《精益數據分析》是精益叢書的其中一本。這本書融合精益創業法，講解在精益創業過程中數據分析的應用。
從尋找好的指標開始
數據的重要作用是毋庸置疑，一個好的指標可以佐證我們的想法、可以指導我們的下一步行動、可以影響我們的決策。
好的指標
那麼什麼是好的指標：
- 是可比較的。可與不同用戶羣比、與產品不同時期對比、與競品對比。通過對比獲悉產品的狀態。“本月用戶增長了30%”顯然比“本月用戶增長了3萬個”更有意義。
- 是易懂的。好的指標能讓人容易記住，並且很容易反映出產品的狀態。
- 能指導行動的。當指標變化時，可以馬上判斷是否需要採取行動。
- 少而精的。太多指標會讓你陷入數據的海洋裏面，顧頭不顧尾。
以數據爲導向
以數據爲導向在精益創業的過程中起到了很大的作用。但是很多人會迷信於數據，過分最求數據，而陷入過度分析的深淵。
其一，數據分析可能有所遺漏，分析的結果會遺漏很多重要的可能。其二，片面的追求數據，可能會損壞其它方面。
真正的以數據爲導向是要將數據作爲工具。利用數據總結過去、驗證想法、發現創新點。
找到第一關鍵指標
第一關鍵指標OMTM(One Metric That Matters)，也就是你在當前階段高於一切、需要全部精力專注的那些指標。
我的理解第一關鍵指標應該不止一個，而是少數幾個關鍵的指標。
我們可以收集所有數據，但是隻關注其中最重要的那些。
使用第一關鍵指標可以：
- 解釋了現階段最重要的問題。
- 反應現階段的情況以。
- 給出清晰的目標。
- 帶來整個團隊的專注。
先行指標
先行指標是指經過一段時間的統計分析總結出來的，可以用於預測其他指標的指標。
註冊轉化率是個先行指標，可以推算引入多少點擊率可以最終完成多少個註冊用戶。還有留存率等，可以大體知道經過n天后，還有多少活躍用戶。
先行指標的意義在於：一，可以憑藉先行指標提前知道後續指標的情況。二，優化先行指標的數據可以優化後續指標的數據。
因果性指標和相關性指標
假設有兩個指標A和B，那麼：
- 如果A發生變化，會導致B發生變化，則稱A和B爲因果性指標。
- 如果A發生變化的時候，B會伴隨着發生變化，則A和B爲相關性指標。
因果性指標意味着你改變其中一個就能改變另一個指標。你的產品出現了一個嚴重的Bug導致了很多用戶流失。“出現Bug”是因，“用戶流失”是果。但如果你把Bug修復了，這部分用戶就不會流失了。
但是現實情況是我們很難找到一個100%的原因，往往一個結果是由多個原因共同導致的。上面的例子，出現Bug只是用戶流失的一部分原因。儘管如此，找到部分原因也是很有價值的。
更多的時候我們是找到了相關性的指標，通過數據分析可以觀察到某些指標有很強的關聯性，它們經常會一起出現。例如通過數據分析發現iPhone用戶的付費意願更高，但“使用iPhone”和“付費率高”這兩個指標並沒有必然的關係。根本的原因應該是“使用iPhone”的羣體和“付費率高”羣體是同一個羣體。
在實際應用中，相關性指標也是有很大作用的。因爲相關性指標總是同時出現，這樣能從一個指標去推斷另一個指標。
創業階段的劃分
本書給出了創業階段的劃分，以及每個階段需要關注的指標。
這本書將創業階段劃分成：移情、粘性、病毒性、營收、規模性五個階段。
移情
