龙王传说 小说 以数据为引导,构建业务模型

app

龙王传说 小说 以数据为引导,构建业务模型

很多时候,产品经理在构建业务模型都依赖于经验和竞品。这样的业务模型,几乎都是建立在各类假设的前提下。在这样的背景下研发出的产品,是很难满足复杂多变用户需求,面对竞争激励的商业市场的。

当然,业务模型本身就是高度抽象的,要通过范式的方法来论证和建立,本身也不现实。但是,仍然可以通过一些方法,来设计尽可能优秀的业务模型,提升产品的投入产出比。本文要讨论的主题,就是以数据为引导,来构建业务模型的这种方法。

01 业务

首先,什么是业务?在产品上,为了满足需求而诞生的产品逻辑和具体流程。如果是B端产品,业务也能是指客户自身的工作或生产逻辑和具体流程。这里我们主要讨论的是产品业务。而业务需求,指的是开展业务和构建业务模型过程中,产生的需求。业务需求通常并非来至于用户。通常将能形成完整闭环的一个流程,称为业务。当然,不完整的流程也是业务。

某些关联的业务按照一定规则和结构,形成一个整套的系统。然后各个系统,再有机的形成一个整体的系统。这个整体的系统就是我们所说的业务模型。业务模型是对抽象的业务的概括性描述。在产品的体系中,业务模型比较容易与产品架构混淆。两者都是对产品的整体结构性描述。但是,业务模型是对产品业务抽象出的系统。而产品架构是对实际系统的整体性结构设计。

建立一个良好的业务模型,最终会形成一个源源不断产生商业价值的良性生态系统。一个没有良好的业务模型的产品,通常 ROI 都比较低。

对于产品,业务也是需要架构设计的。只有将业务模型搭建完善,才能实现业务的可控。不可控的业务,最终都是压死产品的最后一根稻草。产品迭代的过程,就是寻找最优业务建模的过程。

商业模式和业务模型,也存在直接的关联。商业模型会影响,业务的建模。业务模型的变迁,也会引发商业模式的变化。两者间的关联关系,类似先有鸡还是先有蛋。无论如何,最终都是业务模型为商业模式服务,商业模式为公司收入服务。

在产品的业务模型正式运转起来时,会产生大量的数据。这些数据可以帮助优化业务模型,寻找业务模型的方向。同时,数据也是建立业务模型的目标和依据。所以,建立业务模型都需要先从数据入手。

02 数据

数据是,产品的业务和用户的行为的表现和记录。在使用数据时,可以将数据分为三类。结果数据、行为数据和过程数据。

结果数据是产品表现的数据结果。是以产品整体或者某个维度整体的数据。比如,ROI、日活等。结果数据也可以是目标数据。产品规划时制定的。也是对于产品的预期。

过程数据是指满足用户需求的过程中产生的路径数据。是以业务为维度的数据。比如,业务环节中流失率、完成业务循环的路径步骤数等。这部分数据,都是与业务强依赖的。

行为数据是用户使用产品的过程中,产生的操作数据。是以用户为维度的数据。比如,用户浏览路径、页面热力图、用户画像等。

除了本文的主题外,数据还有很多用处,可以创造很多价值。数据可以帮助产品经理,找到产品产生的问题。通过数据能够将主观的判断,定量为客观的结论。比如,某个功能对用户是否友好。数据自身也可以创造商业价值。比如,建立用户画像进行 AI 推荐。这也是很多领域产品提升商业收入的重要业务模式。今天,产品经理的方法论,大部分都是建立在数据分析的基础上。

03 数据与业务

在产品经理的常规的认知中,通常是先有业务再有数据的。但是,在本文讨论的数据要更宽泛。针对产品未来预期,制定的目标数据也是本问所探讨的数据。所以,在本文的方法中,是先有数据再有业务。

在设计业务时,一定是先要有指标数据,再设计业务。这样,才能为设计业务建立一个预期,作为某些设计决策的指导。即使是 MVP,也不能例外。

在产品开始运行后,业务就会源源不断的产生各种类型的数据。对这些数据加以利用,可以优化业务,探索产品的方向。伴随业务的开展和迭代,也会反过来影响目标数据的制定,扩充新的数据维度。

