互联网产品功能是怎样迭代的?
用户分析
-
从流程连贯性出发,满足用户的其他需求
携程VS美团VS马蜂窝
携程:火车票订购
美团:酒店订购
马蜂窝:门票订购
问题:处在每一个流程节点时,可能会发生app之间的互相切换,表现出用户的损失或者对需求的不满足。
目的:从流程角度去丰富产品的功能,用户的整个操作流程经过所有的节点都在自家的app上发生。
解决:
- 更早的介入需求流程
- 更多的承接需求流程节点
让用户整个流程节点所需要的服务,被自家产品一层一层的承接下来,而不会被流失到其他的平台上去。
比如:WPS上游模版的选择和制定(更早的介入需求流程)
超级简历和公司的资源方合作,下游是建立的触达与投递(更多的承接需求流程节点)
品牌营销、产品调性的建立
-
江小白
- 打破圈层壁垒
提到白酒想到的形容词:土、贵、难喝、爸爸才喝的,是年轻人不可能接触到的。这叫做认知的圈层壁垒。有很多产品打了一场漂亮的侧翼站,实际上就是瞄准了一些没有被开阔的领域。
比如拼多多,没有将重心放在一、二线市场,而是放在了下沉市场;比如快手和西瓜,里面有很多创作者是农村的或者县城的年轻人。而江小白也没有将重心放在普遍意义上的白酒消费群体中,而是放在了年轻人的身上,这份还没有被开阔过的蓝海领域里,也实实在在地打了一场漂亮的侧翼战。
- 强调品牌特色
线下的粉丝聚会派对、毕业季活动、《我是江小白》动画、街舞大赛,江小白不断刷新我们对白酒的认知,他不宣传酿酒的工艺,不强调酒背后的文化背景,把重心放在和年轻人拉近距离上,告诉我们它很年轻,很有情绪。
- 构建情绪氛围
江小白在告诉我们,你有那些说了矫情不说委屈的话,不如就放在酒里吧。
就这样它年轻、有活力、有情绪的产品调性就建立好了,同样的也吸引了一大波粉丝。
-
网易云音乐:它是一个有态度有温度有人情化、人性化的音乐软件。
大家用着非常感性温暖的词语,去形容一款没有生命的产品。
乐评通过情绪、歌曲、故事连接你我,给了社区成长所需要的土壤,但实际上在大家记忆中刻下烙印的还是社区传递给我们的信息,说悬一点就是那种感觉、那个味儿对了,就让它变成了网易云音乐。这件事听着很玄,但实际上能完成这件事并不容易,这是靠千万听众心照不宣的遵守才让这个调性得以固化,这份心照不宣,从心理学的角度得益于群体的从众效应,而从平台的角度得益于其良好的引导和并不急躁的推进。
- 知乎
冷启动:知乎的第一批用户是靠员工发送邮件,邀请加入并不开放注册,11年开放内测,13年开放注册,如此长的一段黑箱期间,并不是由于知乎的表现不好,知乎留存率达到96%,固化社区氛围,好让产品调性得以成立。从最早期的用户来看,工程师、互联网从业者和创业者占较大的比重,这些人需要且能够提供更为优质的回答,但是随着注册门槛的降低,很容易出现劣币驱逐良币的现象,所以在对大众正式开放注册之前便已经固化好社区的氛围是非常重要的,一旦社区的氛围构建起来,社区内就会形成心照不宣的规则,成熟用户会给新用户做榜样。
- B站
外面的人看不懂弹幕缩写,里面的人自觉遵守平台氛围,和不成文的规定,弹幕和评论更加友善,up主和粉丝的联系更加的紧密,对于平台而言,太过于商业化的东西是不能被用户所允许的,B站这种轻松和互动的社区氛围,让它饱受观众的喜爱,它的弃用成本也变得很高。
为了固化这种氛围,平台做了很多事情,比如永远耐心的客服娘和客服君。比如强大的弹幕功能,弹幕调整了up主和用户之间的主被动配合,进一步加强了用户的参与感,同时在用户的默契下衍生出很多固定的每次,这会固化圈层的壁垒,让在圈层里面的成员,产生更强烈的归属感。比如视频特征,像快手、抖音这种短视频极具爆点,本身就有高维的刺激,不需要弹幕的附加;像电影电视剧这种,要求的事连贯性和沉浸式的体验,弹幕也不太适合。B站视频以5到20分钟居多,适合弹幕形式,对视频进行二次创作,up主多是UGC创作,和明星网红不同,up主更像身边的人,像学长学姐,本身就会拉近up主和观众的距离感,而弹幕将这个距离进一步缩短。从数据上来看,有非常高的留存率和超级高的粘性,以及平均每天76分钟的观看时长,数据十分可观。从心理学的角度来说,态度的形成是有三个阶段的,B站倾向于后两个阶段:认知和内化。
推荐算法是啥?
