2.2.1　数据驱动

Eric Schmidt与Jonathan Rosenberg在合著的How Google Works一书中提到了Google“依数据做决策”的做法：

互联网时代的一项重要变革是，我们具备了能够用定量的方式来分析商业流程中几乎每个层面的能力……如果你没有数据，你就无法做决策……这就是大多数Google的会议室都有两个投影仪的原因—一个用于记录办公室的视频会议或投影会议，另一个则用于展示数据。

所谓“数据驱动”，就是产品经理在产品管理的全流程中，始终坚持以数据为决策依据的方法论。产品经理从收集数据开始，依据数据中体现出来的统计规律进行产品设计以及做出相应的产品决策，然后快速收集用户反馈数据，并根据反馈数据修改产品设计。上述过程反复迭代，可以达到不断完善产品的目的，如图2.2.1所示。

图2.2.1

为什么产品经理要以数据为驱动呢？

首先，数据具有可度量的属性。可度量意味着：可评估、可管理、可改进和可持续。其次，数据具有客观性。在产品设计和研发的过程中，产品经理往往会面临大量难以取舍和难以决断的情形，此时，数据是帮助他们做出决策的最佳依据。再次，数据只有较少的偏见。数据本身当然有偏见，但当缺少数据时，我们会因为缺乏客观评估标准而引入更多偏见；相比于数据驱动，以经验驱动或信心驱动的产品研发有可能在短期内或在个别项目中取得巨大成功，但其累积的偏见会越来越多。最后，数据易于可视化。此外，基于长期积累的数据，产品经理更易于对其进行智能分析。

从根本上说，数据驱动的思路就是用可度量的方式指导产品定义、产品设计和产品开发。大数据工程师和AI算法工程师应该非常熟悉数据驱动的基本思想：在机器学习领域，为了验证一个新算法的性能如何，我们就需要有数据集，并用一定的方法和指标来度量该算法在数据集上表现出的性能，以及还需要有作为参照的基线。机器学习领域里有关数据驱动的核心思想完全可以用于指导产品管理——这基本就是数据驱动的产品思维。

从实际执行的角度讲，数据驱动就是指在产品管理的每一个环节，用可度量的数据指标来指导产品决策，比如：

（1）用户需求是否存在？我们需要精准的用户调研数据。

（2）市场空间是否足够大？我们需要客观的市场调研数据。

（3）产品是否应该包含某个功能特性？可以针对这个功能特性做小规模实验，并收集实验数据。

（4）产品是否有可能在竞争中胜出？分析竞品数据同样很重要。

（5）营销和推广渠道如何搭建？这就需要我们做对比测试并获得客观的渠道转化率数据。

（6）产品的用户界面是否美观易用？这也可以通过对比实验结果的数据来判定。

数据驱动的核心是：相信数据具有可评估、可管理、可改进和可持续的属性，与我们通过“拍脑袋”做出的主观判定相比，数据偏见少、更客观。当然，熟悉统计学和机器学习的读者很清楚，统计数据里看似公正、实则偏颇的事情也有很多，比如著名的“幸存者偏差”。但严密的逻辑加上科学的度量方法，还是可以更大概率地保证数据的客观性，从而为决策提供更好的支持。

学过统计学和机器学习的读者应该非常熟悉ROC（Receiver Operating Characteristic，受试者工程特征）曲线，ROC曲线反映的是伪阳性率（False Positive Rate，FPR）和真阳性率（True Positive Rate，TPR）之间的关系。我们应该都清楚，在多数真实系统中，必须在算法的伪阳性率（假警报比率）和真阳性率（敏感度）之间做一个折中或权衡。

类似地，我们在用数据驱动的方式去思考一个产品定义或产品设计时，也需要懂得取舍或权衡的艺术。例如，一个线上知识社群类产品，如果增加一个“一句话吐槽（类似日式冷吐槽）”的功能，那么社群平台在大概率上可能会增加新注册用户数量、活跃用户数量和平均用户在线时长。与此同时，这样偏娱乐性功能的上线，多半会带来娱乐型用户占比的增加，这是否会进一步影响有价值的知识内容的积累，或者付费类知识课程的转化率呢？这就需要产品经理通过对比实验，并仔细收集、分析数据，最终做出最优的折中或权衡了。