前百度大数据部技术经理：如何用数据驱动产品决策？

　　阅读前，请先思考：
　　产品经理需要什么技能？
　　如何用大数据分析引入产品分析？
　　数据分析对产品分析的价值如何？
　　我在百度8年，都是做和数据相关的事情，出来创业这两年还是做数据相关的事情，那么我讲的东西就会偏技术一些。
　　我们这个峰会的主题是改变，一个是需求的改变，还有一个是自身的改变。我们的能力是需要改变的，数据分析的能力我认为是大家应该具备的。
　　一、数据分析的价值
　　首先我们来说数据分析的价值。我把2000年以后的互联网分为三个阶段：
　　20002006：是流量时代。这个时代有三大门户，百度、腾讯、阿里巴巴，这个时候拼流量。
　　20062011：是用户时代。诸如开心、人人、Facebook，这个时候比的是用户数、月活、日活等。
　　2012年现在以及未来58年：订单时代。比如12年团购到互联网、O2O、互联网金融，包括直播等。
　　我们看到一种趋势：互联网行业越来越精细化，从开始关注流量到关注用户到交易，越来越细，越来越需要数据。
　　那么数据有什么价值呢？我把它归为两大方面：
　　一是数据驱动决策。
　　比方说做老板，下一步该进军什么方向，这需要数据；做产品经理，改版、评估、运营都需要数据；做管理，需要数据进行沟通。
　　二是数据驱动产品智能。如用AI去改变这个产品可以让产品本身具有一种学习能力。
　　但我今天要讲重点的是：数据如何驱动产品改进和进行产品的迭代？
　　二、数据分析的四个关键环节
　　我们说要重视数据分析，但真正要做好很有挑战。
　　比如，你需要一个数据，但不是直接就能给你看的，数据可能需要找数据工程师统计，也许要一个月出结果或者一个月都统计不出来，再或者给了你一个宏观数据，你想分析也分析不了。
　　会出现各种现实问题耗费时间成本。理想状态是：每个业务人员能掌握数据，从底层数据体系去支撑产品分析。
　　一种产品发展到一个程度就到达一个理想状态，这个阶段再突破就很难。像iPhone从2007年到现在进行了很多产品迭代，但本质上沒多大区别。
　　作为产品经理，任务都是要解决某个问题。需求确定了，无非是去改产品、解决问题使产品达到理想状态。
　　很多产品不只一家在做，这整个过程就看哪一家先进入理想状态。那么这个过程就是思考如何让自己的产品迭代更快？有数据是一种更好的方式。这些问题都是常见的情况，我们把它归结为需求驱动。
　　我把数据分析分为四个环节：从底向上依次为数据采集、数据建模、数据分析、指标。
　　1。数据采集
　　数据要想做好，数据源很重要。数据分析要考虑：如何把数据采集上来？如何进行数据分析？
　　更重要的是如何把底层数据的采集做好？我把它归结为四个字：“大”“全”“细”“时”。
　　大：“宏观全局”；
　　全和细：“数据搜集更全、更细”；
　　比如一个电商产品要分析不同身高的人交易有什么差距，如果没有把身高这个维度采集下来就没法去分析。因此如何更全、更细地采集下来就很重要。
　　时：“时效性”。
　　一个数据一年之后给你还是下一秒给你差别很大。比如产品的改版没有效果，如果知道得很晚就会流失很多用户。我们在做数据时要更全、更细，具备时效性地采集下来。
　　数据采集有以下三种手段：
　　可视化全埋点；
　　代码埋点；
　　导入辅助工具。
　　2。数据建模
　　数据采集就是用不同方式将其采集下来之后进行数据建模，所谓建模就是将数据进行重新组织，组织到让产品经理能看懂。
　　3。数据分析
　　数据的分析方法是无穷无尽的，我们把分析方法从两个角度来看：一个是广度，一个是深度。
　　所谓广度，就是分析一个人或者群体或者整个总体，是看是什么力度的特征。
　　所谓深度，是看用户的行为，是关心点击量、访问量；或者看用户的购买操作，以及操作之间的序列关系是怎样的。这要针对不同分析场景来看哪种分析方法更好，分析方法可以组合使用，而不是只用一种方法就搞定问题。
　　比如说“开眼”讲的一个例子：
　　朋友圈分享一个视频，视频下边附有下载引导，使用安卓的用户下载量比较少，接下来对这件事进行多维度分析，通过屏幕的宽和高，还原了场景分析，发现屏幕宽高对这件事有影响，不做多维度分析，就只能从感觉来，却找不出问题。
　　我在百度知道时，做问题推荐相关工作，我们尝试通过待解决问题推荐的方式，来提升回答量。
　　第一次，基于核心用户。我们抽取了35万个核心用户群做个性化推荐。前后历时3个多月，结果却十分令人失望。
　　因此我们进行了第二次尝试，基于所有用户做个性化推荐，而非之前仅针对核心用户。
