编辑导语：当出现新产品时，企业和品牌肯定是希望能够有更多的用户，但目前市场产品品种繁多，消费者眼花缭乱，如何吸引消费者成为自身品牌用户需要进行策略布局。本文将从2B的视角对用户迁移成本展开讲述，推荐对此感兴趣的伙伴阅读。

一、用户迁移场景

产品团队研发了一款新产品即将投放市场，期望是尽可能多的获得用户，在市场上扎根成长。新产品对用户而言提供了一种新的选项，多种因素会影响用户做出选择与否的决定。

如果把用户因为吸引力选择新产品的行为看作用户迁移，把影响用户做选择的权衡因素看作迁移成本，那么，如果吸引力的获得感大于迁移成本的损失感时，产品获得青睐是可以预期的，否则，不被选择也是可以预期的。

笔者因为主要经历的产品在2B领域，所以本篇内容更倾向于B端产品角度的阐述，希望对你有所帮助。

二、用户迁移成本

首先，来思考一下什么是用户迁移成本呢？通过拆分可以获得三个词组：用户，迁移，成本。

用户：是泛指一款产品的使用者，可能是个人，也可能是组织即一群人。

迁移：是指用户因为某些因素的触发产生的变化行为，比如，降低老产品使用频率或者放弃老产品并尝试新产品。试想存在P1和P2两种产品选项，当使用P1时，系统加载数据速度慢，影响用户办理业务效率和心情，很可能会进一步对用户个人绩效产生负面影响。

如此，一个组织内对P1的负面评价逐步发展成负面口碑，最终导致P1被淘汰；又或者当使用P1时，在有限场景下帮助用户解决一个需求，如发起申请，但是P2可以在同等条件下满足统计报表的潜在需求，那么用户可能会逐渐降低使用P1次数，增加使用P2的次数，最终演变成将P1产品淘汰。

成本：借用著名经济学家薛兆丰先生有一个简洁的解释：成本是放弃的最大代价。

成本是需要承担的代价，假如从三个维度来阐述，一是代价产生的来源即代价因子D；一是代价因子对应的市场估值V；一是代价因子在客户认知的权重β。如果用一个计算模型来表示代价（假设有n个代价因子），它可以描述为这样：

C=β1*D1*V1+ β2*D2*V2+ β3*D3*V3+…+βn*Dn*Vn。

基于此，用户迁移成本，即用户因为某些动机触发，如逃避痛苦或者选择因获得的愉悦感受，进而做出选择新产品选项的行为需要承担的最大代价。说是代价，可能还是稍显抽象，我整理了感受比较深的三个方面：时间成本、风险成本、学习成本。

1. 时间成本：转移历史数据

如果用户更换了供应商的产品，为了业务办理延续性和数据查询便捷性，很可能需要将已有的数据积累转移到新产品中。

诸如，客户资源、项目资源、业务记录、组织资产等，是支持组织持续正常开展业务的基础支持资源，辅助工具资源或者业务流水记录等。试想将P1产品的数据转移到P2产品中会发生什么？

数据转移涉及到一系列过程：产品数据结构梳理分析，历史数据清洗，数据转移脚本编译，数据预转移，数据转移及加注标签，数据转移后核查准确性，历史数据封存管理等。

这些环节的执行需要消耗时间。一般企业级的历史数据资产可能有数年之久，加上业务复杂度高，关联的部门众多，积累的数据体量较大。按照笔者经历过的多个项目实践案例来看，实现一次数据转移，可能需要花费数周甚至长至数月。

数据转移期间，对组织中开始使用P2产品的用户来说，需要在P1和P2两个产品之间进行切换，这样增加了业务环节完成的时长，进而在一定程度上影响公司业务开展顺畅性，进而影响公司阶段性业务效率。

2. 风险成本: 清理历史数据

因为不同的产品之间在设计方案上存在天然的差异性，比如，数据结构，数据类型，数据精度，这就会使得数据从P1数据库到P2数据库的转移实际是从一套数据标准去适应另一套数据标准，不可避免的存在对P1数据的清理。

在数据进行清理过程中就可能产生数据损失，比如数据清理过程可能存在下面这些情况（假设P1 和P2有相同业务含义字段R，数据从R1迁移至R2）：

（1）因数据结构不同，损失数据

如果R1数据是一段富文本，实际包含了多个指标参数说明，但是在R2中实际对应R21、R22、R23等多个平行独立分项，无法直接迁移数据到R2，清理数据可能裁剪转换R1，如此，可能导致数据表达信息失真或产生语义歧义。

