如何理解数据驱动产品

　　现在，越来越多的公司以数据来驱动产品进行迭代，从中我们可以看出数据的重要性。
　　在产品经理的日常工作中，往往会与各种数据打交道，而越来越多的公司现在也都在以数据来驱动产品进行迭代。无论是新功能也好，老功能优化也罢，都离不开数据。
　　今天就和大家聊聊我对数据驱动产品迭代的理解：
　　定目标
　　无论是部门还是项目，在做产品工作的时候，都需要有一个非常明确的目标，比如我所做的是招聘业务，那么我的目标就是用户简历数、用户报名职位的转化率等。这些目标一方面是方向，指引我工作时的重心；另一方面是KPI，量化我的工作成功。
　　在定目标时，对于一个全新的业务或者产品，我们没有已有数据做参考的时候，我们可以去参考同类竞品，然后去估算一下我们努努力，也许可以达到的数据。
　　这个数据具体取什么，也很重要。一般都会取你所负责项目对公司、对业务贡献最突出的地方。
　　比如我负责的招聘产品，本质上是对流量的转化，那我们的目标可能就会定为xx转化率；比如销售，本质上是收入，那目标可能就是销售额。
　　目标一旦明确后，产品经理所做的工作，就会朝着这个目标去努力思考，自然效果就会更加聚焦，结果也可以量化。
　　产品迭代
　　在做需求、设计产品时，我首先思考的是这个改动是要达成什么样的目标：提升转化率？优化用户体验？或是增长某些业务数据？
　　在明确了目标后，我再去思考如何改动会提升相关数据。
　　比如强制用户注册登录，是否可以提高用户注册数？是否会影响新用户的留存率等。我可能在上线前做出一系列假设，这些假设在没有看到数据前，都只是推断，并不能反映用户的真实行为。
　　互联网产品迭代速度快，主要原因是通过小步快跑的迭代方式，可以反复的试错，纠正，优化。保证始终是朝着好的方向尝试着。
　　如果是大的功能，在上线后，我会观察整体的各项指标是否发生了变化。如果发生了变化，是否是因为这个功能引起的。
　　如果数据变好了，说明印证了我们的猜想，符合我们的预期；如果数据不好，就要进一步细化数据，定位原因，再次进行优化，直到我们得出明确结论。
　　AB测试
　　AB测试，通俗讲就是同时上线A方案和B方案，观察2个方案的数据好坏，从而决定使用哪个方案。这是最常见的数据驱动手段，由于它可以控制除改动点之外的其他变量，因此它的对比比较客观，结论也会非常准确。这里我讲一下关于AB测试的流程。
　　有很多提供AB测试的第三方服务。在App内接入它的sdk后，我们就可以在App启动时调用sdk，实现AB分组。它会均匀的将用户进行AB分组，比如启动App有100个用户，它会随机将50个用户划为A方案，另外50个用户划为B方案。
　　这样对于AB两组用户，他们在相同时间，相同版本，看到的内容是不一样的，通过埋点观察两组试验数据，就可以很明显的对比出这两个方案的优劣势。从而帮助我们选择好的方案。
　　当然，在AB实验中，我们可以控制流量的分配，避免改动对所有用户产生影响，降低风险。
　　一般在做AB的时候，基本流程是这样子的：
　　AB测试可以对比旧版方案、新版1方案、新版2方案，同时在线上运营多个方案。既可以优中取优，又可以新旧对比。通过数据来决定使用哪个方案就OK了。
　　据说头条曾经一个版本中同时跑着几十个AB测试，可见数据驱动的威力以及AB测试的重要性。
　　日常数据监控
　　作为用户端产品，平时也会做过用户访谈，会和用户聊天，了解用户的真实诉求。但是在实际工作中，这样的机会并不算多，大部分时间是闷头做需求，这时候，就体现出了数据驱动的重要性。
　　对于C端产品来说，数据其实是用户行为的真实反馈。用户在产品上的大部分行为，并不会直接告诉你，但是通过数据，我们可以分析用户的使用路径，需求的满足程度，从而衡量产品的价值。
　　我每天来公司第一件事，是检查昨日的APP核心指标数据，看是否有异常。这个工作平时很简单，但一旦发生异常，就需要尽快定位原因。
　　一般转化率相关的数据波动在上下2以内是可以接受的，但如果差距过大，就需要排查原因。排查的思路一般是：
　　数据是否有误，可以联合多个指标即可快速确认，如无误，就要分析原因
　　最近是否有发版，是否是因为版本中的改动造成的用户行为变化
　　是否是因为用户画像变了，和市场投放渠道是否有关，分渠道看具体数据，确认异常数据的渠道来源
　　和新老用户是否有关系，分新老用户观察数据，定位改动点
　　和运营活动是否有关，和运营部门沟通，确认最近的运营内容改动
　　基本通过以上几个角度，就可以定位出问题原因。这个工作虽然平时很简单，但若遇到问题，就需要你的数据分析能力以及经验来快速确认问题，从而修复。
　　总结
　　数据驱动产品，不仅仅是产品的工作方法，也是一个公司的风格。一般技术型驱动的公司，都会尤为看重数据。在这一年中，我所学到的数据驱动方法也在逐渐完善，也越来越受用这种思维方式和工作习惯。
　　当然，仅仅靠数据驱动，也会陷入一些盲区，毕竟数据是死的，它反映的只是客观事实。正如张小龙所说善良比聪明更重要，如果一味追求数据的好看，也会与初衷背道而驰。
　　因此，如何寻找一个平衡点呢？