起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識以數據為引導，構建業務模型
編輯導讀：對于一款互聯網產品，它的根基就是其業務模型。如何構建業務模型、如何向著正確的方向構建業務模型是產品經理在產品迭代過程中最具挑戰性的工作。本文作者從自身工作實踐出發，結合相關理論分享了構建業務模型的相關知識，供大家一同參考和學習。
很多時候，產品經理在構建業務模型都依賴于經驗和競品。這樣的業務模型，幾乎都是建立在各類假設的前提下。在這樣的背景下研發出的產品，是很難滿足復雜多變用戶需求，面對競爭激勵的商業市場的。
當然，業務模型本身就是高度抽象的，要通過范式的方法來論證和建立，本身也不現實。但是，仍然可以通過一些方法，來設計盡可能優秀的業務模型，提升產品的投入產出比。本文要討論的主題，就是以數據為引導，來構建業務模型的這種方法。
01 業務
首先，什么是業務？在產品上，為了滿足需求而誕生的產品邏輯和具體流程。如果是B端產品，業務也能是指客戶自身的工作或生產邏輯和具體流程。這里我們主要討論的是產品業務。而業務需求，指的是開展業務和構建業務模型過程中，產生的需求。業務需求通常并非來至于用戶。通常將能形成完整閉環的一個流程，稱為業務。當然，不完整的流程也是業務。
某些關聯的業務按照一定規則和結構，形成一個整套的系統。然后各個系統，再有機的形成一個整體的系統。這個整體的系統就是我們所說的業務模型。業務模型是對抽象的業務的概括性描述。在產品的體系中，業務模型比較容易與產品架構混淆。兩者都是對產品的整體結構性描述。但是，業務模型是對產品業務抽象出的系統。而產品架構是對實際系統的整體性結構設計。
建立一個良好的業務模型，最終會形成一個源源不斷產生商業價值的良性生態系統。一個沒有良好的業務模型的產品，通常 ROI 都比較低。
對于產品，業務也是需要架構設計的。只有將業務模型搭建完善，才能實現業務的可控。不可控的業務，最終都是壓死產品的最后一根稻草。產品迭代的過程，就是尋找最優業務建模的過程。
商業模式和業務模型，也存在直接的關聯。商業模型會影響，業務的建模。業務模型的變遷，也會引發商業模式的變化。兩者間的關聯關系，類似先有雞還是先有蛋。無論如何，最終都是業務模型為商業模式服務，商業模式為公司收入服務。
在產品的業務模型正式運轉起來時，會產生大量的數據。這些數據可以幫助優化業務模型，尋找業務模型的方向。同時，數據也是建立業務模型的目標和依據。所以，建立業務模型都需要先從數據入手。
02 數據
數據是，產品的業務和用戶的行為的表現和記錄。在使用數據時，可以將數據分為三類。結果數據、行為數據和過程數據。
結果數據是產品表現的數據結果。是以產品整體或者某個維度整體的數據。比如，ROI、日活等。結果數據也可以是目標數據。產品規劃時制定的。也是對于產品的預期。
過程數據是指滿足用戶需求的過程中產生的路徑數據。是以業務為維度的數據。比如，業務環節中流失率、完成業務循環的路徑步驟數等。這部分數據，都是與業務強依賴的。
行為數據是用戶使用產品的過程中，產生的操作數據。是以用戶為維度的數據。比如，用戶瀏覽路徑、頁面熱力圖、用戶畫像等。
除了本文的主題外，數據還有很多用處，可以創造很多價值。數據可以幫助產品經理，找到產品產生的問題。通過數據能夠將主觀的判斷，定量為客觀的結論。比如，某個功能對用戶是否友好。數據自身也可以創造商業價值。比如，建立用戶畫像進行 AI 推薦。這也是很多領域產品提升商業收入的重要業務模式。今天，產品經理的方法論，大部分都是建立在數據分析的基礎上。
03 數據與業務
在產品經理的常規的認知中，通常是先有業務再有數據的。但是，在本文討論的數據要更寬泛。針對產品未來預期，制定的目標數據也是本問所探討的數據。所以，在本文的方法中，是先有數據再有業務。
