2017产品经理大会

为何如此多的产品以失败而告终？

构想 -> 商业案例 -> 路线图 -> 需求 -> 设计 -> 开发 -> 测试 -> 部署
1.构想来源
2.商业案例谬误
3.产品路线图
4.产品角色
5.设计角色
6.开发角色
7.敏捷角色
8.产出而不是结果
9.客户验证的过晚
10.机会成本

那些最棒的科技产品公司做了什么与众不同的事？

1.提前处理风险

• 价值风险
• 可用性风险
• 可行性风险
• 商业生存风险

2.定义和设计协作

• 产品管理
• 用户体验设计
• 开发

3.关注结果

• 关注结果，而不是产出
• 产品团队存在的意义是以你客户喜爱的方式解决问题，并且服务于你的业务

How do we do this?
1.雇佣那些对你的产品愿景富有激情的工程师
2.为工程师提供完整的业务场景
3.让工程师能够接触到客户
4.提供条件，而不是需求
5.为工程师提供发现的时间
6.为工程师配备称职且有自信的产品经理

产品运营

市场的变化

1.卖方市场：

• 以产品为中心
• 流量为王
• 渠道单一
• 拉新获客为主

2.买方市场

• 用户体验为中心
• 体验为王
• 需求多变
• 提升用户忠诚度

营销驱动的漏斗型思维

卖方市场的产品营销策略
品牌认知 ->感兴趣 ->评估 ->购买 ->忠诚 ->推荐

以客户为核心的产品驱动增长的模型

增长型思维
整个市场的认知 ->核心匹配的人群 ->有需求的用户 ->使用过的用户 -> 首次试用的用户 ->热爱产品的粉丝

产品驱动增长原则

1.产品驱动增长的第一个原则：Product Market Fit
留存曲线在某处趋于平缓，这意味着对于某些客户来说，产品已经成为使用习惯的一部分。重点去增加那些客户的数量。

如何验证PMF？
用户调研
如果不能再使用这款产品，你会感激：

• 非常失望
• 有点失望
• 无感
• 我已经不在使用这款产品了
  如果有超过40%的用户会说“非常失望”，那么改款产品应该达到了PMF

2.产品驱动增长的第二个原则：理解单位经济
获取用户的成本<用户有限时间内产生的价值

单位经济效应下的付费增长策略：

• 最快，最容易让用户使用产品的途径
• 就像毒品一样令人上瘾，很难建立护城河
• 非常昂贵，随着时间发展越来越贵
• 有效边界的存在，因此付费营销的策略有天花板

案例：HomeJoy为什么会失败？

• 正常清洁公司收取85美元／2.5小时的房屋清洁费
• HomeJoy未了拉新，提供了19.99美元的首单促销
• 当增长放缓后，反而持续加大19.99美元的促销规模
• 没有获取到足够的用户粘性，提前开始付费扩张

3.产品驱动增长的第三个原则：减少而不是增加
减少现有产品摩擦 > 增加产品新功能

产品驱动增长的核心任务：

• 减少产品摩擦，提高新用户上手体验
• 快速触达产品核心价值
• 用文字教育客户，不要在设计上干扰用户注意力
• 快速迭代，3个月和3天之间的选择，选择快的

产品驱动增长阶段

高效增长的三个阶段：
第一阶段：产品设计驱动；免费、可衡量
第二阶段：效果营销驱动；付费、可衡量
第三个阶段：品牌营销驱动；付费、不可衡量

产品驱动增长：从核心价值出发不断做乘法
产品粘性，口碑 ->产品驱动转化，新用户体验 ->推送、短信、再次营销运营 ->ASO、SEO、SEM ->效果类广告等 ->品牌广告，展示类广告

