谈出海增长的商机发现能力
产品负责人大概是这个世界上最需要综合能力的人才之一了。
而往往伟大的产品经理的决策能力、眼光、洞察能力和对细节的把握能力，可以造就一个伟大的产品。
伟大的产品有时候在一开始，传统世界是没有感觉的，比如hotmail，比如Google，比如Paypal。
这些产品背后的团队的决策能力有一样是传统企业无法实践的，就是数据的丰富维度导致了对商业世界的洞察理解完全不同。
我最近帮助蔚来团队发布了他们的产品团队人员需求，发现了一些明显的刚性要求：
-
要能根据用户体验、数据分析和市场反馈，制定产品改进方案，提升整体销量 -
要为订单量和体验指标负责
当然，这是蔚来的二手车团队（包括海外业务）在招聘时公布的需求。
或许这就代表了汽车行业管理团队未来将持续增加一种能力，互联网产品能力和分析洞察能力。
一个负责蔚来新能源车，或者二手车平台的产品经理，或者整个业务的产品负责人，应该如何分析数据呢？特别是业务将覆盖中国、欧洲和北美的时候，如何做呢？
我曾经和一个头部平台海外业务的CTO交流，我们谈到一个观点：
为什么需要产品经理和产品总监需要有商机发现的能力。
这个能力在过去被少数数据产品“垄断”，但是现在我们希望每个产品总监/产品经理都具备这样的商机发现能力。
这种能力本质上是一个综合能力，要以数理统计的技能作为基础，扩展到可以理解微观和宏观经济，群体心理、假设验证能力。
而往往对于产品经理应该如何分析数据这个事情上是有误区的。
什么是商机发现？
这里核心问题在定义什么是“商机”。停留在经验表达的阶段则只能由人力完成，如果能提炼到形式表达的阶段，就可以工具化。
研发效能提升，那么首先定义什么是“研发效能”。如果我们定义“研发效能指的是做得快不快、好不好、积极性高不高”，那么这件事只能由人来走查。但如果我们定义“研发效能是指单位时间的需求吞吐量”，那么就可以借助工具来实现。
如果纯粹从客观量化分析的角度考虑，不考虑任何先验的业务经验，那么首先可以做两个假设。
第一我们假设商机是指某个行为与最终交易的有序组合在所有用户行为中出现次数占比最高。
第二我们假设所有影响因素是相互独立的。那么我们只需要把所有的用户路径摆出来，挑选包含行为组合的路径并计算用户占比，就知道哪种行为代表商机了。
之后的优化思路，第一，根据业务经验对统计范围作调整，比如支付确认页节点是要排除的，因为与最终交易的关系太强；比如排除带有营销强引导的环节。这些都违背了相互独立的假设。第二，优化对于商机的定义，比如限定行为组合之间的间隔不超过3步、比如限定特定用户群体、比如根据常见的模型增加更多条件（比如RFM）。
关于第二项就有比较多的发掘分支了，比如行为之间的间隔、次序、跳出、停留时长对交易是否有影响，是相互独立的还是相互依赖的，如果是相互依赖的我们是不是需要自己再捏一个新变量来同时代表两个相互依赖的变量等。
这里，我们已经把比较经典基于后验的分析方法论的核心思想讲出来了。
但是，在算力越来越便宜，且技术不断提升效率的全球市场，比如一个全球的电商独立站/APP要同时展开基于消息推送 ( push )、站外引导 (流量投放 ) 以及新用户承接推荐等场景组成的用 户增长业务体系，并以营销及商业化广告组成的收入增长业务体系，必然在很大程度上需要通过算法去处理UpLift Model（营销增益），这样最终可能还是要走向先验加因果的道路。
想象一下你是一个社交产品负责人，我们从一个修订过的假设开始：
如果我们相信：
假设 A ：人们要么喜欢，要么不喜欢一个故事。
假设 B ：人们不想为他们不喜欢的故事点赞。
假设 C ：如果比写评论更省事的话，一些不喜欢一个故事的人会参与到这个故事中。
所以，我们认为应为可以增加一个“不喜欢”按钮，这就可以增加更多的新闻信息流的的用户参与度。
当我们看到新闻推送点击量增加 10 %时，我们将有信心继续前进。
现在思考一下，当你和你的团队已经尽了最大努力，然后你只看到了新闻信息流的参与度只增加了5%，你该怎么办？
而理解洞察、相关和因果推断的能力，就是出海产品负责人必须要搞定的事情。
数据产品不等于数据分析
一般，我们认为一旦掌握了一些数据产品的使用方法后，就等于我们就可以进行数据分析了。
一个企业会理想地认为如果自建了或者购买了第三方数据产品，就可以马上拥有洞察的能力。
首先一个数据产品本身是否可以提供分析决策能力，就看这个产品是否有机会基于这个企业的全量数据维度，进行基于统计学、机器学习及深度学习AI的不同层次的逐步洞察计算，及分析。
一般来说，这样的分析洞察是需要直接与企业的数据仓库进行对接，需要按照业务洞察的目标，事先确保需要纳入的数据字段、用户行为事件和业务数据特征都可以按照唯一用户ID的方式进行提取后，才可能开始进行。
