基于客户行为数据构建客户分群模型的分析与探讨--《中国管理信息化》2015年21期
基于客户行为数据构建客户分群模型的分析与探讨
【摘要】：客户分群是企业从大众营销向差异化营销过渡的必由之路,也是未来保持竞争优势的基础。随着社会经济的发展和用户需求的多元化,企业需要把识别客户特征作为一项核心的市场分析活动,关注如何保持和拓展现有的客户价值。文章从移动通信运营商的角度,阐述了建立客户分群模型的理论基础和技术手段,根据客户行为数据采用聚类的数据挖掘方法构建总体模型,并对数据规范性、聚类算法以及模型分析方法等进行说明,提高客户分群的有效性及应用价值。
【作者单位】：
【分类号】：F274;TP311.13
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【相似文献】
中国期刊全文数据库
廖建军;;[J];出版科学;2007年02期
毛亮,陈一君;[J];科技情报开发与经济;2005年02期
赵航,赵可心,李子奈;[J];长春邮电学院学报;2000年03期
王林林,王良元;[J];通信企业管理;2003年05期
谢波峰;兰英见;;[J];每周电脑报;2006年16期
顾桥,喻良涛,梁东;[J];科技进步与对策;2004年12期
杨卫东;朱红松;张德贤;王珂;张瑜;刘伎昭;;[J];计算机研究与发展;2010年S2期
张旭;;[J];国外医学.生物医学工程分册;1991年04期
郝跃;[J];半导体学报;1992年09期
李作学;王前;;[J];情报杂志;2006年11期
中国重要会议论文全文数据库
钱林晓;王一涛;;[A];2005年中国教育经济学年会会议论文集[C];2005年
高林;刘喜梅;;[A];2009年中国智能自动化会议论文集（第二分册）[C];2009年
朱萍;刘伟泽;万立滨;;[A];航空工业档案学会七届四次理事会暨2013年度优秀论文交流会论文集[C];2013年
潘洁;周宗放;;[A];中国企业运筹学[C];2009年
肖田元;;[A];新观点新学说学术沙龙文集37：仿真是基于模型的实验吗[C];2009年
毛曹珏;曹锐;;[A];2007年全国微波毫米波会议论文集（下册）[C];2007年
吴义忠;陈立平;张昌杰;;[A];庆祝中国力学学会成立50周年暨中国力学学会学术大会’2007论文摘要集（下）[C];2007年
董维中;;[A];第十届全国计算流体力学会议论文集[C];2000年
侯建荣;黄培清;;[A];2004年中国管理科学学术会议论文集[C];2004年
肖婷婷;;[A];第四届中国不确定系统年会论文集[C];2006年
中国重要报纸全文数据库
范超;[N];中国信息报;2011年
媛萍;[N];中国高新技术产业导报;2002年
牛津大学博士
阿姆斯（RMS）风险管理公司亚太地区代表
高航;[N];中国保险报;2012年
史一卓;[N];中国气象报;2014年
中国博士学位论文全文数据库
张小平;[D];北京交通大学;2011年
肖智博;[D];大连海事大学;2014年
郝春艳;[D];华中科技大学;2006年
刘雪燕;[D];南开大学;2009年
荣腾中;[D];重庆大学;2012年
郭国强;[D];华中科技大学;2013年
徐卓顺;[D];吉林大学;2009年
邓朝华;[D];华中科技大学;2008年
闫彬彬;[D];华中科技大学;2013年
罗毅丹;[D];华中科技大学;2010年
中国硕士学位论文全文数据库
杜春娟;[D];中南大学;2007年
孙希锋;[D];暨南大学;2010年
刘兵;[D];哈尔滨工业大学;2008年
陈田;[D];大连理工大学;2006年
刘琼;[D];中南大学;2010年
谢剑;[D];浙江工商大学;2013年
张驰;[D];复旦大学;2009年
王祖洪;[D];河海大学;2005年
徐扬;[D];吉林大学;2006年
董慧玲;[D];昆明理工大学;2007年