产品分析

产品魔法数字背后的深层次逻辑：用户习惯

数据：让我们知道发生了什么
用户研究：让我们理解为什么

双模增长体系：驱动核心业务的增长
模式1:监控管理
模式2:分析迭代
方案设计 ->数据采集 ->数据可视化 ->持续监控 ->提出问题 ->定义指标 ->数据探索 ->产出洞察 ->迭代优化 ->总结规律 -> 方案设计

大数据时代

数据产品经理

数据产品经理是需要掌握数据及数据技术、熟悉客户并有基于数据的独到商业理解和思考、最终以有形或无形的数据产品追求客户数据和商业价值最大化的大数据时代神奇物种

业务经验 - 商业感觉 - 产品设计 - 项目落地 - 运营推广

大数据

大数据产业：

• 数据多元融合为互联网+创新创业注入新力量（线上线下数据打通）
• 大数据带动传统制造业变革新趋势（C2B／C2M）
• 大数据的共享开发助力政府治理新时代（智慧城市）

AI时代对数据产品经理的要求

1.需求理解（需求的描述会更数据化，更技术化）
2.极速响应（新技术的发展产品如何快速跟进）
3.全新体验（语音交互，图像识别这些对于体验要求更高）
4.小“CEO”（从Idea的产生、产品的设计、产品的运营等）

阿里数据产品经理的实践

1.方案类
这类数据产品经理主要推进数据采集、数据管理及数据建设的规范体系，输出的是整体的数据方案，如阿里集团的日志采集方案的产品经理

2.业务类
业务数据产品经理主要负责基于业务的场景构建出业务数据分析产品或者是数据业务，如阿里的招商平台，在平台各个环节都会有数据的支持

3.工具类
工具型数据产品经理主要职责是用基础工具的方式帮助业务在数据统计分析、数据可视化展现上做工具性的支持，帮助业务快速高质量是应用数据，实现业务数据化

数据思维

1.业务数据生产过程（产品是数据最直接的生产源头）
2.业务数据分析的思考（业务是怎么分析数据，产品数据架构设计如何平衡）
3.数据建设方式思考（什么样的数据是流转，如何流转）
4.数据创新方法的研究（数据能给业务从形态、体验等多方面支持创新）

“产”的数据思维：
新型终端了解 - 数据计算原理（批处理、流计算）- 产品数据库设计 - 数据采集技术

“析”的数据思维：
数据分析思维 - 产品运营知识 - 数据分析软件学习 - OLAP、算法等技术了解

"建"的数据思维：
数据规范了解 - 数据库原理 - 数据计算原理

“研”的数据思维：
数据创新： 行业知识 - 基础科学 - 科技技术 - 数据技术 - 研发技术

产品分析

数据是检验产品好坏的重要标准：性能、活跃、收入

坑：视觉与功能
出坑思维：看数据

数据的坑：数据来源不清、数据定义不明确、解读数据太片面

AI时代的商业模式

Ai时代的核心能力是什么？

AI进步三大要素：算力、算法、数据

是AI+还是AI？

产业成熟阶段：
基础设施 -> 平台工具 ->应用服务 ->模式创新

应用层：

• 场景应用（自动驾驶／ADAS、智慧医疗、智慧教育、智慧金融、新零售、智慧安防、智慧营销、智慧城市）
• 消费级终端（智能机器人、智能无人机、智能硬件）

技术层：

• 平台层（技术应用平台）
• 认知层（智能问答／虚拟助手、知识图谱／语义分析）
• 感知层（计算机视觉、语音识别、AR/VR）

基础层：

• 计算能力（计算能力平台、芯片、传感器及中间件）

对于+AI的公司

To B 的核心：提效降费

• 行业价值链分析
  行业变革的主要原因？
  上下游谁更需要谁？
  谁是最终买单的关键决策者？
• 定价权
  对客户的影响力，竞争力，不可替代性
  收入模式是否可持续增长？
• 如何积累数据？
  从-1到0:信息化／网络化／智能化 三波叠加

