• 找新知
  • 找课程
  • 找服务/产品
  • 找LIVE
  • 找活动
  • 找新知号/店
新知一下
海量新知
1 6 0 6 8 6 9

数据驱动的思维透视

树荫下的猫猫狗狗 | 颠覆自己的互联网思考 2020/01/18 14:03

笔名:戏说猫狗

全文共6869字,阅读需要15分钟

新知图谱, 数据驱动的思维透视

这应该是我写数据思维系列文章的第三篇,前两篇 《深入数据分析思维》 《浅谈数据分析思维》 应该算是广受好评吧。其实对数据驱动的整体构思落到书面上应该是在2年前,缘于一次沙龙分享我就把思路固化到了PPT上。这2年间把其中的某些点单独拿来写成文章,可以预告的是数据思维系列的第四篇也在路上了《沿着数据流向思考世界》。 好了,废话不多说我们进入正题。 提示:本文有彩蛋一枚!

——BEGIN——

这篇我就从商业的视角对数据驱动的思维进行剖析。

一、数据驱动的本质

想要分析或看透一件事情需要回归本质。因为所有事物的衍生方向都是基于固有的基底,按照不同环境去适应和生长。那么数据驱动的本质是什么?是增长模型AARRR?是消费者的认知链路AIPL?还是万物皆可实验的ABTest?

都不是。这些仅仅是基于本质上的推论。你会发现这些理论是会变化的,因为他们要随着环境改变而改变。但本质是固定不变的,基于本质你也可以有最适于自己的推论。

数据驱动的本质我认为是 信息价值 收益

这分别代表了两个视角。站在社会的角度,通过数据造就的信息,无论是使其信息对称还是信息不对称,我们所要达到的目的是为了实现信息的价值最大化。 信息对称是为了让社会普遍知晓此信息已达到自身的价值最大化,而信息不对称是为了造就稀缺效应来以此凸显此信息的价值。

当然社会的角度是宏观层面,那数据驱动还要回到微观的企业层面——就是收益。收益是企业之本,所以作为投资者看重的企业市盈率代表着企业的预期收益能力。因此数据驱动其实就是驱动收益。

那么企业想提升收益,公式很简单,无非是降低成本或提升营收。虽然你会觉得这个范围太宽泛,说了等于没说。别急,认定本质后就可以对此进行拆解。因为最终驱动的方法并没有你想象的那么困难,方法提炼的过程就是对成本和营收拆解打散后的细项重新组合的过程。

二、量化价值

数据驱动在于信息价值和企业收益,那么在既定的驱动框架下,我们再深挖一层。基于此更核心的本质容易被人疏忽——量化价值,并且数据驱动必不可少的前提就是量化一切!

企业最重要是服务好客户和创造社会价值,因此最核心的是需要考量和量化用户价值和产品价值。

用户价值

所谓用户价值是站在“ 人”的角度去思考,给其带来的损失和收获是什么。当然这个用户不单是传统意义上企业对外服务的用户,也涵盖了为企业服务的员工。

因为针对公司整体的价值而言永远是从两方面来考量,即成本和收益。在满足所服务用户预期的同时,也要确保自身成本的可控。因此内部员工更多考虑的是其人力成本。所以站在企业角度,整体用户价值可以从用户付出的时间成本、精神成本(甚至是货币成本和体力成本,当然在互联网的今天,这两项成本逐步在渐弱,而时间成本和精神成本在增强)和内部付出的人力成本等角度去量化。

这里提到的精神成本或许是量化的难点,因其是对消费者体验的好坏、情绪的喜怒哀乐等感性程度的量化,没有既定的标尺和度量。但是可以依据用户精神成本所带来的传播范围及影响程度进行权衡标准的设定,比如一个好评推荐引起的传播范围和转化;一个差评的波及范围和流失;这些都可以通过信息传播的有效性,即有效范围和影响程度去进行量化,以此来量化用户价值。

基于上面的价值我大概列了个公式:
(需要声明一点,拿公式或方法论去圈定思路是我最不愿意做的事情。我更倾向于展现思考过程,因此不要局限于公式,公式只是对量化思考过程的解释)

  1. 用户收获-用户损失= 用户所得价值
  2. 用户所得价值*用户付费意愿系数= 用户价值收益 (用户价值对于企业的收益)
  3. 用户价值收益-服务用户人力成本 = 企业服务用户的价值收益

所以量化用户价值的衡量思路就是:
企业服务用户的价值收益 =[(用户收获-用户损失)* 用户付费意愿系数 ]-服务用户人力成本

(Ps:稍微解释一下,用户的收获可以从实际获得的利益量化。无论是节省了多少时间,获得了多少折扣,得到了多少满足,最终都要转化为统一度量的单位。比如最终转化为了多少钱,否则没办法进行同一维度的比较)