根据用户的一些行为,通过一些数学的算法,推测出用户可能感兴趣的东西。
-
基于内容的推荐
当你浏览或购买了某种内容或商品,系统自动给你推荐相同属性的内容和商品,所以这个方式的本质就是如何进行属性的分区,也就是如何确定哪些商品是同一个属性。同时系统也会考察你对某一个内容的判断和反映,来判断你的喜爱程度,比如观看时长、互动指数、系统操作或其他动作和指数。
-
基于内容的协调过滤推荐
啤酒尿布案例。根据用户表现也就是历史的数据来进行相关性关联,再根据内容的属性进行更多的推荐。
实际上在app上会怎样表现呢,小明习惯在看完美女视频后看学习视频,系统则会在他长时间看美女视频后插播一个学习视频。
-
基于用户的协调过滤推荐
X和Y本来并不认识,但是他们总是做着相似的事情,系统就有理由相信,X喜欢的东西Y也是喜欢的,于是就会基于人的属性进行推荐,这也是为什么会在首页看到根本不了解的内容,这种推荐可以在不影响用户体验的基础上,很好的活跃内容的传播。
灰度、埋点、ABTest
产品的生命周期:开发、引入、成长、成熟、衰退
产品功能迭代的流程:
-
发现问题并提出需求
多维度思考问题,产出PRD
高德:50%导航误偏航;30%隧道自车点不移动。假设人力是有限的,优先解决第一个。
数据起到的作用:定位问题、发现问题、判断出问题的优先级。
-
开发需求
RD小哥哥开发需求,即思维产物物理化
数据起到的作用:辅助算法的生成;验证程序代码是不是合理的。埋点:通过这些点之间数据的相互对比验证,帮助判断代码是不是符合预期的,也可以很好的辅助业务的判断和决策。
-
需求落地
RD、BI、QA、运营都会介入
数据获取方式:
-
直接面向用户的:用户访谈、用户调研、用户的主动触达(CPO投诉、FeedBack、客服进线),这部分比较重要的是对问题的制定和对用户回答的整理和清洗。从用户需求中提取到产品需求。好处:直接定位到用户的需求、使用产品过程中发现的Badcase,可以帮助我们快速止损。坏处:样本量不会太大,单一样本获取的时间很长,可能导致由于样本量的不足,它不是一个那样置信的指标,而且没有办法准确的衡量,这个问题在用户群体中的占比。
-
直接面向大数据:灰度、埋点、ABTest。
埋点,可以理解为照相机,比如我想找到看了视频、收藏了视频,但是没有投币的用户,这时要在产品中设置两个照相机,一个是当他点了收藏按钮的时候,拍下他的UID,定位到人;第二个照相机,是当他点了投币按钮的时候,也把它UID拍下来。接下来只要通过简单的数据库查询语句就能得到只收藏了视频但是没有投币的用户。
AB实验,我们会对同一个群体,制定两种策略,通过两种策略的不同表现数据,来判断哪个策略是更优的。
灰度放量,为了保证策略上线稳定,阶段性的放量形式。
比如抖音为了让大家永远都不学习再次优化来推荐算法,但推荐算法贸然的切换肯定是不可以的,这时候他们就把用户群体分为了A组和B组,首先观测了两组在旧推荐算法下的平均APP使用时长,之后再悄悄地把A组推荐算法改成最新的,几天后再次观测数据,通过数据指标的变化来判断到底新策略更好还是旧策略好。对于DAU活跃的平台,10%的流量已经很具有代表性了,这10%就已经相当于产品灰度上线了,将ABTest得到的这百分之10进行逐步地放量,最终变成了100%,就实现了这个策略的温水煮青蛙式上线,非常的稳定。
其他数据获取方式:模拟仿真实验、抽样
怎样做好数据分析?