所以,数据与业务是彼此关联,你中有我我中有你的关系。一个产品要产生更多的可能性,必然是数据和业务彼此有机结合,彼此相互促进的。

1. 数据预期

要以数据为引导,构建业务模型,第一步是要设置数据预期。数据预期,类似上文阐述的数据目标。指的是大家预期,我们的业务未来的表现。因此,数据预期是用来衡量业务的产出结果。

数据预期的数据,一般是能代表业务或产品整体性表现的数据维度。比如,用户量、GMV、营收等。同时,也要与行业和业务深度结合,具有典型特征的数据维度。比如,电商产品的交易额。

创始的数据预期,是根据我们对自身资源实力的评估,对行业发展调研和竞品调研后,假设的结论。初始的数据预期是最难设置的,因为我们手中一片空白,只有外部参照。业务上线后,初始的数据预期,需要伴随业务发展的数据不断的修改和升级。

在设置数据预期时,需要将数据拆解到产品的生命周期阶段中去。产品的每个生命周期,一定是对应着不同的数据预期。同一个数据,在不同的产品生命周期阶段,预期值是不一定相同的。整体的数据预期,是长远目标,代表产品的最终成就。而阶段数据预期,则是产品经理为之努力的短期目标。只有一步步完成短期目标,才能取得一个较大的成就。这也就是互联网典型的「小步快跑」思维。

设置数据预期,一定要合理,一定要是未来可期的。虽然,也需要宏大的预期来给我们自身打鸡血。但是,切不可夜郎自大,忽视自身的实力和脱离行业规律。

2. 拆解数据

设置好数据预期后,产品经理需要将数据预期拆解为可落地的数据。拆解出的可落地的数据,要对应业务的关键节点。这些关键节点的数据,就是数据的分类中的过程数据和行为数据。一般情况下是先拆解过程数据,在通过过程数据去分析出对应的行为数据。这个过程可以这样理解,要达到某个结果,首先要确定达到结果的过程,然后确定过程中用户的表现。这是一层一层细化分析的过程。

找到关键节点数据,需要根据业务着手。首先,根据已有业务和业务数据,找到会影响预期数据的数据维度。然后,对于这些数据维度进行细分。最后,在结合预期数据的具体值来设置拆解后的数据的值。这些拆解出来的数据,就是产品经理日常需要跟踪的数据。

如果,已经有了可以参考的数据,那么在拆解数据和设置值时,就会好做很多。因为,可以用已有的数据作为参考。如果,没有数据作为参考,可以去收集竞品和行业数据,摸索行业的规律。来作为拆分数据维度和设置值的参考。

在拆解数据预期的时候,也需要进行一些前瞻性的思考。因为有的数据维度,并不是值对产品有价值,反而是值的变化过程对于产品具有很大的价值。还有一些非预期目标关联的数据,也是需要考虑的。这些数据可能是帮助判断业务问题,并优化业务的。最后的结果也是保障产品如愿达成预期。

3. 验证数据

当敲定了需要的数据后,就到了实际运用数据的环节。也就是业务运作起来的时候。数据运用主要在业务的两个阶段,一个是业务初步进行的过程,另一个业务进入稳态的过程中。

应用数据的第一步,是验证数据。验证数据也分为两类,一是数据追踪,二是数据的复盘。在业务的运行的过程,要随时盯牢数据,随时关注数据的表现情况。同时,还需要做阶段性的整体数据复盘。

验证数据就是与数据预期进行对比。是否达到预期?与预期的差值是多少?在这之上,还要通过数据找到变化的原因,甚至于数据的优化策略。在验证数据的过程中,还要关注数据的变化过程。如果数据的最终结果达到了结果,但是数据变化过程不符合设置的阶段数据。那也需要重视,寻找根本原因。特别是,数据表现不稳定,走势出现了剧烈波动。

当数据出现异常或者与预期存在差值时,要第一时间分析数据,查找原因,寻找应对策略。如果是结果数据出现异常,要从过程数据着手。如果是过程数据出现异常,要从行为数据着手。简单的方案就是,一定是要从关联的数据入手,或者同步表现异常的数据入手。

