快好知 kuaihz

前百度大数据部技术经理:如何用数据驱动产品决策?

阅读前,请先思考:

产品经理需要什么技能?

如何用大数据分析引入产品分析?

数据分析对产品分析的价值如何?

我在百度8年,都是做和数据相关的事情,出来创业这两年还是做数据相关的事情,那么我讲的东西就会偏技术一些。

我们这个峰会的主题是改变,一个是需求的改变,还有一个是自身的改变。我们的能力是需要改变的,数据分析的能力我认为是大家应该具备的。

一、数据分析的价值

首先我们来说数据分析的价值。我把2000年以后的互联网分为三个阶段:

2000-2006:是流量时代。这个时代有三大门户,百度、腾讯、阿里巴巴,这个时候拼流量。

2006-2011:是用户时代。诸如开心、人人、Facebook,这个时候比的是用户数、月活、日活等。

2012年-现在以及未来5-8年:订单时代。比如12年团购到互联网+、O2O、互联网金融,包括直播等。

我们看到一种趋势:互联网行业越来越精细化,从开始关注流量到关注用户到交易,越来越细,越来越需要数据

那么数据有什么价值呢?我把它归为两大方面:

一是数据驱动决策。

比方说做老板,下一步该进军什么方向,这需要数据;做产品经理,改版、评估、运营都需要数据;做管理,需要数据进行沟通。

二是数据驱动产品智能。如用AI去改变这个产品 可以让产品本身具有一种学习能力。

但我今天要讲重点的是:数据如何驱动产品改进和进行产品的迭代?

二、数据分析的四个关键环节

我们说要重视数据分析,但真正要做好很有挑战。

比如,你需要一个数据,但不是直接就能给你看的,数据可能需要找数据工程师统计,也许要一个月出结果或者一个月都统计不出来,再或者给了你一个宏观数据,你想分析也分析不了。

会出现各种现实问题耗费时间成本。理想状态是:每个业务人员能掌握数据,从底层数据体系去支撑产品分析。

一种产品发展到一个程度就到达一个理想状态,这个阶段再突破就很难。像iPhone从2007年到现在进行了很多产品迭代,但本质上沒多大区别。

作为产品经理,任务都是要解决某个问题。需求确定了,无非是去改产品、解决问题使产品达到理想状态。

很多产品不只一家在做,这整个过程就看哪一家先进入理想状态。那么这个过程就是思考如何让自己的产品迭代更快?有数据是一种更好的方式。这些问题都是常见的情况,我们把它归结为需求驱动。

我把数据分析分为四个环节:从底向上依次为数据采集、数据建模、数据分析、指标。

1.数据采集

数据要想做好,数据源很重要。数据分析要考虑:①如何把数据采集上来?②如何进行数据分析?

更重要的是如何把底层数据的采集做好?我把它归结为四个字:“大”“全”“细”“时”。

大:“宏观全局”;

全和细:“数据搜集更全、更细”;

比如一个电商产品要分析不同身高的人交易有什么差距,如果没有把身高这个维度采集下来就没法去分析。因此如何更全、更细地采集下来就很重要。

时: “时效性”。

一个数据一年之后给你还是下一秒给你差别很大。比如产品的改版没有效果,如果知道得很晚就会流失很多用户。我们在做数据时要更全、更细,具备时效性地采集下来。

数据采集有以下三种手段:

可视化/全埋点;

代码埋点;

导入辅助工具。

2.数据建模

数据采集就是用不同方式将其采集下来之后进行数据建模,所谓建模就是将数据进行重新组织,组织到让产品经理能看懂。

3.数据分析

数据的分析方法是无穷无尽的,我们把分析方法从两个角度来看:一个是广度,一个是深度。

所谓广度,就是分析一个人或者群体或者整个总体,是看是什么力度的特征。

所谓深度,是看用户的行为,是关心点击量、访问量;或者看用户的购买操作,以及操作之间的序列关系是怎样的。这要针对不同分析场景来看哪种分析方法更好,分析方法可以组合使用,而不是只用一种方法就搞定问题。

比如说“开眼”讲的一个例子:

朋友圈分享一个视频,视频下边附有下载引导,使用安卓的用户下载量比较少,接下来对这件事进行多维度分析,通过屏幕的宽和高,还原了场景分析,发现屏幕宽高对这件事有影响,不做多维度分析,就只能从感觉来,却找不出问题。

我在百度知道时,做问题推荐相关工作,我们尝试通过待解决问题推荐的方式,来提升回答量。

第一次,基于核心用户。我们抽取了35万个核心用户群做个性化推荐。前后历时3个多月,结果却十分令人失望。

因此我们进行了第二次尝试,基于所有用户做个性化推荐,而非之前仅针对核心用户

后来我们根据用户的检索和访问页面的标题进行兴趣模型训练,然后抽取每个用户权重最高的5个兴趣词,当用户访问百度知道详情页时,我们基于每个用户的兴趣词做实时搜索,将7~8个待解决的问题放到页面右侧。这次尝试效果非常好,新版上线后,百度知道的回答量提升了7.5%。 4.指标

最后来说指标,不管底层做的多好,我们常用的还是指标。我们通过这些指标能更好地表达产品。

我们把产品发展阶段归结为三个阶段:

第一个阶段就是MVP(最小可行性化产品),MVP是尝试阶段。

第二个阶段是增长阶段,如何让数据规模、用户规模变得更快?

