10 | 数据分析：在“花式对比”中发现玄机

上面文章提到：宜人贷的阶段是“有用户但不知道产品定位”，因此要对现有用户做一个数据分析，明确产品定位和增长方向。 这里提到：通过城市对比，发现宜人贷明显受到2/3线城市，非本地人的偏爱，因为房贷压力下，需要借贷来投资或消费。结论就跳到了“未来考虑“人群上移”可能比“人群下沉”更合适。 中间似乎缺了一环：该产品在2/3线城市的占有率。因为逻辑应该是：如果我在2/3线城市的占有率很高了，市场几乎饱和了，那我就要寻找其他增长渠道了。 也还有一个假设：3/4线城市人口的经济压力不大，因为房贷还是较低，无需借贷。 一要看现有用户使用率，二要看未来目标群的需求度，三要看增长天花板。

抖个机灵:五一期间，本专栏留言量明显下降了，而技术类的专栏留言量基本保持不变。这说明，程序员比较宅，个人生活空间很小，即使放假他们也喜欢专研技术。而产品们的个人生活则要丰富多彩得多，放假都去玩了。哈哈

程序员打卡。。。干货啊

原来我已经无形之中在做这个事情了。我会时不时地去看下公众号的后台数据，看下地域、性别分布；但是还没开始做进一步的分析，老师给了我一个提醒和思路，要行动起来，去实践

刘津老师，关于用户调研我一直有个疑问没有想明白，问题是：如何调研没有激活的用户是什么原因流失的？ 这里的疑惑是：这些用户已经离开产品，显然产品内的用户调研这时候已经来不及，他们又没有联系方式，我们怎么才可能触达这些用户呢？这种情况下如果只通过行为漏斗对比差异性，只能知道是哪里流失的，而不知道为什么流失。 非常感谢！

了解了如何通过洞察寻求差异点的具体方法——对比。个人认为单看表面数据容易出现错误这个观点再本文中不太合适，改为使用单一数据指标作为决策依据容易出现错误，更为恰当。 通过举例，了解到可对比的元素或者标签很多，组合的种类繁杂，可以分为两类，一类是基础标签，一类是扩展标签，用程序员的话说，就是封装变化。更多地对比要结合实际目标从扩展标签中有侧重的选择，同时也要做到多元化，避免使用单一标签造成决策失误。这个需要经验积累了……

满满的干货，作为程序员假期出去玩了，属于exception case

印象深刻的三点： 数据发现要从大到小， 数据差异凸显可能存在的机会和问题， 性别年龄地域是基本法。

打卡

在刚开始入行增长就遇到了刘津老师的课程，非常幸运！这节课不仅纠正了之前的一些错误的数据分析思维，还为我目前的增长工作提供了一些宏观思路。之前错误的数据分析思路是这样的，实习时候参与一款K12学习工具的产品设计，当时组内的用户画像分析文档就只是展示了用户画像的绝对数据而没有展示相对数据，也就是只分析了当前app的三四线城市占比居多，小高用户居多，因此产品更受到这部分人喜爱，产品要服务且要增长的主要就是这部分人群，现在看来这是非常错误的思想，没有关照到总体样本的年龄和地域分布。给我当前增长工作的启发是，要先找到并分析产品当前的已有用户数据，然后找到全国总体样本数据，然后在产品的已有用户和总体样本做对比分析，找到当下要增长的目标群体画像。 可是有个疑问是，老师是怎么获得的这么精细的总体样本数据啊，我看全国人口普查的数据划分的都很粗，15岁以下，15到65岁，65岁以上这样，去哪里找比较细的数据呢，有知道的朋友可以分享一下吗～