معرفی و تعریف
تحلیل دادههای محصول (Product Analytics) فرایند بررسی رفتار کاربران و شاخصهای محصول برای شناخت الگوهای استفاده، ارزیابی عملکرد قابلیت‌ها و کمک به تصمیم‌گیری درباره محصول است. در این فرایند، داده‌هایی مانند ثبتنام، مشاهده صفحه، جست‌وجو، افزودن به سبد خرید یا تکمیل پرداخت بررسی می‌شوند تا مشخص شود کاربران در کدام مرحله پیش می‌روند، متوقف می‌شوند یا دوباره به محصول بازمی‌گردند.
تحلیل دادههای محصول با گزارش‌گیری صرف تفاوت دارد. گزارش می‌تواند تعداد کاربران یا میزان فروش را نشان دهد، اما تحلیل محصول تلاش میکند با بررسی رفتار کاربران و زمینه تغییرات، به پرسشهای تصمیم‌محور پاسخ دهد. برای مثال، آیا تغییر صفحه ثبتنام با افزایش نرخ فعالسازی کاربران جدید همراه بوده است؟ پاسخ به چنین پرسشی به تعریف دقیق رویدادها، انتخاب شاخص مناسب، بررسی قیف تبدیل و تحلیل همگروهی (Cohort) نیاز دارد. برای نتیجه‌گیری معتبر نیز باید محدودیت‌های داده و عوامل دیگری را که ممکن است بر نتیجه اثر گذاشته باشند، در نظر گرفت.
مدیران محصول، تحلیلگران محصول، تحلیلگران داده و گاهی طراحان تجربه کاربری از این مهارت برای اولویت‌بندی مسئله‌ها، سنجش اثر انتشار قابلیت‌ها و گفت‌وگو با تیم فنی استفاده می‌کنند. این راهنما کاربردی عمومی دارد و بیشترین تناسب را با محصولاتی دارد که داده رویدادی قابل اتکا از رفتار کاربران ثبت می‌کنند.
اهمیت و کاربردها
چرا این مهارت مهم است؟
مدیر محصول بدون تحلیل شواهد کافی ممکن است مسئله‌های واقعی کاربران را با نظر پرصداترین ذی‌نفع یا چند بازخورد پراکنده اشتباه بگیرد. تحلیل دادههای محصول به بررسی الگوهای رفتاری و تشخیص تغییرات شاخصها کمک میکند، اما برای مشخص‌کردن علت افت نگهداشت یا اثر یک انتشار جدید، باید عوامل دیگری مانند تغییر کانال جذب، فصل، اختلال فنی و تغییر ترکیب کاربران را نیز بررسی کرد.
در نقش‌هایی مانند مدیر محصول و تحلیلگر محصول، میزان نیاز به SQL به شرح نقش، دسترسی به داشبوردها و اندازه تیم داده وابسته است. در تیمی که تحلیلگر اختصاصی دارد، توانایی طرح پرسش دقیق، فهم تعریف شاخص و ارزیابی خروجی تحلیل اهمیت بیشتری دارد. در تیمی که مدیر محصول تحلیل‌های تکرارشونده را مستقل انجام میدهد، توانایی بررسی داده با SQL نیز کاربرد مستقیم پیدا میکند. این مهارت جای پژوهش کاربر یا قضاوت محصول را نمی‌گیرد؛ داده نشان میدهد چه رخ داده است و پژوهش و گفت‌وگو با کاربر به توضیح چرایی آن کمک میکند.
برای تیم محصول، تحلیل داده‌ها می‌تواند به شناسایی تصمیمهای کم‌اثر و فرصت‌های بهبود کمک کند. برای مثال، افزایش تعداد نصب اپلیکیشن لزوما نشانه رشد سالم نیست. اگر کاربران جدید به اقدام ارزشمند اولیه نرسند یا در هفته‌های بعد بازنگردند، لازم است فعالسازی و نگهداشت آن‌ها نیز بررسی شود.
