>科技>>正文

产品增长实践:设计 > 数据 > 算法

原标题:产品增长实践:设计 > 数据 > 算法

之前写了篇:产品增长中注意的事:设计>数据>算法。

这次结合实际案例,虚拟了一个例子来讲下,主要讲了3点:

  1. 设计是如何影响业务数据,影响到底有多大?
  2. 理解设计-数据-算法三者之间的关系,以及对增长的影响。
  3. 产品上下游团队该如何协同,通过数据驱动业务增长?
用户体验是基础,业务增长是根本

假设大宝是一家线下智能货柜的公司,主要售卖饮料和零食,在某市有10000个货柜,柜机大概长这个样子。柜机两边是封闭的货架,可以直接看到里面的商品,中间有一个大屏幕,用户在可以在屏幕上选择商品,然后付款,完成整个购买流程。

数据 > 算法” title=”产品增长实践:设计 > 数据 > 算法” />

柜机的成本非常高,饮料需要低温存放,需要制冷设备,加上柜机机身和一套智能控制系统,仅是硬件部分就需要5万块钱,10000台设备硬件成本就有5亿了。

铺设柜机需要投入大量的资金,大宝的资金压力非常大。商品售卖是公司的主营收入,所以公司的KPI是柜机收入。那么如何提升单柜机收入呢?大宝以前的想法在营销和体验上做文章:一方面在柜机身上加大宣传,另一方面保障用户体验:让用户在最短的流程完成购买操作?提高转化率?

除此之外,还有什么方法能提升柜机收入呢?大宝成立了一个增长小组:通过数据驱动业务增长?

为了了解业务现状,增长团队先分析了过去的业务情况:

  1. 公司现有10000个柜机。
  2. 平均每天每个柜机成交100单。
  3. 80%以上的用户买了矿泉水。
  4. 不同区域用户对价格敏感度不同。
    1. 旅游景区的用户喜欢购买价格偏高的商品。
    2. 街道区域的用户喜欢购买价格偏低的商品。

柜机现有界面都是复用一套方案,虽然柜机本身会自动检测上架的商品,来决定屏幕上显示的内容,但是并未对显示排序的逻辑做任何的处理。增长团队的L想:既然不同区域用户偏好不一样,能不能通过交互设计来影响用户的决策,提高售卖商品收入?

大宝柜机商品最初版本1的首页布局如下,设计团体的想法是采用大图显示商品,减轻视觉负荷,营造购物氛围。

数据 > 算法” title=”产品增长实践:设计 > 数据 > 算法” />

理解设计是如何通过视觉流影响用户决策

还好公司对之前界面的关键操作都做了埋点,L拉取了过去半年的全网商品位置的点击数据,想看看有什么逻辑。

先是分析订单商品,不同的柜机放置的商品不同,每天卖的主要都是矿泉水,不过这也在意料之中。

接下来再分析用户的点击数据,想了解用户是如何决策的?他们先是汇总了一个月每个坑位位置的点击量,分布情况如下:

数据 > 算法” title=”产品增长实践:设计 > 数据 > 算法” />

数据 > 算法” title=”产品增长实践:设计 > 数据 > 算法” />

我们总结了版本1的点击规律,每个坑位的点击比例分布相对比较稳定,肯定不是巧合。是不是设计产生的影响呢?用户视线停留的位置,更容易被点击?我们发现点击分布呈现古腾堡规律:

数据 > 算法” title=”产品增长实践:设计 > 数据 > 算法” />

数据 > 算法” title=”产品增长实践:设计 > 数据 > 算法” />

结合之前查找历史记录得知:早期公司考虑大部分人买矿泉水,为了方便用户购买,放在第一个位置。会不会因为这个原因,第一个点击量高呢,上面的视觉流正好的巧合呢?我们可以把矿泉水放到商品2的位置,看下点击情况:

数据 > 算法” title=”产品增长实践:设计 > 数据 > 算法” />

商品2的位置点击比例上来了,除了商品1的点击比例下来了。

另外,除了商品2固定放置矿泉水外,其它位置的商品经常会变,但点击比例基本保持不变。但是首位置仍然明显好于其它位置点击比例,可以说明:

在两行商品分布的设计下,用户浏览商品的视觉流呈现古腾堡模型的。

根据这个信息,我们可以抽象出原则,指导运营策略:

  1. 在视觉流分布线上,商品曝光要远大于其它产品。
  2. 对于矿泉水作为通用高频需求商品,商品位置对点击率的影响较小。
  3. 对于其它小众化非高频需求商品,商品位置对点击率的影响较大。
增加一行会怎么样呢?

