中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

我們都在說選擇比努力更重要，但當把這句話放到產品經理的需求選擇上時，會是如何？在資源和時間一定的前提下，當前的眾多需求應該先做哪個？如何從眾多需求中決策出相對最優的那一個呢？作者總結了幾點選擇的思路，希望對你有所幫助。

都說選擇比努力更重要。如果把這句話放到增長產品經理的工作當中該如何理解呢？

產品經理，尤其是增長策略產品經理，每天都會和數據打交道。平常的需求也大多來自數據洞察形成的假設，那在每天眾多需求中，在資源和時間一定的前提下，當前應該先做哪個？為什么當前這個時間應該先做這個？這就很考驗產品經理的決策能力，你當下的決策，其實就是在為產品選方向，產品的方向其實就是在產品經理日常這種不斷做決策過程中選擇出來的。如何從眾多需求中決策出相對最優的那一個呢？

一、從統計的角度看增長

我認為從統計的角度來看，做增長本質是做概率相對最大的事，更嚴謹一層應該是做數學期望相對最大的事。即找杠桿，找拐點。”找”的對象不僅是功能，也可以是服務，場景，流程，路徑，業務，項目等等。

理解這個，需要對個體和群體的關系，概率，條件概率，正太分布，大數定律等有一定的理解。一個增長產品經理日常工作流程大概是：從數據中發現洞察，基于洞察形成想法，將想法轉化成實驗假設，再將實驗假設設計成產品方案……

很多實驗假設都總會有部分用戶在某些情況下不符合假設，總可以舉出一些特例來，但從大數定律來看，群體是有確定性的。所以個體的不確定性，到對于個體所在的群體來講一定是確定的。所以不要輕易用個體來否定某個群體的實驗假設。

增長過程中一定有非常多的增長點，非常多的實驗假設可以去做，但在資源時間等都限定的前提下，選出優先做哪些就很重要，而優先做的應該是數學期望更大的實驗。

增長的本質是通過不斷試錯和優化，找到最能帶來收益的方向，而這個過程可以用數學期望來描述，即找到最大化收益的概率最大的方向。

以上描述還是相對主觀，從更客觀角度再解釋下：做增長就是做數學期望最大的事，實際上是一種數學概念。在數學中，期望是衡量離散隨機變量取值的平均值的方法。對于一個隨機變量 X ，其期望值 E(X) 代表其所有取值的可能性與相應取值的權重乘積之和?？床欢矝]什么了不起的，我曾經也不懂過，往下看看說不定就懂了。

在做增長方面，可以將用戶轉化、留存和付費等指標看作隨機變量，而這些指標的數學期望就代表了每個用戶進行相應行為的平均概率和價值。因此，做增長就是要優化這些指標的數學期望，以實現最大化產品增長。如果還是不太懂，那大概是我也沒太懂所以解釋的不夠徹底，要不先收藏起來，過幾天再看看試試。

再進一步解釋下吧（向前一小步，清晰一大步）：

• 理解數學期望的含義：期望是指一個隨機事件中每次可能結果的權值與概率的乘積之和，用于預測一個隨機事件的結果，也可以作為評估指標。在做增長時，也需要通過數據分析、用戶研究等手段，預估用戶的行為概率和價值，并據此制定相應的策略。
• 優化用戶轉化和留存率：用戶轉化和留存是產品增長的重要指標，通過不斷優化產品設計、用戶體驗和運營手段等，可以提高用戶轉化和留存的數學期望，進而促進產品持續增長。
• 提升用戶付費和ARPU：用戶付費和ARPU也是增長的重要指標，通過優化用戶畫像、個性化營銷、差異化服務等手段，可以提高用戶的購買意愿和支付金額，從而增加收入和利潤。
• 運用數據分析和建模：可以更深入的了解用戶需求、場景、行為和特征等，由此制定相對更精準的運營或產品策略，從而盡可能的達到最大化數學期望的效果。

