导读：我们做产品经理分析数据的时候经常会遇到一头雾水的情况，毕竟我们也不是用户，这时候我们可以通过看行业报告或者调研用户先定性获取一些可能的原因,比如可以深度采访几十个用户，问问他们为什么没有成功购买等
前几天国家统计局宣布，暂停发布全国青年人等分年龄段的城镇调查失业率，等待后续进一步完善统计。这个新闻一出来，学姐就立马就代入产品经理这个角色了，想到我们的日常工作中，其实有很大一部分是“看（bei）数（guo）”。比如日报里有个数波动了一下啦，比如某个同事分享了一个ppt里面有几个数据老板觉得不对劲啦，都来at你，虽然很多时候这些数儿根本不是你能负责得了的（这不是和统计局一毛一样嘛……）。如果数据好看也就算了，万一数据不好看，这不得耗费大半天在分析上，最后还不一定能给出让老板满意的答案。那么今天学姐就来结合用这个新闻来举例子，当产品经理遇到数据波动，特别是数据不好看时，该怎么下手？数据出问题，特别是遇到那种断崖式下跌，姐的第一反应就是——是不是数据取错了？看上去是一个很推锅的想法，但很多时候，数据暴跌暴涨，和产品、运营都没啥关系（大家不要太高估产品和运营能起到的作用…）。为了避免浪费时间，分析了半天发现数据是错的，学姐建议大家还是先：- 找研发或者BI询问，是否有上线新功能导致的线上bug、或者服务器有没有过宕机、数据打点方式有否调整过。
- 找BI或者数据仓库的同事请教，数据表是否有调整，取数据的口径是否有调整
像这次被暂停的分年龄段城镇调查失业率，顾名思义其实就是采样调研出来的数据（比如发问卷之类），会不会因为采样出现问题导致数据出错？学姐觉得看大概率不会：首先，不分年龄段的失业率一直是比较稳定的，在5%左右（如下图蓝色线），只有16-24岁的调查失业率在逐渐走高（如下图橙色线）；其次，这个数据并不是一下子突变，是逐渐走高的；最后，统计局应该也不至于会闲得没事儿去改调研的方式。
不知道大家在工作中有没有遇到过这样的问题，比如你设计了App的首页，转化率是60%，你自己jiao着还不错了，给老板汇报的时候碰了一鼻子灰。学姐一直强调，数据的绝对值不重要的，你可能觉得60%很高，你老板可能觉得60%简直是辣鸡。这是因为你们缺乏benchmark，也就是大家常说的，没有比较就没有伤害，数据也是同理。所以，我们一定要找到合适的benchmark——也就是“基准”。基准该怎么找？首先，我们可以找行业标准。比如刚刚提到的支付页面，你们公司是做母婴类跨境电商App的，那么你可以优先找这个垂直领域中，能搜到的App首页转化率。如果搜不到，那就扩大范围，找跨境电商的支付成功率，实在找不到，那就只有看下电商行业的了。找到基准数据了之后，你再拿自己的数据去比较，如果明显高于或者和行业标准差不多，那汇报的时候就是有理有据，令人信服。比如这个青年失业率，国际劳工组织2022年对全球的预估大概是在15%，且和国内的这个数据的口径，除了年龄（国际是15～24岁，我们是16～24岁）之外，都差不多。都是指有劳动力、有找工作意愿但是暂时没有工作的人，所以也可以国际劳工组织的这个数据作为基准来进行比较。除了找行业标准之外，还可以和自己的过去比较。很多童鞋说，那就做周报的时候和上周比，做月报的时候和上个月比较，也就是看下周环比、月环比不就行了吗？当然是可以的，但是学姐建议，除了环比，一是做环比数据的时候一定要排除大促、活动等的影响，二是一定要加上年同比，这样才能排除季节的影响。比如，现在是暑假，那么像周边游、亲子乐园这样的场所门票肯定是暴涨的，所以一定要和去年同期做比较；再比如电影，今年的春节档和去年的春节档做比较才有价值，如果和上个月比较，那基准数据就不对了，做出来的结果肯定是偏高。学姐一般会把每个月数据的年同比做一条曲线，这样趋势就很明显，比如青年调查失业率，可以看到19年之后确实持续上涨，一度达到40%↓↓↓
有了benchmark之后，我们就可以看出某个数据的趋势到底怎么样了，如果趋势好，那当然是万事大吉，如果趋势不好的话，我们该怎么分析呢？我们常看的大部分互联网的过程指标都是转化率，像这种指标我们千万不要直接对着分析，一定要分子和分母拆开看。举个例子，如果转化率跌了，我们先要分别看下到底是分子跌了还是分母涨了？通常，分母的上涨——也就是大盘变大，会导致转化率下跌，因为大部分情况下那些是通过广告等其他渠道进来的流量，不一定是你们的目标用户（也就是俗称的流量质量不行）。当然，看的方式也是用同比最佳，其次再看环比。像失业率这个问题，我们可以先看下是不是最近几年青年人口上涨了，人口多了，如果职位数没有变化，那自然就会导致就业率低，失业率涨；当然也可能是因为同等薪水下的职位数变少了。定位到是分母还是分子的问题之后，可以看一下曲线，如果从某个时间节点开始，趋势有明显的变化，那么我们就要看下，这个时间点到底发生了哪几个事儿，然后再一一排除，最后留下一个最有可能的原因。同时我们可以看下，在这个时间点附近，其他的数据是否有变化。比如青年失业率数据，我们发现从疫情之后就开始一路上涨，是因为疫情导致大量企业倒闭或者不招人了吗？我们可以对比全年龄段的失业率来看下，会发现这个数据近三年还算稳定，也就是说其实其他年龄段的失业率反而下降了，那么可以推测，有可能企业还有招人的需求，但只是不太青睐16-24岁的青年人了（当然这只是可能性之一，学姐不是社会学家这里就不具体展开了）。我们做产品经理分析数据的时候经常会遇到一头雾水的情况，毕竟我们也不是用户（学姐也不是16-24岁想求职的年轻人了……），这时候我们可以通过看行业报告或者调研用户先定性获取一些可能的原因，比如可以深度采访几十个用户，问问他们为什么没有成功购买等；然后再进行定量的调研，比如设置调研出的选项让用户选，然后再看下到底哪几个问题是最突出的。比如失业率高的问题，我们可以看到在全球劳工组织的报告里提到了一些可能的原因，比如过去三年的青年人，找工作之前没有好好受到就业培训、没有实习等等，都是可能的原因，可以再进一步作调研定量个
