数据增长对于设计师来说是真命题还是伪命题

　　这两年经济形式的大环境，以及大多数的互联网产品已经步入成熟期，用户量基本稳定，C类产品渐渐从过去的追求KPI变成了业务价值增长。行业内的招聘也渐渐变成了产品经理（数据增长）设计师（数据增长），那么问题来了：数据增长到底是真命题还是伪命题？
　　这个话题源于跟小伙伴聊天时对于所谓数据增长型设计的思考，以及前几年对于产品、运营的业务能力评定，从KPI为目标导向变为北极星指标去达成业务目标。
　　增长这个名词成为了近两年的热词，起源大事件是可口可乐用首席增长官取代了首席营销官，增长变为成熟期公司们新时代的目标，毕竟品牌和产品的认知度够广，用户量稳定，需要的是更多业务合作和连接带来商业资金变化。
　　这两年经济形式的大环境，以及大多数的互联网产品已经步入成熟期，用户量基本稳定，C类产品渐渐从过去的追求KPI变成了业务价值增长，注意是业务带来增长变化，行业内的招聘也渐渐变成了产品经理（数据增长）设计师（数据增长）。
　　那么问题来了：数据增长到底是真命题还是伪命题？
　　A说：
　　一个H5推广小游戏，只不过放置在了QQ得开屏页推广，最终就有几亿的流量，这个数据可以成为设计师简历里所谓得增长型能力吗？
　　B说：
　　核心功能页强加一个广告页，用户要使用这个功能就必须等待广告结束，这个广告入口设置提升了广告得点击率浏览时长，这个数据可以成为产品经理简历里所谓的增长型能力吗？
　　C说：
　　2B型产品，设计师需要验证设计价值提升了商业价值，但实际设计产出对商业价值转换有直接相关性吗？如果是产品经理提出的需求，根据需求提出的解决方案，转化率高算业务的呢，还是算设计立功？反之，如果需求不合理做出的解决方案，转化率低是业务得锅还是设计师得锅？
　　大厂产品进入成熟期，用户量已经到达顶峰，无非是稳定用户基数，寻求新的商业机会（业务拓展），所谓的数据变化看重的是用户体验、商业变现直接相关的业务组合，那到底该如何衡量所谓的增长型呢？
　　我梳理了几个方向去看待这个问题：
　　设计师常见的几种数据
　　首先先来看看我们设计师经常接触几种数据类型：
　　日周月活跃用户数：方便产品设计人员了解产品的每日用户情况，了解产品的用户增长或者减少趋势。
　　留存用户数：用来衡量产品的用户粘性和产品的留存用户规模。
　　留存率：用来衡量用户使用粘性，也可以用来作为产品改版后的重要指标。
　　流失率：可全局看出所有的流失情况，找到流失异常数据，可追踪之前是什么情况导致流失数据情况。
　　展现PV：判断有阅读该功能产品的次数。
　　展现UV：判断有多少个用户阅读该功能界面。
　　点击UV：了解用户对功能交互事件点击数量规模，通过用户的点击数量了解用户的使用行为。
　　人均点击次数：用于衡量产品页面功能中的内容对用户的吸引度，对比同页面的不同功能。
　　平均停留时长：用来衡量页面吸引度，一般来说，停留时间越长，用户粘性越强。
　　人均使用时长：用来衡量用户使用产品的深度，判断用户使用产品的粘性和依赖度。
　　NPS净推荐值：产品口碑传播的重要指标。
　　跳出率：用来衡量页面内容质量。
　　数据思维及流程
　　基于北极星指标的规则和产品设计流程，不了解的童鞋可以手动搜索一下这个名词和具体用法，在这里简单赘述一下。
　　主要有以下几个步骤：挖掘问题机会点提出假设解决方案ABtest结果分析。
　　排查产品的功能问题，产品设计师挖掘需求，提出可能存在的假设去做小范围的功能验证，提出解决方案，对方案进行AB测试，验证该问题方向是否正确，并对结果进行分析。从小点假设的测试数据反推验证大功能的问题，即产品设计师所谓的数据型增长。