　　后来我们根据用户的检索和访问页面的标题进行兴趣模型训练，然后抽取每个用户权重最高的5个兴趣词，当用户访问百度知道详情页时，我们基于每个用户的兴趣词做实时搜索，将7～8个待解决的问题放到页面右侧。这次尝试效果非常好，新版上线后，百度知道的回答量提升了7。5。4。指标
　　最后来说指标，不管底层做的多好，我们常用的还是指标。我们通过这些指标能更好地表达产品。
　　我们把产品发展阶段归结为三个阶段：
　　第一个阶段就是MVP（最小可行性化产品），MVP是尝试阶段。
　　第二个阶段是增长阶段，如何让数据规模、用户规模变得更快？
　　第三个阶段是营收阶段。
　　阶段性不同，要根据阶段确立指标。
　　我经常跟创业团队聊，问他们现阶段指标是什么。几个人一起聊，每个人说的都不一样。一个企业一个阶段的指标应该是聚焦的，只是一个阶段换一下。
　　比如说三只松鼠和keep现阶段担心的主要指标会是一样的吗？可能不一样。keep不缺用户，但是要提高用户活跃度；三只松鼠可能用户不够多，所以要吸引用户。因为产品不同，用户不同。
　　另外一种方法去确定产品指标的方法就是海盗指标法。
　　2007年提出了这个概念，现在已经10年了，但一点不过时。
　　一个是用户触达，一个是用户激活，和用户留存。归结起来就是三个问题：你的用户怎么来的？怎么把用户留下来的？怎么从用户身上赚到钱的？
　　三、数据驱动产品迭代
　　前边简单讲了一下过程，过程真正落地的挑战还是非常大的，接下来看产品迭代。
　　有一本书叫做《精益创业》，一共讲了两个方面：一个观点是关于MVP（最小可行化产品）；另外一个核心观点是把大数据分析引入到产品迭代的思维里边去。
　　我们凭感觉，做产品就是想个功能把产品做出来，不断地给它添加功能，但这要依赖你的天赋，会不断碰壁。
　　科学的方法就是把数据分析引入进去，用数据来进行分析。
　　比如我们发现用户流失比较大，那我们先把这个问题解决，再上线，上线后再看用户的流失情况，再收集数据看结果。所以数据分析是一种技能，让产品的分析更加科学。
　　举一个百度知道的例子。产品经理说每到暑假用户量就上涨，随着移动互联网时代的到来，百度做了一系列APP，每个产品都对应做了一个。
　　后来进行数据分析后，发现还是做作业这块的产品用户量多，那就从产品迭代角度，让这个产品更好，也就是百度的理念bestofbest。
　　后来就加了一个按钮来专门提问，额外增加了20到30用户，于是后来就单独做了一个做作业的APP，也就是现在的作业帮。
　　这就是一个产品经理应该做的，通过数据发现问题，然后来解决问题，数据分析是让产品分析更加科学的一种方法。
　　比如我们神策官网做的官网改版，当时产品经理说改版的目的是让产品的内容丰富或是好看。我说这都不是目的，我是看用户注册量。所以我们就是不断地增加功能，不断用数据分析，迭代升级，看哪个版本更好。
　　四、数据驱动用户激活和留存
　　用户来到了你这个产品之后是不是就真的是你的用户了？其实很多时候是不一定的。一些营销活动访问的用户很多，但是最后真的留存下来的很少。
　　比如一个电商网站，不去购买算是你的激活用户吗？我们更多是看如何将用户激活和留存。
　　也就是找到用户的Ahamoment（顿悟的那瞬间），我们就要去想一想，你的用户激活流程是什么？
　　当然这里还要注意的是将用户的ID打通，一个用户从浏览的时候到注册时是断开的，这个过程需要一些技术手段去将操作串起来。
　　举个例子，互联网金融的一个例子。用户进来安装App后启动时有个欢迎页，这个欢迎页在用户去注册的时候真的有用吗？如果你自己是用户注册的时候会看吗？
　　我们就要用数据来看，如果发现转化率是有提高的，那我们就改进它让它注册转化率更高。
　　另外就是加入一些引导语，比如说新手引导语，根据数据来看这些功能有没有效果，如果有用就去提升它，没有用我们就不用它。
　　另外就是留存，比如说复购，次日留存，周留存等，我们要分析通过不同通道来的用户。那么针对留存我们要看什么呢？
　　第一点要关注留存；第二是提升留存；第三点是利用留存。
　　为什么关注留存？归根结底我们是做生意的，生意的原则很简单，在用户身上收获的要比投入的多。
　　如何提升留存？第一，做一个真实有用的东西；第二是把体验做好，你要给用户带来价值，产品其实都是有替代性的，你要不断改进，针对不同产品要想不同手段来提升。
　　留存做到多好算好？没有标准答案，产品不同，留存率有提升就好。
　　五、数据驱动地落地
　　最后再说两句，这个数据驱动是全面的数据驱动，市场里的各个角色都是用大数据的流引入进去，让一个公司全面地、全角色地利用数据驱动。
　　最后给大家推荐几本书：