任何一个数据产品，当它只能提供日常监测事先计算好的统计口径指标（或自动产生报表）的时候，这并不是在做数据分析，而是在做数据展示。
所以，当一个出海团队的产品负责人问我：
“优秀的数据产品指的是 GA、appsflyer这样的数据分析工具吗？但是似乎限于能力，还没有达到对有价值的商机的洞察”。
我告诉他：”如果这些产品已经支持了你的商机洞察，就算，问题是你通过GA只能得到一些报表，然后你还要通过GA把数据导入Big Query做一些特定指标的计算。
然后，如果你是一家新加坡的银行，需要对不同客群进行交叉销售机会的判断，需要产研设计推荐策略来实时在APP流程中向用户提供相关金融产品的信息，这就是数据分析在业务上的价值了，涉及我们谈过的指标之间的量化关系、以及对特定金融产品转化率在客群上的量化洞察能力。
再举个例子：
Reddit 推出了两年来第一次对其手机应用的重大变革。它增加了一个新的发现标签和改进的导航系统。Reddit 有超过 10 万个活跃的社区，但很多社区都得不到足够的流量（曝光量）。这次的变化将使人们更容易发现鲜为人知的社区。
如果Reddit利用用户已有的订阅进行推荐的话，这也是一个将曝光量作为商机洞察目标，以用户画像标签的特征发现作为抓手，以新的”发现“标签和导航功能作为策略的一整套打法。
所以有了数据产品，也不代表就是真正在进行商机发现，就是在进行数据分析。
商业模型不是数据分析
我们经常落入一些流行的商业模型里，比如北极星指标、AARRR、微笑曲线等。
居然还有人在知乎上认为有天赋的产品经理靠直觉来判断，而有经验的产品经理靠的是方法，其实只要看瞄准一个指标即可，这个指标就是OMTM（One Metric That Matters ），俗称北极星指标。
如果可以这样做，那就真是太好了。
但是问题来了，到底如何定这个北极星指标呢？
我们曾经举过NetFlix在早期设计北极星指标的事情，其本质是从财务角度得出公司可以活下去的“门槛值”，LTV > CAC, 这已经不是一个指标了，而是一对指标之间的大小关系。
用一个布尔值来约定公司真的方向，这才是高水平管理。
再比如一家企业，一年拉新的投入费用最多是100万的话，注册成本去年是20的话，只会越来越高。也就是新注册封顶也就是5万。
企业管理层决定拉新今年要翻倍，那投入翻倍都不够，更何况这个模型并不是线性的，显然会有收益递减，实际函数是个log曲线，最终会无限趋近受众人数这个上限。
以上这个过程很多企业都会做，但依旧有几个严重的问题：
事实是有很多的指标并不存在这些显而易见的计算逻辑：
其中很多率实际是个循环计算指标，结果在反推过程计算，并不科学。
所以，正确的做法是：放弃各种计算出来的比率指标，尽量使用数值数据，使用回归算法一次性将公式算出来。
比如，当我们把月份、利润、拉新数、订单数、活跃率一组数据通过回归计算，得到如下等式：
利润 = 拉新数x0.6 + 订单数x6.7 + 活跃率x17.1- 329.1”
就马上理解了一个重要的“科学发现”： 拉新100个人，订单数多9个，活跃提升3.5%这三者是等价的。
这个结论可以被用来解决各种问题，特别是资源分配的问题。
而事实上，一个稍微复杂点的业务，北极星指标也应该有多个，而不是一位唯一的Metric（想一想曾经的百度广告是为啥做成这样的）。
反复理解相关性和因果性
“噪声”，A flaw in Human Judgment这本书里有较大篇幅谈到相关性和因果性的问题。在日常决策中，基于统计学的决策难度较高，人类普遍较容易选择通过因果去做出决策，但统计学的决策方式可以纠正误差，有些误差是致命的。
我这里列下对于一个快速成长中的团队需要关注的要点：
-
重视相关性结论， -
接受条件概率思想 -
接受试验驱动下的创新 -
拥抱用户视角的定量和定性方法
在出海模式下，任何一位面向“不确定性”的团队工作模式将发生很大的转变。
核心工作需要对核心业务的核心指标及波动范畴心中有数，并通过勤奋看数、思考和周会讨论来加深“直觉的培养”。
基本方法上，掌握条件概率、联合概率、假阳性，业务常识作为辅助。
可以马上着手去做到以下几点（敲黑板）：
-
设计出可以量化关系的指标体系（这个我们在课堂上会带领学员动手设计） -
定义出公司和用户各自的成功指标后拆解到各个职能上。这样便于内部认可和执行，随意的组织结构调整未必能解决真实问题。 -
明确OKR后，全公司可以围绕方法论做探讨，比如增量怎么做，是花钱，怎么花，还是做自然流量（廉价流量），怎么做？是靠渠道内容建设还是走社交关系转化，这样才能真正落地。 -
要重视流量，但不能热衷于流量获取 -
对于用户体验（也是可以量化的）和服务质量（也是可以量化的）需要花足够的时间去研究
祝所有的出海团队真正地理解如何分析数据，发现全球市场的商机。
可以继续阅读我写的：出海独角兽们的“数据问题”