本篇，专题聊下——增长产品经理，如何利用数据驱动产品精益增长？
我会根据自己的实操经历，从以下四个方面说明：
一、拿数——高效获取高质量的数据
通常，大多数互联网产品经理获取数据的操作是：
如果公司有一些数据报表平台或数据BI应用的话，会多一些可能的操作办法：
作为增长产品经理，首要的就是保证自己乃至团队工作的效率。
在数据获取方面，如果有现成的BI平台或报表平台，能提高不少效率。
另外一方面，减少数据不一致带来的损耗。懂行的都明白，玩转数据最繁琐的不是跑数，而是对数，内部口径不统一、数据出口多源化，会严重影响沟通乃至决策效率。这时候，我认为必须把握的4个原则是：
1.从上至下约定，明确经营分析类指标数据的内外部统计口径；
2.最下至上约定，明确业务运营类指标数据的统计口径；（产品、运营、业务需统一口径）
3.对于流动分享的数据，尽量统一输出源。
4.经济化衡量数据质量。理想化情况当然是数据口径完全统一、不同源产出的数是一致的。但是如果数据差别不大（不会带来损失）、且修改难度较大的情况下，建议可以不用优先处理或暂时容错。
二、拆数
增长数据需要有体系化、条理化、多维化。
以笔者曾经做过的金融、机票、火车票、用车等品类，基本上都需要配备以下基本的数据指标体系，才能做到对业务有大致概览和了解：
通用数据指标
具体的指标体系会更细得多。而数据颗粒度细化还只是第一步。
第二步，是建立数据之间的关系，比如，常聊到的流程转化率。笔者认为，一个完整的业务流程转化率漏斗，是需要用到平台的用户画像清洗数据、前端页面的埋点数据、后台系统数据、第三方服务商的数据——然后，还需要将这些数据，有条理地串联起来，形成全流程多维度的转化漏斗视图。
接下来，制约转化的问题出在哪些环节，每个环节有多大提升空间，均一目了然。通常来说，增长产品经理做a/b test的迭代效率较高，数据源变化也较快，因此也就一般不把a/b test数据加入基础报表指标。
三、看数——如何高效看数？
数据拆得很细，也就意味着数据多了起来，「看数」也就会花费更多的时间精力。
作为一名增长产品经理leader或者hold整条线的人，尤其每天要大量花时间在数据相关的事情上。
但数据是作为一种发挥生产力的有力工具，而不应该成为浪费我们注意力时间的掣肘。
这时候，「看数」的工作方法显得比较重要。笔者每天上午上班第一件事，大概率就是看数，大致步骤：
第一步：优先看核心指标数据的绝对值和同比环比、看核心转化流程的同比环比、看整体常规运营活动基本数据和核心活动的关键数据。
第二步：针对波动比较明显的数据，大概判断问题发生的概率，然后针对该环节进一步下钻，锁定较为可能发生问题的系统；
第三步：针对可能发生问题的系统的数据报表，进一步定位，甚至抽样查看日志，定位问题。
当然，出现问题的概率不会非常频繁。因此大多数时候仅需要看完第一步即可。
这里就提现了建立团队统一的基础指标报表（就是业务、运营和产品天天看周周报的），是一本万利的操作。另外，在每周五周报时间，还节省大多数人的重复性劳动和减少了大数据资源的重复性浪费。
我们不闭门造车，更不希望重复造轮子。如何充分利用公司已有的数据能力和数据产出，高效地做分析，也是非常重要。
举一个例子:
比如你在公司的某一条电商产品线做流量增长，需要调研——公司首页搜索框的搜索词及其搜索频次、用户在app内的访问行为轨迹和留存情况。只要是有一定平台性基础的公司，大概率对应团队是有这个数据的。这样的数据，就不适合自己再去单独抠。
四、用数——数据在产品决策和产品开发上的应用
一）产品决策时应用
在做一项产品决策（新功能、新产品形态、甚至新业务）时，我们往往需要做充分的数据调研，作为决策的支撑。
