运营管理工作中，我们常常会要思考以下类似的问题：
- 要推出一款裙子，如何定价能让利润最大化？
- 公司开始做共享汽车了，在哪里投放共享汽车，才能最大化利润？
- 要推出一款新APP，要怎么设计才能吸引最多用户去使用呢？是把按钮放左边还是右边？是圆形还是方形？以及要怎么设计界面，才能让用户活跃度最高呢？
而这些，其实都是在运营管理过程中，需要用到供需匹配思维来解决的问题
这种问题的核心是，虽然我们有着明确的目标，但却不知道外界将会如何响应自己做出的决策。以至于不能判断自己的决策是否真正有效地匹配了用户需求，实现了利益最大化
那么，接下来将介绍一个“找关联，做决策”的测试方法，来帮我们做出能实现自己目标的最优决策
寻找最佳方案的方法：“找关联，做决策”
“找关联，做决策"的方法是一种通过实验来帮助找到最佳方案的方法。或者说，它是一种通过测试不同的决策，建立不同决策和需求的关系，再利用这种关系来找到实现目标的最优的方案的方法（类似于AB测试）
image.png
Rue La La 是位于美国的销售时尚类产品的电商。销售产品包括很多品牌服装、鞋子和包
假设你是Rue La La的运营主管，你们经常推出新产品，你没有历史数据，不知道定什么价钱能卖多少件儿，但你可以随时调整价格。你即将推出一款新产品，你要怎么给新产品定价才能让利润最大化呢？
image.png
此时，按照“找关联，做决策”的分析思路来看：如果想让这款裙子带来的利润最大化，就可以先测试不同定价，收集每种定价下的销售量，再分析哪种定价能带来的利润最大
image.png
“找关联，做决策”的操作步骤
“找关联，做决策”的操作步骤，拆开来说即包括有“找关联”与“做决策”两个步骤
# 步骤一：“找关联”
在这个步骤下，主要又包含有三个过程，目的是通过制定AB测试方案，再通过数据反馈，最终找到目标与变量之间的关联关系，为最终的决策提供数据支持
-
过程一：制定测试组
在这一步，需要确定要测试的测试变量、测试组数量、与测试周期...
我们可以先试着给这款裙子设定不同的价格，并保持一段时间。再记录每一个价格下的销售数量。这样就能找到价格和单位时间的需求之间的关联
如果要推出一款裙子。根据你的经验来看，像裙子这类服装的零售价一般定到100元，80元或者50元。你是通过在线销售的，你想测试一天的数据。所以你的测试方案可以是：
- 测试一：第一天0:00-24:00时间段的零售价是100元
- 测试二：第二天0:00-24:00时间段的零售价是80元
- 测试三：第三天0:00-24:00时间段的零售价是50元
image.png
-
过程二：收集数据
在这一步，需要记录在每个决策下外界如何响应的，数据表现如何
对应的，就要记录每个价格下服装的销量
- 第一天，当零售价为100元时，24个小时销售了24件
- 第二天，当零售价为80元时，24个小时销售了96件
- 第三天，当零售价为50元时，24个小时销售了120件
image.png
-
过程三：通过数据找到关联
在这一步，可以通过价格和销量的数据计算每个价格下平均每小时的需求
这样，就了解了定价跟每小时需求量之间的关系：
- 第一天，定价100元时，平均每小时的需求是1件
- 第二天，定价80元时，平均每小时的需求是4件
- 第三天，定价50元时，平均每小时的需求是5件
image.png
以上完成了“找关联”阶段，接下来还需要通过“做决策”阶段，来帮助我们做出最优的决策
# 阶段二：“做决策”
在这个步骤下，就是根据第一阶段中得出的价格和单位时间需求的关联，计算出使得单位时间利润最大化的价格，然后保持这个价格。这里主要包括两个子过程：
-
过程一：计算每个方案的利润
我们可以利用上一步得到到的需求和价格的关系，计算在每一个价格下每小时的利润是多少
- 如果零售价是100元，我们在第一步计算的每小时需求是1件，每小时的收入是100*1=100元。这款裙子的成本是30元一件。所以利润等于100-30=70元
- 如果零售价是80元，我们第一步计算的每小时需求是4件，每小时的收入是804=320元。因为这款裙子的成本是30元一件，所以利润等于320-304=200元
- 如果零售价是50元，我们第一步计算的每小时需求是5件，每小时的收益就是505=250元。所以利润等于250-305=100元
image.png
现在，我们就已经计算出了不同价格下获取的利润；接下来，就可以根据自己的目标来找最优方案了
-
过程二：找到最优方案
最后，由于我们的目标是利润最大化，而通过以上的验证结果可知，定价80元获取的利润是最大的，所以我们就可以给这款裙子定价为80元
*（以上Rue La La的案例是由哈佛和MIT教授联合研究的一个真实的商业案例，他们为Rue La La总共测试了6000多种商品，总利润增长了9.7%，可以说是非常有效的）