کاربردها
-
تعریف شاخص موفقیت قابلیت جدید
تبدیل هدف مبهمی مانند «بهبود ثبتنام» به شاخص‌هایی مانند نرخ تکمیل ثبتنام، زمان تکمیل و نرخ خطا.
-
تحلیل قیف تبدیل
یافتن مرحله‌ای که کاربران در مسیر ثبتنام، خرید، درخواست خدمت یا تکمیل پروفایل بیشترین ریزش را دارند.
-
ارزیابی فعالسازی کاربران جدید
تعیین رفتار اولیه‌ای که با دریافت ارزش محصول مرتبط است و سنجش سهم کاربران جدیدی که به آن می‌رسند.
-
بررسی نگهداشت با تحلیل همگروهی (Cohort)
مقایسه بازگشت کاربرانِ ثبت‌نام‌کرده در بازه‌های مختلف برای تشخیص تغییرهای واقعی در نگهداشت.
-
سنجش اثر انتشار محصول
مقایسه شاخصهای پیش و پس از انتشار، با توجه به تغییرهای هم‌زمان مانند کمپین، فصل یا اختلال فنی.
-
بخش‌بندی کاربران
مقایسه رفتار گروههایی مانند کاربران جدید و قدیمی، کاربران موبایل و وب یا کاربران کانال‌های جذب مختلف.
-
پایش کیفیت داده رویدادی
شناسایی رویدادهای تکراری، ناقص یا ناهماهنگ پیش از آنکه مبنای تصمیم محصول قرار گیرند.
ابزارهای مرتبط
پیش‌نیازها
موارد زیر پایه‌های لازم برای شروع را نشان می‌دهند.
- آشنایی مقدماتی با کاربر، قابلیت و مسیرهای اصلی یک محصول دیجیتال
- توانایی خواندن جدولها و انجام محاسبات ساده مانند درصد و میانگین
مسیر یادگیری تحلیل دادههای محصول
-
۱۵ ساعت
پرسشهای محصول را به شاخص قابل سنجش تبدیل کنید
چرخه عمر کاربر، شاخصهای ورودی و خروجی، شاخصهای محافظ و تفاوت شاخصهای پیشرو و پسرو را یاد بگیرید. برای یک محصول فرضی، هدف‌هایی مانند افزایش تکمیل خرید یا بازگشت کاربر را به تعریف دقیق شاخص، صورت و مخرج آن تبدیل کنید.
برای هر شاخص مشخص کنید چه کسی، در چه بازه‌ای و با چه رویدادی شمرده می‌شود. شاخصی که تعریف عملیاتی ندارد، در گزارش‌های مختلف نتایج متناقض تولید میکند.
در این مسیر یادگیری، حدود ۱۲۰ ساعت را به‌عنوان برآورد پیشنهادی برای آموزش، مطالعه و تمرین در نظر بگیرید. زمان موردنیاز به پیش‌زمینه شما، میزان آشنایی با SQL و پیچیدگی پروژه‌های تمرینی بستگی دارد. کیفیت تمرین‌ها و توانایی تحلیل و تفسیر داده‌ها نیز از صرف زمان بیشتر اهمیت دارد.
-
۲۰ ساعت
داده رویدادی و طرح رهگیری را طراحی کنید
ساختار رویداد، ویژگی رویداد، شناسه کاربر، زمان رخداد و تفاوت رویدادهای سمت کاربر و سمت سرور را تمرین کنید. یک طرح رهگیری برای مسیر ثبتنام یا خرید بنویسید که نام رویدادها، ویژگی‌های لازم و شرایط ثبت هر رویداد را روشن کند.
رویدادهایی را که کاربرد تحلیلی مشخصی ندارند، بازبینی کنید و از ثبت دادههای غیرضروری بپرهیزید. هر رویداد باید هدفی روشن در سنجش رفتار کاربر یا عملکرد قابلیت داشته باشد. اگر محصول از Google Analytics استفاده میکند، نام‌گذاری رویدادها و پارامترها را با طرح رهگیری هماهنگ کنید و پس از پیاده‌سازی، صحت ثبت آن‌ها را در گزارش‌های مربوط بررسی کنید.