&快捷付款方式
&订购知网充值卡
400-819-9993微信营销第六讲-微信营销数据分析
微信营销第六讲-微信营销数据分析
还可以输入200个字符
Copyright &
ibodao.com All Rights Reserved | 北京博导前程信息技术股份有限公司
京ICP备号-9
北京市海淀区上地东路35号颐泉汇大厦2号楼505室 | 010-
- IOS / Android -注册 | 登录
数据分析产品,微信 GrowingIO。
从零开始学运营，10年经验运营总监亲授，2天线下集训+1年在线学习，做个有竞争力的运营人。
产品经理要想做好数据分析，应该有一套完整的思维体系，在价值观、方法论和工具三个层面上储备相关知识。同时立足于产品和用户，用数据来打磨产品，用数据来检验迭代，不断提升用户体验。
这两年，随着大数据、精益化运营、增长黑客等概念的传播，数据分析的思维越来越深入人心。处于互联网最前沿的产品经理们接触了大量的用户数据，但是却一直困扰于如何做好数据分析工作。
那么产品经理该如何搭建自己的数据分析知识体系？数据分析的价值又在哪里？产品经理做数据分析有哪些具体的方法？又如何学习数据分析？本文将和大家分享一下这些问题。
数据分析体系：道、术、器
“道”是指价值观。产品经理要想是做好数据分析，首先就要认同数据的意义和价值。一个不认同数据分析、对数据分析的意义缺乏理解的人是很难做好这个工作的。
“术”是指正确的方法论。现在新兴的“Growth Hacker”（增长黑客）概念，从AARRR框架 ( 获取、激活、留存、变现与推荐五个环节）入手进行产品分析，这是一个非常好的分析方法。
“器”则是指数据分析工具。一个好的数据分析工具应该能帮助产品经理进行数据采集、数据分析、数据可视化等工作，节省产品经理的时间和精力，帮助产品经理更好理解用户、更好优化产品。
数据分析的价值
产品经理不能为了数据分析而分析，而要将落脚点放到产品和用户上。数据分析应该帮助产品经理不断优化产品设计和迭代，驱动产品和用户增长。
当我们上线了一个新的产品（product）或者功能时，需要对其进行数据监控和衡量（measure）。然后从监控中采集到产品的用户行为数据（data），并对这些数据进行分析和总结（learn）。最后从分析中得出结论和观点（idea），如果数据证明我们的新产品/功能是优秀的，那么可以大力推广；如果数据说明我们的产品还存在问题，就需要对产品进行新一轮的优化（build）。
在“产品——数据——结论”的不断循环中，我们不断用数据来优化我们的产品，加快产品迭代的步伐、提升用户体验。
数据分析的方法
方法1：流量分析
分析不同获客渠道流量的数量和质量，进而优化投放渠道。常见的办法有UTM代码追踪，分析新用户的广告来源、广告内容、广告媒介、广告项目、广告名称和广告关键字。
实时监测产品的访问走势，尤其要关心流量异常值。举个例子，某互联网金融平台因为一个产品BUG导致用户疯狂抢购造成的流量峰值，产品经理发现实时数据异常后迅速下线该产品修复BUG，避免了损失扩大。
方法2：转化分析
广义上所有的商业网站都是电商网站；因为都需要用户转化、需要用户变现。在我们的产品里面有很多地方需要做转化分析：注册转化、购买转化、激活转化等等。一般我们借助漏斗来衡量用户的转化过程。
影响转化率的因素很多，我们总结了三个大的方面：渠道流量、用户营销、网站/APP体验。以渠道流量为例，通过优选渠道并且量化分配我们的投放资源，可以有效提升总体的转化率。
方法3：留存分析
留存，顾名思义是指用户首次访问你的网站/APP后多少天后回访。留存是产品增长的核心，用户只有留下来，你的产品才能不断增长。一条留存曲线，如果产品经理不做什么的话，那么影虎就慢慢流失了。
从产品设计的角度出发，找到触发留存的关键行为，帮助用户尽快找到产品留存的关键节点。之前我们发现我们产品里面，使用过“新建”功能用户的留存度非常高；于是我们做了产品改进，将“新建”按钮置于首页顶部刺激用户使用，效果非常好。
