大公司才讲究数据驱动,小公司靠“拍脑袋”?

宁宁
5 评论 3960 浏览 17 收藏 9 分钟
🔗 B端产品经理需要更多地进行深入的用户访谈、调研、分析,而C端产品经理需要更多地快速的用户测试、反馈、迭代

本文为我们介绍了什么是数据驱动业务以及如何构建数据系统的注意事项。

做用户增长运营4年多,发现越是大公司越讲究数据驱动,越希望做出有价值的决策。

数据驱动,在讲究科学运营的今天,重要性不言而喻。

笔者最近在与公司的数据部门发生多次摩擦后,总结出7条适合从0到1建设数据系统的创业公司/团队的基础认知。

本文关键字:数据驱动、数据系统、数据产品、用户增长、创业公司

认知一 什么是数据驱动业务?

一般来说,看一个互联网公司业务清不清楚,能不能盈利,模式跑不跑得通,基本上看数据就能明白个一二。一般来说,看一个业务主要会看几个指标:

北极星指标:即影响业务的关键指标,常见类型有用户数、订单、GMV、DAU、UGC人数等

基于北极星指标的业务拆解,根据相关性则以此构成一二三级指标。如果宁宁开个淘宝店,首先要拆解

GMV= UV * 转化率 *客单价
  • UV:各渠道带来的流量数
  • 转化率:衡量流量质量
  • 客单价:与流量质量相关,也与店铺本身SKU 及促销等活动相关

有时候业务涉及供需两端,对另一端也会有业务拆解。如:

GMV = 商品SKU数 * 单品平均销量 * 单品均单价
  • SKU数:商品数,理论上来说,商品数量上涨,用户可选择越多,交易额越高
  • 商品平均销量:用平均值看单个商品的优质成都,选择最好的商品进行强曝光售卖。
  • 商品均单价:均单价相对比较稳定,他的高低可以用来判断所面向的用户群体

由此可得:

  • 一级指标:是与上公式密切相关的指标:如UV、转化率、客单价、商品数、平均销量、平均单价等,不同业务得到的指标拆解不同,LTV、CPC等经常也被视为一级指标。
  • 二级指标:则可能是会影响业务长期进行,但是不影响短期生存的问题,比如退货率、差评率、NPS等。
  • 三级指标:如用户基础画像、用户行为路径等。

而以上这些数据对运营同学做运营决策有关键作用,在获取这些数据的时候,则需要数据同学的帮助。

认知二 数据从哪来?去向哪?

数据协作流程简图

数据就像是水,融合在业务每个节点,途径每个人的手。

而建设数据系统的每个人和产品功能,则是钢精和水泥,融合、凝练成为一个强有力的数据大楼。

成为了最终老板最终做决策可以依靠的力量。

认知三 没有良性的数据系统,会怎么样?

  • 系统混乱,BI团队没有突出业绩产出,会被老板认为价值极低
  • 产品部、运营部、BI 多部门相互甩锅,内部沟通效率低下
  • 数据准确性不高
  • 数据决策慢,难以快速跟进行业热点

认知四 建设良性数据生产系统

要建设数据生产系统,先想清楚以下3件事情

  1. 建立所需数据系统
  2. 构造基本数据模块
  3. 设计团队人员结构

首先举一个经典的大数据架构图的例子。以便于梳理清楚自己业务过程中所需要的基础调用服务。

设计人员结构,可以根据公司实际情况设计岗位,人可以少,但是许多事情是必不可少的。

认知五 建立良性数据的协作系统

因为笔者仅是一界运营,对技术了解颇浅,经常在于数据同学给对接时发现业务效率的系统性提升问题。

  1. 产品运营同学与数据经常打架的几个点:
  2. 数据什么时候出来:提数需求永远存在,需求永远都做不完
  3. 数据准确性问题:为什么数据是错的?
  4. 数据结论无法支撑:那个结论不正确,无法得出决策?

然后得出结论:你是不是傻?