To C 的核心：LTV-CAC

• 痛点假设
  真刚需？频次如何？代价多大？
  天使人群？
• 商业模式关键点
  LTV：Lifetime Value（用户生命周期价值）
  CAC：Cost Acquire Customer（获客成本）
  PBP：Payback Period （投资回收期）
• 积累数据的方式
  用更好的体验来勾数据（今日头条／百度更懂你）

To B与To C的异同

互联网产品如何打造势能和冷启动？

势具体释义：

• 精准定位
• 社交赋能（最强的能量=产品+粉丝+黑粉+围观者）
• 需要累积（到一定强度后，通过事件高效转化为动能）
• 重复以固化（高手在重复，低手忙推陈出新）
• 贴标签（心智只能记住标签，你不贴就被人贴）

冷启动具体释义：

如何传播

1.新媒体传播

• 相信年轻人，别信“自己”
• 相信迭代，别信“凡客体”
• 相信趋势，跟趋势站在一起

这是社会化媒体的时代，
这是不小心客户就爆炸的时代。
不要应对要引导，把用户变成粉丝，
通过他们形成你的人格，
在互联网讲诉你品牌的故事。

在企业ERP产品中的实践

设计思维Design Thinking

可用性：用户洞察；产品经理、设计师
价值性：营销方案；产品经理、市场
可行性：技术方案；开发、测试

1.以用户为中心
2.核心价值

• 移情
• 创新、测试、探索
• 迭代
• 合作与T型团队

设计思维在ERP产品中的实践

理解 - 洞察 - 重新定义问题 - 重新定义问题 - 构思、设想 - 原型 - 测试

大数据驱动产品精细化运营

知己+知彼才能在激烈的市场中生存和发展

1.了解行业趋势，锁定竞品动态。
行业发展趋势，了解自己在市场中所处的位置，发现市场中的竞争对手

2.竞品对标分析。
产品对标分析，掌握自身的优势、劣势，正确认识自己

3.评估竞品的每一个动作效果。
及时了解竞品在产品推广、功能迭代、活动、内容等运营动态所带来的变化

4.制定产品策略，有的放失。
识别有效的运营策略，放弃失败的运营策略，结合自身情况制定自己的产品策略

5.产品迭代，展开运营动作。
根据有效／高效的运营策略，展开产品运营

通过第三方对标分析数据指导产品运营策略

了解行业，把握方向：

1.了解互联网整体趋势，把握大方向
2.了解行业差异，行业领先者的平均水平
3.了解行业整体规模，发展趋势
4.根据同领域中竞争对手的相对位置，确定竞争对手
5.根据用户竞争情况，确定竞争对手

通过竞品分析制定产品推广策略：

1.降低拉新成本、低风险的进行有效拉新
共享单车案例：

* 摩拜推广策略以“广”为主，为抢占更多城市；在很多城市效果不理想，分散了精力
* ofo推广策略以抢占人口密集城市为主，获取了较好的效果

2.用户活跃度稳步提升，用户从浅尝体验到养成习惯。
用户活跃度同步提升的同时，用户粘性在稳步提升，说明推广有效，用户增长是良性的增长。
3.有效推广没有降低用户的留存率。
留存率没有大幅下降，说明推广有效的覆盖了目标用户，用户规模可以稳定增长。
4.随着用户规模增加，重合用户增加，竞争加剧
5.忠诚用户（独占用户）都有较大增长，推广有效触到目标用户

通过竞品分析指导产品功能改进：

1.融合领域关联性较强的产品功能
直播为例：

* 直播+短视频（UGC），提高用户活跃度和粘性
* 直播用户高峰期主要集中在晚间
* 改版后的火山小视频，用户使用时间已经分布在白天全天

2.对标分析的目标：把竞品的经验拿过来

• 拉新（降低拉新成本、低风险的进行有效拉新）
• 留存（看结果数据、不靠拍、减少过多测试）
• 激活（深挖碎片时间，UGC、社区，提高用户活跃度）
• 唤醒（给用户最喜欢的东西，找到用户最高频接触的领域应用）