以上，在做產品增長時，需要充分利用數學工具和方法，通過統計分析、數據挖掘、建模等手段，優化用戶轉化、留存和ARPU等指標的數學期望，以提高增長成功的概率和效果。

二、從用戶行為角度來做解釋

瞎舉個可能不那么嚴謹但便于消化的栗子：

增長中對于新用戶的aha時刻，引導更多用戶觸發aha時刻會帶來留存的提升，但引導更多用戶觸發其它“看起來”對新用戶留存也有好的功能能不能提升留存呢？“或許”能，即使能，但也沒有aha時刻的杠桿大。從個體角度描述是因為引導用戶觸發某功能，aha時刻使用戶留存下來的概率會更大些，從群體角度描述是因為引導同樣多的用戶觸發某功能，aha時刻會使更多的用戶留下來(留存率屬于概率)，更嚴謹的說法應該是aha的數學期望更大。(概率只是一個比率，而數學期望還包含了絕對值)。其它提留存提什么轉化率等等都是類似的邏輯。尤其是用戶分群，不同分群下設計不同策略本質就是在尋找最大數學期望的過程，可能實際工作中很難真的用公式來量化，但底層邏輯應該就是這樣。

補充說明下:aha時刻一般指新用戶，對應的老用戶一般叫高價值行為。

所以我認為增長其實就是隨著產品用戶規模的逐漸增大，用戶規模大，就會出現用戶需求的分化，也就需要進行用戶分群，然后再尋找不同人群對應的高價值行為，基于行為找路徑，基于路徑設激勵。這樣就把不同分群下的核心用戶路徑設計好了。

這里提到的高價值行為（或關鍵行為）和增長有什么關系？

增長的本質是產品對用戶具有長期價值。一個“長期”、一個“價值”；“價值”在產品上的載體或許就是某個關鍵行為，或者多個行為以某種方式的組合?！伴L期”可以用留存來理解，或者LTV中的LT，要讓還未進入到產品LTV中的用戶進入，然后再想辦法延長這個LT。

再進階一層的做法是，將不同分群的用戶價值計算出來即LTV，然后設計低價值群向高價值群轉化的價值成長路徑。

這里會隱含一個問題，為什么不同分群下的用戶核心行為可能不同？核心行為不都應該一樣嗎？比如電商產品的核心行為就是下單，只是路徑不同？可以這么理解，但深挖下就會發現問題：比如一個低消費人群和高消費人群，雖然最終行為都是下單，但下單的商品客單價不同，即商品品類差異很大，那就必然導致這兩類人群在平臺上的行為差異很大，平臺也一定會設計引導低消費人群往高消費人群上轉化的策略。所以就會存在同一個分群下有各自的用戶路徑，不同分群之間也會有引導低價值群向高價值群轉化的價值成長路徑。假設平臺上只有低價商品，那就只能滿足低消費人群，而當低消費人群隨著生活水平提高想買高價值商品時，平臺必然留不住他，即平臺剛開始對用戶有價值，但不能持續為用戶提供價值，所以說增長本質是產品對用戶要有長期價值，就是那個PMF)。

再比如內容社區產品。人群一般可以按只瀏覽，瀏覽并產生互動比如評論，瀏覽且主動發表話題，意見領袖等。那平臺一定引導瀏覽者進行評論，引導發表話題等等。所以這么看用戶路徑至少有兩種，一種是同一分群下的，一種是跨價值群的，積分成長體系的成長路徑應該也屬于跨價值群的路徑。（用戶路徑和增長的關系，后面會抽空寫一篇更詳細的，感興趣的伙伴可以加個關注）

回到前面“數學期望”那塊，試著解釋下上面的描述(可能不一定嚴謹，但湊合消化應該沒太大問題)。

假設某產品只有AB兩個功能，產品整體用戶總量100人，A功能對其中40人有用戶價值且使用A功能后留下來的概率是70％，對其中60人無顯著用戶價值，且使用A后留下來的概率為20％；B功能對其中60人有用戶價值且使用B后留下來的概率為60％，對其中40人無顯著價值且使用后留下來的概率為15%。那么A和B哪個功能的增長空間更大呢？可以分別計算AB的數學期望，A的為40%*70%+60*20%=0.40,B的為0.42，所以B的空間更大。(如果把上述產品看成一個飯店，AB分別是兩道菜，每個人進飯店吃飯都點其中一道菜，這樣可能更好消化些，畢竟是吃的)

換一種姿勢解釋下：增長最終是服務于產品的商業價值的。商業價值=用戶規模*單體用戶價值-總成本?？蓞⒖忌弦黄恼拢?a href="http://www.aharts.cn/operate/5778427.html">http://www.aharts.cn/operate/5778427.html