-
۲۵ ساعت
داده را با جدول و SQL بررسی کنید
فیلتر، گروه‌بندی، اتصال جدولها، شمارش کاربر یکتا و کار با تاریخ را در SQL تمرین کنید. سپس داده رویدادی را به جدول‌های ساده تبدیل کنید تا تعداد کاربران، نرخ تبدیل و روند روزانه را محاسبه کنید.
هم‌زمان خطاهای رایج مانند دوبارشماری کاربر، مخلوط‌کردن بازدید با کاربر یکتا و حذف‌نکردن داده آزمایشی را بررسی کنید. خروجی پرس‌وجو را پیش از تفسیر با چند نمونه واقعی کنترل کنید.
برای تمرین‌های سبک و بررسی دستی داده‌ها، Microsoft Excel مناسب است. برای تحلیل دادههای ذخیره‌شده در پایگاه داده نیز می‌توانید از SQL استفاده کنید. انتخاب PostgreSQL یا MySQL به محیط داده‌ای بستگی دارد که با آن کار می‌کنید. برای یادگیری مفاهیم پایه SQL، لازم نیست هر دو ابزار را هم‌زمان یاد بگیرید.
-
۲۵ ساعت
قیف، فعالسازی و نگهداشت را تحلیل کنید
قیف را بر پایه ترتیب و بازه زمانی رویدادها بسازید و ریزش هر مرحله را جداگانه بخوانید. برای یک محصول فرضی، رفتار ارزشمند اولیه را تعریف کنید و نرخ فعالسازی کاربران جدید را بسنجید.
تحلیل همگروهی (Cohort) را برای مقایسه بازگشت کاربران در هفته‌ها یا ماه‌های مختلف انجام دهید. تفاوت میان کاربران تازه‌وارد، کاربران بازگشتی و کاربران غیرفعال را در تحلیل حفظ کنید.
-
۲۰ ساعت
نتیجه را با زمینه محصول تفسیر کنید
بین همبستگی و رابطه علت و معلولی تمایز بگذارید. افت نرخ تبدیل پس از انتشار یک قابلیت لزوما به معنای اثر منفی آن قابلیت نیست. این تغییر ممکن است با عواملی مانند خطای فنی، تغییر کانال جذب، تغییر ترکیب کاربران یا عوامل هم‌زمان دیگر مرتبط باشد. برای ارزیابی دقیق‌تر، شواهد تکمیلی و در صورت امکان نتایج آزمایش کنترل‌شده را بررسی کنید.
برای هر یافته، شواهد، محدودیت داده، فرضیه‌های رقیب و اقدام پیشنهادی بنویسید. نتیجه‌گیری را با پژوهش کاربر، بازخورد پشتیبانی و مشاهده مسیر واقعی کاربر تکمیل کنید.
وقتی تحلیل به پاک‌سازی داده، تکرار محاسبات یا بررسی حجم زیادی از رویدادها نیاز دارد، Python را به‌کار بگیرید. برای یک قیف ساده که با SQL یا جدول قابل بررسی است، افزودن Python ضرورتی ندارد.
-
۱۵ ساعت
گزارش تصمیم‌محور و قابل اقدام ارائه دهید
گزارشی کوتاه بسازید که پرسش، بازه داده، تعریف شاخص، یافته اصلی، محدودیت و پیشنهاد گام بعدی را دربر بگیرد. نمودار را فقط زمانی استفاده کنید که مقایسه یا روند را روشن‌تر میکند.
یک ارائه پنج‌دقیقه‌ای برای تیم محصول تمرین کنید. تمرکز ارائه باید بر تصمیم باشد، نه نمایش تعداد زیادی نمودار یا اصطلاح فنی.
زمان تقریبی یادگیری
برآورد مجموع زمان آموزش، مطالعه و تمرین تا رسیدن به سطح کاربردی؛ بسته به پیش‌زمینه شما می‌تواند کمتر یا بیشتر باشد.
