselectionbiasselfselection）指的是抽样的方法并不严格随机，比如我们取样时只看苹果的用户情况，显然是无法代表大多数用户的；又或者，我们上线了新的功能，只关注使用新功能的用户的反馈，没有关注不使用新功能用户的反馈，这都是取样偏颇。

因此在大规模的用户基础上，也经常采取分层抽样的方法，即按照主要属性区分抽样，比如新用户老用户、男女、活跃用户沉默用户，等等。

●选择性偏误（selectionbias）指的是因样本选择的非随机性而导致得到的结论存在偏差，与样本选择偏误类似，但更加隐晦且难以被发现。

比如看我做的产品经理公众号“刘言飞语”

是否能帮到新人产品经理，于是统计了公众号的粉丝和非公众号的新人产品经理之间的差异，发现前者的确有更好的工作机会和收入情况。

这就意味着“刘言飞语”

真的帮了大家吗？其实未必，因为关注了公众号的新人产品经理本来就有“更积极地获取有效信息”

的特点，这个属性决定了他们会有更好的结果，而不是因为关注了公众号。

选择性偏误是内生性（endogeneity）的一种特殊情况，指的是结果会受选择或者数据获取过程影响。

●幸存者偏误（survivorshipbias）指的是只看到了筛选的结果而无视筛选过程中的关键因素。

这应该是数据方面最知名的一个认知偏误了。

比如，我们看到有的公司创业成功了，自称是某个决定性的策略（考虑了某个产品的形态或者运营活动）左右了公司的生死，于是大家往往信以为真，认为只要这类策略做得足够好，自己也可以成功。

实际上，执行了同样策略的公司，可能不只这一家，我们之所以没听说过，是因为它们都很快退出了市场，成为历史。

只观察幸存者的行为和听信幸存者的理论，很难找出他们取得成果的关键因素，这也是选择性偏误的另一种表现。

有本书叫作《成功与运气》，讲的就是许多人的成功因素中，个人影响是一方面，更多其实还是运气，只是成功者从个人视角看，不可能将自己的成功归为运气，于是就有了许多成功学方法论。

●基本归因错误（fundamentalattributionerror）指的是考察某些行为或后果的原因时高估个人因素，低估场景和环境影响的双重倾向。