再回到前面多個實驗假設時優先做哪個的問題，那就看哪個實驗方案所影響的人群和指標提升空間的乘積更大，當然也要適當考慮下開發成本。

但實際工作中我們難以知道以上各數據的實際值是多少的，也就無法計算出哪個功能價值更大。但可以通過其它方式來尋找，比如通過分析是否使用某功能后的留存差值大小來尋找相關性最大的功能，然后通過實驗去驗證。(注意這里說的使用和上文的使用是有區別的，上文比如”使用A功能后”的使用的用戶指那40人，而這里說的使用的用戶同時包含40和60中的部分用戶)

實際工作應用中比這個要復雜很多，首先業務線一般不只一條，功能也會很多，用戶構成也比較復雜，有時還需要加上時間緯度和使用次數等等，但底層邏輯應該是相通的。

三、總結

所以很多時候大家做的增長更多的是單點增長，局部模塊的增長，而對于體系增長，全局增長則難度要大太多，需要有一定的業務模型抽象能力，數據指標拆解能力等。但也是能抽象出一個相對具象的框架出來的，大概是底層的基礎能力支撐，如數據指標，埋點，AB平臺等，中間層的資源保障即各相關業務方的協同配合，sop等，上層的增長鏈路，如渠道來源，新用戶承接，老用戶留存，活躍用戶ltv管理，風險用戶防流失，沉默用戶喚醒召回等。

所有這一切都是在做兩個字，一個”增”，一個”長”，增的是用戶規模，長的是用戶質量。

如果以上內容還是有些不太理解，那就先忘了它吧，再給你重新介紹一個：比如你要做一個項目，目標是提升某個售賣頁的cvr，如何計算出方案到底能把cvr提升多少，是百分之十，百分之十五？這可能通常會把一部人難住。為什么百分之十是一個合理的目標？這就體現了你定目標的邏輯，你是如何拆解目標，制定目標的。

c v r的轉化率，從這個售賣頁，然后到最終的支付購買的轉化漏斗，叫c v r。c v r提升百分之十的邏輯：有可能就是這樣的。比如在售賣落地頁增加了某一種影響用戶下單的決策要素，而增加了這類決策要素之后，受這類決策要素影響的用戶大概有百分之多少。而這一部分用戶我們看歷史的過往數據，它的成交的轉化率是多少。而從詳情頁到支付的購買頁，這一步的漏斗提升了，那自然整體的漏斗也會提升。所以這就是定的邏輯。里面提到了我們首先針對的是哪一部分用戶解決的問題，它的占比是怎么樣的。其次提到了這個c v r的漏斗的拆解邏輯。

再比如你想用簽到功能來提升留存，你能提升多少：這個簽到主要影響的是哪部分用戶，這部分用戶在大盤的占比是多少。其實這就是一個簽到率的拆解，因為并不是所有的用戶都會去簽到。簽到率拆解之后，那簽到的這部分用戶它的留存會有多少的提升。而這部分用戶它的提升之后，對于大盤的留存又怎么樣提升，這就是制定目標的邏輯。

再舉一個新用戶aha時刻（激活行為）激活率和新用戶留存的換算關系：假設數據反應產品的現狀是a行為和新用戶留存最相關，通過實驗驗證了a行為和新用戶留存具有因果性后，a行為被認為是aha時刻（激活行為），即完成了a的用戶被認為激活了。
假設產品的現狀是，有10個日新增用戶，其中3個用戶會完成a，7個用戶非a，3人a對應的留存是50%，7人非a對應留存是40%。
那么實驗組讓盡可能多的新用戶完成a，假設實驗組有8人完成了a。
對照組因為無干預，所以還是3人完成a。
如果實驗組整體新用戶留存＞對照組，則a和新用戶留存具有因果性，因為實驗唯一變量是更多用戶完成了a。

A組（對照組：無策略）：10人登陸產品，其中3人被激活，則激活率為30%。
10人中3人激活，7人未激活，激活的3人中2人留存下來，未激活的7人中1.75人留存下來，激活的留存率為66.7%（2/3=66.7%），未激活的留存率為25%（1.75/7=25%）。整體留存率為37.5%（(2+1.75)/10=37.5%）。

B組（實驗組：引導激活）：10人登陸產品，其中6人被激活，則激活率為60%。
10人中6人激活，4人未激活，激活的6人中4人留存下來，未激活的4人中1人留存下來，則激活的留存率為66.7%，未激活的留存率為25%。則整體留存率為50%。

所以，B組引導激活時提升了激活率，留存也提升了（前提是你要先驗證a是具有因果性的激活行為）。當然，這只是幫助項目前估算目標的計算方法罷了，實際情況不會嚴格按這個比例來提升。

完。