通过自己这段时间接触数据比较多，简单分享一下自己对于数据驱动产品形成闭环的了解，本文仅作为分享沉淀。

每一次优化、迭代都是为了更好的让产品形成闭环。更好的留住用户、打造一个完整的产品。

什么是数据？

数据就是数值，也就是我们通过观察、实验或计算得出的结果。数据有很多种，最简单的就是数字。数据也可以是文字、图像、声音等。数据可以用于科学研究、设计、查证等。

那什么是互联网产品数据呢？

1. 产品的流量（UV、PV等）；
2. 产品的价值提现（功能价值、商业价值等）；
3. 产品的生命力；
4. ROI、KPI的根据；
5. 起因、经过、结果。

而互联网产品数据在不同产品类型有着不同的定义和指标，但是所有的互联网产品数据都将朝着一个共同的方向——驱动产品加速形成闭环。

互联网产品闭环

我个人最简单粗暴的理解是：用户——转化——反馈——用户。

但是对不同的产品形态有不同的闭环，如最常见的用户增长闭环、支付闭环、商业闭环、页面跳转闭环等等，这些都是比较小范围，而较大的闭环可以说是生态链了。

数据驱动产品形成闭环的7大循环

数据分析

互联网产品数据分析的4个步骤

1. 有多少访客访问？访客的用户画像是怎样的？
2. 访客的渠道来源，每个渠道带来什么效果？
3. 访客的参与深度是如何？
4. 访客最终有没有转化，转化漏斗是否顺畅？

最后再利用工具：百度移动应用统计、腾讯mta移动统计、诸葛、友盟+、Google Analytics等。

比如：某个产品通过观察上周的数据发现周四当天数据增长特别惊人。这个时候我们不能只是高兴一下就好了，而是需要对这个惊人的数据进行分析。

因为我们需要知道为什么出现这种情况，是否可以借助这次增长下一次再次复用？

主要通过以下五个维度进行分析：

1. 产品：是否有新功能上线、出现bug；
2. 运营：是否统计错误；
3. 市场：是否有做宣传；
4. 技术：是否埋点、数据传输问题；
5. 其他：是否特殊日子、新增来源渠道。

发现问题、需求

比如：某个APP在各大渠道上线后，我们发现A、B渠道的下载用户特别多，注册用户也正常，但是到了进入应用的流程转化率骤降。通过排查、重现找到原因是因为部分设备不兼容，而刚好A、B渠道该部分设备最多。

再比如：某产品在1.0版本的时候是以工具产品作为定位的。但是上线了社交功能后，发现用户体量不断上升的这个问题。

从上线新功能后的数据来看用户增长的主要原因：社交功能的出现，从而发现了产品的潜在需求——社交功能。

至于如何体现社交功能就在后期的步骤中。

确定指标

什么是确定指标？

对于发现问题，我们可以确定的是将问题数据拉高/低，还是回到正常的趋势。当然还会从偏高异常数据中发现一些额外的潜在需求，这个时候我们需要分析需求找到解决需求的方案。

TIP：指标并不是传统意义上的数值指标，很可能是一个试错的假想。快速试错是现在互联网快速更新迭代的一种自我校正的方法，试错往往是无法用数值来均衡的，只有通过实际产生的数据进行对比才能够验证自己的假想。

在第一个问题中，AB渠道的用户安装量很高，但是进入应用就出现了bug。这个时候我们就要确定一个指标，假设将原来的50%转化率提升到80%（当然这个80%是相对于其他正常渠道进行对比后定下的），而这个80%就是我们确定下的指标。

第二个问题提到的某工具产品上线轻社交功能后发现，轻社交功能带来的流量明显是优于纯工具的。这个时候我们需要确定两个指标，一个侧重社交功能，另一个则是侧重纯工具功能。也就是进行产品的A/Btest。

TIP：为什么还要进行A/Btest，我们不排除上线轻社交的功能是因为偶然的因素带来的流量，有可能轻社交仅仅是辅助工具，是否能够成为核心还需要在进行回归数据验证。那么这个时候的指标便是加速试错验证我们的假想。

产品设计

回到第一个问题中，我们需要提升80%的转化率。我们已经找到了问题的所在是兼容问题，那么我们接下来便是从机型设备进行处理，并且得出相关的解决方案。

这里的方案比较偏向于技术方面，对于产品侧可能更多的是偏向于方案的决策和取舍。

而第二个问题产品进行不同功能的A/Btest是比较常见的，我们只需要在A/B分别设计不一样的功能，将其分别投向2个不同的渠道或者嵌入不同的链接等等方法，只要能够在后期区分两者的数据即可。

又比如：对于活动类型，根据活动的指标KPI进行任务的拆解来设计活动的方案。

开发测试

在产品（功能）设计后，接下来的步骤便是到开发测试环节。这里需要注意的是将设计的细节尽可能的提现在需求中，避免因为细节问题导致不断翻工，投入的成本又超出预期了。

最理想的状态如下图所示：

产品上线

1. 观察数据：上线后我们通常都是通过看数据的变化来发现问题；
2. 提取数据：提取某段时间内的数据，比如次日数据，如果数据呈现正常则可将提取的时间再长一点。如果还是一样则可能需要对数据进行分析；
3. 分析数据：对提取后的数据进行分析，通过对近期数据进行对比分析数据是否正常增长还是异常；
4. 调整数据：如果发现数据不对劲则可以采取特定的计划进行调整，当然这种调整可能涉及到功能性或者设计样式上，对于小的调整可以尽快重新部署上线再观看数据的趋势。

当然太大的调整就需要回归到产品设计的步骤，这是相当浪费时间，有时候也是无法避免的。

TIP：在这里分析数据后我们还需要进行适当的策略调整，以保证满足我们之前确定的指标。这里的调整数据并不是回归验证，因为我们不可能让数据增长到几个月甚至1年时间再来分析，这样不利于我们后面的回归数据验证。我们应该挑某段时间最合适的数据进行抽样分析，当然我们不是专业的数据分析师，但是我们能够结合产品自身以及客观数据的增长来判断即可。

回归验证

• 决策是对的，我们接下来要做的就是深入并且不断完善和优化，驱动产品形成闭环；
• 决策是错的，我们接下来要做的就是回到第一步数据分析，换一个方向进行试错；
• 决策不明显，我们接下来要做的是持续观察的同时做好B计划，通过运营、市场、功能上来验证我们的决策，再判断决策是否正确，并且适时做好放弃的准备。

再次回归到我们第一个下载问题中，如果决策是对的，这次数据将会发现转化率>50%。从闭环角度来讲我们是解决了体验→反馈的问题，将不断引流，从而行成一个用户增长的闭环。

而第二个问题中，同样如果我们决策是对的，我们会发现做了社交功能后，用户增长也是不断提升，同样让产品形成一个用户增长的闭环。

产品闭环会有很多种，这里只是举例最常见的用户增长闭环，比如：还有支付闭环、功能闭环、商业闭环等等，都是可以通过数据驱动产品形成闭环的。

最后虽然我们说的是利用数据驱动产品形成闭环，我们需要注意的是数据驱动不变的是产品发展的大方向，一切产品的诞生离不开市场调研，不能脱离一开始的市场调研转战另一个领域。

比如：你今天做了个工具、通过数据验证将工具马上改为社交，发现又不行再改为UGC等等。这样都是违背了当初的定位，定位只能通过升华，而不能改变。

文章纯属个人总结的拙见，如有不妥请指正。

本文由 @Randy俊 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 pexels，基于CC0协议