目录
第10讲 什么是最小化可行产品(MVP)?
第11讲 案例:产品发布之前出了乱子,如何权衡取舍?
第12讲 制定产品成功指标
第14讲 如何用数据做出产品决定
第18讲 如何搞定A/B测试?
第10讲 什么是最小化可行产品(MVP)?
最小可行化产品,源于“精益生产”的理念,提出进行“验证性学习”,先向市场推出极简的原型产品,然后在不断试验和学习中,以最小的成本和有效的方式验证产品是否符合用户需求,灵活调整方向。如果产品不符合市场需求,最好能“快速的失败,廉价的失败”,如果产品被用户认可也应该不断学习,挖掘用户需求,迭代优化产品。
【成功案例1】最小化 = 降低试错成本,速度 > 完美
2004年的FaceBook,但是只能填写用户的个人介绍、联系方式、政治观点、个人兴趣,显示用户的朋友、加入的小组和发消息的功能。
【成功案例2】可行性 = 确保你的产品能够基本解决用户的需求
没有滤镜功能的Instagram不能算是最小化可行产品。因为用户的需求并不是分享照片,而是能够分享拿得出手的照片。
第11讲 案例:产品发布之前出了乱子,如何权衡取舍?
Launch Blocking,没有这个功能会不会影响发布?思路包括四个方面:
1.要明确功能造成问题的风险以及受影响的人群
2.要列清楚所有可行的选项,以及对每个群体的影响
3.分析各个选项之间的风险
4.要有大局观,选择最合适的方案
【案例】帮助明星用户宣传自己,让这些明星用户获得更多普通用户的关注,从而提升明星用户的点击量。明星用户要完成一些任务,才可以得到宣传机会。发布前才发现只有5%的IOS普通用户能看到这个功能。而IOS一周才会发布一次,新板本给到APP Store还要经过一周的审核。
【方案一】
【描述】我们的产品的普通用户部分的功能,先在安卓平台发布,二IOS平台晚两周再发布,明星用户部分的功能发布日当天全部发布;其他几个产品正常发布。
[问题]虽然可以和明细做解释,但是数据不好看,明细用户依然会对我们的产品失去信心。
【方案二】
【描述】先发布几个针对明星用户的产品,而我们产品再安卓端和IOS端的发布全部退后两周
【问题】因为我们产品延后发布,导致其他几个产品缺乏完整性,用户体验不连贯
【方案三】
【描述】所有产品全部推后两周调试后再完美发布
【问题】全部计划包括公关计划都会受影响,损失惨重,其他组不会同意。
【方案四】
【描述】我们产品普通用户部分功能先在安卓平台发布,而明星用户的功能,选择发布给大部分点击量来自安卓平台的部分明星用户;其他几个针对明星用户的产品,也先发布给安卓粉丝量占比较大的用户
【问题】对外的新闻稿,可以把“今日发布给所有人”改成“今日开始发布”
【方案五】(Best)
【描述】其他几个针对明细用户的产品,以及我们产品的明星用户部分,正常发布;我们的产品的普通用户部分现在安卓平台发布,两周后IOS平台发布这些功能后,再向明星用户显示点击量提升的数据。毕竟明星做任务也需要时间。
【问题】其他产品想要完整体验、准时发布的要求,选择了最灵活、代价最小的处理方式。
第12讲 制定产品成功指标
指标是为了定义你想要完成的目标,需要表达清楚在什么期限之内、要达到什么具体的、可衡量的结果。换句话来说,一个好的指标应该是像“2018年底之前实现100万日活”这样的,而“让用户多花时间在APP上”。
那么你应该怎么判断制定的指标是否正确,又怎么用指标作出产品决定呢?用一个案例来说明。
【案例】如果你是微信朋友圈的产品经理,现在你要在朋友圈加一个可以用表情包评论的功能,你需要通过制定这个功能成功指标、进行A/B测试,来确定这个功能到底值不值得发布?