精细化运营的必备的四种核心能力

1.随需分析；
大数据日渐成熟，使实时的OLAP分析可能运营工具不再只是统计结果的展示，而是实时分析工具
2.人以群分；
不再只是基于产品整体进行分析，而能够针对进行人群差异化分析
3.全景画像；
不再只是自身应用数据，需要结合第三方数据，绘制用户的全景画像，了解用户的真正生活形态
4.诊疗结合；
不再只是策略支持，需要根据分析结果直接参与运营多种方式分群触达用户，实现运营闭环

四种典型的应用场景

产品精细化运营围绕用户生命周期各个阶段展开：
获取（营销渠道效果评估、提高ROI）->新用户（新用户分析：发现关键行为，提升留存） -> 活跃用户（用户分层：核心用户；特征分析，提高用户价值）<-召回用户（召回用户分析，提升体验，延长生命周期）

流失用户（流失预警，延长生命周期；分析用户去向）

选择优质渠道

1.渠道带量能力
2.有效用户（核心用户）占比
3.刷量识别
4.一次性访问用户占比
5.渠道留存

深度识别用户

1.基础特征（如年龄、地域、系统、性别、版本）
2.行为偏好（使用时间、时常、周期、页面）
3.核心用户偏好差异

提升用户转化

1.发现转化漏斗的瓶颈
2.产品迭代效果分析

召回／唤醒用户

1.用户分群
2.自动化触发（推送）
3.个性化触达（推送）
4.效果闭环验证

内容产品如何进行创新

洞察 ->问题 ->解决方案 ->验证 ->洞察

各层面

策略层：
为什么要开发这个产品？

• 问卷、田野调查
• 任务分析
• 用户测试
• 可行性测试
• RITE／Sprint
• 卡片排序
• 数据分析
• Five Whys

范围层：
开发什么产品？

• Scenarios
• 竞品分析
• 优先级分析
• 市场分析

结构层：
用户如何响应用户操作，如何组织？

• 交互设计
• 信息架构
• 业务设计

框架层：
每个屏幕的空间，布局

• 信息设计
• 界面设计
• 导航设计

表现层：
用户最直接的感受，所有的细节

• 网络设计
• 视觉化
• 字体
• 形象识别

移动互联杂志

• 满足移动互联内容消费节奏的、源源不断的内容
• 跟用户感兴趣的领域相关的高品质内容
• 赏心悦目的设计

新零售下的实体商业破局

线下：用户流失
线上：流量饱和

线下客流 - 用户 - 粉丝 - 会员

社群

1.事件驱动不如关系驱动
2.人人想进大群，人人只在小群中活跃

• 人们互相认识用户留存、活跃的基础
• 人们互相信赖订单转化的基础
• 频繁互动信息密集扩散的基础
  3.三近一反
• 90%以上社群，缺乏自己的“反”
• 连接者：0.8%用户产生46.25%参与量