硅谷流行的Magic Number（魔法数字）也是留存分析的一部分，比如Facebook发现”在第一周里加10个好友“的新用户留存度非常高。作为产品经理，我们也需要通过数据分析来不断探索我们产品里面的魔法数字，不断提高用户留存度和活跃度。
方法4：可视化分析
用户体验，是一个非常抽象的概念，我们可以对其进行形象化。目前一个普遍的方法就是对用户的数据进行可视化，以热图的形式呈现。
借助热图，产品经理可以非常直观了解用户在产品上的点击偏好，检验我们的产品设计或者布局是否合理。
方法5：群组分析
千人千面，产品经理对用户精细化的分析必不可少。不同区域、不同来源、不同平台甚至不同手机型号的用户，他们对产品的使用和感知都可能存在巨大的差异。产品经理可以对不同属性的用户进行分群，观察不同群组用户的行为差异，进而优化产品。
之前我们做过一次分析，网站的总体注册转化率是6%；但是使用Chrome浏览器的新用户注册转化率高达12%，使用IE浏览器的新用户注册转化率才1%。这样一分的话，问题就很明显了，极有可能是浏览器兼容性的问题，产品经理应该关注一下这个问题。
数据分析的书籍
做好数据分析，不是一朝一日就可以的，需要在产品规划设计、产品升级迭代中不断实践。下面的这些书籍对于产品经理学习数据分析都有一定的帮助：
推荐1：范冰的《增长黑客》
这是国内对于增长黑客的第一本详细介绍，作者从AARRR的视角切入，描述了大量产品优化、产品增长的案例，对于产品经理非常有益。
推荐2：埃里克·莱斯的《精益数据分析》
在这本书里面，作者介绍数据分析的相关指标、不同行业的数据分析要点，并且有大量的数据分析案例和翔实数据。如果想要把数据分析落地，这本书对产品经理是非常有帮助的。
推荐3：GrowingIO的产品和分析师写的《互联网增长第一本数据分析手册》
这里面汇编了我们一年多来数据分析、产品优化的实战案例，里面不少文章被被大号转过，例如《如何成为一个优秀的数据产品经理》等等。
下载电子版的分析手册，请。
推荐4：埃里克·莱斯的《精益创业》
作者提出了最小可行性产品（MVP）、小步快跑，快速迭代等产品设计和优化的理念，影响深远。
数据分析是一门多学科、多领域的交叉学问，涉及到的东西非常多。产品经理要想做好数据分析，应该有一套完整的思维体系，在价值观、方法论和工具三个层面上储备相关知识。同时立足于产品和用户，用数据来打磨产品，用数据来检验迭代，不断提升用户体验。
本文根据创始人&CEO张溪梦的演讲内容编辑整理，原文发于微信公众号GrowingIO 和 。
赞赏是对原创者的最大认可
收藏已收藏 | 219赞已赞 | 17
数据分析产品,微信 GrowingIO。
产品经理群
运营交流群
品牌营销群
文案交流群
Axure交流群
关注微信公众号
大家都在问
6个回答3人关注
3个回答1人关注
7个回答3人关注
6个回答2人关注
8个回答5人关注
4个回答2人关注用户标签/用户分群在DMP（数据管理平台）中的应用用户标签/用户分群在DMP（数据管理平台）中的应用人人都是产品经理百家号本文主要是关于DMP数据管理平台的认知和浅析，enjoy~一. DMP系统的定义和产品功能DMP即 data management system,数据管理平台，单从名称上来看，这个定义还是非常宽泛的，所以国内很多企业或者个人会将dmp的核心功能理解错。结合我个人的经验和专业的书籍，DMP其实是一个全面的数据收集，加工，整合的平台，吸收各种数据源的数据，以用户为基本单位，清洗，整理形成结构化的数据表，并进行用户标签的计算，以期能够精准的描述各种用户。DMP不带有任何的营销性质和功能。很多国内的dmp平台在功能上直接宣传自己可以对用户进行广告的投放，推送；可以对dmp中的用户进行运营。这些其实都是类似于DSP,RTB,CMS,CRM这种产品功能，这些产品会和dmp有一些数据上的流通，但是dmp的核心就是将数据处理好。