撕逼天天有，每天都很多，產品經理的日常~
撕逼無外乎意見不合，本質上是因為推理出來的產品方案沒站住腳，其他團隊成員從個人角度剖析之後，有了其他想法，所以開始了這場撕逼。
產品這個崗位本就帶有很強的主觀性（同是微信，如果不合作，我不太相信馬化騰和張小龍兩位產品大佬會做成一個樣子），因此俞軍老師將其定義為社會科學，並非物理化學這種自然科學，存在固有的規律，所以一千個人眼裡有一千個理想產品的樣子。
那麼我們又該如何降低推理過程的主觀性？數據也許是不錯的方法，因為它不撒謊。
以電商APP的下單流程為例，說一說如何用數據來驅動一次產品迭代。
一、發現問題
問題來源一般有兩種：
1.用戶側
這應該是最主要的問題來源，經過市場驗證後的聲音，用戶反饋、用戶調研和問卷等。
2.產品側
相比於用戶側，問題少一點，但也同樣重要。
「解決問題」是公認的產品經理核心能力，但我認為「發現問題」同樣重要，我們也要注意從產品側主動發現問題。
用戶的嘴可能不會follow heart，但身體卻很誠實，然後在數據庫留下了一系列言行不一的行為軌跡，我們從中可以發現當前產品的問題，甚至有可能發現顛覆你認知的用戶表現。
eg：
*矩形高度代表人數
*百分比=從上一頁面轉化來的人數/上一頁面人數
這是一款電商APP的下單路徑轉化漏斗，可以看出在詳情頁->下單頁這個環節人數大幅下降，遠低於其他環節的轉化率，用戶為什麼進了詳情頁之後掉頭就走了呢？
二、提出假設
無論用戶側還是產品側的問題，我們得到的都是問題表象，需要找到可能的問題原因，然後依此提出針對性解決方案。
eg：
首先定位問題原因，提出我們的假設。
經過分析，認為當前的商品詳情頁的頁面佈局，無法突出商品價值，過於強調商品注意事項，導致用戶未能真正感受到商品價值，反而被一堆注意事項嚇退了。
接下來就要想解決方案，優化頁面佈局，突出商品價值，弱化注意事項，讓用戶放下戒備，放心購買。
三、確定評估指標
指標類型：
北極星指標
屬公司戰略級指標，基本由boss或產品高層制定，是長期目標，輕易不會變動。
方向指標
項目中的關鍵指標，用來衡量問題解決程度，與北極星指標正相關，也就是與產品大體目標一致，提升產品效用（對用戶問題的解決程度）。
負面指標
項目中關鍵指標，用來衡量為了解決問題，而帶來的負面影響程度，北極星指標負相關，與產品大體目標相悖，會降低產品效用。
注意：要提前設定好最差能接受的範圍，就是這個負面指標跌到什麼程度是不能接受的。
行為指標
非必需指標，大概就是某個頁面的訪問次數，按鈕的點擊率這種行為數據，基本用來分析背後的原因，不適合作為關鍵衡量指標（就是為了解決某個行為的問題的情況不算）
在項目中，通常用來衡量新版本上線效果的是方向指標和負面指標，北極星指標起到方向性作用，保證我們的大方向不會錯，行為指標用來分析問題原因。
eg：
指標類型
指標詳述
北極星指標
年利潤提升20%
方向指標
詳情頁->下單頁轉化率提升30%
負面指標
退貨率最大接受10%
行為指標
略
*數據純屬瞎掰，當真就輸了
在這個項目中，方向指標是要將詳情頁->下單頁的轉化率提升30%，從而提升訂單量，最終實現利潤增長，經分析對北極星指標有正向作用。
但是呢，優化方案中放大產品價值、弱化注意事項，用戶可能會被誤導消費，沒有看到注意事項就下單了，導致商品到手之後不滿意，最終結果是退貨率增高。當然，我們肯定不能接受用戶買完都退貨了，所以要設定一個我們能忍受的底線，經過分析後，確定能忍受的最高退貨率為10%，超出這個值成本就cover不住了。
四、增加埋點
指標已經確定好了，接下來就要讓開發哥哥埋點了。
從指標出髮梳理埋點，想驗證這個指標，需要什麼數據來支持，直接拿實例說吧。
eg：
指標類型
指標詳述
埋點
方向指標
詳情頁->下單頁轉化率提升30%
詳情頁訪問pv，uv
下單頁訪問pv，uv
負面指標
退貨率最大接受10%
退貨成功頁訪問pv，uv
*埋點純屬瞎列，實戰這麼寫開發哥哥捶爆你
設計埋點不是一個簡單事，其中有很多技巧，盲目埋點不僅有可能會數據汙染，還可能造成不可逆的影響，比如2月5日增加的點擊按鈕這個埋點，你想看2月1日的埋點數據，抱歉沒有。
舉兩個踩過的坑：
①轉化漏斗不閉環
詳情頁->下單頁的轉化率=下單頁訪問人數/詳情頁訪問人數，我需要計算出這個單一路徑的轉化率，我上面埋的是下單頁的訪問uv，這種情況下就需要保證下單頁只有一個上級來源（即詳情頁）。比如運營同學配置了一個banner，可以直接跳轉到下單頁，那我們想驗證的指標：詳情頁->下單頁轉化率就會出現偏差，因為下單頁的所有訪問並不是都來自於詳情頁。
有一個常用的解決辦法：不埋下單頁的訪問事件，埋詳情頁的購買按鈕點擊，因為點擊購買按鈕必定會跳轉到下單頁，以此來解決行為來源問題。