第三个阶段是营收阶段。

阶段性不同,要根据阶段确立指标。

我经常跟创业团队聊,问他们现阶段指标是什么。几个人一起聊,每个人说的都不一样。一个企业一个阶段的指标应该是聚焦的,只是一个阶段换一下。

比如说三只松鼠和keep现阶段担心的主要指标会是一样的吗?可能不一样。keep不缺用户,但是要提高用户活跃度;三只松鼠可能用户不够多,所以要吸引用户。因为产品不同,用户不同。

另外一种方法去确定产品指标的方法就是海盗指标法。

2007年提出了这个概念,现在已经10年了,但一点不过时。

一个是用户触达,一个是用户激活,和用户留存。归结起来就是三个问题:你的用户怎么来的?怎么把用户留下来的?怎么从用户身上赚到钱的?

三、数据驱动产品迭代

前边简单讲了一下过程,过程真正落地的挑战还是非常大的,接下来看产品迭代。

有一本书叫做《精益创业》,一共讲了两个方面:一个观点是关于MVP(最小可行化产品);另外一个核心观点是把大数据分析引入到产品迭代的思维里边去。

我们凭感觉,做产品就是想个功能把产品做出来,不断地给它添加功能,但这要依赖你的天赋,会不断碰壁。

科学的方法就是把数据分析引入进去,用数据来进行分析。

比如我们发现用户流失比较大,那我们先把这个问题解决,再上线,上线后再看用户的流失情况,再收集数据看结果。所以数据分析是一种技能,让产品的分析更加科学。

举一个百度知道的例子。产品经理说每到暑假用户量就上涨,随着移动互联网时代的到来,百度做了一系列APP,每个产品都对应做了一个。

后来进 行数据分析后,发现还是做作业这块的产品用户量多,那就从产品迭代角度,让这个产品更好,也就是百度的理念best of best。

后来就加了一个按钮来专门提问,额外增加了20% 到30% 用户,于是后来就单独做了一个做作业的APP,也就是现在的作业帮。

这就是一个产品经理应该做的,通过数据发现问题,然后来解决问题,数据分析是让产品分析更加科学的一种方法。

比如我们神策官网做的官网改版,当时产品经理说改版的目的是让产品的内容丰富或是好看。我说这都不是目的,我是看用户注册量。所以我们就是不断地增加功能,不断用数据分析,迭代升级,看哪个版本更好。

四、数据驱动用户激活和留存

用户来到了你这个产品之后是不是就真的是你的用户了?其实很多时候是不一定的。一些营销活动访问的用户很多,但是最后真的留存下来的很少。

比如一个电商网站,不去购买算是你的激活用户吗?我们更多是看如何将用户激活和留存。

也就是找到用户的Aha moment(顿悟的那瞬间),我们就要去想一想,你的用户激活流程是什么?

当然这里还要注意的是将用户的ID打通,一个用户从浏览的时候到注册时是断开的,这个过程需要一些技术手段去将操作串起来。

举个例子,互联网金融的一个例子。用户进来安装App后启动时有个欢迎页,这个欢迎页在用户去注册的时候真的有用吗?如果你自己是用户注册的时候会看吗?

我们就要用数据来看,如果发现转化率是有提高的,那我们就改进它让它注册转化率更高。

另外就是加入一些引导语,比如说新手引导语,根据数据来看这些功能有没有效果,如果有用就去提升它,没有用我们就不用它。

另外就是留存,比如说复购,次日留存,周留存等,我们要分析通过不同通道来的用户。那么针对留存我们要看什么呢?

第一点要关注留存;第二是提升留存;第三点是利用留存。

为什么关注留存?归根结底我们是做生意的,生意的原则很简单,在用户身上收获的要比投入的多。

如何提升留存?第一,做一个真实有用的东西;第二是把体验做好,你要给用户带来价值,产品其实都是有替代性的,你要不断改进,针对不同产品要想不同手段来提升。

留存做到多好算好?没有标准答案,产品不同,留存率有提升就好。

五、数据驱动地落地

最后再说两句,这个数据驱动是全面的数据驱动,市场里的各个角色都是用大数据的流引入进去,让一个公司全面地、全角色地利用数据驱动。

最后给大家推荐几本书:

本站资源来自互联网,仅供学习,如有侵权,请通知删除,敬请谅解!
搜索建议:数据  数据词条  何用  何用词条  决策  决策词条  驱动  驱动词条  经理  经理词条  
经验

 电子烟风暴,前景如何?

看着电子烟店囤货的新闻,平常不太关注电子烟生意的母亲也问他,“你要不要多囤点货?”编者按:本文来自微信公众号 噪点GlitchNews(ID:timetech2...(展开)