统计学有几百种方法，但 PM 日常用的核心武器就三个。学会这三个，就够应付 80% 的汇报场景。剩下 20% 是找数据分析师帮忙，不是自己硬啃。
最基础的数字武器。任何汇报都可以从这三个问题开始：
① 均值：整体是什么水平？
「我们产品的人均使用时长是 18 分钟每天，行业均值是 14 分钟。」——这是定位，告诉别人我们处于什么位置。
② 对比：和谁比？好还是不好？
「新版本上线后，用户评分从 4.1 提升到 4.4（+0.3）」——有对比才有判断。关键是对比基准要合理（同期/自身环比/行业对标）。
③ 趋势：是在变好还是变坏？
「连续三个月留存率持续下滑：42% → 39% → 36%」——趋势比单点数字更重要，发现趋势才能提前干预。
所有「我想证明新方案比旧方案好」的场景，都可以用 A/B 测试。
A/B 测试的本质是控制变量：同一时间、同一用户群，随机分成两组，一组用新版一组用旧版，看哪组数据更好。随机分组是关键——如果选特定用户测试，结果可能有偏。
A/B 测试最常犯的三个错误：
错误 1：样本太小就下结论。「跑了 2 小时、每组 50 人，P 值 0.04」——50 人太少，偶然波动可能造成假象，至少跑满一个完整用户周期（通常 7~14 天）。
错误 2：只看「显著」不看效应量。P=0.03 意味着统计显著，但如果转化率从 1% 提升到 1.3%，每天多 3 单，值不值得上线要另算。
错误 3：同时跑多个假设。每个假设独立计算 P 值，跑 10 个假设就约有 40% 的概率出现假显著——只挑「显著」的来报。
「哪里出了问题？」是 PM 最常被问到的问题。漏斗分析是回答这个问题的最佳工具。
漏斗分析的核心不是算出转化率，而是追问「为什么这一步掉了这么多人」。
以电商下单为例：
浏览商品 100% → 加入购物车 68% → 填写地址 45% → 提交订单 38% → 支付成功 31%
"68% → 45% 掉了 23%"——这个 23% 里，有多少是因为地址填写表单太长？有多少是因为用户比价后放弃？追问才能找到真正的根因。
Cohort 分析（留存 cohort）是漏斗的进阶版：按「首次使用时间」分群，看各群用户的同期留存率。它解决的是：「今天来的用户和上周来的用户，留存曲线一样吗？」如果不一样，说明产品改进或外部事件在影响留存。
提示：点击正文区域或按 ← → 方向键翻页 · 按 ↑ ↓ 滚动