虽然版本1的两行设计简洁,沉浸感强。但老板觉得单屏放得商品太少,现在商品越来越多了,尽可能要一次性曝光。用户不可能一屏一屏地翻页来看商品,「要再加一行商品」老板说。

「再加一行就变成了九宫格了,不好看吧?要不,每行先加一个商品?」设计同学Y说。「好,就按你说的来」老板说。

Y很快推出了版本2。上线一个月后,L统计了点击分布比例情况,还是跟预测的情况基本一致,在古腾堡视觉流上的商品位置,明显高于其它位置。

再来看一看商业数据:单柜机日均订单数并没有增加,柜机的总体的点击量也并没得到增加。某种程度上说明,新加的商品并没能激起用户的兴趣,查看更多的商品。另外,每行4个商品的设计也带来了另一方面的影响:在同等情况下,不同商品之前的点击分布变得不均匀,运营策的同学很难集中火力主推某一个商品。

数据 > 算法” title=”产品增长实践:设计 > 数据 > 算法” />

数据 > 算法” title=”产品增长实践:设计 > 数据 > 算法” />

由于版本2并没有为营业带来实质的增长,老板说再一个思路再看看「既然单行增加商品不行,就增加一行吧,看看怎么样?」

「那就成九宫格,不太好看吧。数据估计也不一定好,版本2都不行」设计同学Y说。「做一版出来,先看一看效果吧」老板说。Y按照老板的意思,推出了版本3:

先做一版,跑段时间看看吧」老板就是想试一试,看能不能多卖些商品。Y就按老板的意思推出了版本3。

版本3上线了,L一直监控后台点击数据,看会对收入有没影响?这次改版比较大,相较版本1和2,商品位置都要多。L担心用户体验不好,可能会影响矿泉水的售卖情况,就把固定在商品1位置。数据跑了一个星期之后,L整理数据发现:

  1. 单柜机的日均订单并没有减少,而客单价略有提升。
  2. 而商品位置的日均总点击量比版本1提升了50%。

而商品位置点击比例的分布并没像版本1那样,呈现了Z字型,并不像版本1那样,L做了下总结:

  1. 在超过两行的设计情况下,用户的视觉流分布呈Z字型。
  2. 处在视觉流路径上的位置,更容易比其它位置获得点击。
  3. 在视觉起点,终点,停留点的位置,又比视觉流上其它位置更容易获得点击。

数据 > 算法” title=”产品增长实践:设计 > 数据 > 算法” />

L继续拉取柜机一个月的点击数据,查看了分布情况:不同坑位点击分布较版本1,2都更为均匀。在总体点击提升的情况下,较好地平衡了不同位置的流量获取。

数据 > 算法” title=”产品增长实践:设计 > 数据 > 算法” />

借助数据指导设计

有了版本3的经验,L得到一个重要的内容:不同的设计对用户视觉流产生不同的影响,从而影响用户的的选择。既然如此,增长团队想做个尝试:

  1. 利用视觉流效果,在重要位置主推高利润的东西,刺激用户购买。
  2. 把强需求的商品,放在次要位置,改变视觉流,从而带动附近商品的曝光。

经过老板的沟通,他们在不改变版本3的情况下,调整了矿泉水的放置位置,将其放到商品2,原有商品2的脉动放置在商品1,暂且称它为版本3-1。上线一个月之后,发现:

  1. 单柜机日均订单量略有增长,增幅也就只有1%。
  2. 商品1位置的脉动订单量明显较之前有一些提升,增幅达到5%以上。
  3. 商品6位置的点击量和订单数有所提升。分析发现:用户视觉在走到商品2时发生了停留,影响一些用户的选择,又产生了古腾堡视觉流,从而对商品6的曝光和点击产生的补偿。
  4. 商品2位置的矿泉水订单量有所有下降,但并没影响单柜机的日均收入。
  5. 新策略使得高利润的商品获得了更多的曝光,提升了客单价,整体营业收入上涨了10%。