移情這個詞在中文裏算是個很偏僻的詞彙了。移情原文用的是“ Empathy”這個單詞。Google翻譯解釋“Empathy”就是“the ability to understand and share the feelings of another.”用中文理解應該是同理心、共鳴、移情之意。
“移情”從文章中來分析，應該是：理解用戶、和用戶產生共鳴，並以此創建出用戶喜歡的產品。
這個階段是從0到1的階段。通過用戶訪談，整理用戶需求得出解決方案，最後完成MVP的開發。
這個階段主要收集數據的手段是用戶訪談，收集到的指標主要是定性的指標。階段的目標在於判斷問題是否足以讓足夠多的人感到困惑。
- 問題足以讓人感到困惑。用戶要解決的問題很多，這個問題本身是否足夠驅使用戶去使用你的產品來解決問題。
- 有足夠多的人感到困惑。必須擁有一個潛在的足夠大的市場。
- 用戶已經在試圖解決這一問題。用戶已經在找其他辦法解決這個問題了，而你能從另一個角度高效地解決這個問題。
在移情階段，無論是用戶訪談過程，還是對指標的解讀都是比較主觀的。所以在這個階段的主要問題就在於我們自己本身，我們能否真正的解讀用戶的需求，並設計出真正滿足用戶需求的產品。
粘性
到粘性階段你已經完成了MVP開發，並有了一部分用戶。在粘性階段，你需要打造一組核心功能，讓用戶成功應用你的產品解決問題，並且讓用戶開始頻繁使用你的產品。
從這個階段開始，你已經可以開始收集定量數據指標。你需要通過數據指標證明兩件事情：
- 用戶是否如你所料的在使用你的產品？如果沒有，尋找原因並調整產品功能或方向。
- 用戶是否從你的產品裏面獲得價值？用戶能否通過你的產品解決其問題。
粘性階段是從移情階段的主觀轉向客觀的過程，你第一次面對真正的用戶羣體，你會發現很多在移情階段的設想是錯誤的。
在這個階段你應該做：
- 如果用戶沒有如你所料的使用你的產品。要嗎儘快調整產品功能，要嗎尋找真正的目標用戶。
- 跟蹤第一關鍵指標，如果某些功能無法幫助你提升核心指標，則儘快刪除它。
這個階段你不應該做：
- 過早進入病毒性階段。沒有足夠的粘性用戶會迅速流失，而且你很難有機會讓用戶再次註冊你的產品。
- 迷戀於微調和潤色部分功能。這個階段還是不是打磨功能的階段。應該把盡力放在尋找真正的能解決用戶問題的功能上，哪怕這些功能可能還有一定的瑕疵。
- 對用戶的反饋過度敏感。用戶永遠都在抱怨，謹慎對待用戶的抱怨。
在這個階段你應該重點關注核心功能的參與度、用戶留存率等指標。
病毒性
經過粘性階段，你已經找到了一種吸引用戶回頭的方法解決了用戶的問題。在病毒性階段，你將嘗試尋找一個途徑通過病毒性傳播來吸引更多的用戶。
書中將病毒傳播分成了三個種類：
- 原生病毒性。你產品本身天然具備的功能。很多社交產品都有邀請、分享的功能。
- 人工病毒性。通過人爲增加刺激因素而具備的傳播性。如邀請有禮等功能。
- 口碑病毒性。當用戶喜歡你的產品後，自發的通過口口相傳而傳播。這種病毒性很難衡量，但是卻有很重要的影響。
這個階段，你應該關注病毒性係數指標。先計算出邀請率和接受率：
邀請率 = （發出邀請數量 ÷ 活躍用戶）
接受率 = （接受邀請用戶 ÷ 發出邀請數量
然後計算出病毒性係數：
病毒性係數 = 邀請率 × 接受率 = 接受邀請用戶 ÷ 活躍用戶
也就是說，病毒性係數衡量了一個現有活躍用戶能帶來多少個新用戶。
另一個需要關注的指標是傳播週期：從用戶註冊到用戶邀請新用戶的時間。
