爱看文学网

手机浏览器扫描二维码访问

第十章 以四个步骤驱动产品迭代（第1页）

一秒记住【xiaoyanwenxue.com】精彩无弹窗免费！“人人都可以是产品经理（套装共13册）（.shg.tw）”！

第十章

以四个步骤驱动产品迭代

迭代思维的运转逻辑大概分为以下四个步骤，循环往复。

第一，判断最重要的体验差。在体验差最大化的核心指导思想下，我们可以找到最重要的体验差是什么以及该做什么。如果是一个从0到1的产品，那需要判断产品核心价值和用户核心体验（可用性），比如一些生活服务类产品，就是服务本身能够完成闭环，外卖平台可以订到外卖，出行平台可以打到车。如果是一个非常成熟的产品，那要判断接下来要关注的最重要的用户体验优化方向，比如相对成熟的美团外卖或滴滴出行，就会更关注减少异常场景的发生，尽量减少送餐超时和接驾太远等情况。

第二，新体验的最小成本尝试。用最低成本去试验我们的方法是不是真的可以解决问题，比如让用户可以订到外卖，未必需要功能完善的App，哪怕大部分环节都需要人工才可以先让业务运转起来。比如要优化一个派单算法，提升送餐准时送达率，也可以先小范围做一轮试验，看看结果如何。

第三，观察结果，识别正误。近几年大火的数据分析师岗位的职责就是帮助我们清晰地认知所有行为与结果之间的关联（他们可不是只负责统计订单量、用户数量），有科学的分析和对用户的正确感知，我们就能知道所做的最小成本尝试是否奏效，以及不奏效的原因究竟是什么。

第四，坚持对的，放弃错的。了解到结果之后，接下来就是快速迭代，把正确的坚持下去，把有问题的那些错误判断、错误方案都摒弃掉。

这四个步骤循环往复，构成了迭代思维的核心逻辑。第一个步骤的主要决策逻辑已经在前文关于用户价值和产品价值的讨论中讲述过了，接下来我们就后面三个步骤展开讨论。

新体验要做最小成本尝试

最小成本尝试是为了验证新体验的方案和我们的判断是否奏效，需要满足以下三个要点：

●不能过于简陋和变形，导致无法验证判断的正误；

●在这个基础上，成本最小化完成尝试的方案；

●尝试前要确定预期和判断标准。

第一点极为重要，有不少人听说了MVP（最简可行产品）的概念，就为了MVP而MVP，做出的产品其实离原本想实现的用户价值差别很大，最终结果不好，但这也很难证明是对用户价值的判断有问题。假如我们做外卖平台，对核心用户价值的判断是餐品的多样化，那订餐流程哪怕在线下也没有关系，确保订餐时用户能订到各种各样的餐品就好了；但假如我们对核心用户价值的判断是线上支付的便捷，那订餐流程先在线下搭建就没有任何意义了。

对于诸多体验感知复杂、需要很多细节补充的产品，对用户来说是一个整体体验，的确不太好用MVP的模式来探索。比如游戏这种娱乐化产品，就不太好在画面、音效、游戏性等方面有偷工减料的同时还能验证用户需求，最多会在删减主线的情况下给出内测版本，也绝不会只给太简陋的版本。

的确存在无法将功能删减为最低成本形式的产品，但这并不多见。我所见到的大部分对MVP判断失误的情况，实际上都是“做多了”而非“做少了”。尤其是过去几年参与创业潮的传统行业的老板，由于对互联网用户的价值和体验判断并不准确，也不熟悉迭代思维，于是刚开始就做了大而全的App，最后钱花了不少，却看不到问题：因为不是MVP，相当于同时在验证无数问题，结果就是每个问题都验证不出（我们也要警惕那种大而全的产品项目和运营项目，以头脑风暴和闭关的形式输出一份复杂的执行手册）。

知名的二手书产品多抓鱼的创始人猫助是这么描述她的产品的第一个版本的：“我们找了一些可能有意愿卖二手书的朋友，然后说‘如果你想卖书就@群主，群主会给你约快递，最后群主会单独把钱打给你’。群主收到书之后会把书名写在Excel里，然后再发到群里说‘我们今天上新了，快来挑挑你喜欢的书’。这就是最早的多抓鱼。”这是我见过的最典型的MVP之一。

有了MVP的判断后，我们就要进行下一步的试验了。对于创业公司和从0到1的产品，无须多说，投放到目标市场就可以了，以某些营销策略让用户先能够使用产品。更常见一些的是大公司的试验方法，通常有：

●灰度（或称小流量）试验；

●AB试验。

灰度试验是选定一部分特殊目标用户，或者随机选定一部分用户，先行试验。这其实也是从可控性方面成本最低的方法，目标通常是查看有效性和有哪些异常问题需要解决。在比较大的公司和平台，会有健全的灰度试验工具和方法论，用以检验每一个上线的功能和策略的有效性，也会监控它们是否引起严重的问题。在较小的公司，则需要技术人员手工实现了。