驱动力

兴趣驱动不如地域驱动
事件驱动不如关系驱动
利益驱动不如荣誉驱动

产品特点

个性化
人人获益
参与简单
零成本获得
利益可共享
可累积

工具性 - 让用户破冰，产生第一个动作
病毒性 - 建立用户池，为社群源源不断的新用户
长连接 - 构建用户进阶通道，长期留存活跃

创业公司的精益产品设计

创业者：我还有多长跑道？
创业是否成功，往往取决于你有多少资源可以支持你转型到靠谱的路上。

产品 - 互联网产品是业务策略的放大器，它通过更大的用户量和更高效的服务路径，为企业带来更多更大的商业价值。

产品经理 - 通过对市场和用户的洞察，设计商业流程和与之匹配的软件产品，整合资源，满足用户需求，进行产品设计，实现组织的商业目标。

产品经理核心能力 - 发现有代表性的用户洞察和商业洞察，完成用户需求和商业目标的匹配

典型产品方法

1.需求分析
2.系统和规格设计
3.产品开发
4.产品校验
5.产品维护

不只是解决问题，还要验证问题
不只是实现方案，还要探索方案

最小化可行产品

1.明确关键假设

• 价值假设
• 增长假设

2.设计MVP和指标

• 只保留最核心的功能（能不要的都不要）
• 只服务最小范围的用户（能不管的都不管）
• 只做最低范围的开发（能“装”的都不做）
  指标：
• 事前设计

3.验证，考虑是否继续

• 将实际反馈，和预先设定的指标相对比
• 回到核心假设上，价值假设，增长假设
• 再决定是继续还是调整
  关键假设 ->明确指标 ->验证迭代 ->关键假设

实践&弯路

1.不要问用户要什么

• 不要直接问用户要什么，而要去成为用户
  2.验证的问题越具体、越小、越好
• 假设、设计、验证、迭代
  3.面向结构设计，而非功能
• 先抽象业务，后具体产品

游戏化设计

1.Meaning，给予意义，使命感，每买一杯咖啡，就种一棵树
2.Accomplishmeng，成就感，榜单，进度，超过
3.Empowerment，帮助发挥，使获得能力，升级，加点
4.Ownership，拥有感，积分，勋章
5.SocialInfluence，社交影响，骑宠，VIP礼遇
6.Scarcity，稀缺性，副本开放时间，限时抢购
7.Unpredicatable，不可预知性，惊喜，宝物掉落几率，抽奖，彩蛋
8.Avoidance，避免，害怕，耐久度，血条

NPS

NPS（Net Promoter Score）帮助我们了解用户对产品的最终满意程度，它同时衡量了产品的“自成长性”

从1到10，愿意将本产品推荐给你的朋友的程度是多少？
推荐者（10、9）
中立者（8、7）
贬损者（6、5、4、3、2、1）
净推荐值（NPS）= （推荐者数-贬损者数）／总样本数 * 100%

如何使用个性化推荐技术优化产品体验

个性化推荐：

• 电商 - 淘宝为每位不同的用户呈现不同的首页商品

• 娱乐 - 网易云音乐根据用户的音乐口味推荐不同的歌曲

• 资讯 - 今日头条根据每个用户的兴趣推荐不同的新闻资讯

• 个性化推荐是系统用户与内容之间的栋梁，更快更准确建立偏好关系，提高用户留存率

• 个性化推荐系统好比筛网，从用户角度筛选出喜好的内容，从内容角度，筛选出匹配的用户群；

• 秒级响应用户点击反馈，保障推荐内容时效性、多样性，时刻给用户惊喜的结果；

如何实现个性化推荐

1.用户画像 - 用户属性及偏好
用户的性别、年龄、地域等基本信息属性，对商品、品牌、类别的偏好等；
2.行为分析 - 用户的行为数据分析
用户浏览、点击、购买等行为数据进行挖掘分析
3.商品推荐 - 千人千面的商品展示
根据商品属性、用户属性、用户行为等分析，为不同的用户推荐不同的商品

个性化推荐的效果衡量指标

1.提供优秀的推荐结果
通过数据分析理解，以毫秒为单位迅速建立和更新用户模型，完成精准有效个性化推荐
2.提高用户点击率
通过为用户提供其感兴趣的内容，提高用户点击的频率，从而提升用户的停留时长和长尾物品的曝光率，并促进用户的日活和月活。
3.提升实际效果转化
通过为用户提供较高吸引力内容，提供用户的注册和付费转化率，提升粘性，促进用户留存，减少流失。

