产品分析

产品分析是对用户如何使用产品进行衡量和分析，其目的在于改进产品本身，而非衡量营销绩效。传统的网络分析围绕会话、页面和流量来源展开，而产品分析则围绕用户、事件、功能和用户行为随时间的变化展开，这反映了两者旨在解答的不同问题。

核心单元是事件：用户执行的离散操作，并记录描述其上下文的属性。基于精心设计的事件流，可以进行以下标准分析：漏斗图显示用户在预设流程中流失的位置；留存曲线显示用户在首次使用后数天和数周内的使用情况；功能采纳分析显示使用某项功能的用户比例及其使用频率；路径分析显示用户的实际行为而非预设流程；以及队列比较分析显示近期用户与早期用户的行为是否存在差异。

它的独特贡献在于将用户行为与结果在具体功能层面联系起来。营销分析无法解答的问题，例如：采用特定功能的用户留存率是否更高？用户在最初一周的哪些操作顺序能够预测其长期使用情况？以及产品中哪些部分维护成本高昂却几乎无人问津？这些问题都可以直接得到解决。在以产品为主导的企业中，发现某个早期操作与用户留存率密切相关是一种普遍现象，并且通常会围绕引导用户采取该操作来重塑用户引导流程。

所有数据的质量都取决于事件分类，而这正是大多数实现失败的原因。事件命名不一致、跨平台定义不同、由各个团队随意添加，或者缺乏必要的属性来对其进行细分，都会导致数据集无法回答问题，除非先进行一番深入的挖掘。一份记录在案的跟踪计划，明确定义每个事件、其属性、触发条件和负责人，并在实施前达成一致，并在产品变更时持续维护，是构建可用数据集和构建昂贵数据集之间的关键区别。

与大多数分析工作相比，行为数据更容易混淆相关性和因果关系，因为行为数据本身就容易让人联想到因果关系。用户采用某个功能后留存率更高，并不意味着该功能本身就能提高留存率；用户参与度更高可能只是采用了更多功能。如果仅仅因为发现了这些功能就强行推广，往往收效甚微，因为因果关系的方向恰恰相反。建立因果关系需要实验，这也是为什么产品分析和受控测试需要协同运作，而不是相互替代的原因。

产品分析和传统网络分析之间的关系需要明确界定，而不是各自为政地叠加。许多组织最终同时运行这两种工具，导致工具重叠、定义不一致，两组数据也始终无法完全吻合，最终会议的焦点都集中在哪个报告才是正确的，而不是应该采取什么行动。可行的方案是明确定义每种工具的适用范围，通常一种工具用于衡量市场营销和用户获取，另一种工具用于衡量产品内行为，并使用一个共享标识符将它们连接起来，对于任何同时出现在两种工具中的指标，都应使用同一个来源。如果同一个问题可以通过两种工具回答，则答案应该只记录一次，而不是让被问到的人各自独立地重新计算。

隐私和数据量都需要精心管理，因为详细的行为追踪会产生包含可识别个人信息的大型数据集，并且与其他任何个人数据处理一样，都受到相同的同意和保留义务的约束。实际上，追踪计划和分析能力是由……建立的。 数据分析该仪器的实施是作为以下部分的一部分： 产品开发 而不是进行改造，由此得出的研究结果将用于确定优先事项。 产品研究其中，行为证据和定性见解被综合考虑。