　　分产品周期
　　产品周期不一样，产品目标以及业务指标就不一样，所需要的数据型就不一样。
　　1。探索期（活下去）
　　很多人数较少的小公司，设计师的职能很可能承载为需求分析、原型设计、UI设计等多重身份，甚至还没有产品经理，这种情况下一般不需要数据型设计师，需要所谓的全链路，说白了老板只想花1个人的钱干三五个人干的活。
　　2。成长期（活得好）
　　此阶段公司有固定发展的业务方向，公司规模至少也有个几百人，并有资金不断注入，保证产品方向有延续性。这时候数据型关注的是产品用户基数的增长，即使用量，很多数据的制定、测试都是为了用户增长服务。
　　3。成熟期（赚不停）
　　进入此阶段的产品可以称之为大厂产品了，基本都有稳定的资金流，已经靠产品盈利甚至上市，与同期的竞品有良好的竞争模式，用户基数稳定。此时的增长型数据重点在于观察底层不同的数据变化，寻找不同关联业务数据此消彼长的关系，发现更多业务合作的可能性，带给用户更多的权益认同感。
　　至此关注数据的用研增长型产品数据型产品增长型设计师才是真正意义上的增长型，更多观察数据能是为了业务增长服务，带来更多商业可能性的探索。
　　4。衰退期
　　产品生命周期快走到尽头，跟战略层面的定位和决策有关系，经历过前三个周期的大型产品现在还没完全没落。
　　分产品类型
　　2C数据增长
　　更关注用户相关的数据变化，权衡用户体验和商业变现之间的关系，需求的本源更关注用户的行为和操作。
　　2B数据增长
　　更关注产品功能与业务目标之间的关系，这就更关注需求本身是不是从提升效率、节约成本等商业价值考虑，才能影响解决方案（设计产出）。
　　职级amp；amp；职能
　　1。职级
　　大学生1年（初级）
　　基本轮不上分析数据，都是些影响不大的小需求。
　　13amp；gt；年（中级）
　　会承担部分需求分析，进行功能原型设计，但数据埋点等相关功能验证由产品侧决定，基本没有话语权。（产品设计师体验设计师除外）
　　35amp；gt；年（高级）
　　需要通过理论验证数据分析去制定产品功能的规则，跟数据、业务、产品侧有强关联，甚至会通过有效手段验证业务产品目标制定的正确性。
　　5amp；gt；年以上（专家级）
　　行业专家具备战略性眼光，能根据行业环境和发展趋势预测一定的产品业务方向，制定更宏观的战略（比如大改版、新项目）
　　2。职能
　　设计师
　　出现全链路、产品设计师、体验设计师、增长设计师，不再仅仅关注功能设计，需要参考业务战略目标，通过数据去验证产品功能设计的正确性（如：AB测试）。
　　产品经理
　　重点倾向变为业务型数据型技术型不单单从产品单边和业务目标去制定产品计划，不同行业的高级产品更加专精某行业某领域（如：业务后台AI）
　　BB了这么久，大家是否能明白为什么大公司开始倾向于增长型数据型人才的需要，中小公司当然也会跟风要这类人才，但实际就是没有那么多细分坑位又想让你多干活。
　　适逢招聘季，也希望大家不要那么焦虑，对自己有点逼数，适时分析自己的能力是否匹配不同公司规模、产品发展周期、产品类型，最后再来看看职级职等是否能赋予你这么多权力胜任更多的HC需要，毕竟很多HR对职能和职级并不是很了解有知识和能力壁垒，最方便的方式就是抄大厂同岗位的招聘信息。
　　跟我一样的新人也不要那么焦虑和眼高手低，找准方向慢慢摸索行业规律，打破知识壁垒，不要从一个角度阶层看待同一个问题，颠覆已有认知，说不定一不小心就能从低年限变成了具备复合能力的硬核互联网人。
　　END