1. 核心特征有很多数据源，包括企业内的（第一方），合作方的（第二方的），第三方的，并且不嫌多以用户（或者设备）为基本单位，整合各方数据，将数据进行清洗，结构化的存储对结构化的数据进行分析，运行算法，将用户进行多维的定性，打上标签使用方可以通过DMP提取想要的用户群体，下游的营销产品也可以直接通过接口进行数据的访问和提取可以这么说，强大的DMP是互联网时代的数据大脑，是一切营销的基础。2. DMP分类（1）广告主自有DMP这类 DMP的数据相对封闭， 数据安全性比较好，但相应地流通性差， 数据挖掘和使用不足， 通常需要接入其他数据平台， 实现数据的融合和流通之后，才能更好地发挥出价值。（2）核心互联网大厂的自有DMP毫无疑问，这里的大厂指的就是BAT，阿里妈妈的达摩盘，腾讯的广点通，百度的DMP数据服务；其他诸如京东等大公司也会有自己的DMP。BAT由于拥有绝对的用户流量的优势，所以，数据积累相对非常的多，但是各大之间的数据却相对封闭，BAT视自己的数据为最宝贵的财富，绝对不会流通共享。另外，各大厂的dmp也会根据自己的业务进行一些深度的定制，比如阿里的达摩盘完全就是面向电商场景的一个dmp，通用性上可能没那么高。（也不会开放给你用）（3）独立的第三方DMP随着大数据的概念越来越深入人心，精准营销的概念越来越普及化，出现了一些专门为企业客户提供服务的第三方数据供应商，也就是第三方的DMP。第三方的DMP相对独立，也比较专业，企业可以快速获取期望的用户数据。但是目前国内市场的数据交易，数据的交换还是处于灰色地带，也没有相应的标准。数据安全也无法得到很好的保障。（4）广告技术公司的自有DMP这类 DMP主要是广告技术公司基于 DSP等业务扩展需求而搭建， 直接为自身业务服务， 很多实力较强的广告技术公司都有自己的DMP，如爱点击、瑞狮网络等。美国市场非常细分，有很多专门的 DMP公司，但中国市场高度整合，DMP 需求往往与 DSP/SSP/Trading Desk等联系在一起，广告技术公司自有 DMP能够更直接地满足这类整合需求。3. 一个DMP需要哪些功能模块数据的获取入口数据的清洗，整合标签的计算，挖掘打标签及标签的展示用户分群前三块是DMP的基础，虽然看不见，但是决定了一个DMP的质量。后两块是比较偏产品前端的内容，DMP是否简单易用，是否友好易懂就是这部分体现出来的。标签的展示及手动打标签：二. 别人是怎么做DMP产品的DMP产品在企业内非常核心的产品，所以世面上很少能看到一些DMP产品的功能设计和视觉的资料，更别说试用一些dmp的产品。但是经过我不断的收集和查找，还是梳理出了几款dmp的产品基本结构和设计1. 阿里妈妈-达摩盘2014年，在原有的RTB和Tanx的基础上，为了更好地促进数据流通，以技术和数据驱动实效，阿里妈妈搭建了一个大数据管理平台DMP，让更多商家可以更有效地使用数据。对于营销而言，一种开玩笑的说法是，DMP就等于DM（Data Market）加上P（People）。事实上，这并不完全是个玩笑，因为这一说法抓住了现实中数据应用的核心，消费者（P）的识别和管理是打通整个营销体系的核心。阿里妈妈还为DMP取了一个颇具中国特色的名字：达摩盘。DMP补上了数据交易所最后也是最重要的一块砖，让以消费者为核心的营销闭环成为可能：一是使可执行的C2B成为了可能，二是具有最好的构建全域全网营销的能力，三是通过数据流通构建了一个以DMP为核心的数据生态圈。达摩盘作为一个阿里孵化的DMP，最大的优势就是背靠阿里海量的数据沉淀。阿里巴巴生态的无论是交易还是征信的数据都绝对是最丰富的。拥有如此数据，达摩盘势必会成为顶尖的dmp平台。但是阿里和其他大公司一样，数据只为自己使用，于是针对阿里最重要的电商场景，dmp被打造成了一个面向商户营销的用户特征管理和营销工具。达摩盘和其他dmp来说最大的特点是它将dmp的核心功能和营销的场景进行了深度的结合，这点从以上两张截图便能看出。