企业如何应用个性化推荐技术

用户为什么需要个性化？

• 信息过载 - 信息太多，用户每天获取的信息有限
• 千篇一律 - 如果产品为每个用户呈现的内容都是一样的，必然会影响部分用户的体验

企业为什么需要个性化？

• 全面理解用户
• 提升企业经营指标（点击率、转化率、停留时长）
• 促进平台良性发展

个性化推荐常见问题

1.冷启动问题 - 新用户使用过程对用户画像数据缺少，无法准确推荐用户真正喜欢的内容

解决方案：

• 毫秒级新建用户画像
• 通过外围数据预先建立用户画像
• 为冷启动用户设立候选地推荐集合和特殊的画像

2.马太效应 - 头部内容占绝大部份曝光资源，尾部小众优质内容得不到曝光

3.回声室效应 - 用户所获取的信息都在支持用户现有的知识与观点，没有新鲜多样化内容推荐

解决方案

构建用户长短期两级兴趣模型

• 长期爱好 - 追踪用户长期偏好力求准确多样性
• 短期兴趣 - 满足用户兴趣变化需求保证时效性
• 时间因素 - 推荐的内容权重因子增强或衰退

自学系统-根据结构反馈 自动优化

• 根据用户行为数据自动学习与优化算法

推荐的惊喜感以及内容多样化

• 避免“回声效应” - 发掘出新颖的结果推荐给用户，并确保结果多样性
• 解决长尾问题 - 通过挖掘用户与内容之间隐藏的联系，推荐用户没见过但是最可能感兴趣的内容
• 平衡多样性与准确性之间的矛盾

实现个性化推荐

1.数据是基础

• 数据采集
• 数据存储
• 数据传输
• 数据运算
• 静态数据（用户属性）
• 动态数据（行为属性）
• 通过数据建立用户画像模型
• 通过算法对用户数据进行处理

做好智能推荐系统需具备四点

1.结构化数据
2.精准的用户画像
3.智能的推荐算法
4.自学习能力与问题反馈机制

产品经理最重要的三件事

产品市场决策

需求的洞察：

• 1.分析反馈的现象，归纳出问题
• 2.提炼问题的各种关键性信息，场景，角色，目的，动机，原因---需求
• 3.抽象出类似的需求，用共性特征评估市场规模
• 4.用最简单低成本的方法试验并分析，如MVP、PMF
• 5.作出是否要立项的判断
• 6.立项资源配置和组织配置

产品、用户、怎么用 ->问题对列 ->提出问题，归纳、分类，构建分析方法，解决方法队列 -> 场景下的用户心智、行为心理

市场研究：

• 1.规模
• 2.频度
• 3.保持体验优势的能力
• 4.单次使用商业价值

产品设计与运营

抽象 ->归纳 ->分析 ->解决

• 1.从现象到本质，概括出根本的需求和问题
• 2.从概括出来的问题分类，并归纳出其业务模型，找出共性预估市场规模
• 3.分析并提出解决问题的思路，并辅以论证合理的证据：数据、MVP验证结果
• 4.作出决策
• 5.匹配资源
• 6.分析节奏和关键点 - 匹配资源
• 7.进入项目执行 - 执行力

梨视频项目

拍客／派题 ->求证核实系统 ->中央编辑系统（梨视频专业剪辑团队对上传视频进行剪辑包装） ->审核发布系统 ->稿费支付奖励系统

产品经理必修的AI课

算法
模型
AI - 机器学习 - 深度学习

机器学习类型：

• 监督学习
• 非监督学习
• 强化学习
  监督学习和非监督学习区别：监督学习的数据有实际结果；
  强化学习是通过不断尝试、从错误中学习，最后找到规律，学会达到目的的方法，如AlphaGo；

机器学习工作流：

准备数据 ->训练数据集 ->模型构建／训练 ->模型评估 ->模型发布 ->推理结果

深度学习应用：

• 计算机视觉（图像分类、图像检测、图像分割、图像标注、视频预测）
• 自然语言处理（词性标注、句法分析、文本分类、自动问答、机器翻译）
• 语言识别（语音转文字）
• 推荐系统（电影推荐、音乐推荐、广告投放、新闻推送）

图片

产品用户生命周期.png

产品规划与设计.png