在验证数据的过程中,可以灵活的运用数据。比如,当收到某个新需求时。就需要考虑,是否可以用当前的数据作为分析依据。当某个业务表现异常时,是否能通过数据来推导原因。

04 迭代业务模型

应用数据的最终目的,都是为产品服务,通过数据去迭代业务模型。数据迭代业务模型,核心是对业务进行重构,分为两个方面。首先,可以通过数据改进现有的业务模型。其次,可以通过数据去寻找业务的迭代方向。业务的迭代方向,其实就是产品的方向。在数据的基础上,甚至可以验证产品的商业模式。例如依据数据,预测出的 ROI 不能达到预期时。要不就面临业务关停。要不就需要通过优化业务,寻找新的业务方向,建立新的商业模式。

在应用的数据的过程中,很重要的一环是数据分析。严格的数据分析,需要很多算法的支撑。对于产品经理,很多场景下仅需要能理性分析数据与业务表现,通过数据预测业务走向和规模。

如果分析数据,一定少不了数据清洗。当分析数据时,对于数据的正确性,要保持警惕。数据从提出到研发和采集的过程中,可能有各种各样的原因导致产生错误的数据。当设置数据预期时,总会假定某数据能代表某业务。但是,预设总会有可能和实际情况相出入。特别是以竞品为参考时。因为,竞品对于产品经理来说就是黑盒,一切都是基于猜测。数据清洗的本质是,保证数据的准确性。

虽然,数据在设置预期和分解数据的过程中,就会考虑数据的场景。在数据分析时,仍然需要紧密结合数据的场景。相同的数据维度,在不同的业务场景,不同行业背景下,具有不同的代表意义。

优化业务模型,主要是找到能够提升预期数据的行为数据和过程数据。然后通过调整和优化业务,来改变行为数据和过程数据,最后达到提升预期数据的目的。

比如,以 A/B 测试举一个例子。当发现C数据与预期存在差异时,则需要提升C数据的值。然后,经过数据分析,发现过程数据D的提升可能会提升C数据,行为数据E的异常可能是C差的原因。所以,这时候就针对D数据做了业务优化方案A,针对E数据做了业务优化方案B。这时候,将A/B方案都定向给部分用户。然后观察D、E数据变化,所引起的预期数据C的变化。最终,再来敲定具体的业务优化方案。

A/B 测试是一种通过对比验证数据的方法。在这些方法之外,在验证数据的过程中,即使仅分析数据的表现,也能找到一些业务的优化方法。

寻找业务方向,主要从数据的表现的规律和预测出发。最简单的,比如产品中有A、B、C三个功能模块。对比三个功能模块的预期数据表现或者对预期数据贡献,就可以选择某个功能模块作为产品的主推方向。在此基础上,也可以使用灰度测试等产品方法,来主动探索业务方向。

最后

数据是具有时效性的。在业务运行中,追踪数据是最能掌握业务当前现状的。数据要及时复盘。数据等待分析的周期越长,数据的表现场景就会越模糊。

任何基于数据的工作,都不能让数据成为空中楼阁。设计的预期数据,一定要符合实际。否则,在验证数据的过程中,永远无法得到正确的结论。

数据分析中,最重要的就是对比。只有拥有了对比参照,才能知道数据表现的合理性。产品经理主观认为合理的数据,不一定符合客观的规律。最好的是以竞品或行业数据为对照。产品自身也可以作为参考。比如,周期性的对比。

数据不会说谎。数据比人的「想」更加真实。但是,人对数据客观理解是很容易不准确的。产品经理在判断数据表现时,既要相信自己的判断,又要保持批判性思维。所以,这本质也是对产品经理决策能力的考验。

#专栏作家#

产品小思考,微信公众号:产品小思考,人人都是产品经理专栏作家。擅长行业业务分析,设计行业方案,设计B端产品架构。主要关注医美、医疗行业,涉及HIS、CRM和各类业务系统产品。

本文由@产品小思考原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

给作者打赏,鼓励TA抓紧创作!

龙王传说 小说 以数据为引导,构建业务模型

龙王传说 小说 以数据为引导,构建业务模型
Tagged on:

相关文章

说点什么

avatar
  Subscribe  
提醒