对于商户来讲，达摩盘无论怎样去取名字，最终都是为了获取更多的用户，更高的销量和利润，所以达摩盘充分利用平台店铺的广度，将相似商家进行横向对比，非常巧妙的达到了两个目的解决了如何量化什么是好的店铺或者什么样的店铺是好的店铺的问题暗中促进两商家之间的良性竞争2. 用户分群虽然只有这一个页面的截图，但是从中我们可以看出：标签种类非常丰富，包含了基本的人口属性，地理属性，也有中立的上网行为消费行为，更有淘内的用户行为，和参与活动的标签对于标签进行了至少3级的分类，而且可以根据商户的信息进行标签的推荐，做到了dmp内的推荐对于标签信息的展示非常详尽，而且有类似于同行适用情况的推荐星级，非常具有参考价值对于达摩盘来说，所有的标签都是平台定义好的，所有的描述和计算逻辑都固定，商户只需要在庞大的标签库中找到自己需要的标签即可。这样的设计首先避免了商户自己创建标签的不可控的因素，比如逻辑的错误，标签的重复，定义的模糊等等，其次对于商家来讲，自定义标签会是一个比较需要互联网只是的操作，淘内商家普遍没有这种素质。不过这样的设计我认为需要机遇两个前提：此DMP产品是专注于某个领域的。比如达摩盘专注与电商，这样标签就会有针对性，电商的营销治标体系也是很成熟的。此DMP是服务于自己的公司或者平台的。不是中立的第三方数据提供者。满足这两个条件，就说明数据的需求是非常聚合的，可以比较容易的迭代出一套合适的标签体系。3. 如何区分打标签和用户分群但是像我这次准备做的XX数据的DMP平台，他可能是需要私有部署的，为各种行业的企业服务，跨度非常大，所以只有让客户企业自己去创建标签才能到适合自己企业的标签体系。但是这个过程中就有个比较困难的问题：如何区分打标签和用户分群。营销人群即为通过组合标签，筛选出来的用户群，可以用于后续的营销投放，甚至用于一些用户数量的监控。达摩盘终究还是一个营销的平台，所以，对于所有的用户群的营销的效果都会有一个一目了然的列表，当然，所有的指标也都是基于电商的。4. 小结其实，达摩盘已经不算是一个dmp了，从产品端来看它更像是一个基于用户标签的精准投放平台。但是在这背后整合淘内和第三方的所有数据，定义和计算所有的标签，这确实是一个非常强大的dmp的核心。明确清晰的定位，加上巧妙的营销整合，让所有的商家不需要借助其他工具或者平台，形成了淘内数据流的闭环。废水不流外人田。三. 如何区分打标签和用户分群最近在做dmp的时候，遇到了一个在产品上很难作以明确区分的两个功能吧，就是打标签和用户分群。打标签和用户分群是dmp两个不可缺少的核心功能，没有这两个功能DMP就不再是DMP了。从大面上讲，可能这两个功能没有那么难以去区分，比如我们可以认为打标签是给用户加以标注，用户分群是需要通过各种标签的组合来划定人群。这么说确实没错，但是在产品端当你需要很细的去找到这两个功能的界限，你会发现其实没这么容易。从本质上讲，打标签和分群都是将所有用户分成两部分。符合标签定义的和不符合的；符合分群逻辑的和不符合的标签的定义在没有约束的前提下是可以很复杂的，复杂到单一标签可以完全替代某个分群标签可以叠加形成新的标签，而分群也是通过多标签组合形成的鉴于正常的dmp的流程都是需要先建立标签，然后利用标签进行分群，最后才能根据人群去进行下游营销动作，于是乎，在产品端如何量化逻辑化的区别打标签和分群的功能就变的异常模糊。毕竟市面上还是有dmp或者类dmp产品的，他们是怎么解决的呢?阿里妈妈-达摩盘(包括其他的诸如京准通的dmp)神策，诸葛，growingio等类dmp产品如果让我做个比喻，打标签就像是确定一块块的积木，而分群更像是用几部去搭建一个房子。当积木比较充分的时候，利用同一批积木可以造出各种不一样的房子。通过上述对两个概念的头脑风暴，对这两个概念的认识清晰了不少，但是，更多的还是定性的分析。在设计产品的时候如何在应用层加以限制呢？因为在产品端，是需要区分功能，从而限制逻辑的，并不是根据你的逻辑反向判断这是个标签还是分群，所以要从功能角度去限制他的创建。完结~本文由 @巷陌 原创发布于人人都是产品经理。未经许可，禁止转载。题图来自 Pexels，基于 CC0 协议本文由百家号作者上传并发布，百家号仅提供信息发布平台。文章仅代表作者个人观点，不代表百度立场。未经作者许可，不得转载。人人都是产品经理百家号最近更新：简介:产品经理和互联网运营的成长摇篮。作者最新文章相关文章从3个角度谈谈：什么是产品视角？