数据 > 算法” title=”产品增长实践:设计 > 数据 > 算法” />

新策略下的收入增长是通过提升客单价来实现的,但有没方案能够提升单柜机的日均订单。要是能提升日均订单,那单柜机的收入可以有较大的增长。

再小的数据也蕴藏着业务信息

如果你看得比较仔细的话,会发现:比例图分布中有些商品点击比例分布呈竞争关系:

  1. 版本1中,各个商品并未发现太大的竞争。
  2. 版本2和版本3中,商品1和商品9呈现此消彼涨的情况。

为什么会发生这种情况呢?不论是版本2还是版本3,发生竞争的商品都是同类商品,恰巧两个商品都处在视觉流的重要位置,容易得到曝光。用户只会在两者之前选一个,选择了前一个,就不会选择后一个。反之,也是一样。这就是竞争的原因。

有意思的是,两个商品的竞争有周期性规律,总是前面几天竞争明显,后几天减弱。为什么会这样呢?每个柜机存放东西有限,公司每周定期都要补货,填补卖出的商品。前面讲了,版本1和3中,除了商品1位置固定放置矿泉水外,其它商品都是根据补货的情况,随机出现。竞争发生的时间正好跟商品更新的时间吻合。

所以,两个版本在用户看来,商品1固定,商品8不一样。当商品8周期性更新时,视觉上发生了变动,用户可能因为新鲜好奇查看了商品8。当商品展示了一段时间后,用户视觉就会产生疲劳,不再点击后面的商品。两者之间点击取得平衡。而当商品8再次更新时,平衡再次被打破。

怎么才能消除商品之前的竞争呢?总不能不更新商品吧,即使是固定商品8的位置,本质上两者还是有竞争关系的,只不过是消除了更新产生的波动,而看到不过是竞争后的再平衡。

换一个角度来讲,更新的波动也是有利的,能教育用户商品的更新,有利新品的曝光。竞争不能消除,那能不能减弱,反而利用好曝光的竞争关系?

增长团队的同学提议,要不我们放个不同品类的商品试试吧。

你放置两个饮料,我肯定只会选一样啊。要是搞个搭配,比如一个放可乐,一个放小鱼干。可能两个我会买。

「那我们就试一试呗。」有了前面改版的效果,老板对新策略挺有信心。增长团队在版本3-1基础上做了改进,在不改变其它位置的商品情况下,商品8和商品9放置小吃的零食。数据又跑了一个月后发现:

  1. 单柜机的日均订单量有明显的提升,增幅达到30%。
  2. 同一用户同时购买商1和商品8或商品9的比较多。显然,新策略生效了。
  3. 商品8和商品9的竞争明显了,存在此消彼涨的情况。

「要不我们再进一步优化,将视觉流路径上的商品品类都区分开来,避免产生竞争。」增长团体随机调整了商品位置策略:按用户的购物习惯,在视觉流路径上放置容易让用户搭配购物的商品。

「那我们摆放的商品岂不是乱了样,一眼看过花里胡哨的。用户体验一点都不好,买个想要的饮料,可能都要找半天。」设计同学不建议这么做。

「看看今日头条,展示的东西不也乱七八糟的。用户口头上说推荐的不是自己想要的东西,身体还是很诚实。推过去的东西不还是点点点,比以前分类的点击好多了。」L说。「还是先上线,看看数据再说。」

上线了一个月后,单柜机的日均订单量增长了5%,日均收入也增长了5%以上,团队挺兴奋。

「我觉得还有上涨空间。只要你们肯想,一定有方法,相信自己。今年的年终奖就看我们的成绩了。」老板开始有点灌鸡汤,给团队画饼。

精细化运营,算法来帮忙

增长团队开始思考:还能有什么方法提高收入,能想的都已经想了。除非再做精细化点?不同柜机放置的场所不同,用户的购买场景不同。街道的人群倾向购买日常喜欢的商品,旅游区的人群倾向购买好玩新鲜的商品。为什么不做智能推荐呢?我们每天有大量的用户行为数据,完全可以分析不同场所用户群体的偏好,然后现结合交互设计的原则,让合适的商品展示在合适的位置。引导:

  1. 同一用户多购买不同品类的商品。
  2. 同一商品尽可能买高利润的。

「那我们才能做到:让合适的商品展示在合适的位置上呢?」大家都很好奇。L列出一个公式:

总毛利润=总订单数x平均单笔利润。

「我们年终奖就靠它了,不管我们设计怎么变,商品位置怎么变?虽然我们的KPI是收入,公司最终要的还是利润。毛利润都是这个公式,也点类似电商GMV。」L继续说。但我们需要拆开来看单柜机数据:

