現在，越來越多的公司以數據來驅動產品進行迭代，從中我們可以看出數據的重要性。

在產品經理的日常工作中，往往會與各種數據打交道，而越來越多的公司現在也都在以數據來驅動產品進行迭代。無論是新功能也好，老功能優(yōu)化也罷，都離不開數據。

今天就和大家聊聊我對數據驅動產品迭代的理解：

定目標

無論是部門還是項目，在做產品工作的時候，都需要有一個非常明確的目標，比如我所做的是招聘業(yè)務，那么我的目標就是用戶簡歷數、用戶報名職位的轉化率等。這些目標一方面是方向，指引我工作時的重心；另一方面是KPI，量化我的工作成功。

在定目標時，對于一個全新的業(yè)務或者產品，我們沒有已有數據做參考的時候，我們可以去參考同類競品，然后去估算一下我們努努力，也許可以達到的數據。

這個數據具體取什么，也很重要。一般都會取你所負責項目對公司、對業(yè)務貢獻最突出的地方。

比如我負責的招聘產品，本質上是對流量的轉化，那我們的目標可能就會定為xx轉化率；比如銷售，本質上是收入，那目標可能就是銷售額。

目標一旦明確后，產品經理所做的工作，就會朝著這個目標去努力思考，自然效果就會更加聚焦，結果也可以量化。

產品迭代

在做需求、設計產品時，我首先思考的是這個改動是要達成什么樣的目標：提升轉化率？優(yōu)化用戶體驗？或是增長某些業(yè)務數據？

在明確了目標后，我再去思考如何改動會提升相關數據。

比如強制用戶注冊登錄，是否可以提高用戶注冊數？是否會影響新用戶的留存率等。我可能在上線前做出一系列假設，這些假設在沒有看到數據前，都只是推斷，并不能反映用戶的真實行為。

互聯網產品迭代速度快，主要原因是通過小步快跑的迭代方式，可以反復的試錯，糾正，優(yōu)化。保證始終是朝著好的方向嘗試著。

如果是大的功能，在上線后，我會觀察整體的各項指標是否發(fā)生了變化。如果發(fā)生了變化，是否是因為這個功能引起的。

如果數據變好了，說明印證了我們的猜想，符合我們的預期；如果數據不好 ，就要進一步細化數據，定位原因，再次進行優(yōu)化，直到我們得出明確結論。

A/B測試

A/B測試，通俗講就是同時上線A方案和B方案，觀察2個方案的數據好壞，從而決定使用哪個方案。這是最常見的數據驅動手段，由于它可以控制除改動點之外的其他變量，因此它的對比比較客觀，結論也會非常準確。這里我講一下關于A/B測試的流程。

有很多提供A/B測試的第三方服務。在App內接入它的sdk后，我們就可以在App啟動時調用sdk，實現AB分組。它會均勻的將用戶進行AB分組，比如啟動App有100個用戶，它會隨機將50個用戶劃為A方案，另外50個用戶劃為B方案。

這樣對于AB兩組用戶，他們在相同時間，相同版本，看到的內容是不一樣的，通過埋點觀察兩組試驗數據，就可以很明顯的對比出這兩個方案的優(yōu)劣勢。從而幫助我們選擇好的方案。

當然，在AB實驗中，我們可以控制流量的分配，避免改動對所有用戶產生影響，降低風險。

一般在做A/B的時候，基本流程是這樣子的：

AB測試可以對比舊版方案、新版1方案、新版2方案，同時在線上運營多個方案。既可以優(yōu)中取優(yōu)，又可以新舊對比。通過數據來決定使用哪個方案就OK了。

據說頭條曾經一個版本中同時跑著幾十個AB測試，可見數據驅動的威力以及AB測試的重要性。

日常數據監(jiān)控

作為用戶端產品，平時也會做過用戶訪談，會和用戶聊天，了解用戶的真實訴求。但是在實際工作中，這樣的機會并不算多，大部分時間是悶頭做需求，這時候，就體現出了數據驅動的重要性。

對于C端產品來說，數據其實是用戶行為的真實反饋。用戶在產品上的大部分行為，并不會直接告訴你，但是通過數據，我們可以分析用戶的使用路徑，需求的滿足程度，從而衡量產品的價值。

我每天來公司第一件事，是檢查昨日的APP核心指標數據，看是否有異常。這個工作平時很簡單，但一旦發(fā)生異常，就需要盡快定位原因。

一般轉化率相關的數據波動在上下2%以內是可以接受的，但如果差距過大，就需要排查原因。排查的思路一般是：

1. 數據是否有誤，可以聯合多個指標即可快速確認，如無誤，就要分析原因
2. 最近是否有發(fā)版，是否是因為版本中的改動造成的用戶行為變化
3. 是否是因為用戶畫像變了，和市場投放渠道是否有關，分渠道看具體數據，確認異常數據的渠道來源
4. 和新老用戶是否有關系，分新老用戶觀察數據，定位改動點
5. 和運營活動是否有關，和運營部門溝通，確認最近的運營內容改動

基本通過以上幾個角度，就可以定位出問題原因。這個工作雖然平時很簡單，但若遇到問題，就需要你的數據分析能力以及經驗來快速確認問題，從而修復。

總結

數據驅動產品，不僅僅是產品的工作方法，也是一個公司的風格。一般技術型驅動的公司，都會尤為看重數據。在這一年中，我所學到的數據驅動方法也在逐漸完善，也越來越受用這種思維方式和工作習慣。

當然，僅僅靠數據驅動，也會陷入一些盲區(qū)，畢竟數據是死的，它反映的只是客觀事實。正如張小龍所說“善良比聰明更重要”，如果一味追求數據的好看，也會與初衷背道而馳。

因此，如何尋找一個平衡點呢？

#專欄作家#

王偉華，微信公眾號：夜漫產品（learnerwwh），一只略帶文藝情懷的產品汪，擅長社交，資訊領域產品，心理學愛好者，目前正處于知識體系搭建階段。

本文原創(chuàng)發(fā)布于人人都是產品經理，未經許可，不得轉載。

題圖來自Unsplash，基于CC0協議