-
日期: 2017-01-05 | 來源: 人人都是產品經理微信 | 有0人參與評論 | 字體: 小 中 大
我們的世界，本質上由數學組成，無數數據構建了我們龐大的賴以生存的環境，這就是我們與數據的不解之緣。
這句話不知道在哪裡看到過，用在這裡感覺有種提綱挈領的感覺。
為什麼要專門寫壹篇文章來說數據驅動這件事情？原因是我在這件事情上有深刻的體會。
產品在設計之初，所有人對它都抱有許多期待，希望它可以實現它作為壹個好產品的價值，但是如何去定義這個價值呢？
壹開始，我們可以靠產品直覺，sense是依靠天賦的；可以靠老板明確提出的需求，這取決於你的老板是否英明神武且熟知產品；但在更多的時候，我們依靠的是實打實可見的數據反饋，它們將指導你的決策，推翻你的臆測，逼迫你去追尋數據背後的原因，這就是我所說的數據驅動。
方法論
在壹切實踐之前，先給自己找壹套方法論。
剛做產品的時候懵懵懂懂，在網上各種地方尋找資料，企圖獲取壹些靈感，能幫助產品走得更遠，走得更好。爬過坑後才知道，做出成功的產品，不是壹個隨機事件（做人也壹樣），企圖跟風而沒有絲毫見地的產品，會很膚淺，很站不住，這也是我非常推崇通過數據來驅動產品發展的原因。我也相信有很多人會有和我壹樣的疑惑，產品做完了，我們接著需要做什麼？產品迭代。可怎麼迭代？
大家都說，產品經理就是CEO的提前班。我是認可這句話的，因為單單從數據驅動這個角度來描述，可能我們就得站在CEO的角度考慮更多問題。借用以前看過的壹個挺有普適性的理論來解這件事情如何來規劃吧，這個理論叫做SMART法則。
S：strategy 策略
M：model 模型
A：analysis 分析
R：result 結果
T：transform 轉變
▍Strategy 策略
舉個例子，剛拿到壹個產品的設計需求，我們要做的第壹件事情是定義產品價值，也是總綱；它常常會寫在產品需求文檔的第壹頁，在你需要向所有人壹句話解釋這個產品的時候，它以簡潔明了的方式出現。而如何實現這個價值，就是我們所說的策略。這就像你想要壹個梨子，你可以去買，也可以自己種壹顆梨樹，也可以通過基因克隆，方式不壹而足。
產品價值是唯壹的，而策略是不同的，壹個數據驅動型的產品，往往需要在定義好產品後，完整思考對應的產品策略。
▍Model 模型
假設我們希望通過種梨樹來得到梨子，在這樣的產品策略下，我們所知道的足以支撐這個目標的壹切就可以通過市場調研來獲取到。我們需要梨的種子、陽光、水、土壤和肥料，還需要在適當的階段除蟲，根與樹葉用於支撐營養所需，樹幹負責傳輸，它們必須在壹個非常健康的狀態下才有可能生長出梨子，而這些狀態量，就是所謂的模型。
有壹句話我非常喜歡，“在大數據世界中，小就是美”，我們必須明確哪些因素支撐產品達成目標，這樣才能在精力和資源有限的情況下，完成數據驅動。
當然了，數據模型往往很難在壹開始就確定下來，這取決於經驗，隨著數據觀察持續推進，我們就會發現現有的數據量無法支撐起分析所需，那就要求我們繼續完善模型。
▍Analysis 分析
假設模型已經日趨完善，足以支撐起決策所需的時候，我們就可以利用這些數據來推進壹些事情。
好幾天沒有澆水，導致梨樹樹葉有些枯萎，這就是聯系。
實驗室裡的單壹變量法，在分析過程中也可以奏效並說明問題。
▍Result 結果
我個人的信條之壹是，絕不浪費時間做沒有結果的事情，哪怕是不好的結果，也是壹種產出和成長。而在開展數據工作的過程中，也肯定需要有壹個結果。
在預計的時間點，梨樹本該開花，但是結果沒有；在計劃規定的時間內，產品本該達到壹個狀態，但是結果沒有。
我們通過結果來反思不足，也用結果來激勵團隊繼續前進，我想這是壹個很好的工作方式。
▍Transform 轉變
