策略產品經理基礎知識:2.1需求挖掘之抽樣分析

依舊是針對學習內容的個人總結,所以還望有人留言,一起討論一起學習。

策略产品经理基础知识:2.1需求挖掘之抽样分析

前兩篇帖子,我們分享了什麼是策略和策略產品經理是幹嘛的。從這篇起,我們開始進行工作方法的分享,第一步需求挖掘。

一、需求挖掘方法

策略產品經理常見的獲取需求的渠道如下:

  1. 用戶反饋蒐集——內部渠道(用戶反饋系統、客服反饋備案、用戶運營群),外部渠道(應用商店評論、微博、貼吧);
  2. 問卷調研,用戶訪談,可用性測試;
  3. 市場調研,競品分析;
  4. 搭建數據監控系統;
  5. 階段性調研;
  6. 效果迴歸。
  1. 搭建數據監控系統:是用機器取代PM日常人工完成的數據分析工作,當數據表現低於預設的界定值時,系統會自動向產品經理報警。對比人工監控而言,系統監控更高效,更省成本,更具有實效性和針對性。不足之處在於,它只能反饋數據表現情況,具體問題出在哪還是需要人工分析和挖掘。
  2. 階段性調研:本文重點講解內容,詳見本文第二部分。
  3. 效果迴歸:是策略產品經理特有的工作內容。貫穿策略產品工作的始末,它既是一個策略需求的結束,也是新需求的開始。因為策略產品經理的工作就是在不停的優化策略數據效果,所以效果迴歸即發生在開發成果驗收和調優階段,也會發生在策略上線後的數據分析階段。

二、階段性調研

階段性調研:是一種針對產品現狀,進行系統分析的方法。分析結論最能代表產品問題的全貌,可以有效指導下一階段的產品工作,調研思路也被應用在“效果迴歸”中。

我個人認為這是所有產品經理都需要具備的能力,這其中包含了業務理解能力、用戶理解能力、數據分析能力、需求分析能力。應該是一個對產品經理綜合實力要求比較高的技能。

應用場景:

  1. PM接手新產品或新項目時:幫助PM瞭解產品情況,制定下一步的產品工作內容。
  2. 月/季/年的週期性回顧:用以分析和歸總階段性的產品工作成果,為下一階段找方向。
  3. 其他需要臨時進行回顧的情況:例如公司來了新領導,或是沒需求可做的時候等等。

調研步驟:

  1. 定義理想態;
  2. 抽樣分析;
  3. 判定優先級。

接下來我們逐一詳解。

第一步,定義理想態

1.理想態

第一篇講解什麼是策略的帖子裡,我們已經概述過什麼是理想態了(好奇的寶寶可以去文底目錄看第一帖),本篇我們將內容細化。

理想態就是當前業務條件下,產品想要達到的滿足用戶需求的最佳效果。理想態需要有明確的衡量指標或是界定標準。

舉例說明:

對於商品詳情頁的相關推薦功能,假設有12個推薦位的情況下,PM希望滿足用戶需求的最佳效果是:12個推薦位都有商品推薦(覆蓋率100%),然後用戶將所有推薦商品都點了一遍(推薦有效性100%),進入相應的詳情頁後還發生了後續表示喜歡的動作(喜歡率100%),例如:點擊收藏,加入購物車,查看評論等。

2.目標拆解——拆分正向和逆向行為

理想態來自業務目標,所以當我們有了明確的理想態和相應的關鍵考核指標後,就需要針對業務流程,分析出與用戶完成理想態相關的操作行為,包括正向行為和逆向行為。

  • 正向行為:用戶依據功能設計,逐步實現需求的動作。
  • 逆向行為:
    過程中,所有表示用戶中止操作或是沒有滿足需求的動作。

舉例說明:以boss直聘用戶端首頁推薦的招聘JD為例。

  • 產品想到的理想態就是第一屏推薦給用戶的崗位就是用戶感興趣的,並且與用戶相匹配的。
  • 正向行為:“點擊推薦崗位”,“點擊查看職位詳情的查看全部”,“點擊公司詳情頁入口”,“點擊詳情頁的一件投遞,“立即溝通”,“收藏””。
  • 逆向行為:“刷新首頁列表”,“使用列表篩選功能(切換推薦方式,修改公司,要求,地址等條件)“,“切換目標崗位”,“未點擊崗位,持續下拉列表後退出app”,”進入推薦詳情頁後,只點擊返回”。

有了這些動作,我們就有了抽樣分析時,需要調取的數據內容。

第二步,抽樣分析

抽樣分析,就是對所有表示未能實現理想態的事例進行數據分析,通過統計分類,明確需求未能滿足或滿足不好的原因是什麼。分析共分為6步,依次是:

  1. 制定調研目標;
  2. 選擇抽樣對象;
  3. 選擇抽樣方法;
  4. 劃定抽樣數量;
  5. 樣本分析標註;
  6. 整理彙總問題。

我們逐一說明。

1.制定調研目標

調研目標就是理想態的考核指標。需要強調的是:抽樣分析前我們必須考慮清楚,理想態相關的考核指標有哪些,是否真的只有一個,還是理想態是由多個指標(即多個功能)共同作用的結果。

2.確定抽樣對象

明確核心指標之後,我們就要對指標進行拆解,通過用戶行為,得出關鍵指標由哪些細分指標組成?計算公式是怎麼樣?這些數據該怎麼提取?