（2）因数据类型不同，损失数据

如果R1数据是数据型，R2数据是字符型，无法直接迁移数据，数据清理进行数据类型转换，将数据型转换为字符型。如果转换，会损失数据型数据具有的一些特性，比如逻辑计算、排序的分析能力或者降低数据查询、统计效率。

（3）因数据精度不同，损失数据

如果是字典类数据，比如年龄分段，一般在系统页面中呈现下拉选项的形式，如年龄的字典选项为：0~17、18~24、25~30、30~60、60~，那么系统页面显示时也只会显示上述五项。如果R1与R2字典项不一致，为了保障数据转移后可以正常显示及使用，数据清理会对R1数据进行规整。

比如，将R1中多项整合到R2中某一项，由此损失了R1部分选项，也就损失了对应部分的数据精细度。

数据清理是完成历史数据去适应新数据库存储容器的过程。当历史数据无法直接被新数据库标准所兼容时，就需要清理数据，此过程包括对历史数据的拆合、转换、规整。

拆合：业务数据在旧数据标准与新数据标准间存在数据结构的一对多或者多对一关系，历史数据清理时就需要拆分或者融合数据，对数据进行裁剪和拼接，使其丧失了原有的信息完整性及逻辑性。

比如，一栋建筑属性在历史记录为：按照2015版用地规划，该规划用地为居住用地，建筑面积1000㎡，容积率35%，符合标准；新数据结构记录为：用地性质：居住用地；建筑面积：1000㎡；容积率：35%。数据拆合后参照标准的背景信息不完整了，对建筑合理性分析的逻辑合理性支撑就不充足了。

转换：业务数据在旧数据标准与新数据标准中存储类型不相同，历史数据清理时就需要转换类型及表达形式，使其丧失了原有的语义表达。

比如，客户清单的性别数据在历史数据中采用数字0或1描述，在新数据库中采用字符男或女描述，清理就需要按照业务规则将历史数据0、1对应转换为男、女的表达。

规整：业务数据在旧数据标准与新数据标准中字典选项不一致，历史数据清理时就需要调整字典选项，使其扩大或缩小了原有的字典选项范围。

比如，一款手机寄送地址的历史数据中地理分区是省-市-县（区），新数据库中地理分区启用了省-市-县（区）-乡（镇），清理就需要将历史数据按照新分区标准规范整理。

在这些清理过程中历史数据发生了或多或少的变化，也就可能导致一些数据损失。

B端相对C端客户而言，组织结构、业务关系更复杂，使得数据结构更复杂，数据体量更大。数据清理可能性更大，存在数据损失可能性也更大，因此，B端用户对历史数据清理的态度也更谨慎。

3. 学习成本：适应新产品

（1）情绪成本

选择新产品，就像搬进了新家需要熟悉新的居住环境一样，会面临熟悉新产品的功能布局及UI风格过程。用户会经历打破旧使用惯性，重新摸索，初步尝试，逐渐形成新的惯性的过程。

这个过程会因产品本身的设计，用户学习接收能力，岗位业务复杂度等因素存在时间差异。

如果产品设计简捷，用户学习能力强，岗位职能复杂度越低，则完成一个业务环节办理的时间就越短，否则，这个适应时间就越长。

如果用户使用过程中遇到误操作等异常情况，产品是否能够提供高效便捷地处置，会直接影响用户的体验。人的本性都是更喜欢待在自己熟悉的舒适区，适应新产品的过程无疑是一个需要用户重建舒适区的过程，对用户是一个情绪消耗的过程。

（2）沟通成本

使用新产品还需要面对差异化的业务流程设计的适应。对于B端用户而言，业务关联的部门众多，包括：销售、行政、实施、运营、技术运维等，不同部门承担着不同业务环节，不同部门使用的产品功能也具有显著差异。

不同部门间需要熟练使用相应的功能模块，业务环节彼此协同，组织的业务流程才能顺利实现闭环。在实现高效顺畅的业务闭环前需要经过部门间沟通的磨合期，去实现各个环节操作的准确性、时效性保障。

工欲善其事，必先利其器。产品对用户可能是一位有价值的伙伴，帮助他们提升工作效率，也可能是一份想要摆脱的负担，毕竟使用者都是食人间烟火、有情绪的一个个人。

因此反过来说，设计产品这件事是一件值得细细琢磨的一件事。

本文由 @楼顶智人 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