病毒性係數和傳播週期共同決定了病毒式傳播的能力。所以在病毒性階段你應該：
- 提升用戶的邀請率。
- 提升邀請的接受率。
- 縮短產品的傳播週期。
營收
經過了病毒性階段，意味着用戶數量逐步增長。從這個階段開始，你需要逐步開始考慮賺錢的問題了。
用戶爲什麼付費？
在向用戶收錢之前，先了解：用戶爲什麼付費？用戶付費的本質是爲產品帶來的價值付費。所以，產品能否爲用戶創造價值纔是營收的根本。
找到PMF
營收階段的第一個目標是尋找PMF（產品和市場契合點）。在PMF到來之前，營收要經歷一段緩慢的增長階段。在PMF之前，你可以：
- 調整產品適應市場的需求。審視你原有的假設和方案，調整產品功能，滿足市場的需求。
- 更換目標用戶，以適應產品的屬性。如果產品沒錯，那麼可能是你的目標用戶找錯了。你可以更換目標用戶，耕耘另一個細分市場。
用戶終生價值 > 用戶獲取成本
找到PMF後，讓用戶終生價值>用戶獲取成本是你的下一個重點目標。
這意味着一方面你需要不斷調整商品或服務種類、增加新的功能、推出各種促銷活動增加你的用戶終身價值。另一方面你需要不斷優化獲客手段、提升註冊轉化率來降低用戶的獲取成本。
書中給出了增加營收的手段：“更高效地向更多的用戶更頻繁地銷售更多的商品”。這麼多個“更”不是一下子全部能滿足的，你需要找出其中哪些“更”能最大限度地提高你平均每用戶的營收。
規模化
到了規模化階段，意味着你已經捕獲了一部分用戶，並優化了每用戶營收和獲客成本的關係。從這個階段開始，你嘗試進入新的市場，獲得更多用戶羣體，同時也開始構建你的競爭壁壘。
規模化階段可以採取的策略有：
- 市場細分策略。重點關注某些利基市場，尋找那些小衆但是邊界清晰的市場，然後紮根於這個利基市場裏。
- 低成本策略。通過高效的手段降低獲客、服務、商品成本，構建你的低成本優勢。
- 差異化策略。讓自己的服務或商品變得與衆不同，給用戶帶來更多的價值。
你也可以運用上面策略的組合，比如在細分市場構建差異化的服務。但是不同的策略也會帶來矛盾，例如低成本策略意味着可能無法創造更多的差異化服務以獲取更高的利潤率。
結尾
真本書給我們提供了一個數據分析的框架，並提供了多個案例加以說明。總的來說是一本入門級的數據分析的書。
其中有些觀點值得深思：
經過驗證的想法纔是對的
雖然往往我們對自己的判斷很自信，但是要記住，只有經過驗證的想法纔是對的。
不要讓數據綁住手腳
雖然數據指標在創業過程中很重要，但是人的經驗和想法也很重要。過於陷入數據裏面，會忽視其他方面。很多創新的點子就來源於人的經驗總結和非數據的思考。
確定一個第一個關鍵指標很重要
當你陷入各種細節指標裏面時，其結果跟沒有指標差不多。你無法從滿屏跳動的指標上獲得什麼有用的信息。
第一關鍵指標則能讓你更加聚焦當前的工作，爲你工作劃定一個衡量標準。
指標應該隨着各個階段的目標而不斷改變
創業處於不同的階段，有不同的目標，也會遇到不同的問題，你跟蹤的關鍵指標也應該隨着變化。
數據是死的，關鍵看怎麼解讀
對數據的解讀很重要，是否全面、是否客觀、是否真實，都將影響你的結論。相同的數據，不同的解讀甚至會出現風牛馬不相及的結論。
多試驗
多試驗，多犯錯。利用好數據，糾正錯誤的想法，找到正確的方法。
指標優化要考慮全局
一些指標的優化可能會帶來其他指標的惡化，對指標優化要考慮全局效果。同時，也要關注對其他非數據指標的影響，如品牌形象等。