注:數據必須是能幫助我們驗證問題是否真實存在。千萬不可為了抽樣而抽樣,到頭來拿到無效數據或是數據不足,還要反覆麻煩RD哥哥或是反覆寫SQL公式,浪費時間。

同時還要注意的一件事就是選取抽樣的範圍。範圍通常由分為兩個維度:

  • 時間:我們是選取最近一週的,一個月的,還是1天的。時間選擇上有一個技巧就是:如果一個產品,用戶每天的操作流程和用戶行為特徵都沒有差異,則可以天為數據行為統計抽樣緯度。如果一個產品,有明顯的分時段或分日期效應,就要將一整週或一整月,或更細分的時間段作為抽樣緯度。
  • 範圍:是抽取規定時間段內的全部數據,還是區分用戶群或數據類型,進行部分抽取。

在工作過程中,具體怎麼抽樣,這就需要針對業務類型和調研目標,自行控制了。

3.選擇抽樣方法

通常情況下,我們採用簡單隨機抽樣的方式就能滿足抽樣分析的需求,但經過幾次實驗後,我個人覺得為了提升抽樣的精準性,可以人為加一些隨機抽樣的規則,如等距隨機抽樣、分層隨機抽樣等,但具體選擇哪種就要看你的實際需求了。

舉例說明:

我們在優化app推送功能時,就曾調研過歷史一個月內,同一用戶在早中晚三個時段瀏覽內容和曾打開推送消息的差異。藉此來假設用戶在早中晚三個時段可能打開率較高的推動內容是什麼方向和形式的。

關於各種抽樣方式,本文不做說明,給大家個鏈接自行學習。維基百科-抽樣

4.確定抽樣數量

理論上講,抽樣數據越多統計精準度就會越高,但相應的調研成本也會上升。所以這裡給出兩個建議:

  • 能夠驗證問題存在的數據,在總抽樣數據中的佔比最好≥5%,影響面≥3%(用戶群佔比3%以上);
  • 樣本總量,保證在500以上,最好是能達到1000。

5.樣本分析標註

定義樣本代表的問題點有哪些,以及相應的數據表現情況佔比是多少。實際產出就是羅列出通過數據分析,你發現的問題清單?每個問題需要標明具體的數據表現情況和抽樣佔比量。

6.整理彙總問題

基本方法就是:利用金字塔原理的分層結構關係,將問題進行彙總歸類,找出他們之間的共性關係和互斥關係,挖掘出底層的關鍵問題。

問題分類只要能形成互斥關係,不重疊,不遺留即可,具體從哪個角度分類沒有明確的界定。因為每種分類方式得出的結論也不一樣,至於哪個更合適,就只能自己嘗試了,或是依靠產品經驗,自行處理。

總結:

到此為止抽樣分析的6個步驟我們就分享完了。

有個需要注意的細節如下:我們在正式進行抽樣前,可依據理想態和指標拆解的思路,先預估出需要抽樣的數據內容和問題分類的方式,進而降低抽樣數據不足的可能性。多不怕,沒準還能有意外收穫,但少就返工了。

第三步,優先級判定

需求基本上我們就是按照,單位成本下的收益值(ROI)從大到小排列

優先級判定的基本思路是彙總抽樣得出的所有問題,依據問題解決後單位成本下的收益值(ROI)從大到小排即可。計算公式如下:

  • ROI = 項目收益 / 項目成本
  • 項目收益 = 待解決問題影響面 * 預期解決比例 * 解決後體驗提升程度
  • 解決後體驗提升度 = 理想態最佳狀態指標值 — 問題實質的指標
  • 項目成本 = 開發時長*開發人力
  • 待解決問題影響面 = 問題在抽樣數據中的佔比

核算流程就是PM完成抽樣調研後,向RD提交問題清單,清單中需包含每個問題的影響面。然後RD針對問題進行成本預估,將結果提交給PM,最後PM依據公式推算優先級。

優先級評估:通常情況下我們採取“優先用時短收益高的,最後是用戶長受益低的”基本原則。

當兩個項目的收益相同時,就需要參照第二原則,“優先相對絕對收益值高的”,相對的界定標準就要看開發時長了,原則就是“兩短取其長,兩長取其短”,長短依據平均迭代頻次而定。

例如:

兩個需求,一個開發用時15天收益是15,另一個開發用時100天收益100,那我們就要優先選擇15天的。因為100天時間太久了,產品的響應速度明顯跟不上需求和業務發展的變化。

當然工作中出現緊急項目或是問題嚴重度極高的需求,也要視情節而定。

到此為止,本篇關於抽樣分析的工作方法就算分享了。

作者內心其實毛毛的,因為全是理論沒有案例,確實不好理解,而在學習的過程中老師也拿了大量的案例在給我進行講解。後續我也找個案例,以解題的方式分享給大家。

抽樣分析的課程對我觸動很大,其中滴滴的案例,更是讓我認識到正規軍的產品工作有多複雜,這段感受後期我會整理成帖子和大家分享出來。

本篇內容到此結束,歡迎來噴。下一篇內容我們分享《2.2需求挖掘之效果迴歸》

策略產品經理學習筆記目錄:

《策略產品經理學習筆記, 2.1需求挖掘之抽樣分析》

題圖來自Unsplash,基於CC0協議


分享到:


相關文章: