以数据为引导,构建业务模型

0 评论 9759 浏览 36 收藏 18 分钟

编辑导读:对于一款互联网产品,它的根基就是其业务模型。如何构建业务模型、如何向着正确的方向构建业务模型是产品经理在产品迭代过程中最具挑战性的工作。本文作者从自身工作实践出发,结合相关理论分享了构建业务模型的相关知识,供大家一同参考和学习。

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

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