在互聯網時代做產品的人都知道要“看數據”，通過數據來了解產品設計的好壞，來決定下一步的改進方向。一個新版本上線，產品經理會去看點擊率，轉換率是否提升，從而判斷新版本和老版本相比，是否有所改進，並決定是否需要進一步優化。大部分產品經理在評估時，只是看上線前後幾天的對比數據。殊不知，點擊率，轉換率數據本身就是有波動的，特別有些產品用戶量還不夠大的時候。因此幾天的數據好不一定就說明效果好。那怎麽辦？需要看更長時間的數據嗎？產品本身叠代的速度就快，如果觀察時間長，那可能觀察的就不是當前版本的數據了。

在這種情況下，就需要用到概率分布的知識。一些基本的概率分布知識，大家大學中都學過，只不過很多人沒有想到把它們應用到實際工作中。

假設你要評估某一改版對某個功能點擊率的影響，上線前平均的點擊率是 20%，上線後觀察了一天，發現點擊率是30%，是否說明新版本效果比原來的好？不一定。讓我們來看兩種情況：

情況一：上線前一周，每天的點擊率數據分別是：10%， 25%， 5%，40%，15%，30%，15%；情況二：上線前一周，每天的點擊率數據分別是：18%， 22%， 19%，23%，20%，18%，20%；這兩種情況下，點擊率均值都是20%，但其概率分布是不一樣的。在一的情況下，30% 的轉化率還是處於正常的波動區間；而在情況二的情況下，我們可以基本判定新版本效果比原來的好。

所以在看產品數據時，應該充分應用概率知識。不要簡單的做前後數據對比，而應該看上線前的一系列數據，對數據的波動範圍有整體的把握，再看上線後的數據所處的區間，從而做出數據變好還是變差的判斷。很多時候，上線後的數據也可以看

在實際工作中，很多時候，會遇到數據波動過大的情況。就像我舉的例子中的情況一。在這種情況下，一些小的改進，由於作用有限，很難判斷是否有效果。這時，可以采用一些方法讓數據的波動降下來，從而能更容易觀察到一些改進的效果。

最常用的方法是取階段平均。一些數據每天的波動比較大，但看每周的平均數，波動就會小很多。因此用上線後的一周平均和之前的系列數據做比較，就容易看出一些變化。

另外，很多時候可以選擇部分穩定的數據作為比較依據。譬如說，一些轉換率數據，每天來看，波動比較大，但除去周末，只看工作日的話，數據可能會穩定很多。這時可以僅比較上線前後工作日的數據。又譬如說，一些數據，看全體用戶的話，波動率很大，但只看註冊用戶的話，波動就小很多，這時可以只比較上線前後註冊用戶的數據。

本文出自 “千裏之行，始於足下” 博客，轉載請與作者聯系！

概率知識在看產品數據時的應用