产品价值

产品价值是站在产品属性上的量化体现。我们同样从损失和收益考虑,如产品功能的价值、产品的整体效率、做此产品所损失的机会成本等。 这几点有其逻辑嵌套关系:功能价值可以对是否会因此功能而提升产品整体效率进行 衡量 ;产品整体效率体现了其价值是否大于机会成本。所以是层层量化,层层衔接。
新知图谱, 数据驱动的思维透视
2.1-功能价值、产品效率与机会成本的层次关系

那产品效率和价值是如何体现的呢?

  1. 产品效率 =自身产品各功能价值之和同类产品各功能价值之和
  2. 品价值 =自身产品的效率同类产品的效率

看完这个公式你会不由得问,功能价值如何量化? 结合上文由此你会发觉功能的价值是建立在用户价值基础之上的,很多产品价值的量化需要用户价值的体现,因此对应功能量化的用户价值的收益就是功能价值,结合上面公式就可以量化出产品效率和价值。同时也会明白为什么对于产品来说用户是如此关键和重要,因为无论产品做的好坏,缺乏用户就难以去衡量自身产品的价值。


三、思维切入点

互联网作为工具和载体的存在,最终还是要应用于传统商业,商业应用必然要回归商业本质,在此基础上升华。

回归商业本质,信息流、资金流和物流构建了商业生态,在生态之下衍生出了供销存、人货场。这几字真言虽然诞生于传统行业,但我认为互联网行业在概念上稍加改动同样适用。

供” -链路、 “销” -业务模式、 “存 -资源、 “人” -用户、 “货” -商品或服务、 “场” -产品形态。这六个字所要表达的——即商业模式下的业务形态是什么;在此业务模式下依赖的资源是什么;资源需要通过何种链路整合以支撑业务形态并实现商业模式;基于业务模式我们提供的商品或服务是什么;面向的用户群体是谁?以此衍生出的产品形态是什么。

通过“ 供销 、人货场 ”我们丰富了生态、完善了闭环。生态的初始推动力和维持长久不衰的因素是不断的产品打造和持续运营,基于此便会衍生出打造产品后的用户拉新和拉新后运营的活跃与留存。

新知图谱, 数据驱动的思维透视
图3.1 -思维切入点

所以回到用户视角,就要从拉新、活跃和留存的维度出发思考背后有哪些指标配合可以有效提升产品和运营价值。站在用户角度必不可少的就是用户体验,用户体验是一个表象,支撑用户体验最重要的有三点: 系统性能 功能 交互 (对于交互来说是要区分toC和toB的用户属性,C端用户更注重的是点上的交互操作,而对B端用户更重要的应该是整体平台信息架构)。

当然拉新、活跃和留存的最终结果都是对系统功能及体验的价值体现。

新知图谱, 数据驱动的思维透视
图3.2-用户维度视角

那用户视角背后的根基是什么?用户所感受到的产品形态是冰山一角,隐藏在之下的是支撑业务运作的系统流程、成本体系、营收结构。基于以上这些因素最终整体的有效收益就是真正数据驱动的价值体现。

新知图谱, 数据驱动的思维透视
图3.3-用户价值的根基

四、思维层次

上面说了数据驱动的本质和切入点,下面我们深入思维,把层次展开去剖析。我们知道顶层思考是站在高维去俯视低维空间的立体思考,所以通过点、线、面、体的对标来拆解和构建数据驱动的立体思维。我们从产品和企业两个视角进行分析。

产品视角

站在产品的角度,用户(商户)作为产品服务的个体存在,既可以作为产品的一端又可以作为平台的双边,是产品成立的核心和基础。用户(商户)之间相对分散且不同群体间特征差异大。而产品连接用户(或平台连接的双边用户)就需要通过商品(服务)或基于业务模式的功能去建立联系。

商品(服务)可以理解为在产品( 平台 )和用户之间建立联系的数据或信息流通点,基于此来构建产品与用户之间的虚拟桥梁。如果把用户和产品比作神经元和神经中枢的话,商品(服务)就是神经传递上的电信号。

当商品形成数据流(信息流)后会需要产品功能作为载体构建真实的桥梁来固化数据流(信息流)。各个功能之间的联动组成了产品形态,基于此产品形态便定义了业务关系和模式。纵观全局形成了整体的产品架构,这便是“体”。