数据指标的目的,也就是服务于什么?
- 服务于一个产品的长期目标,比如说对平台生态的把控,只要这个平台存在着这个需求,也就一直持续的存在着,是一个非常长期并且持久的需求。
- 服务于一个短期的需求,比如说我们的监控体系,在某一个时间段监控指标出现了异常,我们需要了解它异常的需原因,再或者,产品经理发现了我们这个流程还有许多需要优化和调整的地方,数据在这个时候也可以帮助我们进行策略的调优和决策。
长期把控数据的获取方式:抽样调查、监控指标体系的搭建
抽样调查:比如想知道这个平台的生态是怎样的,从一千万个投稿里面抽取出1000个投稿,对其进行标注,判断它是优质的还是低质的,再从低质的里面抽取出一部分进行低质的原因分析,从而判断平台生态现状和问题点在哪里。缺点:对内容生态的响应是非常滞后的,因为它是一个非常消耗精力的工作,非小周期开展的行为,所以我们需要一个能快速响应的方法,也就是监控指标体系搭建。
监控指标体系搭建:核心指标一般包括几个方面的特点:整体性、粗粒度性、强指向性,它是反映我们产品理想态的指标,我们所有的策略和流程的落脚点都是为了优化它。比如推荐算法是想匹配那些用户更感兴趣的东西给它,这里我们的核心指标包括用户的举报情况、用户留存时长、用户互动情况,这些是一些粗粒度的指标;细粒度的指标则包括用户举报它的原因,可以帮我们衡量哪个环节出了问题,还有用户互动的具体情况,它是点赞还是投币还是弹幕,这些会反映它对视频不同的喜爱程度。粗粒度和细粒度是一个非常主观的概念,要根据自己的项目目的去进行一些粒度的调整来判断最合适的指标有哪些。
服务于短期目的的数据指标:数字指标的归因
数据指标起到的作用就是帮助我们进行问题的细化。
-
横向细化。横向的标准是流程之间是没有依附关系的,他们是非常独立的N个系统,比如Tiktok是国际化抖音,某一个指标发生了异常,那我们首先要去进行国家维度的拆分,国与国之间是非常独立的,通过这个来判断是全球性行为还是地区性行为。或者我们常用手机系统进行拆分,看是安卓的问题还是苹果的问题,这些都是横向拆分的范畴。
-
纵向细化。纵向的标准是流程之间是有依附关系的。比如我们发现广告的转化率变低了,广告转化率是商业化监控体系中的核心指标,通过横向拆分之后来判断是美食广告的转化率变低了,接下来进行纵向拆分看是哪个环节出现了问题,在这里要梳理出几个指标,比如广告的触达率,也可以理解成观看数;用户的互动情况,如果互动情况变弱可能是推荐算法出了问题;链接点击率、跳转成功率,这可以帮助我们梳理每一层漏斗和漏斗之间的关系,看到底是哪一层出现了问题,导致转化率变低了。
**服务于策略优化的数据指标:**主要目的是衡量我们的解决方案是不是合理的,是不是符合预期的,这时我们要建立两个类型的指标,一个是收益指标,另一个是风险指标。在大多数情况下,资源是有限的,你给一方资源做了倾斜,另一方资源就会受损。比如说有些人发了一些不好的东西,我们要进行封号,大家主观意识可能会觉得这是只有好处没有坏处的东西,因为它对内容生态有非常好的积极作用,但是封号是严一点还是不严一点好呢?实际上制定策略和规则时衡量那个度是非常难的,这个时候就需要用指标来辅助我们进行判断。它的收益指标是用户的举报,用户的负向反馈降低了,这就说明大部分用户的负向感知变弱了;风险指标就是如果规则制定太严的话,可能很多用户都被封号了,DAU一下子就会降低很多,很多用户也会打电话投诉,这些都是我们不希望的,所以看上去只有利而无害的东西,得从收益和风险两个方面去考虑。
面试通过率的小技巧
业务面:自我介绍、个人经历、俗套问题、业务随机题
自我介绍:基本情况、经历概括性介绍(以一个讲跌宕起伏故事的情绪和论调)、准备清楚面试官可能会问的点、简历每一个细节都非常清楚(尤其是数据化的东西)、希望突出哪个点、弱化哪个点。
业务思维的统一方法论
- 寻找漏斗和闭环
- 各模块分析
- 明确理想态
- 梳理影响理想态的因素是什么(策略产生点)
- 产生策略
- 寻找数据指标支撑(衡量策略是否可行)
- 整理汇总和解答(注意逻辑性)
- 更深入的思考:状态监控、程序复用、接口收敛
例如:如何提升学生对食堂的满意程度?