以小侠的一次工作为例：小侠所在公司有一款内容型App，App中的J电商业务线发展较晚且明显处于行业劣势，但是App在内容方面具有一定优势，用户对于该App的主流心智定位也是内容分享和生活经验社区。
很长一段时间，小侠的同事们都在互相争论一个问题，为什么用户要来咱们平台购买J商品（因为在其他平台明显有更好的选择）？
小侠能感受得到他们提问的时候的苍白无力。然而，他认为这并不是解决问题的态度和理性方法。
在没有找到自己的绝对优势的时候，其中一种思路，就是考虑从实现差异化的品牌认知定位入手，避竞品之所长，突出自己的独特优势。
营销学上有系统的理论，来讲如何进行差异化战略定位。但是首先，需要了解和认识你的用户（KYC，know your customer)。我们对用户所在场景、用户的心情、用户当下的需求痛点要有所领悟。通常我认为要更好地了解用户，需要从不同维度切片看，最后抽象总结出不同细分群体，及其需求的差异点和相同点。
笔者一般会从以下角度进行分析：
然后，基于细分的需求痛点，思考自己能够提供怎样的绝对优势服务或差异化优势服务——找到并确立自己的竞争优势；基于竞争优势，再推出自己的价值主张（核心抓手）；最后，基于价值主张，制定出自己的执行策略（核心打法）......这些是精益产品定位和打法的内容，超出本篇范围，后续再另外总结。
二）运营管理时应用
在进行用户生命周期运营管理、或进行AARRR模型的应用时，也经常需要用到数据支持，网上介绍的例子很多，这边就不再赘述。
三）活动管理时应用
通常是活动实时数据看板和趋势看板，对于活动进度把控、活动质量监控有着重要作用。这里有篇文章罗列了通用的活动管理数据指标，可以参考：http://www.woshipm.com/operate/585293.html
四）产品开发时应用
这边举三个笔者接触过的典型例子：
一）策略推送自动化
如何做到对每一个用户进行精细化的「照顾」——体贴入微，想ta所想，好好伺候...
公司当然是不可能请得起那么多一对一运营。
但我们可以结合用户的画像、行为，近期的热点或节假日，加上基础的素材库，拼接成推送内容物料。然后设定不同的场景、不同的时间、不同的频次，不同的权重、不同的打扰降权，给每个用户不一样的“精准触达”，这就是一个基本版本的策略推送。
只要把顶层的运营策略想好，中间根据数据效果不断调优。如果有资源的话，像笔者过去工作过的互金领域的部分公司，还会把实验和迭代算法融入其中，不断找出更优解的触达方案。
笔者曾经取巧，以非常低的成本实现了一个简易版的自动化策略推送系统。大致逻辑：
虽然简易，但是有几个优点：
1）所有业务线均可复用；
2）所有会写SQL的人都能快速实现配置；
3）充分利用既有的大数据能力，且整体项目开发成本极低。（开发到上线：后端应届生5pd+前端2pd）
二）智能推荐应用
智能推荐已经不是什么稀罕事了。在信息流、内容流、音频/视频流、搜索、电商等场景应用都有很多应用。当时真正应用的好的，却是屈指可数，个人认为淘宝、抖音的推荐质量是比较好的。
简单的应用可以通过API直接调用现成的模型，结合业务的逻辑，进行推荐。
复杂的应用需要布置一套实时推荐引擎，集合算法工程师、后台工程师、分析师、推荐策略产品经理等人，进行整体操作，不断根据数据回溯，判断各种推荐质量指标，来持续迭代推荐的质量和效率。
三）画像标签在A/B测试中的应用
画像标签可能是建模类型的标签，也可能是直接用SQL跑数得到的定性类型标签。如果考虑实验的变量是画像标签，可以同上述智能推荐中的简单应用一样，通过API调用，快速实现A/B测试。
网友评论