首先,明确产品的成功指标是什么。
第一步,弄清楚整个产品的最高目标。
假设微信的核心指标就是用户的活跃程度,包括用户评论、分享、发消息(图片)等用户行为。用户的总活跃分 = 评论*1 + 分享*0.5 +发消息 * 1。
第二步,思考你的产品功能还有哪些指标需要注意。
例如微信朋友圈正计划增加在用户发的状态间穿插广告的功能,即每隔几个状态就穿插一条广告,所以我们希望用户可以多刷几条朋友状态,以提高穿插广告的曝光度,所以用户浏览朋友状态的数量也是一个指标。
第三步,明确这个功能是如何提升整个产品的总指标和小指标的
第四步,思考反向指标是什么。
成功指标是:提升微信的总活跃分和用户每天浏览朋友状态的数量;
反指标是:降低了朋友圈内容质量分;
然后,进行A/B测试验证新功能对产品的影响。
1.设置一个指标提升的具体目标,不达到目标没有继续投入的必要性。
2.如果你的产品有多个指标想要提升,你需要将这些指标按照重要性进行排序,方便出现问题时权衡取舍。
3.A/B测试的时间需要根据具体的产品情况而定,过短的测试时间得到的指标不具有稳定性,需要等数据稳定后再做决定。
第14讲 如何用数据做出产品决定
用增长日活数的例子分享了如何用数据做决定。案例背景:通过提高新用户的留存率来提高日活数。我们发明了一个指标:七天活跃天数。D7=1,代表过去7天只使用了这个App一天;D7=7,代表在过去7天每天至少使用这个App一次。D7>4代表高活跃度用户,4>D7>2代表中活跃度用户,D7<2代表低活跃度用户。
首先,要形成具体的假设,注意要把不同的假设分开。
第一种假设:用户没有关注其他用户(或关注的数量非常少),他们的朋友圈里没有足够的内容,因此在APP里停留的时间也就非常短。
第二种假设:用户没有被其他用户关注(或关注他的人非常少),他们自己发出的内容很少会有人回复,久而久之丧失了对APP的激情。
其次,通过A/B测试的方式验证假设,每个假设需要单独设置对比实验来验证。
1关注其他用户:
A 可以一键关注所有推荐的好友(D7增加6%)
B 不推荐好友
2被其他用户关注:
A 账号作为推荐放到其他用户朋友圈的第一条(D7增加4%)
B 避免被推荐给其他好友
3何时推荐用户关注其他更多用户
A 第一周(Best)
B 第二周
C 第三周
D 第四周
然后,验证完了某个变量对总体的成功指标有积极影响后,需要找到这个变量影响整体指标提升的规律。
1 关注其他用户
统计图的横坐标设置为新用户第一周内关注其他用户的数量,纵轴为D7。
结论,当用户关注的其他用户数量在20左右的时候就到了所谓的临界点。
2 被其他用户关注
统计图的横坐标设置为用户的粉丝数量,纵轴为D7。
结论,粉丝数量不在乎多,如果有几个特别忠实的粉丝给你评论,发消息,照样可以坚持在APP上发状态,增加D7。
第18讲 如何搞定A/B测试?
A/B测试的场景
A/B测试,是用两组及以上随机分配的、数量相似的样本进行对比,如果实验组和对比组的实验结果相比,在目标指标上具有统计显著性,那就可以说明实验组的功能可以导致你想要的结果,从而帮你验证假设或者作出产品决定。
【案例1】进行A/B测试前,你必须要明确要测什么、如何测的问题
微信中“加好友”这个按钮不好找,导致用户加好友的次数不够,我认为把这个按钮从屏幕上方改到下方,可以让体验更加顺畅,以增加用户加好友的次数。
【案例2】验证因果性的唯一途径,明确两个概念:“ 关联性”X变化导致Y变化;“因果性”因为有X,才会有Y。
我们做了一款APP,数据显示启用了“隐私设置”的用户中,活跃用户的比例比较高。
你可以这么设计实验:实验组用户可以使用“隐私设置”的功能,而对照组用户无法使用这个功能,其他实验条件完全一致。结果,A/B测试显示,“隐私设置”并不能提升用户活跃测度。而活跃用户启用“隐私设置”的比例比较高,原因是这个按钮不好找,只有深度客户才会去花心思把他找出来。
不适合使用A/B测试的场景
第一种情况是,无论新功能上线后的数据怎么样,都要发布这个新功能,这时你要做的是如何优化用户体验,而完全没有必要进行A/B测试。
第二种情况是,样本数量太少,不能通过A/B测试得出合理、科学的结论。
短期数据 VS 长期数据
需要意识到新功能的短期新鲜感和长期的生态系统影响。例如:Instagram要增加一个给好友点“超级赞”的功能,目的是提高用户分享的频率。刚开始用户的活跃程度确实提高了,因为有了“超级赞”,他们发新鲜事倍有精神,分享数量大幅度提升,短期数据棒极了。但是从长期来看,增加了“超级赞”的功能后,用户会因为只是得到了“赞”而没有获得“超级赞”,而感觉自尊心受损,最终不愿意也不敢分享了,所以从长期来看是数据下降了。
网友评论