有人说解决方案才是最高层次的生意,我认为可以这样理解, 解决方案通过对架构体系内产品的灵活编排来解决特定的业务问题,而制定解决方案的视角一定是站在“体”外去构思的。 当然能支撑多种解决方案也是对一个产品架构完整和灵活性的考验。

企业视角

站在企业视角要从 企业结构 管理角度 出发。企业结构可以抽象成 前、中、后 台,想必中台概念大家也听得比较多。这里前台主要指一些直接面向客户的业务部门,中台处于后台和前台之间的桥梁,承接前台业务的核心和共性需求并反馈后台的一些业务决策给到业务。实质是企业内部服务部门,当企业规模达到一定量级后就需要增加流程环节去来保障整体的业务标准化。因此中台就是大公司增加的那一环,起到统一前台业务规范和对内服务的角色以便于后台标准化的快速决策和判断。

在企业结构之下就不得不进行管理上的考量。因为企业的组织形式决定了业务模式,包括业务的 宽度(边界)、广度(多元化)和深度(领域垂直) 。在此业务模式下便决定了 数据分布方式 (是集中的数据管理还是分布式散落的数据孤岛)。基于以上企业自身的管理特色便会衍生出独特的 产品模式 ,因此会发现即使抄袭的产品及模式也很难做到100%一致,这取决于企业并没有相同的组织管理形式。

站在企业的视角是相对抽象的,对于我们想要达到数据驱动的目的来说管理问题不需要细化,但是需要对之间错综复杂的联系有概念。因为你要做的不是针对某个点去做突破,而是需要对整个面进行整合去破局,数据驱动一定是厚积而薄发的,后期的持续增长就是薄发的表现。这也是为什么我一直认为增长黑客灌输的概念有点浅薄,难以支撑持续有效的增长。 (如果想了解可以看我之前的一篇文章 《增长黑客不如说叫增长管理》

业务与产品生命周期阶段差异

在产品和业务生命周期的各个阶段关注点有所不同, 产品萌芽期(业务进入期) 最关注的是 用户 。刚踏入市场急需验证其产品(业务)可行性,此时与产品真正匹配的用户画像可能并不清晰,因为理想很丰满现实很骨感。所以此时更需要广拉网来拓宽用户群体进行探索和试错,逐步清晰和明确自己所面对的用户群体。在此阶段可能会冒出出乎意料的人群变为后面的目标群体。

渡过第一阶段进入 成长期 ,当明确用户群体之后就会以此群体作为发展目标进行快速拓展用户。这时就会更关注目标群体的喜好以此作为增长的吸引点,即更匹配的商品或服务。因此这时吻合目标用户喜好的商品(服务)特征逐步明确,提供更多的吻合用户喜好的商品(服务),并以此去定向拓展更多的商品(服务)来产生用户的虹吸效应。

当然你的用户群体可能远不止一类,商品和服务也有多种。这时个性化的准确匹配是能否产生虹吸效应的关键。并且随着用户基数的增加,用户的索求欲是否可以满足也是成长期的关键。

步入 成熟期 ,随着之前成长期产品和业务的高速野蛮生长,很多顾及不暇的问题逐步暴露出来。非标准化、缺乏统一管理等问题是后续保持持续增长的阻碍,这时需要通过规范和流程管理进行标准化从而提升内部的业务效率、产品效率和协作效率等整体效能。并且通过提升自身的服务能力来维护合作商户的良好关系以保障自己的后方资源稳定,资源稳定是保障增长的前提。在稳定的基础上构建合作商户画像进行资源拓展,通过增加粮草来扩大战场。并且提供更好的用户服务来维护和增加市场口碑。

天下没有不散的宴席,任何业务和产品都会进入 衰退期 ,诺基亚三十年的手机业务依然衰退接近消亡。因此进入衰退期,作为数据驱动更需要关心的是如何通过历史数据去进行新的用户需求和喜好的挖掘进行新业务模式的探索从而驱动创新;或者说通过历史数据对商品(服务)进行改进或创造后匹配新的用户群体从而驱动创新。

新知图谱, 数据驱动的思维透视
图4.1-产品和业务的生命周期

企业数据框架

为了省事(偷懒)我就把以前写别的文章画的图翻出来了,整体框架基本差不多,结合我上面讲的应该会有点概念。这幅图主要想表明在企业中通过人和业务两个维度的数据入手,分别的作用和之间的联系。虽然不是很细致,但是让大家有基本概念就可以了。 (相关文章可以参考 《增长黑客不如说叫增长管理》 点此跳转)