其實前面已經提到，窮則變，變則通，世界的規律在動態變化。好的計劃往往不足以應變壹切，我們資深的後端開發同事告訴過我，“我們信奉計劃主義，但我們的職責和能力是快速響應變化”，與君共勉。
壹些技巧
思想高度決定流程，活兒好不好看技巧。
了解我的朋友應該知道，我是非常務實的壹個人，很多事情，做久了壹定會有心得與技巧，而這就決定了你的專業度。只不過有人願意分享，有人不願意或者表達不出來，我會盡己所能毫無保留地告訴大家如何把數據驅動這事兒做好，當然離專業還有很大的差距，但應該會有壹些幫助。
▍第壹步：制定數據驅動流程
前文提到的方法論，其實是我們在實踐中的第壹步。也就是根據我們各自的實際情況來制定我們各自的數據驅動流程，再思考我們應該監測哪些數據的時候？
公司中的每個人都有自己的認知，可能會從各個角度給產品經理壹些靈感，歸納總結後，我想大部分公司思考的問題方向也許可以從下圖中獲取，僅供參考。
圖1-SMART戰略板
▍第贰步：確認數據范圍
大家其實可以看到，產品經理不僅僅需要從客戶角度思考問題，而是需要從多維度來考慮問題，從這些問題中我們可以提取出對我們而言最重要的壹些數據。
從客戶角度，我們需要考慮日活；從運營角度，我們需要考慮轉化；從資源角度，我們需要考慮投入產出比；從競爭與風險角度，我們需要考慮容錯率。
我所說的這些，大家都聽說過，而考慮這些問題的過程，其實就是在不斷告訴自己這些數據為什麼重要，為什麼需要觀察。這是第贰步，即確認數據范圍。
▍第叁步：建立數據模型
接下來就是壹些實踐性的工作了，我們需要選擇至少壹個相對可靠的工具來幫助我們監測數據，建立數據模型。之前的工作中，我們選擇的工具是友盟。
壹般情況下，這些數據足以支撐分析所用，但是也有局限性，因為缺乏與市場上的橫向對比，所以如果在資源充裕的情況下，我還是建議向外部采購壹些數據作為橫向對照的數據補充，這樣的話，我們就可以知道自己的梨樹和其他人種的相比有何優劣。這就是第叁步，建立數據模型。
當我們做完這叁件事情，剩下應該做的，就是不斷通過數據的橫向縱向對比，來發現自己的不足然後改進；或者發現我們的優勢然後把它放大，這個時候我們就可以說，數據確確實實驅動了產品的進化。
通過漏斗模型來觀察支付流程的轉化率，通過A／B測試來測試某個功能帶來的影響，當這些效果，通過可視化的方式展現在開發、設計和老板面前的時候，我們得到的結論壹定比“拍腦門”更有說服力。
警惕！會撒謊的數據
盡管這麼說，警惕來自數據的欺騙。
數據驅動盡管看起來是解決壹定問題絕好的方法，但話不能說死，數據有時候也會欺騙你。這不是說數據本身有問題，而是解讀的人有問題。
在經驗和認知所限的情況下，我也犯過許多認知錯誤。正如騎白馬的不壹定是王子，也可能是唐僧；諸如此類的想當然會幹擾我們的判斷，這就沒有任何捷徑可走，只能通過不斷地刨根問底和邏輯學習來提升自己的決策准確性。多問多想多調研，這條路無止境。
小結
至此，我工作中關於數據驅動的思考，實踐以及未來前進的目標，都已毫無保留的分享。
紙上得來終覺淺，絕知此事要躬行。
如何熟練掌握數據工具做不同的呈現？漏斗模型和A/B測試如何開展？如何將數據結果轉化成需求？諸如此類的問題，我相信每個人都有自己最適合的方法來解決。重點是：
數據驅動是壹件有策略、有模型、有分析、有結論以及有轉變的事情；我們知道怎麼做的前提，應該是我們知道為什麼這麼做而非因為大家都這麼做或者老板叫我這麼做。
獨立思考的能力，也是這樣漸漸培養起來的。
數據非常迷人，它嚴謹，科學，合理，我認為是新壹代產品經理必須掌握的技能。- 新聞來源於其它媒體，內容不代表本站立場！
-
原文鏈接
原文鏈接:
目前還沒有人發表評論, 大家都在期待您的高見