破局思维:打造爆款产品的方法论

640?wxfrom=5&wx_lazy=1

作者:怪兽先森

全文共 3318 字 8 图,阅读需要 7 分钟


———— / BEGIN / ————


你有没有发现:有些产品在短时间内就卖火了。比如:抖音、网易旗下等产品,或者是你家旁边一家店的奶茶。而有些人的产品只能永远原地打转,无任何大的变化,甚至逐渐被用户抛弃。


这两种结果的原因是什么呢?


可能大部分人会认为,这是因为做出好产品的人在前期付出很多努力的结果。但是发现:同样的成本付出,有些人的产品就是能够成为爆款,而有些人还是做不出让消费者喜欢的产品。


就算是同样的团队实力、同样的起步基础和时间精力成本、甚至同样的创意等等,但最终效果却还是天差地别。就像两个人投入同样的备考时间,最终的考试效果却不一样。


不同的人有不同的原因,但大部分最主要的一个原因就是——产品在迭代的思路上出现了不同。


不被用户喜欢、只能原地打转的产品,大部分都是困在一个层面上进行思考,治本不治本。


比如:总是想着如何加大促销力度来提高销量、如何打败竞争对手等等,这些都是在一个产品销售层面进行思考。


而能够做出持续受到消费者欢迎的产品,需要跳出某层面进行创新思考,打破局限。不只是想着如何促销,还要不断去寻找消费者更大的需求,自然会有更大机率做出更受消费者喜欢的产品。这就是产品迭代的破局思维(来自《跃迁》里的思维模式)。


我在之前文章提过一个案例,就是做线下职业西装店的,提高销量和知名度的方法基本都是围绕“降价促销”这个层面来营销,效果并不好。


很多快速走上品牌之路和实现其他收益目标,更多是跳出某个层面,破局思考,寻求真正的解决方法。


640


这种“破局思维”最大的优势就是——可以让你的产品进行快速创新,跳出原地打转的局限。在同样的成本之下,比他人更快更好地找到用户需求,做出用户更受欢迎的产品。


这种产品的破局思维具体的操作过程有三个环节:


(1)发现异常:从后台数据或现象观察中发现用户对产品的异常情况。比如:发现用户在你的网店里停留时间很长,但就是不肯下单,这是一种异常情况。


(2)假设:对异常情况进行假设,看看这背后存在着哪些更大的没被发现的需求,或从中找出问题的可能原因。例如:前面说用户停留时间长却不下单,根据相关数据和其他观察现象进行假设最大的可能性。比如:店里的产品虽然很诱惑人,但可能缺少促使用户下单的理由。


(3)测试:把第二环节的假设结果进行少量测试,快速验证。如:前面已经根据相关数据假设出,用户停留时间长却不下单的原因可能是缺少促使用户下单的理由,便可以在详情页里添加相关的促销内容(销量限时优惠等),进行测试。


640


若最后测试结果不符合第二步的假设,就果断放弃该假设,快速进行重新的假设与测试。


如果测试结果符合假设的预期,说明找到问题的原因或用户的更大需求了,那就加大投入——所谓的爆款产品可能就出来了。


比如:我们常见的网易很多爆款产品。


即使最终你没有做成“爆款”产品,但这样的产品迭代方法,至少会让你的产品或营销创新上比过去进步更快。


当然了,资金和执行力等方面也是重要影响因素,但这里给各位提供思路做为参考。


如果你还是不知如何下手?下面给你说说:这种产品破局思维的三个环节具体做法。


一、发现异常


无论是产品、营销还是消费者行为,经常很多潜在的需求与创新就是隐藏在这些异常情况中。


现在很多人做营销基本靠感觉或直觉,但大部分人直觉判断往往都是错误的。


你以为你的用户喜欢更便宜的产品,可能你的用户其实更喜欢物流速度更快的店铺,最终导致投入与产出不成正比。


那怎样发现潜在需求或问题的原因呢?