在設計業務時，一定是先要有指標數據，再設計業務。這樣，才能為設計業務建立一個預期，作為某些設計決策的指導。即使是 MVP，也不能例外。
在產品開始運行后，業務就會源源不斷的產生各種類型的數據。對這些數據加以利用，可以優化業務，探索產品的方向。伴隨業務的開展和迭代，也會反過來影響目標數據的制定，擴充新的數據維度。
所以，數據與業務是彼此關聯，你中有我我中有你的關系。一個產品要產生更多的可能性，必然是數據和業務彼此有機結合，彼此相互促進的。
1. 數據預期
要以數據為引導，構建業務模型，第一步是要設置數據預期。數據預期，類似上文闡述的數據目標。指的是大家預期，我們的業務未來的表現。因此，數據預期是用來衡量業務的產出結果。
數據預期的數據，一般是能代表業務或產品整體性表現的數據維度。比如，用戶量、GMV、營收等。同時，也要與行業和業務深度結合，具有典型特征的數據維度。比如，電商產品的交易額。
創始的數據預期，是根據我們對自身資源實力的評估，對行業發展調研和競品調研后，假設的結論。初始的數據預期是最難設置的，因為我們手中一片空白，只有外部參照。業務上線后，初始的數據預期，需要伴隨業務發展的數據不斷的修改和升級。
在設置數據預期時，需要將數據拆解到產品的生命周期階段中去。產品的每個生命周期，一定是對應著不同的數據預期。同一個數據，在不同的產品生命周期階段，預期值是不一定相同的。整體的數據預期，是長遠目標，代表產品的最終成就。而階段數據預期，則是產品經理為之努力的短期目標。只有一步步完成短期目標，才能取得一個較大的成就。這也就是互聯網典型的「小步快跑」思維。
設置數據預期，一定要合理，一定要是未來可期的。雖然，也需要宏大的預期來給我們自身打雞血。但是，切不可夜郎自大，忽視自身的實力和脫離行業規律。
2. 拆解數據
設置好數據預期后，產品經理需要將數據預期拆解為可落地的數據。拆解出的可落地的數據，要對應業務的關鍵節點。這些關鍵節點的數據，就是數據的分類中的過程數據和行為數據。一般情況下是先拆解過程數據，在通過過程數據去分析出對應的行為數據。這個過程可以這樣理解，要達到某個結果，首先要確定達到結果的過程，然后確定過程中用戶的表現。這是一層一層細化分析的過程。
找到關鍵節點數據，需要根據業務著手。首先，根據已有業務和業務數據，找到會影響預期數據的數據維度。然后，對于這些數據維度進行細分。最后，在結合預期數據的具體值來設置拆解后的數據的值。這些拆解出來的數據，就是產品經理日常需要跟蹤的數據。
如果，已經有了可以參考的數據，那么在拆解數據和設置值時，就會好做很多。因為，可以用已有的數據作為參考。如果，沒有數據作為參考，可以去收集競品和行業數據，摸索行業的規律。來作為拆分數據維度和設置值的參考。
在拆解數據預期的時候，也需要進行一些前瞻性的思考。因為有的數據維度，并不是值對產品有價值，反而是值的變化過程對于產品具有很大的價值。還有一些非預期目標關聯的數據，也是需要考慮的。這些數據可能是幫助判斷業務問題，并優化業務的。最后的結果也是保障產品如愿達成預期。
3. 驗證數據
當敲定了需要的數據后，就到了實際運用數據的環節。也就是業務運作起來的時候。數據運用主要在業務的兩個階段，一個是業務初步進行的過程，另一個業務進入穩態的過程中。
應用數據的第一步，是驗證數據。驗證數據也分為兩類，一是數據追蹤，二是數據的復盤。在業務的運行的過程，要隨時盯牢數據，隨時關注數據的表現情況。同時，還需要做階段性的整體數據復盤。
驗證數據就是與數據預期進行對比。是否達到預期？與預期的差值是多少？在這之上，還要通過數據找到變化的原因，甚至于數據的優化策略。在驗證數據的過程中，還要關注數據的變化過程。如果數據的最終結果達到了結果，但是數據變化過程不符合設置的階段數據。那也需要重視，尋找根本原因。特別是，數據表現不穩定，走勢出現了劇烈波動。
當數據出現異?；蛘吲c預期存在差值時，要第一時間分析數據，查找原因，尋找應對策略。如果是結果數據出現異常，要從過程數據著手。如果是過程數據出現異常，要從行為數據著手。簡單的方案就是，一定是要從關聯的數據入手，或者同步表現異常的數據入手。