AB试验其实是灰度试验的进阶，即同时投放到市场中两套拿不准的方案，看哪个方案效果更好、问题更少。真正将AB试验的效果发挥到极致的是脸书，而国内的效仿者字节跳动在这方面的功底也非常深厚。它快速试验的方法论和技术能力已经是顶尖的，有专门的Growth（增长）团队在提供方法论和技术能力方面的平台支撑，赋能给每一个项目团队，以此形成了流水线工厂一般的制造能力。甚至有传说，连它旗下产品“西瓜视频”的名字都是从几十个名字里试验得到的最佳用户选择。

确定试验方法的同时，一定要有明确的预期和判断标准，否则所谓的“迭代思维”就会流于形式。有不少自认为了解迭代思维的互联网公司，会反复做最小成本版本和AB试验，却从来不复盘，也不关心过去判断的正误，那跟没有做迭代并没什么区别，是属于“自上而下式的设计”，不是基于用户的“自下而上式的设计”。

一些抽象的用户价值的试验，可以以用户对产品模式或产品功能的反馈为标准，更需要调研结论来做支撑。如果要验证业务效果，比如用户增长、留存等，则需要有统计学意义的显著有效的特征，才能证明收益。

用数据观察结果，做分析识别正误

我们在迭代过程中，需要观察的结果大致有两种：用户反馈和行为数据。在判断结果时的原则是，如果有明确的行为数据，首要考虑的还是行为数据，毕竟数据是相对客观的呈现，且能够量化。

不过数据也并非是万能的，采集数据、分析数据的过程是由人来完成的，这就会存在前文提到的认知偏误，哪怕同样的数据，不同人的认知也会有一些差别，因此在下一节中我会讲到一些数据方面的认知偏误。另外，的确有不少的观察结果是很难用数据得到的，数据通常只能告诉我们“用户的行为是这样的”，不能让我们知道“用户的行为为什么是这样的”。比如，我们预想效果会不错的功能上线了，结果发现用户数据很差，没有用户愿意使用，这是数据层面可以告诉我们的，但究竟是功能提示不明显，用户搞不清楚这个功能是做什么的，还是用户其实清楚这个功能是什么，只是并不认为有用，这就需要通过用户反馈来完成了，它们会导向不同的改进方法（是增强说明提示，还是优化产品价值）。

因此常规的做法，在条件允许的情况下，都是数据先行，先观测用户的基础行为数据，看我们做的最小成本尝试在用户群体中的影响如何：用户是不是在用，在如何使用，然后做一些推论假设。这要求我们提前做好计划，尤其是在重要的使用环节，分析有多少用户经过了这个节点，每个用户的路径如何，至关重要。

当我们有了一些基于数据的推论假设后，就可以根据它们做进一步分析拆解，看背后的原因究竟是什么。用户调研，无论是用户问卷形式的调研，还是街头访谈，或者是电话回访和焦点小组，主要看是定量还是定性，线上的批量调研形式更适合定量，而线下的集中式访谈更适合定性。

经过对结果的观察，我们就能大概识别出正误。要再强调的是，所谓的正误或者与预期有异，是基于我们在实验之前的假设或者预期，没有什么绝对的标准，比如哪个功能做到提升20%的用户活跃度就是对的，提升10%就是错的，预期是从产品决策的视角人为设定的，没有价值观上的对错之分。我们需要做的，是当预期提升20%时，结果只提升了5%，确认到底哪里出了问题，是否有优化空间，还是这条路压根儿就走不通。或者提升到了30%，我们要确认之前的判断是否正确，还有哪些没有想到的（甚至很有可能是碰巧触动了意想不到的用户价值，也未可知）。

判断了正误，接下来我们就可以有所行动。在讨论如何行动之前，我们先讨论一下数据思维。

分析正误的基础：数据思维

就像前文提到的，数据分析师经常被误解为“拉报表的”或者“跑数的”，做苦力让我们拿到数据统计结果而已，这种误解就类似外界以为产品经理的核心技能是画原型和写文档一样——它们都只是工具，如同作家的笔和纸，是呈现作家价值的方式，而不是价值本身。

不装了，我是黑煞战神  御史大人你马甲掉了  谈婚论价  长生歌  绝色锋芒：牛X王妃  神级保安  薄情前夫太凶猛  天才圣手  重生之凰临天下  矿物与岩石图鉴  总裁老公，适渴而止  毒宠小狂后  野花图鉴  驭兽魔后  造物主之我培植了怪兽文明  上古强身术  佣兵天下(二十年纪念版)  女总裁的超级保镖  冤家路窄  冰山总裁的至尊高手