數據埋點要形成閉環，尤其是分析轉化漏斗。
②數據結果不準確
比如有兩種退貨頁面流程：
頁面流程1：訂單頁（點擊退貨按鈕）->退貨成功頁
頁面流程2：訂單頁（點擊退貨按鈕），出現退貨成功彈窗
如何拿到最準的數據結果？這個很關鍵。
在這個操作中，流程1比較好辦，進入退貨成功頁說明一定成功了，所以可以用退貨成功頁的訪問uv來判定退貨人數，但是流程2沒有了頁面訪問，點擊退貨按鈕之後會發生兩種結果（成功或失敗），所以點擊退貨按鈕立即上報埋點不是最佳方案，會把退貨失敗的行為也上報，這會導致數據結果不準，也是埋點中的一個坑，一定要和開發哥哥明確埋點上報時機。
有一個常用的解決辦法：比如說前端埋點，上報時機明確為：後端返回結果為“成功”時上報埋點，“失敗”不上報。
數據上報一定要準確，不能誤報。
其實設計埋點是個技術活，除了這兩個例子還有很多坑，之後打算專門寫一篇如何設計埋點。
好啦，設計完埋點，寫好DRD（數據需求文檔），就等著市場的驗證了。
五、分析數據結果
灰度上線->全網上線，是常見的上線策略，因為特殊考慮等原因直接全網上線的就不說了。
設定實驗組和對照組
灰度開放的用戶量不宜多大或過小，因為新版本的體驗好壞是不確定的，不同業務會有不同考慮，通常是以能驗證結論，又能最小程度干擾用戶的程度為標準。
這個灰度開放的用戶量，滿足統計學上樣本量的置信度即可，網上有很多下圖這種計算器，直接用就好了，不用專門學統計學。
樣本量計算器
灰度開放的用戶中選取用戶作實驗組，老版本用戶中選取用戶作對照組。
具體的選取方法要靈活，就像我們上學時候的一種物理實驗方法-控制變量法，不同的實驗目的，要控制不同的變量，根據控制的變量選擇合適方法。
eg：
我要驗證兩組用戶在詳情頁的行為，所以我隨機選取灰度開放中訪問詳情頁的n個用戶，定為實驗組，再隨機選取n個老版本中訪問詳情頁的用戶，定為對照組，觀察分析這兩組流程轉化率。
分析驗證指標
項目指標：方向指標和約束指標
用戶群
人數
方向指標實際表現
（目標：轉化率提升30%）
約束指標實際表現
（退貨率最大接受值10%）
實驗組
10000
提升28%
提升至9%
對照組
10000
持穩0%
持穩5%
從實際表現來看，方向指標雖然未達預期，但也起到了較好的效果，大幅提升了詳情頁->下單頁的轉化率，但是！但是！但是不要著急，這並不代表這一定就是正向的解決方案，我們還要跳出項目本身，看一下整個產品的指標變化，不能因小失大呀。
產品指標：北極星指標
北極星指標可能回報期比較長，比如利潤還要等合作商家的回款才能提升，所以北極星指標可能會存在延遲變化，我們有時候也要提前考慮到這個特性，避免我們錯誤認為一頓操作猛如虎，一看戰績0-5。
項目指標表現很好，但是產品指標不一定會表現好，需要我們全局來看。
比如我優化的是兒童電話手錶品類的詳情頁（不同品類的詳情頁會不一樣），家長都給孩子去買兒童電話手錶了，導致兒童手機品類賣不動了，由於兒童手機客單價遠高於兒童電話手錶，導致產品整體利潤下降了，產品指標倒退，也不是沒有可能啊。
所以，一個項目上線之後，不僅要分析項目本身的ABtest結果，還要考慮產品大盤影響，項目指標和產品指標都要兼顧到。
項目指標和產品指標是我們在設計方案時就想到的，但現實就是這麼有意思，經常會給你surprise~冒出來你意料不到的數據波動，還是拿例子說話~
比如實驗組的用戶流失率要明顯高於對照組，這是之前我們沒有想到的，這時候就有可能用上我們之前說的行為指標，來輔助我們分析原因。
首先要知道：數據會告訴我們怎麼了，不會告訴我們為什麼。
我們觀察用戶行為後發現：大部分流失用戶最後一次操作都是查看退貨進度，那我們就可以提出假設：用戶是因為退貨率增高導致流失率的提升，因為用戶退貨這件事是比較挫敗的（甚至是對平臺不滿意），導致對產品的滿意度和好感直線下降，然後流失。假設是否正確，就需要通過用戶調研等手段再去驗證了。
所以，除了可預期到的指標外，還要注意從天而降的其他指標波動，及時找出波動原因。
關於上線策略，有兩個注意事項：
1.灰度時間不宜過長，儘快得出實驗結論，避免新版本負面效果影響用戶；
2.如果條件允許，保留一小部分老版本用戶，即不完全全網開放，因為灰度上線時間較短，新版本用戶可能會因新鮮感而表現出了正向的數據結果，但從長期行為來看不一定優於老版本，所以留一小部分老版本用戶作為對照。
因為互聯網產品具有大數據量和快速迭代的特點，所以產品經理在懂用戶和業務之外，利用數據做好ABtest非常重要，快速試錯和調整，做到小步快跑。
最後總結一下，數據驅動產品迭代的步驟：
1.發現問題
2.提出假設
3.確定評估指標
4.增加埋點
5.分析數據結果
本文由作者@十八線產品 在PMCAFF社區發佈，轉載請註明作者及出處。
閱讀更多 PMCAFF產品經理社區 的文章