俗话说，三流的产品经理做功能，二流的产品经理做系统，一流的产品经理做平台。虽然是一句调侃的话，但也给产品经理们指出了一条进阶之路。
那么做功能、系统、平台之间有什么区别呢？
这就引出了我们今天聊的话题，产品视角。
什么是产品视角？
产品视角也可以称为产品思维，毫不夸张地说，可以称为产品经理的灵魂，通常是一个产品经理平时工作中的思考方式。
我们可见简单地将产品视角分为用户视角、商业化视角、平台化视角。
1. 用户视角
用户视角是产品经理最基础的视角，产品经理需要将自己化身为产品的使用者，从该视角去充分地考虑用户需求，然后设计产品方案。
通常，从产品使用者角度去设计的产品方案，核心的评估指标是用户体验。用户体验越好，该产品的用户粘性和留存就越好。
用户体验我们可以拆解为：效率和惊奇感。
c端产品往往是为了帮助用户完成某个目标而存在，当能更有效率地帮助用户完成目标，就能带来好的用户体验。
如何理解效率呢？
可以从更快和更好两个角度来思考。更快指相同的成本下我能更快地完成目标；更好指相同的成本我能更好低完成目标。例如：搜狗输入法的出现，让用户在相同时间下能有更快的打字速度；滴滴快车的出现，让用户在乘车中，可以坐更好的车，享受更好的服务。
惊奇感指用户在有效率地完成目标时，还能有超出预期的体验。比如：微信支付每次支付完成时的摇一摇；摩拜的红包车，骑完之后有红包赠送。
往往刚入行的产品经理能够从用户视角去思考产品，能在此基础上做好产品方案，基本可以做出合格的功能，带来不错的用户体验。
2. 商业化视角
商业化视角是产品经理进阶之路上的必经之路，任何一款产品被开发出来，或多或少都带有商业化的性质。当然，我们讲的是广泛的商业化视角，更多指产品拥有者的诉求。很多产品方案看起来不带有商业化诉求，例如：公益性，非盈利性机构等产品。
但其中或多或少都夹杂着机构的诉求，公益性的产品方案可能希望更多人能关注公益，参与公益；自由开发者可能更希望能展示自我，寻求认同。现实中，更多的诉求是公司希望产品能够直接或间接地产生商业价值。
当然产品商业化本身是一个太大的命题，我们不展开讨论。我们仅拿其中的一点，产品的业务诉求来讨论。不同的产品所包含的业务诉求不尽相同，我们可以根据产品的生命周期来分解业务诉求，可以得到业务诉求可能包括：下载、注册、试用、留存、销售、传播等方面。
商业化视角往往和用户视角是相冲突的，例如：前一两年很火的“吴亦凡入伍”h5，其商业诉求是为了让用户下载《全民突击》，而用户诉求则是体验吴亦凡带来的新奇感。当产品更多地去考虑用户端的新奇体验，必然会弱化下载的诉求。如果强化下载的引导，则又可能在一定程度上削弱用户端的体验。
所以，我们看到产品更倾向于打造更好的用户体验，导致h5一直被刷屏，而业务诉求的下载量则逊色太多，很多用户其实根本不知道这个产品是《全民突击》的广告。类似的还有百雀羚长图广告。
产品商业化要求我们需要在用户需求和业务诉求之间寻找平衡点，用合适的方案尽可能地在实现业务价值的时候，给用户带去良好的用户体验。
我认为可以从以下几个角度思考：
（1）场景化设计
所谓场景化设计，是区别于不分场景的设计。整体的思路是在用户最需要的场景做业务诉求的引导。例如：视频网站的业务诉求是售卖会员。
场景化设计的思路就是考虑用户对会员有需求的场景，会员的权益是去广告+优质内容。那么我们可以在用户进入视频网站，观看广告的时候立即弹窗引导用户购买会员。同时，可以在用户搜索优质内容的相关词时，做会员引导推荐。
（2）个性化设计
