【友盟+】CDO 李丹枫:数据是互联网下半场产品人突围之道

摘要

在人口红利消失之后,产品经理们该如何留住用户?

在互联网下半场的集体焦虑中,如何应对「产品趋同」与「机会变少」的挑战?在人工智能、大数据风口浪尖上,产品人应注意哪几点?【友盟+】CDO 李丹枫在极客公园创新大会(GIF 2017)演讲中表示:产品人要用数据来深耕产品。

中国互联网人口红利正逐渐消失,从 2007 年到 2016 年,中国的互联网用户增长率逐年下降,2016 年增长率不到 10%。对于创业者来说,任何一个新兴的领域都是无比残酷的,这意味着产品必须能够留住用户,从而深挖用户价值。

友盟.png

                           (数据来自 internetlivestats.com)

近年来,企业对数据的认知也在不断提高,从最初的数据收集到统计报表再到预测服务,数据在企业的运营和管理中起到越来越重要的作用。拿预测服务来讲,将预测服务与统计报表对比,最大的不同即:统计报表总结历史,预测数据服务预测未来。统计报表通过历史数据进行概括总结从而指导运营工作。预测服务则是用历史数据加上机器学习,让机器判断未来发生什么。例如:程序化购买、千人千面等。还有一点不同是:统计报表统是针对面的,而预测服务精确到个体,为个体提供他最需要的服务,因此,在互联网下半场,用数据去深耕产品就显得尤为重要了,当每一个个体感受到产品带来的定制又贴心的服务,那么用户粘性自然会提升,忠诚客户也会随之增加。

产品人如何突围?李丹枫给出如下建议: 

第一,明确目标。在大数据和人工智能的场景下,很多时候我们和客户都不知道要什么。这时需要和客户一起去想,如果我有这个能力和数据,可以提供什么样的服务?这与用户需求调研完全不同。但对数据创新和大数据、人工智能的发展是起到非常大的作用,这就需要数据科学家、产品人都充分发挥自己的想象力,真正解决客户的问题。

第二,考虑数据,即有什么数据或者说能获得什么数据。数据源不错,我们可以用这个数据源来做一个产品,但是如果这个数据源不被控制,这个产品做完了以后,把数据源抽走,这个产品就没法往下走了。所以我们一定要考虑有什么样的数据,用我们自有的数据,这些自有的数据有什么独特性,通过这个独特性推出一个新的产品,或者说有一些什么样特殊的能力,这些特殊的能力能够把我们和其他人区分开来,通过这个能力跟数据方合作推出新的产品,所以对数据的考虑非常重要。

第三,预测评估。做出一个数据产品,尤其是预测型的数据产品,怎么去评估?对于一个产品的评估,它有很多方面,对一个数据模型,什么样的模型是好,什么样的模型是坏,它也有很多方面。如下图:

友盟1.png

模型 A、B,可以看到 A 的曲线是在 B 上面的,这说明从这个测试级来说,这个 A 的表现比 B 好。

另外两张图是说 A 和 B 的两个模型参数权重的分布。所谓权重的分布,比如说对于 A 模型,参数 a 非常重要,这个参数 a 可能会对 A 模型的表现贡献额有 30%。B 看起来权重分布基本上比较均匀,如果做一个给第三方客户使用的数据模型,建议选 B。虽然 A 表现好,但是它特别依赖于 a 的参数,如果跟 a 参数相关的信息有变化,A 的模型会变化很大,这样会失去控制,所以对客户是没法交代的,如果这个模型是在严格监控的生产环境中,选 A 也未尝不可,因为如果有问题出现,可以及时处理。尽管 A 和 B 看起来表现区别不大,但是如果有上亿的客户,这一点区别产生的结果却有很大的不同。

所以评估模型,一个是这个模型的表现,另外是这个模型的稳定性。作为产品人,这一点是非常重要的。

第四,测试需求。大多时候,产品是我们想和创造出来的,我们觉得可以用这个产品给客户解决一个问题。那么客户是不是需要?在这里我并没有把需求放在第一位,是因为对于数据产品,前期的需求往往不明确,很多都是要用 POC 来测试市场的需求。POC 的产品可能比较简单,但是包括核心的因素,再用这个产品去找一些客户去测试。在测试过程中,客户发现的确能给解决问题,这就有可能成为一个成功的产品。但是如果客户发现这个产品有可能太超前了,或者并没有触到客户的痛点,现在并不需要。对于产品来说这可能是一个失败的尝试,但是却是一个成功的创新尝试,因为如果有 10 个想法,有 1、2 个想法能变成真正的产品,这已经是非常高的成功率的。因为要做一个好的数据产品,真正解决用户的痛点的数据产品并不是那么容易的。

接下来李丹枫用具体案例进一步阐述:

案例一,行为风控

行为数据在互联网金融风控中是不是会有用?我们的目标就是要做一个基于用户移动互联网行为的风控辅助平台。而这其中有两个关键词,一个是移动互联网行为,另外一个是辅助。

为什么说移动互联网行为?因为我们不是银行,我们不是借贷机构,我们也不是信用卡公司,并不知道这个用户这些方面的数据,但是我们可以从他们那拿来数据做模型,但是如果他们把数据拿走,这个模型就没有用了。

为什么说要辅助呢?毕竟行为数据跟风控和信用不是一个强相关的,是一个弱相关的。所以希望这个产品是一个辅助的作用,而不是完全用这个产品做最后的决策。

评估:KS 值,模型对于好与坏的最大区分度,KS 值越大越好,业界这个 KS 值一般来说到 0.4 左右就可以用了。用我们这个模型,我们已经可以达到 0.3 几了,这还是很出乎我们的预料的。

从这个产品的想法的产生到数据根据评估到需求,走了一个完整的链路,这算是一个比较成功的数据产品。

案例二,预测游戏付费用户

游戏里付费用户比例非常少,大概是小于 5%,很多都是 1%、2%,基于【友盟+】平台的数据,可以知道用户的跨 APP 行为,也可以知道用户在其它游戏里的行为,还可以知道用户在如新闻娱乐等其它 APP 里的行为,这些行为可以帮助游戏开发者和运营人员更好地判断用户价值。

这个产品的评估是在影响到一定用户的比例下,检测到这些潜在付费用户的能力,比如说影响到你 50% 的用户下,如果能检测到你 90% 的付费用户。这样做营销方案可以针对这 50% 的人去做,剩下 50% 的钱可以省下来,这个理论上来说,是很有用的产品。但我们在和客户在做 POC 测试时,发现这个产品对于中国的中小游戏开发者来说,还是有些超前的。所以这个就属于现在还无法产品化的尝试。

李丹枫最后强调,作为一个数据科学家,给产品人在数据产品方面的建议是:有明确的目标,明白为什么是由你来做,知道这样评估产品,最后要验证市场的需求。

最新文章

极客公园

用极客视角,追踪你最不可错过的科技圈。

极客之选

新鲜、有趣的硬件产品,第一时间为你呈现。

顶楼

关注前沿科技,发表最具科技的商业洞见。