自下而上数据驱动商业化设计
1 前言：如何使用数据-两种思考模式
自上而下：我们有了某些商业或是设计目标，如提升XXX的用户体验，然后根据这个目标去寻找合理的数据指标，如软件的响应度、出错率、成功完成任务率、NPS等，然后再进行分析与挖掘（横纵对比、漏斗分析），最后进行数据验证-是否达到了目标。自上而下需要我们有大量的可使用的数据、强大的数据后台，达到完美的目标-结果的数据验证路径。
自下而上：自下而上则是基于当前我们当前有的数据，得到一些洞察，挖掘出机会点，最后达到相对智能和灵活的数据驱动的商业智能化。
文章图片
2、我们的数据——来一场数据全链路之旅
今天我们就从数据的角度，帮助大家用数据驱动商业化的设计。在开始之前，首先想和大家来一场数据之旅。到底哪些是数据呢？数据只是指代那些数字吗？
【自下而上数据驱动商业化设计】其实我们每天都接触到很多很多的数据，是不是由于工作的角色或是敏感性，我们甚至都没有意识到这些是数据，且这些是有用的数据。
根据产品的整体生命周期，都会有产品内部数据、外部数据，后台沉淀的行为大数据，和更加立体生动的行为和态度的数据。
需求期：我们有行业分析/竞品分析的数据，用户画像：
设计期和开发期：针对原型/视觉稿进行测试，上线前的专家走查、可用性测试等；
运营期：经营数据、用户沉淀下来的行为数据、问卷收集用户的行为和态度。
文章图片
2.1 行业和竞品数据
需求前期，了解行业的走向（风口），部分决定了我们后续的用户定位、推广的打法等。
尤其我们身处于B端，跟C端的消费者领域很不一样。C端的电商、快消领域，每个人很天然地从日常经历知道乳制品的巨头是谁，毕竟蒙牛和伊利从超市货架上的类型最多（有常温奶、低温奶、巴士、益生菌、奶酪等）、子品类最多（安慕希、特仑苏等），广告也最多，甚至我旅游也能感知到乳制品的地域差异特征，光明在北京买不到，三元在杭州很少。
但B端就太不一样了，在大部分人缺乏财务背景、缺乏实战经验，我们是很难了解这个行业的情况、甚至竞品是谁。此时，有人给我介绍下我所在的领域，告诉本产品的市场位置，那是大有裨益的。
行业分析通常就是回答：这个领域的蛋糕怎么样（大吗？质量好吗？现在切了多少了）、我还要吃吗（我能吃多少、我是吃哪部分-奶油/还是果粒）、也吃蛋糕的人比我好还是比我查。
文章图片
行业分析好像很难的样子，确实很有用？但我怎么拿到呢
你可以去找券商报告、财报、第三方的咨询机构的报告，当然最方便的是万能的百度（其实也不是很难）。你可以迅速
以代账为例，如下操作，一定会发现一些有用的信息
-2019年的代账机构有多少家、规模多少、新增占比多少、同比增加多少？
-我们的市场占有率怎么样（当前服务的机构/总体）
-代账市场的痛点是怎么样的？
文章图片
2.2 用户画像
用户画像现在已经是产品的标配了，几乎所有的公司和产品在新官上任或是产品开始的时候都会说，用户画像，类似如下图。
但有一个趋势提醒大家注意，相对于传统的用户画像（以虚拟、鲜活、生动的人物形象去表征），我们发现，越来越多的产品又开始回归数据去定位用户：
如用户的年龄、性别、城市级别、平时的爱好、触媒渠道等可以直接落地于销售的点。
但即便如此，用户画像对于前期新人的用户定位，快速了解自己的产品，也是有极好的帮助的。
文章图片
2.3 设计和开发期
设计和开发期会有一些可用性测试/远程测试，包括但不限于某些短平快的用户测试、快速的选择反馈等。
2.4 运营期——数据沉淀最为丰富的阶段
运营期：是整个产品周期里面时间最长，且有最丰富数据的阶段。里面包括：
2.4.1 经营数据
经营数据：主要指KPI，如营收、活跃用户以及产品的重要战略和规划。
我们可以从哪儿哪里去获取呢？
用人格魅力去要一些数据；
各种月报、年度规划、立项报告等
上市企业的年报、季报等
拿到了这些数据，我们至少内部可以对自己的手头项目有一些了解，包括：当前项目的阶段的时期（初期的新项目、营收形式较好的成长期，还是正在市场拓展前期），后续的规划等，以便后期自己在对项目的重点把控上有更好的判断。
2.4.2 后台行为数据
后台行为数据：是即时、获取效率最高、最简单的数据方式。
典型的后台数据，如电商方面的漏斗数据等。
文章图片
诸如电商平台等已经实现了相对的商业智能化。如网易严选的数据后台除了全链路的数据后台，包括：
用户数据-流量、渠道来源、新客浏览页面、ROI；商品数据-各个品类下的商品浏览情况、品类客单价、转化率；经营数据：GMV、毛利水平、新客GMV等；库存数据和供应商数据：如供应商级别、库存预警等。
严选也已经开始数据工具化：一旦某款低价商品，购买率过多，影响到了毛利率，就会触发熔断机制，页面立即显示【售罄】。
插播测一测，以上的内容博客网站暴露出了哪些问题？
文章图片
答案揭晓：
1、总体数据来看，用户使用深度很浅，平均每人浏览量仅仅是1.3（4021/3552），来了只看一个页面就离开；
2、浏览量最高的页面【SEO公司的秘密武器】超过了主页，这也提示该页面是一个引流内容，但其跳出/退出率很高，建议其在页面下方加入相似文章等发挥引流作用；
3、页面3和6等，需要优化，包括3和6等
4、页面8和9表现良好，停留时间和跳出率均不错，他们的主题均为backline相关，这也提示我们后续可以对内容主题进行上下文的联系，引起读者兴趣。
2.4.3 用户的行为和态度
通常是一些问卷和用户定性访谈等。我们希望数据不仅仅是大数据（big data）还是厚数据（thick data）。我们去感受用户面临的场景，了解其背后的动机等。
如果你的结论发现：用户年龄较大，40岁+用户，你会有哪些洞察呢？
抛砖引玉的结论
文章图片
3、最后
希望这篇文章可以提高大家的数据意识，良好的数据意识是后续数据洞察以及数据转化能力（如商业智能、用户洞察）等的基础，请不要因为“没有数据”而却步，试试拓展对数据的边界和了解，探索工作中的数据。
推荐阅读
- Docker应用:容器间通信与Mariadb数据库主从复制
- 使用协程爬取网页，计算网页数据大小
- 两感一练
- Java|Java基础——数组
- Python数据分析(一)（Matplotlib使用）
- Jsr303做前端数据校验
- Spark|Spark 数据倾斜及其解决方案
- 数据库设计与优化
- 爬虫数据处理HTML转义字符
- 数据库总结语句