数据团队和运营团队经常打架的点:

  1. 指标、维度没有写清楚,没法排
  2. 需求冲撞了,没办法做
  3. 原始数据有问题,需要找研发重新跑过

然后得出结论:你才傻?

这是因为BI团队没有一个比较好的需求承接方式,导致两个团队经常纠缠不清。

这是一个简单的数据生产流程,而我们处于这个角色中的每一个人,就是要坚决,果断的执行其中的每一个流程。

认知六 建立良性数据的应用系统

以滴滴和阿里为例,数据的应用层是可以满足多项需求的,可以极大的提高工作效率。以滴滴的部分数据应用场景为例。

以上功能只是许多公司产品、运营、BI、技术等同学日常使用的冰山一角。

数据分为:

  • 离线数据:满足产品和运营人员在了解市场、分析结论的需要
  • 实时数据:线上实时业务策略等,监控线上实时流量,可视化等

认知七 大的互联网公司与创业公司数据体系之间的差距

阿里滴滴能够做得好的原因有以下几点:

  1. 在建设时就有一个大的、正确的基础体系
  2. 花了较多的人力、时间开发
  3. 坚持数据驱动
  4. 数据产品长期迭代

而在一个小公司经常会出现的问题是

  1. 利用开源软件搭建,没有系统性思考每个阶段要解决的问题
  2. 多个业务功能拼接,头痛医头,脚痛医脚
  3. 人力不够,忙的时候忙到脚朝天,闲的时候巴不得休息
  4. 对数据不够重视

而作为许多创业公司而言,建立较完善的数据采集能力,搭建基础的数据应用能力,招人,完善整个体系,帮助创业公司从“拍脑袋”到“数据驱动”,还有很多事情要做。

以上打分为整体性打分,不具体针对某家公司或某个人。

总结:从系统性数据驱动来看,创业公司确实相差甚远

创业公司的优势是对市场的反应能力更灵活。

创业公司利用自己的优势完成从0-1后,则需要开始逐步依靠数据驱动完成从1-100。

 

本文由 @宁宁 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

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. GMV算法少了个复购率 上面打错了

    来自广东 回复
    1. 谢谢指正,其实我理解是二次购买率

      回复
    2. 谢谢您的指正,大多数场景,在我们实际UV计算的时取当日UV,我们计算复购,也就是二次购买是相隔一段时间。

      回复
  2. 迭代驱动方式其实很多种,组合方式可能更好:产品战略+用户反馈驱动+数据驱动+算法驱动,甚至一些产品还用商业模式驱动,毕竟产品1-2的过程并不是都有很好的用户量,这个时候抓核心用户,做反馈驱动可能效果更好。很多生于MPV,死于PMF的产品都是太依赖那微小的数据做指引,但是数据毕竟还是冷冰冰的数字,有时候真正走进用户,拆解用户的行为才可以真正找到他们的需求来进行迭代
    另外UV算法是不是少了个复购率 🙂

    来自广东 回复
  3. 感谢分享,慢慢读

    来自广东 回复
专题
13024人已学习12篇文章
一款产品,若想做到极致满足用户的需求,产品功能会变得越发臃肿。但在产品设计中,也可以做做减法,去除一些不必要或不重要的功能和元素。本专题的文章分享了如何给产品做减法。
专题
11625人已学习12篇文章
LLM=Large Language Model 大语言模型,是一种基于深度学习的自然语言处理模型。它能够学习到自然语言的语法和语义,从而可以生成人类可读的文本。本专题的文章分享了大语言模型的知识。
专题
42526人已学习17篇文章
谈到互联网产品,我们不得不谈的就是它的盈利方式,这也是产品人经常会被问到的问题。
专题
13283人已学习12篇文章
人力资源管理系统,帮助企业管理和维护其人力资源。本专题的文章分享了人力资源管理系统的设计指南。
专题
11293人已学习12篇文章
本专题的文章分享了营销增长指南。
专题
12206人已学习14篇文章
良好的交互规范可以很好的帮助企业、团队提高产出,保证用户体验。本专题的文章分享了交互规范指南。