产生就餐需求、就餐行为(选择菜品、等待菜品、就餐)(闭环:对学生的就餐体验进行评估、对档口经营情况进行评估)
产生就餐需求
- 理想态:需求到行为的转化率更高
- 影响因素:
- 食堂太远了
- 食堂开放时间问题
- 食堂的菜品问题
- 食堂人太多,没位置或者等太久
- 策略
- 增加外卖形式
- 时间优化
- 菜品优化
- 预约形式、档口调整
就餐行为
- 理想态:
- 可选菜品多样且有效性高
- 就餐高峰时刻等待时长不影响用户体验
- 提升就餐舒适度
- 影响因素:
- 选择菜品
- 菜品质量
- 菜品等待时长
- 减少无效菜品(食堂角度优化)
- 等待菜品
- 人效问题
- 人力问题
- 选择菜品
- 策略
- 菜品优化(种类、安全性、多少)
- 人力调整
闭环1:对学生的就餐体验进行评估
- 方式:问卷、访谈
- 调查维度
- 食堂就餐频率
- 不去食堂的原因(位置?时间?)
- 如果增加外卖形式,是否会增加选择食堂用餐的频率
- 是否有过等待很久的现象发生?多长时间的等待是可以接受的
- 喜欢的档口?不满意的档口?(原因)
闭环2:对档口的经营情况进行评估
- 方式:线上系统、线下流程
- 调查维度:
- 天维度各套餐卖餐数
- 平均等待时长
- 档口人力
思维总结:
- 学生用餐的流程经过拆解后可分为产生用餐需求、菜品选择、等待菜品、就餐这几个模块;(流程拆解)
- 我们期望,需求到就餐的转化率达到100%,菜品多样且有效、等待时长可控、就餐体验良好;(理想态)
- 我们考虑到影响上述理想态可能会受到三个阶段的影响。首先是需求阶段,学生产生需求后,可能因为食堂太远,等待时间过长,位置不够而放弃就餐;其次是选择菜品阶段,可能因为菜品不够或质量不高而放弃就餐;最后是等待菜品阶段,档口人力不够或人效过低会在很大程度上影响学生的就餐体验。
- 对此,我们提出了几个策略。首先针对需求阶段,我们可以增加外卖形式或者预约形式,以解决食堂太远、过于拥挤或位置不够的问题;其次针对选择菜品阶段,增加有效菜品即收学生欢迎的菜品,减少无效菜品;最后针对等待菜品阶段,我们可以调整食堂的人力,用适当的奖励政策提高人效,是菜品等待时长在学生接受范围内。
- 我们可以通过以下几种方式来验证考虑因素的准确性和策略的可行性。首先对学生的就餐体验进行评估,可以通过问卷和访谈的方式,从以下几个维度进行调查,比如食堂就餐频率不去食堂的原因(位置?时间?)、如果增加外卖形式,是否会增加选择食堂用餐的频率是否有过等待很久的现象发生、多长时间的等待是可以接受的喜欢的档口、不满意的档口?(原因);接下来对档口经营情况进行评估,可以通过线上系统和线下流程两种方式考察,从天维度各套餐卖餐数、平均等待时长、档口人力几个方面评估档口的具体经营情况。根据这两个评估数据的变化来进一步调整策略和迭代优化。