产品的数据驱动，我相信有很多产品经理需要面对这件事情。因此，我希望能够分享出我的思考，未必都对，仅仅是我一路走来的心得体会。
我们的世界，本质上由数学组成，无数数据构建了我们庞大的赖以生存的环境，这就是我们与数据的不解之缘。
这句话不知道在哪里看到过，用在这里感觉有种提纲挈领的感觉。
为什么要专门写一篇文章来说数据驱动这件事情？原因是我在这件事情上有深刻的体会。
产品在设计之初，所有人对它都抱有许多期待，希望它可以实现它作为一个好产品的价值，但是如何去定义这个价值呢？
一开始，我们可以靠产品直觉，sense是依靠天赋的；可以靠老板明确提出的需求，这取决于你的老板是否英明神武且熟知产品；但在更多的时候，我们依靠的是实打实可见的数据反馈，它们将指导你的决策，推翻你的臆测，逼迫你去追寻数据背后的原因，这就是我所说的数据驱动。我相信有很多产品经理需要面对这件事情，因此我希望能够分享出我的思考，未必都对，仅仅是我一路走来的心得体会。
在一切实践之前，先给自己找一套方法论
刚做产品的时候懵懵懂懂，在网上各种地方寻找资料，企图获取一些灵感，能帮助产品走得更远，走得更好。爬过坑后才知道，做出成功的产品，不是一个随机事件（做人也一样），企图跟风而没有丝毫见地的产品，会很肤浅，很站不住，这也是我非常推崇通过数据来驱动产品发展的原因。我也相信有很多人会有和我一样的疑惑，产品做完了，我们接着需要做什么？产品迭代。可怎么迭代？
大家都说，产品经理就是CEO的提前班。我是认可这句话的，因为单单从数据驱动这个角度来描述，可能我们就得站在CEO的角度考虑更多问题。借用以前看过的一个挺有普适性的理论来解这件事情如何来规划吧，这个理论叫做SMART法则。
S：strategy 策略
M：model 模型
A：analysis 分析
R：result 结果
T：transform 转变
1. 策略
举个例子，刚拿到一个产品的设计需求，我们要做的第一件事情是定义产品价值，也是总纲，它常常会写在产品需求文档的第一页，在你需要向所有人一句话解释这个产品的时候，它以简洁明了的方式出现。而如何实现这个价值，就是我们所说的策略，这就像，你想要一个梨子，你可以去买，也可以自己种一颗梨树，也可以通过基因克隆，方式不一而足。产品价值是唯一的，而策略是不同的，一个数据驱动型的产品，往往需要在定义好产品后，完整思考对应的产品策略。
2. 模型
假设我们希望通过种梨树来得到梨子，在这样的产品策略下，我们所知道的足以支撑这个目标的一切就可以通过市场调研来获取到。我们需要梨的种子、阳光、水、土壤和肥料，还需要在适当的阶段除虫，根与树叶用于支撑营养所需，树干负责传输，它们必须在一个非常健康的状态下才有可能生长出梨子，而这些状态量，就是所谓的模型。
有一句话我非常喜欢，“在大数据世界中，小就是美”，我们必须明确哪些因素支撑产品达成目标，这样才能在精力和资源有限的情况下，完成数据驱动。当然了，数据模型往往很难在一开始就确定下来，这取决于经验，随着数据观察持续推进，我们就会发现现有的数据量无法支撑起分析所需，那就要求我们继续完善模型。
3. 分析
假设模型已经日趋完善，足以支撑起决策所需的时候，我们就可以利用这些数据来推进一些事情。好几天没有浇水，导致梨树树叶有些枯萎，这就是联系，实验室里的单一变量法，在分析过程中也可以奏效并说明问题。
4. 结果
我个人的信条之一是，绝不浪费时间做没有结果的事情，哪怕是不好的结果，也是一种产出和成长。而在开展数据工作的过程中，也肯定需要有一个结果，在预计的时间点，梨树本该开花，但是结果没有，在计划规定的时间内，产品本该达到一个状态，但是结果没有。我们通过结果来反思不足，也用结果来激励团队继续前进，我想这是一个很好的工作方式。
5. 转变
其实前面已经提到，穷则变，变则通，世界的规律在动态变化。好的计划往往不足以应变一切，我们资深的后端开发同事告诉过我，“我们信奉计划主义，但我们的职责和能力是快速响应变化”，与君共勉。
思想高度决定流程，活儿好不好看技巧
了解我的朋友应该知道，我是非常务实的一个人，很多事情，做久了一定会有心得与技巧，而这就决定了你的专业度。只不过有人愿意分享，有人不愿意或者表达不出来，我会尽己所能毫无保留地告诉大家如何把数据驱动这事儿做好，当然离专业还有很大的差距，但应该会有一些帮助。
第一步：制定数据驱动流程
前文提到的方法论，其实是我们在实践中的第一步。也就是根据我们各自的实际情况来制定我们各自的数据驱动流程，再思考我们应该监测哪些数据的时候？公司中的每个人都有自己的认知，可能会从各个角度给产品经理一些灵感，归纳总结后，我想大部分公司思考的问题方向也许可以从下图中获取，仅供参考。
图1-SMART战略板
第二步：确认数据范围
大家其实可以看到，产品经理不仅仅需要从客户角度思考问题，而是需要从多维度来考虑问题，从这些问题中我们可以提取出对我们而言最重要的一些数据。
从客户角度，我们需要考虑日活；
从运营角度，我们需要考虑转化；
从资源角度，我们需要考虑投入产出比；
从竞争与风险角度，我们需要考虑容错率。
我所说的这些，大家都听说过，而考虑这些问题的过程，其实就是在不断告诉自己这些数据为什么重要，为什么需要观察。这是第二步，即确认数据范围。
第三步：建立数据模型
接下来就是一些实践性的工作了，我们需要选择至少一个相对可靠的工具来帮助我们监测数据，建立数据模型。之前的工作中，我们选择的工具是友盟。一般情况下，这些数据足以支撑分析所用，但是也有局限性，因为缺乏与市场上的横向对比，所以如果在资源充裕的情况下，我还是建议向外部采购一些数据作为横向对照的数据补充，这样的话，我们就可以知道自己的梨树和其他人种的相比有何优劣。这就是第三步，建立数据模型。
当我们做完这三件事情，剩下应该做的，就是不断通过数据的横向纵向对比，来发现自己的不足然后改进；或者发现我们的优势然后把它放大，这个时候我们就可以说，数据确确实实驱动了产品的进化。
通过漏斗模型来观察支付流程的转化率，通过A／B测试来测试某个功能带来的影响，当这些效果，通过可视化的方式展现在开发、设计和老板面前的时候，我们得到的结论一定比“拍脑门”更有说服力。
尽管这么说，警惕来自数据的欺骗
数据驱动尽管看起来是解决一定问题绝好的方法，但话不能说死，数据有时候也会欺骗你。这不是说数据本身有问题，而是解读的人有问题。在经验和认知所限的情况下，我也犯过许多认知错误。正如骑白马的不一定是王子，也可能是唐僧，诸如此类的想当然会干扰我们的判断，这就没有任何捷径可走，只能通过不断地刨根问底和逻辑学习来提升自己的决策准确性。多问多想多调研，这条路无止境。
小结
至此，我工作中关于数据驱动的思考，实践以及未来前进的目标，都已毫无保留的分享。
