产品经理实战篇-面对复杂的需求,如何高效落地?
在我们日常的产品工作工作中,有两个模块非常核心:
- 设计/产出需求文档
- 上线后拿到效果
客观来说,完整地执行好这两部分,需要很多的精力和经验才能不踩坑。
很多高阶产品经理,在面对一个项目(多个需求的集合)时,依然不能高效落地,原因就在于没有一套方法论,或者没有很好地复盘之前踩的坑。
今天,我们主要来说一下,作为一个想要晋升/已经高阶的产品经理,如何做到高效、高质量的落地。
首先,很多需求/项目是需要做AB实验、分析埋点、或者用户调研来看清效果的,简称为“实验”需求(即这个需求不是100%有正向收益,需要实验后才能明确)。
其次,实验是一套新的方法论,相较于做一些普通功能来说,有以下特点/难点:流程长、复杂度高、易遇突发问题、考量因素多。我们做的重点需求/项目,基本都是实验需求。
一、以例子开头
有个需求是「给体验不好的用户发券,降流失」,遇到了几个问题:
- 上线后出现bug:需求文档上写明了——只适用于新用户,但后续环节出现问题、导致老用户也收到了券。不仅实验进度受了影响,而且花出去的钱浪费了。
- 改了老bug,来了新bug:基于1的问题,技术改了,没想到又引发新问题。实验暂停。
- 取不到数,无法进行分析:由于底层数据的问题,出现了意料外的情况,实验进度受了影响。
- 实验效果有负向,怎么办:是不是需要优化实验方案?还是放弃这个实验方向?还是数据分析有问题?
以上问题易发,产品经理只能被动解决。虽然不完全是产品的锅,但作为owner,会受到各种质疑和责问,长此以往将失去老板、协作方的信任。
二、掌握主动权,产品经理可以做什么?
实验=做不明确的事,要快、准、狠地找到解法/结论。
首先要准(方向),找准方向,事半功倍。(经验/数据/用研的指导)
其次要快(效率),天下武功、唯快不破。(落地不delay)
再次要狠(成本),学会决策,不断迭代。(实验不成功,及时转变方向/调整方案)
以上为实验的指导方针,那么具体怎么做到呢?
首先,定义实验中的关键流程和约束条件。
- 关键流程:我总结为四要素,好设计→控时间→保品质→拿结果。
- 约束条件:时间(要求最晚上线时间),人力资源(需要开发、运营、数据分析师、客服等协同),不能有PR/法务风险,ROI投入产出比必须≥1.5,等等。
其次,规避“关键流程”里的“约束条件”下的坑。
在前面列举的约束条件下,会踩很多坑,不如:
- 求快,那么开发周期就要缩短,质量和功能完整度就会打折扣。
- ROI约束,那么发券的范围、优惠额度会收窄,导致验证不出实验效果。
那么,如何找到最优解、尽量避坑呢?
1. 好设计:磨刀不误砍柴工
追求短时间的快,可能带来长时间的慢。
a. 功能设计:实验一般都先做一个MVP极简版本,需要明确定义核心要素——保留对实验结果影响较大/有指导意义的要素。
比如要做用户任务、完成任务给予奖励,需要同时保留后端逻辑和前端感知(均对任务完成率有较大影响),任务配置后台就不用做。
b. 实验设计: 并联效率≥串联,分多个实验组,验证多个猜测、更好地指导迭代。比如:
- 给用户发券,想了解哪种券ROI最高,可以分几个实验组发不同金额的券。
- 评估实验效果,数据分析师写sql跑数 or 实验后台能直接看到数据,当然后者更方便且错误率低。
c. 定义实验指标: 指标直接关系着效果评估、实验成败,放在后面环节来说。
d. 技术方案设计: 缺失该环节,可能导致取不到数/取数不准/迭代困难。 在需求评审or开发阶段,需要和数据分析师、技术一起明确技术方案(关注要点即可,不必面面俱到)。
比如底层表里没有某项数据,大家均自信认为有,结果到了评估阶段,技术发现问题、数据分析师发现取不到数。
2. 控时间:定好排期后、减少delay
Q:如何防范delay风险?