可以从两个方面入手:


1. 异常的数据


相信很多人做产品、做营销时,都会有相关的数据统计。这些数据中的一些异常情况,往往就是问题和需求的潜在之处(可惜很多人并不重视)。


比如:做淘宝电商的人,后台会有很多相关的统计数据;做线下店时,就需要你去统计,如:每天或每周大概统计下客流量、转化率、来消费的用户年龄收入等数据。


640


然后从这些数据中发现异常的情况,比如:文章前面所说的例子,在后台数据发现用户在自己店里停留时间长,但转化率很低,这就是一种异常情况。


2. 异常的现象


除了数据上的异常,还可以从行为现象上进行观察。这种发现需要你多去留意消费者行为上的异常地方,从中可能发现更大需求与问题的原因。


比如:你做餐饮的,发现很多穿着很便宜的衣服,看着收入并不高的消费者,却喜欢点稍贵的菜品。这就是一种异常现象,需要接下来对该异常现象进行假设分析,找出背后真正的原因,可能其中就潜在更大的需求。


再比如:美国有一款社交应用叫instagram,早期类似微博微信产品一样,让用户在上面可以分享图片、文字等内容。


但是后来发现用户分享图片的行为比分享文字文章等内容更加频繁——这就是不一样的行为现象,后来假设分析与测试验证,最终打造成和facebook、推特等产品不一样的独特社交应用平台,以分享图片为主的社交产品(现已被facebook收购)。


总之,从相关数据和用户现象中去发现异常情况,这是产品迭代创新与找出问题根源的重要环节。接下来,就可以对这些异常情况进行假设与测试了。


二、假设


对前面的产品或用户的异常情况中,提出假设。


因为目前还没发现有有人可以100%就能断定异常情况的原因,大部分情况下需要根据这些数据或现象进行假设,后期进行测试验证。


这也是防止盲目做产品和营销的有效方法。


比如:很多人看到产品卖不出去了,就盲目地降价促销,最后不但盈利不好,还让消费者对你产品产生了“是不是次货啊”的负面认知。


这是没有对数据与现象进行分析,没有假设的结果。就算你成功一两次,但大部分可能是靠运气成功,产品很难获得持续性的发展。


如何进行假设呢?


这里提供一个方法工具:画假设图(直观的图像更能增加人对假设的正确性)


640


然后选择可能性最大的一个假设进行测试。


比如:再说回文章开头例子,用户在你网店里停留时间长、收藏数大,但转化率却不成正比。然后列出来,进行假设。


640


接着就从最有可能的假设进行测试。也有可能是多个原因,这时候就需要对多个假设同时测试的做法。


同样,你如果发现自己餐饮店的客人虽然看起来没什么钱,却喜欢点更贵的菜品,也可以用类似的方法对该异常现象进行假设分析。


可能是该类客人暂时的虚荣心做怪,可能是该类客人是以公款的名义吃饭(不是自己的钱,就不会觉得心疼)……


尽量多结合不同的方面进行假设,得出最接近的假设结果和解决方法,然后进行测试验证。


三、测试


测试不是指盲目投入,而是对前面的发现与假设进行验证。前面也提过,很多人做产品或营销,投入与产出不成正比,很大原因就是没有少量测试就加大投入,造成不必要的浪费。


如果说前面的发现异常与假设是为了降低试错成本,那么,测试就是为了继续降低错误成本投入和加大正确投入的有效方法。不同测试结果,对应的措施也不一样。


一种是测试结果不符合假设的预期时,停止继续投入,然后重新测试其他假设结果。


640


比如:发现加大促销力度,你的店铺产品转化率还是很低,那就继续测试其他假设结果,或者把多个假设结果同时进行测试。而不是盲目全部投入资金去做自己以为是正确的判断。


另一种就是测试结果符合或大于假设预期,就可以加大投入,打造更受欢迎的产品。


640


比如:你网店添加信任背书和合理的促销方式后,转化率提升了,而且复购率也提升,也就验证了假设的正确性,可以往该假设继续加大投入。


假如你觉得还可以更加完善你的产品迭代或营销方式,同样可以继续按照“发现异常——假设——测试”的破路思路来找到更合适的方法。


四、总结


如何在同样的投入成本下,获得更高效益,让产品卖的更火?不妨可以试试“破局思维”的产品迭代方法,一共有三个环节:发现异常—假设—测试


最后总结一张图给你,长按保存,马上去运用一下吧!


640


这个破局思维不光是有利于产品迭代、营销方式的创新,也可以运用到你生活、探索自己职业规划上都有帮助。


———— / END / ————


作者:怪兽先森,微信公众号:怪兽先森(ID:Mister-shou)。人人都是产品经理专栏作家。关注互联网营销,擅长写产品文案和品牌营销咨询。以人为本,剖析问题本质,致力于让营销更简单和实用的营销人。

本文原创发布于人人都是产品经理。未经许可,禁止转载


640

点击“阅读原文”下载APP

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值