# 难点：测试周期的确定
最后，要补充的是，我们在实际当中使用这个方法的时候，其实存在一个难点，这个难点是当我们在确定测试方案时，我们就要决定每一款决策我们在测试的时候，测试的时长是多少
在Rue La La案例中，我们测试不同的价格，我们选择了一天进行测试。一般来说，一种测试方案的持续时间不能太短或者太长
-
如果时长太短，我们估计出的单位时间的需求会有很大的波动性，可能跟客观真实的长期稳定的需求值有很大的偏差
比如在测试方案一中，100元零售价下24小时卖出去了24件裙子。因此我们估计在100元零售价下每小时需求量是1件
但是，因为现实中有各种不确定性，所以在现实中不可能每小时正好卖出去一件，而是有可能需求随着时间有波动。比如说第一个小时卖出去2件，第二个小时和第三个小时一件没有卖出去，第四个小时卖出去1件，第五个小时卖出去2件。所以我们要把测试时间适当放长一些，这样单位时间的平均需求量会更准确
-
如果时长太长，为了更精准地找到需求跟各种决策的关联，虽然这可以提高对单位时间需求估计的准确度，但对于有些生命周期很短的产品，就很可能与最佳销售时间段错过，从而影响到利润
比如一款裙子，真正销售时间可能也就一两个月，如果我们花费了大量的时间去尝试各种方案，造成的后果就是没有足够的时间在最优的价格下销售这款裙子，也就无法最大化利润
那么，既然测试的时间不能太短或者太长，那要怎么设定测试的时间呢？
这其实是要看自己所在行业和你所在公司的产品本身的特性等因素来决定的。不同行业不同公司对应的答案可能会有非常大的差别
以下还有两个案例以供参考：
案例一：互联网产品
假设你是这个互联网公司的产品经理，你们新推出了一款手机APP，你需要做的决策是设计出能够获得更多用户活跃度的应用界面
但是，当该款软件刚推出时，你没有任何历史数据，你是不知道每一种可能的设计界面会带来多少的用户使用需求。在这种情况下，你也可以使用“找关联，做决策"的方法去快速找到二者的关联，并利用这个关联进一步找到最优的界面设计
我们来看看“找关联，做决策”的方法在这个案例中的具体操作
- 第一步，“找关联”
首先，你需要尝试各种可能的界面设计，比如说图标是圆的还是方的、是红色的还是绿色的、是以闪烁还是滑动的形式出现在屏幕上、出现在屏幕的左边还是右边等等
其次，每种可能的界面设计需要持续一段时间，然后记录在这段时间内这种界面设计能够吸引多少用户
接下来，互联网公司可以计算出每款界面对应的单位时间的用户使用数量
在这里要注意的是，在测试方法上，互联网公司在第一步的操作可以跟刚才讲的电商定价决策的例子有所不同
在之前讲的零售定价的问题中，因为涉及到消费者价格歧视等问题，有可能法律或者市场或者舆论不允许在某一时刻商家在卖同一件产品时对不同消费者定不同的价格。因此，商家只能在一段时间内针对所有消费者尝试单一价格。
但是，互联网行业行业是允许不同用户看到不同的产品界面的，这在现实中也是广泛存在的。因此，为了节约找到不同设计界面和用户使用数量关联的时间，你可以在同一时间段尝试针对不同的用户提供不同的设计界面，也就是我们常听到的A/B测试
- 找到了关联性，接下来就要“做决策”啦
如果你的目标是希望吸引尽可能多的用户去使用，那么，我们直接利用第一步得到的每款界面对应的单位时间的用户使用数量，然后选择能够获得最多用户使用数量的那款界面就可以了
image.png
案例二：共享汽车投放
我们举一个具体的场景，假设你所在的共享汽车公司打算进军某个城市。你是共享汽车公司的运营，被派往一所新城市开拓共享业务。你要决定在城市的哪些区域投放共享汽车才能最大化市场占有率或者最大化利润。但你在做决策时，面临的最大困境是你这个城市的市场行情不了解。那你就不知道在各个区域投放共享汽车会带来多少使用率
我们来看看“找关联，做决策”的方法在这个案例中的具体操作
- 第一步，“找关联”
在找关联的过程中，你可以测试，先在某一个可能的区域投放部分共享汽车，持续一段时间并记录下用户需求情况，然后再尝试投放到另一个可能的区域，持续一段时间并记录下用户需求情况，然后重复操作，直到尝试完所有可能考虑投放的区域为止。然后可以计算出每个区域对应的用户使用率是多少。这样你就找到了在不同区域投放和用户使用率之间的关联性
- 第二步，“做决策”
如果你的目标是扩大市场占有率，那你就可以选用户使用率最高的那个区域
而如果你的目标是最大化利润，那你就需要根据每个区域的用户使用率去计算投放到这个区域能够带来的利润是多少，然后选择能够产生最大利润的那个区域
image.png
所以，“找关联，做决策”的方法在很多领域都可以很好地被应用，不管是电商零售、互联网运营还是企业内部决策
网友评论