A:排除掉外部因素,基本就是人的因素,所以我们要针对人。以下主要说核心参与人员的避坑。
- 针对能力尚缺的人(评估失误),复杂的实验需要技术评审且技术leader要在,double确认排期、并确认开发难点(凭经验)有无问题;
- 针对没有承诺意识的人(不去弥补、认为提前告知风险就没有责任),和技术leader一起沟通、复盘问题;
- 同时,PM需要强调“排期准确性的重要程度=实验质量”,排期即为ddl(最晚上线时间)。
举个例子,实验A逻辑比较复杂,需要多部门协同,技术变更了两次排期。
- 第一次变更:技术开发了一半,发现开发时间要拉长。
- 第二次变更:技术反馈开发复杂度高、测试需要更严谨、又拉长了测试周期。
在做复盘时,大家对问题产生的原因描述如下(不讨论各人能力问题):
- 技术:产品急着要排期,所以对时间评估不充分。
- 产品:很委屈,早前和技术确认、给了几天完整的时间用于评估,且技术从未反馈时间不够。
- 产品:第二次时间变更,未提前告知我,是测试介入时间拉长、才发现的。
Q:怎么约束人的行为?
A:在实际情况中,我们能做的有限。
这类人在工作中遇到的并不多,以后的需求留个心眼,做一个仅对ta催命的PMO。
另外,遇到此类情况,需要及时复盘,减少以后出现的概率。
3. 保品质:bug降发生、及时发现
- bug的出现:源于测试case的不完整,特别是边界case、不好构造的场景、测试不知道的改动点。(不是说测试人员有问题,而是整体协作的问题)
- bug的发现:反馈渠道有限,比如进线、自己遇到、达到阈值报警,也有可能直到实验全量都不会发现。
Q:如何保障实验质量?
A:最担心的两个问题:
-实验没法看效果(没生效或出了bug或数据紊乱);
-实验影响了别人(造成事故)。
所以,站好owner的岗,必须做好以下4件事:
1. 定义最小验收成本:定义能保证实验正常运转的产品验收case;推动测试case评审。
2. 定义最大适用范围:需求文档里专列一个模块,标注适用和不适用的情况,和RD、QA强调一定要测试到。
3. 监控:基于实验风险程度和重要性去评估要不要做。有两大作用:控制风险——超出阈值代表着「量级超出预期、可能存在bug」,比如大范围发券,一定要有阈值控制。保证质量——低于阈值代表着「量级太小,不满足评估条件、或者实验未生效」,用于及时发现问题。
4. 改动必回归:每一次的改动,都要及时回归,可以找测试帮忙。比如改了bug后、又影响了其他地方,如果没有监控、且未回归,就容易留坑。
4. 拿结果:≠拿收益,只是验证对错
我们需要正视的是,实验结果不一定是好的,甚至有可能负向。此时,我们应该有两种思路:
实验结果是准确的吗?——尝试去验证/发现问题。
实验结果是可改变的吗?——尝试去迭代/优化。
如果以上均告失败,那么,该转变实验方向了。
Q:没提升「某一核心指标」的实验=失败?
A:不是。 拿转化率来说,它可能是一级/核心指标,但不是衡量成功失败的唯一指标。如果一个实验没能提升用户的转化率、但提升了用户留存率,从长期来看也是成功的。
- 每个实验指标不是唯一的,可以有很多辅助指标(用户频次、活跃、留存、功能埋点等),帮助分析问题、review实验价值。
- 转化率的特性在于当时的刺激(比如优惠券刺激转化)等,如果要看实验的长期潜价值,可能需要其他指标的辅助(比如用户留存)。
Q:如何定义辅助指标?
A:需要基于公司大目标、实验内容来灵活调整。比如公司大目标是订单量增长,那么:
核心指标应该是订单量。
二级指标,比较通用的是用户量、人均下单频次、转化率这些。
三级指标,需要基于单个实验内容,比如曝光、点击、停留时长等。
Q:效果不达预期怎么办?
A:有三种情况。
一是环节问题,太多地方能出问题了——方案设计不合理、存在bug、取数口径…
二是评估问题,可以精细化拆解,通用方式是城市差异、新老用户差异等。
三是方向问题,没有bug、没有错误,只是因为实验方向不对、对未来预判错误,不过这个点比较难被接受。
以上,希望能帮到你。欢迎补充和提问~
本文作者 @小乔 。
版权声明
本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!