产品增长实践：设计 &#62; 数据 &#62; 算法

2019-04-16 19:33:00

本文结合实际案例，讲解了设计是如何影响业务数据，影响到底有多大？理解设计-数据-算法三者之间的关系，以及对增长的影响。产品上下游团队该如何协同，通过数据驱动业务增长？

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：

设计是如何影响业务数据，影响到底有多大？
理解设计-数据-算法三者之间的关系，以及对增长的影响。
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。

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？
笔者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？笔者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。

旅游景区的用户喜欢购买价格偏高的商品。
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？
笔者柜机商品最初版本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。

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：

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：

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：

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：

在视觉流分布线上，商品曝光要远大于其它产品。
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。
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。

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：

单柜机的日均订单并没有减少，而客单价略有提升。
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：

在超过两行的设计情况下，用户的视觉流分布呈Z字型。
处在视觉流路径上的位置，更容易比其它位置获得点击。
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。

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。

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：

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。
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：

单柜机日均订单量略有增长，增幅也就只有1%。
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。
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。
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。
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%。

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：

版本1中，各个商品并未发现太大的竞争。
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：

单柜机的日均订单量有明显的提升，增幅达到30%。
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。
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：

同一用户多购买不同品类的商品。
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：

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。
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