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。
（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：
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。