新知图谱, 数据驱动的思维透视
图4.2-企业数据框架

截止到此是把我数据驱动思维的理念、切入点以及立体思考维度的呈现,下面基于此我会更具象的讲述数据驱动思维中的一些依赖和支撑。也相对会轻松一些,当然下面的每一点如果展开讲都会有很多内容,在这里我不会细讲,以后会把每点单独作为一篇文章或者课程去讲(是的,在新的一年里我要打算准备开播课程了,作为本篇的彩蛋先预告一下)。

五、数据意识

所谓数据驱动,必然要有数据意识(什么是数据意识?就是万物皆可数据化),特别强调尤其是产品经理,数据意识是产品经理的生存之本。因为对于一个成熟公司而言,组建一个独立的增长团队非常之难。即使组建了,往往也会变为鸡肋。因此数据驱动的团队更适合在现有的产品、交互、运营、开发和测试等人员协作配合下形成的团队意识。所以产品经理需要具备数据分析技能才可以有理有据的带动整个团队。

那么数据意识要先从哪开始呢?

埋点意识

我一直强调,产品是一个无形的数据流。而埋点就是产品数据流的体现,埋点也是数据的源泉。而对于埋点体系,我把其分为过程埋点和结果埋点。

过程埋点是通过数据进行探索和研究的过程。比如对转化、流失原因的探究;对用户心理的研究。像通过功能使用行为的分析、表单填写过程的分析等这类数据达到我们的探索和研究目的。

而结果埋点是对事件最终效果的监控,体现的是结论与反馈。比如对功能使用情况(非行为)的分析;对表单完成数量的分析。这些是可以直观观察到结果的数据,是有效性最直接的体现。

无数据不说话——No Data,No BB!

无论是产品还是业务,驱动增长来源于每个细节,而每个细节都需要数据把控。数据体现最直观的就是指标,因此整个链路需要有适配的指标体系。

指标体系我也分为了链路指标和结果指标,结果指标监控关键点的结果,而链路指标是去分析发现结果指标所体现出来的问题。也就是说链路指标就是所谓针对问题的归因分析。通过业务的发展逐步精细化链路上的指标,这样可以做到把业务(产品)链路量化,并做到链路可视化从而进行数据化控制。

说到指标体系你会发现,其实toB相关的指标体系就是对企业架构的拆解,即一个业务核心指标所拆解开的多层维度就是整体架构的呈现;而toC相关的指标体系就是对用户路径的拆解,每一个关键路径就是一层用户的指标维度。

那么量化指标的目的是什么呢?是为了用数据说话。无论是你的成果,还是你的需求,或者是功能。这些都可以量化价值,价值需要包含收益和增长点,而收益与增长点来源于实验与分析。这就是用数据说话的量化思路。

Ps:这里大家可以拓展去了解一下精益6Sigma的概念,这是诞生于传统制造业精益生产的思想,通过层层生产环节的数据优化来提升最终的良品率。

六、数据驱动的支撑

数据驱动必然有工具的支持,并且驱动的过程需要固化方法论和标准化的知识体系,后期通过知识去赋能和普及。因此数据驱动需要通过相关数据产品的应用进行支撑,并将过程沉淀下的数据能力抽象进行产品化,以此快速的让业务从无到有的具备数据化和数据能力,并把产品所涵盖的知识体系作为标准以此具备数据驱动业务的能力。比如可以通过提供对外的数据和算法服务让一个业务平台具备智能算法能力,从而提升业务效果。

Ps:以下几点我之前部分有写过文章的可以去参考之前的文章。

数据产品的应用和支撑

这里不再展开讲数据产品的作用,可以参考我之前写的文章 数据产品深思,社会发展的先知 (点此跳转)

驱动过程的产品化

那么对于数据驱动的必备条件和数据能力主要有哪些呢?

其实从数据准备环节来说从数据的产生——即埋点采集到数据的加工链路(ETL)再到基于数据交付物(数据资产)的分析和可视化。 这之中的每个环节都可以沉淀出非常丰富的数据产品作为数据准备链路上的支撑和保障,这是一个非常庞大且复杂的体系。整个数据产品体系以后我会专门列一个专题进行讲解,便不在此赘述。

除了前期支撑和数据准备型的产品化,还有一个更大且重要的点就是数据能力的构建和通过产品进行赋能,这一块我之前也单独写了一篇文章比较详细可以参考 大数据的能力和价值你真的了解吗? (点此跳转)

最后我们回到主题——数据驱动的思维透视,当你看透思维的层次和架构后,方法论无非是你某个思绪的排列组合。不要过度的追崇方法论,因为那样只会让你更多的限于某一点。开拓思维,你会发现原来世界如此广阔! 

相关推荐

更多“数据驱动”相关内容

新知精选