单柜机毛利润=商品1x利润1x订单1+商品2x利润2x订单2+……+商品nx利润nx订单n。

这样为了便于我们做精细化运营,既然不同柜机摆放位置不同,面向用户群体不同。那我们就搞个算法,像淘宝一样,他们个千人千面,我们千柜千面。淘宝做线上,针对个人分发商品。我们做线下,针对群体分发商品。至于商品位置怎么放置,都交给算法,由增长同学来处理,设计合适的策略。只有在需要的时候,我们再去干涉算法。

增长团队觉得挺有意思的,每个柜子商品摆放位置都由算法来决定。我们有10000个柜子,每个柜子每周测试一种策略,相当于一周做了10000个A/BTest。L说,我们要注意两个核心指标:

  1. 订单数。单柜机订单数与过去一个月数据相比,下行波动区间只能在10%以内,总订单数下行波动区间只能在3%以内,两者上行区间不限,越高越好。订单数代表了我们的用户需求满足情况,是长期指标,权重高。如果用户下的订单数少了,运营的可持续性就差了。即使通过提升单笔利润提升总毛利润,也是不可持续的。
  2. 平均单笔利润。单柜机的平均单笔利润与过去相比,下行波动区间可以在15%以内,全量柜机平均单笔利润下行波动区间只能5%以内。利润代表公司获取的商业价值,是短期指标,权重次于订单数。在订单数增长的情况下,可以容忍利润下降,来换取长远的收益。
正确理解设计,数据和算法三者的关系

新的方案是否会有效?研发团队持质疑态度:其实在你们搞算法之前,我们就做过,效果并不好,反正我知道订单数基本上没什么增长?

「是在版本1的基础上吗?」L问。

「版本1,版本2都做过尝试呀,没用的。」研发同学G说。

「那你看现在的版本订单量不就增长了,跟版本1,都增加了30%以上呢?」L说。「对啊,所以我觉得算法没用,搞来搞去发现最后是因为设计的问题。我们再怎么努力,还不及界面变一下」研发同学G说。

「之前的方法不对,设计主导了用户的购买决策。算法再怎么用力提做不了大的提升。你看后面,版本3布局没有变动,我们在视觉流的基础上做了商品搭配策略,订单量就一下子上来。这也是算法的一种啊,只不过是我们人为制定规则,通过数据反映出来了。至少最理想的搭配是什么样的,就要看算法的。当前,这一切的前提是设计在正常的方向上。」L说。

G觉得有道理。毕竟,前面连续的业务数据,足以说明一切。只有正常方法,才能发挥算法的价值,先有设计,再看数据,然后再考虑算法。

设计 > 数据 > 算法

增长与团队协作

为了后续持续优化,增长团队拉上了运营,产品,设计和研发同学,一起总结了协作经验:

  1. 核心数据是最终驱动力,各个团队必须要捆绑一起来合作。
  2. 每个团队在处理好专业领域之外,要关注自己所负责事项对数据产生的影响,且要有量化的结果。

数据 > 算法” title=”产品增长实践:设计 > 数据 > 算法” />

而后,大家又一起制定了产品原则,来指导产品协作:

  1. 需求从运营到产品,设计,再到研发。每个团队都要理解所处岗位对业务核心数据的影响,影响有多大。影响的权重越大,越要谨慎。
  2. 从设计到数据,再到算法。需要制定出合理的规则,指导产品的设计,运营和开发:设计的依据是什么(比如总结上方视觉流原则)?运营的依据是什么?算法调整的依据是什么?
  3. 在需求实现环节中,要思考:依据现有的规则,我的工作将如何改变当前的商业行为,并对结果做出量化的预测。

在你所负责的业务里,你会关注哪些业务指标呢?每个指标都有特定价值,如果你不清楚,不妨列出你知道指标,然后问自己:

依据这个指标,我将如何理解或改变当前的商业行为?

小试身手

假如你来负责增长团队,老板有一天再次发出挑战:要把订单量再往上提一成。你会怎么做呢?返回搜狐,查看更多

责任编辑:

声明:该文观点仅代表作者本人,搜狐号系信息发布平台,搜狐仅提供信息存储空间服务。
阅读 ()
投诉
免费获取
今日搜狐热点
今日推荐