产品决策:数据驱动 VS 数据知情

产品运营猎场2018-12-05 13:43:23

很多企业都在了解如何更好在产品决策中运用数据,来进一步促进业务增长。产品决策中的数据,主要指各种数字化的信息,比如交易数据,用户在web/app上的行为数据,GPS位置数据,服务器日志数据等等,是真实世界所

有信息的一个子集。产品经理对数据的合理运用,往往决定了决策的质量。这里介绍产品决策中,两种主要的数据运用方法:数据驱动(data driven)和数据知情(data informed),以及他们各自的适用范围.

数据驱动

数据驱动的意思是在决策中,数据起主导地位,也就是说,一旦取得了相关的量化数据,下一步怎么做也就基本由这些数据结果确定了。不少硅谷企业并不倡导这种方式,典型的比如facebook,airbnb,atlassian等等。他们的观点总体上并没错(在下面“数据知情”部分中会简要描述),但数据驱动其实仍有其适用范围,这个范围主要有以下特征:

  • 决策所需要的关键因素容易量化

  • 已经存在几个备选方案,决策工作是从其中选择一个或者决定优先顺序

  • 涉及战术层面,相对短期局部,主要看重细节。

这里举两个符合这些特征的职能:

产品运营:

产品运营主要处理相当多的日常活动,重复度高,KPI较具体,数据采集比较容易和高频,相对来说就比较容易用数据驱动的方法来确定决策。比如对于SaaS产品,客户的产品使用度很大程度上能预测客户的流失概率,以此为基础建模预测客户的健康状康,就能较好地决定客户成功团队进行主动干预的优先级。又比如产品性能管理(APM),根据app性能的各项指标,比如延迟数据,负载情况,异常统计等等,基本就能决定下一步是要增加更多服务器资源,还是进行故障转移(failover)或者采取其他行动,当中不仅可以数据驱动决策,甚至可以让电脑根据数据直接完成决策,并采取相应行动,完全自动化闭环而不用人工干预。

产品局部优化:

典型的比如优化产品的某些细节体验,进行不同版本的AB测试(但不是那种战略性,创新性,颠覆性的测试)。 在这种情境下,设立一个核心的成功指标,以及相应的第二类监测指标,如果改版方案在核心指标上有明显优势,而且他监测指标并无明显受损,那么就基本上可以决定让改版方案上线(或者扩大测试用户比例继续衡量,如果用户数很大的话)。又比如,上线全新的社交登录,却发觉部署后登陆人数立即开始直线下滑,这时候的决策是什么?很简单,回滚。然后再从各方面开始排查原因并修复问题。

数据知情

与数据驱动不同,数据知情指在决策中,数据起辅助地位,取得数据后(定量或者定性的),不同的人可能有不同的解读,考虑不同的其他因素,作出不同的决策。
这是很多诸如FB等企业推荐的数据使用方式,往往会强调除了数据外,还需要同理心,商业直觉,愿景等等,才能做出合适的产品决策。这些说的都挺不错的,就是稍微“艺术”了些,下面我说下客观原因,为什么数据知情很多情况下比数据驱动更合适些

能收集的数据还是太少

可能很多人看到这里会问,不都是大数据时代了么,每个用户细节行为都跟踪了,还少?确实,现在的数据量都要用zettabytes来做单位了,相比十年前多了好几个数量级,可谓“大数据”。但这些数据基本上都是线上的web/app数据,就算加上GPS,二维码,智能硬件等线下的部分,相比们真实的世界的所有信息,也还只是“小数据”。比如平时和人对话交谈,和谁交谈的,什么时候谈的,谈了些什么,谈的时候语气如何,环境如何,谈话的人情绪如何,表情身体语言如何变化等等,这些信息并没有被数字化的追踪成为数据。再比如看书(即使是用kindle看的),哪些章节重点看了,哪些页面反复看了,是前一段还是后一段眼球关注的时间更多,思考的更多,对大脑影响的更多,这些信息,也没有被记录。这里有现阶段产品实现的挑战,比如还没有出现像科幻电影里,每天通过人体的体液,就能自动判断人的健康状况并提示相应改善方法。也有隐私法规的挑战,假设有一天,有一款产品真能追踪记录人的所有行为(可不是什么web/app中的行为这么小一块,而是生活中的所有行为),有多少用户愿意被这样记录呢?有多少人会愿意自己和人说的每句话,听到的每句话都被记录在案?又有多少人会愿意被记录卫生间里具体每个动作是什么,释放物什么情况。

和一个业界资深人士交谈1小时得到的信息可能如醍醐灌顶,彻底改变之前的决策,而诸如此类的核心信息根本没有成为数据,换句话说产品中存在的数据只代表了真实世界非常小的一部分信息,只反映了一个非常有限的情况,那自然无法靠数据去驱动(有限情况之外的)决策,而只能作为信息源之一,辅助支持决策了。

电脑的计算能力还是太弱

或许很多人认为,电脑的计算能力已经非常强大,国际象棋和围棋中,计算机都已击败人类,德州扑克也快要被攻克。当然了,现在的计算力比起以前是增强不少,可如果以数据驱动为要求来看,那计算能力就还是太不够了。首先,很多决策并非AB测试那样,非A即B,选一个就行。更多的决策是开放问题,完全没有固定选项,需要从无到有去构建出潜在的备选方案。如果电脑无法通过计算数据,生成方案,那自然也无法驱动决策,只能是提供信息,辅助人来决策。第二,即使有的决策是在几个方案中选择一个,但如果输入信息难以量化,还是不行。比如网约车新规定出台,怎么解读?对滴滴什么影响?电脑没法解读,没法计算出量化的影响,那就算有候选方案,也无法决策选择哪一个。

所以产品战略问题,开放问题,各种宏观的目标和方向性问题,数据知情的方式还是比数据驱动合理多了。公司刚成立时,用户数量有限,数据较少。这时数据知情的方式更适合决策。当公司变成了中大型公司,积累了较多数据,数据驱动的方式就会越来越重要,但适用范围主要是运营和战术层面,而在产品战略层面,数据知情仍是更好的方式。

将来的趋势

当然我相信,将来会有更多的信息被高效地转化成数据,就像现在记录用户在web/app中的行为和交易一样。而电脑的计算力也会继续加强,产品决策中数据驱动的适用范围会不断扩大。但在宏观战略决策上,要真正实现数据驱动,需要真实世界信息能大部分转化成数据,并且电脑计算力大幅提升(比如真正实现量子计算,涉及到AI多大程度上能取代人脑的问题),在可预见的将来,数据知情仍然会是主流。


热门抢手同质化职位来了!BAT,一线知名互联网公司、快速发展创业公司,黑科技、年40-200万以上总有一款适合您!瞅瞅去!

热门职位▼

查看更多热门职位,请查看自定义菜单“靠谱职位” ,总有一款适合您!

您是否在想要跳槽时面临海量职位不得不花费时间和精力多方多渠道挑选和甄别?您是否不希望自己的求职想法大范围的散播?您是否期待自己能够找到最满足自己期望和体现个人价值的机会?让我们来帮助您吧!猎英长期接收产品运营候选人简历邮箱为lieycpyy2018@sina.com,您也可扫码加我们的人才发展顾问联系聊聊职业发展,委托给她帮您甄选更适合您的机会,节省时间提高效率,或者从第三方的视角给您一些专业建议。务必注意,备注“姓名- 产品运营”,便于通过。





长按二维码关注我们



Copyright © 古田计算器虚拟社区@2017