个性化设计是指对不同用户做不同的产品设计，用户对于商业引导的接受度不同，会导致相同的方案得到不同的体验。因此，如果我们针对用户进行分群，对不同的用户群做不同程度的商业引导或许能实现业务诉求实现的最大化。
例如：某电商公司打算通过一个小游戏引导用户参与，然后发放优惠券带动销售。如果该游戏的设计引入个性化因素的话，我们可以这样考虑，针对用户不同的标签进行分群，然后用相同的玩法，但使用不同的美术风格和不同的奖品类型。最后的效果或许会有所不同。
（3）数据建模
数据建模指需要有数据化的思路，我们的产品方案可以提前内测和公测，期间的数据可以用来建模，通过数据指导应该如何寻找平衡点。例如：我们做一个理想化的假设，一个产品方案一共有5个步骤，那么我们可以通过建立数据模型，分析在哪一个步骤植入业务诉求可以实现利益最大化。
5个步骤中，越靠后，流量可能越低，但转化率可能越高；越靠前，流量越大，但可能转化率越低。如果有数据建模，我们可以结合数据去动态调整。
3. 平台视角
平台视角是将一个个商业化产品规模化的视角，需要考虑平台上的参与角色，并思考如何让每个平台角色利益最大化，并为其赋能，不断创造新的价值。
我们以现在常见的外卖业务为例，来看看平台化视角。
外卖平台常见的业务角色大致有：
核心角色：用户（点外卖的人）、餐饮商家、骑手、平台方。
衍生角色：金融小贷公司、广告公司、招聘培训机构
我们需要考虑每个角色在一个体系下运转的诉求，能保证每个角色的诉求得到满足，甚至超出预期，平台就能良性循环。
用户希望能够足不出户能吃到美食，核心诉求是效率最快地吃到喜欢的美食，并为此付费。
餐饮商家在平台上的核心诉求是流量，相对于线下餐饮店，外卖餐饮店需要的是增量，且是低于线下运营成本的销售增量。线下商店受限于场地。因此，同时服务的人数成为了线下餐饮商店的瓶颈，而线上外卖平台刚好解决的就是流量问题，且综合成本低于线下运营成本。
骑手大多为职业骑手，核心诉求是赚钱，通过提供运送外卖商品赚取收益。
平台方希望平台上的成交量越大越好，交易量越大，平台越有利可图，就越容易形成规模化，就有了盈利可能，有了扩展和孵化其他业务的可能。
那么产品经理应该怎么去平衡各方利益呢？
首先，我们需要拓展商家资源，让平台上的外卖商品丰富，以此来吸引c端用户；同时，我们需要通过各个渠道推广，吸引c端用户，为商家提供流量。至此，c端用户和外卖商家的诉求基本得到保障。
其次，在第一阶段的模式中，没有骑手角色，可能由商家提供配送服务，造成c端用户体验不好，效率较低，同时对部分商家来说，负担过高，造成双方的负体验。
这时，引进专业的骑手团队可以有效解决这一问题。骑手可以提供快速的配送服务，同时又可以减少商家的运营成本。c端用户良好的体验可以带来更多订单，商家也更愿意入驻平台，骑手则赚取了更多的配送费，三方共赢。
再次，在下一个阶段，商家的数量显著增长，导致商家之间的竞争变得更加激烈，为商家提供赋能工具则是新的命题，可以引进广告咨询公司为商家提供品牌、营销支持，可以引进金融小贷公司为商家提供金融贷款服务，助力其分店拓展和业务升级。
同时，骑手的大量入驻导致骑手的专业水平受到影响，可能造成c端的负体验，对骑手的管理和培训则需要重点解决的问题，可以引进专业的培训机构和招聘机构进行骑手的招募和管理。
我们可以看到，各个角色的利益诉求不尽相同，当每个角色的诉求被满足的时候，平台就运转的越好，有可能引进更多的角色，创造更大的价值，甚至改变行业价值链，而平台则有规模化盈利的可能，或是最大赢家。
综上，产品新人刚进入行业的时候往往执着于功能层面，在往上走，可能会接触到系统层面，可以从用户需求和业务诉求去考虑产品策略，尽量实现产品的商业诉求。如果还有机会，接触到平台业务，则需要在多个角色之间去平衡整体利益，保证平台的良性循环，做大平台规模。
作者：王俊
来源：人人都是产品经理
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。
今日搜狐热点