پروژه‌های تمرینی
موارد زیر تصویری کلی از این بخش برای این مهارت ارائه می‌کنند.
-
طراحی طرح رهگیری برای مسیر خرید
توضیح پروژه: برای یک فروشگاه فرضی، رویدادهای مشاهده کالا، افزودن به سبد، شروع پرداخت، خطای پرداخت و خرید موفق را تعریف کنید. ویژگی‌ها، شناسه‌ها و پرسش هر رویداد را در یک جدول مستند کنید.
-
تحلیل قیف ثبتنام با داده نمونه
توضیح پروژه: با یک مجموعه داده رویدادی نمونه، نرخ تبدیل هر مرحله ثبتنام را محاسبه کنید. مرحله با بیشترین ریزش را مشخص و دست‌کم دو فرضیه قابل بررسی برای آن پیشنهاد کنید.
-
گزارش نگهداشت کاربران جدید
توضیح پروژه: کاربران را بر اساس هفته ثبتنام گروه‌بندی کنید و بازگشت آن‌ها را در هفته‌های بعد بسنجید. روندها را توضیح دهید و مواردی را که برای نتیجه‌گیری به داده بیشتر نیاز دارند بنویسید.
-
ارزیابی یک قابلیت منتشرشده
توضیح پروژه: برای یک قابلیت فرضی مانند ذخیره‌کردن کالا یا یادآور پرداخت، شاخص موفقیت و شاخص محافظ تعریف کنید. سپس یک گزارش پیش و پس از انتشار با محدودیت‌های تفسیر آن آماده کنید.
پرسشهای رایج درباره تحلیل دادههای محصول
در این بخش، به تعدادی از پرسشهای رایج درباره این مهارت پاسخ داده شده است.
آیا تحلیل دادههای محصول همان تحلیل داده است؟
نه کاملاً. تحلیل داده حوزه گستردهتری است، اما تحلیل محصول بر رفتار کاربر، شاخصهای محصول، قیف، فعالسازی، نگهداشت و اثر تصمیمهای محصول تمرکز دارد.
برای یادگیری تحلیل دادههای محصول باید برنامهنویسی بلد باشم؟
خیر. برای شروع، کار با جدولها و منطق شاخصها کافی است. اما SQL برای بررسی مستقل داده و پاسخگویی به پرسشهای محصول، مهارت بسیار مهمی است.
تفاوت تحلیل قیف و تحلیل همگروهی (Cohort) چیست؟
قیف، عبور کاربران از مراحل یک مسیر مشخص را بررسی میکند. تحلیل همگروهی (Cohort)، رفتار گروههایی از کاربران را در طول زمان، مثلاً پس از هفته ثبتنام، مقایسه میکند.
فعالسازی کاربر چیست؟
فعالسازی رفتاری است که نشان میدهد کاربر احتمالاً ارزش اولیه محصول را دریافت کرده است. این رفتار برای هر محصول متفاوت است و باید با شواهد رفتاری تعریف شود.
آیا افزایش یک شاخص همیشه نشانه موفقیت محصول است؟
خیر. شاخص باید در کنار شاخصهای دیگر و زمینه تغییر بررسی شود. مثلاً افزایش ثبتنام، بدون بررسی فعالسازی و نگهداشت، ممکن است تصویر گمراهکنندهای ایجاد کند.
مدیر محصول تا چه حد باید SQL بداند؟
سطح لازم به نقش و ساختار تیم بستگی دارد. در تیم دارای تحلیلگر اختصاصی و داشبوردهای قابل اعتماد، مدیر محصول باید پرسش تحلیلی دقیق مطرح کند، تعریف شاخصها را بفهمد و خروجی تحلیل را ارزیابی کند. در تیمی که انتظار می‌رود بررسی‌های تکرارشونده را مستقل انجام دهد، باید بتواند فیلتر، گروه‌بندی، اتصال جدولها، شمارش کاربر یکتا و کار با تاریخ را در SQL انجام دهد.