在驗證數據的過程中，可以靈活的運用數據。比如，當收到某個新需求時。就需要考慮，是否可以用當前的數據作為分析依據。當某個業務表現異常時，是否能通過數據來推導原因。
04 迭代業務模型
應用數據的最終目的，都是為產品服務，通過數據去迭代業務模型。數據迭代業務模型，核心是對業務進行重構，分為兩個方面。首先，可以通過數據改進現有的業務模型。其次，可以通過數據去尋找業務的迭代方向。業務的迭代方向，其實就是產品的方向。在數據的基礎上，甚至可以驗證產品的商業模式。例如依據數據，預測出的 ROI 不能達到預期時。要不就面臨業務關停。要不就需要通過優化業務，尋找新的業務方向，建立新的商業模式。
在應用的數據的過程中，很重要的一環是數據分析。嚴格的數據分析，需要很多算法的支撐。對于產品經理，很多場景下僅需要能理性分析數據與業務表現，通過數據預測業務走向和規模。
如果分析數據，一定少不了數據清洗。當分析數據時，對于數據的正確性，要保持警惕。數據從提出到研發和采集的過程中，可能有各種各樣的原因導致產生錯誤的數據。當設置數據預期時，總會假定某數據能代表某業務。但是，預設總會有可能和實際情況相出入。特別是以競品為參考時。因為，競品對于產品經理來說就是黑盒，一切都是基于猜測。數據清洗的本質是，保證數據的準確性。
雖然，數據在設置預期和分解數據的過程中，就會考慮數據的場景。在數據分析時，仍然需要緊密結合數據的場景。相同的數據維度，在不同的業務場景，不同行業背景下，具有不同的代表意義。
優化業務模型，主要是找到能夠提升預期數據的行為數據和過程數據。然后通過調整和優化業務，來改變行為數據和過程數據，最后達到提升預期數據的目的。
比如，以 A/B 測試舉一個例子。當發現C數據與預期存在差異時，則需要提升C數據的值。然后，經過數據分析，發現過程數據D的提升可能會提升C數據，行為數據E的異常可能是C差的原因。所以，這時候就針對D數據做了業務優化方案A，針對E數據做了業務優化方案B。這時候，將A/B方案都定向給部分用戶。然后觀察D、E數據變化，所引起的預期數據C的變化。最終，再來敲定具體的業務優化方案。
A/B 測試是一種通過對比驗證數據的方法。在這些方法之外，在驗證數據的過程中，即使僅分析數據的表現，也能找到一些業務的優化方法。
尋找業務方向，主要從數據的表現的規律和預測出發。最簡單的，比如產品中有A、B、C三個功能模塊。對比三個功能模塊的預期數據表現或者對預期數據貢獻，就可以選擇某個功能模塊作為產品的主推方向。在此基礎上，也可以使用灰度測試等產品方法，來主動探索業務方向。
最后
數據是具有時效性的。在業務運行中，追蹤數據是最能掌握業務當前現狀的。數據要及時復盤。數據等待分析的周期越長，數據的表現場景就會越模糊。
任何基于數據的工作，都不能讓數據成為空中樓閣。設計的預期數據，一定要符合實際。否則，在驗證數據的過程中，永遠無法得到正確的結論。
數據分析中，最重要的就是對比。只有擁有了對比參照，才能知道數據表現的合理性。產品經理主觀認為合理的數據，不一定符合客觀的規律。最好的是以競品或行業數據為對照。產品自身也可以作為參考。比如，周期性的對比。
數據不會說謊。數據比人的「想」更加真實。但是，人對數據客觀理解是很容易不準確的。產品經理在判斷數據表現時，既要相信自己的判斷，又要保持批判性思維。所以，這本質也是對產品經理決策能力的考驗。
#專欄作家#
產品小思考，微信公眾號：產品小思考，人人都是產品經理專欄作家。擅長行業業務分析，設計行業方案，設計B端產品架構。主要關注醫美、醫療行業，涉及HIS、CRM和各類業務系統產品。
本文由@產品小思考原創發布于人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基于CC0協議
