第1个回答 2022-07-13
【成功案例1】最小化 = 降低试错成本，速度 > 完美
2004年的FaceBook，但是只能填写用户的个人介绍、联系方式、政治观点、个人兴趣，显示用户的朋友、加入的小组和发消息的功能。
【成功案例2】 可行性 = 确保你的产品能够基本解决用户的需求
没有滤镜功能的Instagram不能算是最小化可行产品。因为用户的需求并不是分享照片，而是能够分享拿得出手的照片。
Launch Blocking， 没有这个功能会不会影响发布 ？思路包括四个方面：
1.要明确功能造成问题的风险以及受影响的人群
2.要列清楚所有可行的选项，以及对每个群体的影响
3.分析各个选项之间的风险
4.要有大局观，选择最合适的方案
【案例】 帮助明星用户宣传自己，让这些明星用户获得更多普通用户的关注，从而提升明星用户的点击量。明星用户要完成一些任务，才可以得到宣传机会。发布前才发现只有5%的IOS普通用户能看到这个功能。而IOS一周才会发布一次，新板本给到APP Store还要经过一周的审核。
【方案一】
【 描述】 我们的产品的普通用户部分的功能，先在安卓平台发布，二IOS平台晚两周再发布，明星用户部分的功能发布日当天全部发布；其他几个产品正常发布。
[问题] 虽然可以和明细做解释，但是数据不好看，明细用户依然会对我们的产品失去信心。
【方案二】
【描述】 先发布几个针对明星用户的产品，而我们产品再安卓端和IOS端的发布全部退后两周
【 问题】 因为我们产品延后发布，导致其他几个产品缺乏完整性，用户体验不连贯
【方案三】
【描述】 所有产品全部推后两周调试后再完美发布
【 问题】 全部计划包括公关计划都会受影响，损失惨重，其他组不会同意。
【 方案四 】
【描述】 我们产品普通用户部分功能先在安卓平台发布，而明星用户的功能，选择发布给大部分点击量来自安卓平台的部分明星用户；其他几个针对明星用户的产品，也先发布给安卓粉丝量占比较大的用户
【 问题】 对外的新闻稿，可以把“今日发布给所有人”改成“今日开始发布”
【方案五】（Best）
【描述】 其他几个针对明细用户的产品，以及我们产品的明星用户部分，正常发布；我们的产品的普通用户部分现在安卓平台发布，两周后IOS平台发布这些功能后，再向明星用户显示点击量提升的数据。毕竟明星做任务也需要时间。
【 问题】 其他产品想要完整体验、准时发布的要求，选择了最灵活、代价最小的处理方式。
那么你应该怎么判断制定的指标是否正确，又怎么用指标作出产品决定呢？用一个案例来说明。
【案例】如果你是微信朋友圈的产品经理，现在你要在朋友圈加一个可以用表情包评论的功能，你需要通过制定这个功能成功指标、进行A/B测试，来确定这个功能到底值不值得发布？
首先，明确产品的成功指标是什么。
第一步，弄清楚整个产品的最高目标。
假设微信的核心指标就是用户的活跃程度，包括用户评论、分享、发消息（图片）等用户行为。用户的总活跃分 = 评论*1 + 分享*0.5 +发消息 * 1。
第二步，思考你的产品功能还有哪些指标需要注意。
例如微信朋友圈正计划增加在用户发的状态间穿插广告的功能，即每隔几个状态就穿插一条广告，所以我们希望用户可以多刷几条朋友状态，以提高穿插广告的曝光度，所以用户浏览朋友状态的数量也是一个指标。
第三步，明确这个功能是如何提升整个产品的总指标和小指标的
第四步，思考反向指标是什么。
成功指标是：提升微信的总活跃分和用户每天浏览朋友状态的数量；
反指标是：降低了朋友圈内容质量分；
然后，进行A/B测试验证新功能对产品的影响。
1.设置一个指标提升的具体目标，不达到目标没有继续投入的必要性。
2.如果你的产品有多个指标想要提升，你需要将这些指标按照重要性进行排序，方便出现问题时权衡取舍。
3.A/B测试的时间需要根据具体的产品情况而定，过短的测试时间得到的指标不具有稳定性，需要等数据稳定后再做决定。
用增长日活数的例子分享了如何用数据做决定。案例背景：通过提高新用户的留存率来提高日活数。我们发明了一个指标：七天活跃天数。D7=1，代表过去7天只使用了这个App一天；D7=7，代表在过去7天每天至少使用这个App一次。D7>4代表高活跃度用户，4>D7>2代表中活跃度用户，D7<2代表低活跃度用户。
首先，要形成具体的假设，注意要把不同的假设分开。
第一种假设：用户没有关注其他用户（或关注的数量非常少），他们的朋友圈里没有足够的内容，因此在APP里停留的时间也就非常短。
第二种假设：用户没有被其他用户关注（或关注他的人非常少），他们自己发出的内容很少会有人回复，久而久之丧失了对APP的激情。
其次，通过A/B测试的方式验证假设，每个假设需要单独设置对比实验来验证。
1关注其他用户：
A 可以一键关注所有推荐的好友（D7增加6%）
B 不推荐好友
2被其他用户关注：
A 账号作为推荐放到其他用户朋友圈的第一条（D7增加4%）
B 避免被推荐给其他好友
3何时推荐用户关注其他更多用户
A 第一周（Best）
B 第二周
C 第三周
D 第四周
然后，验证完了某个变量对总体的成功指标有积极影响后，需要找到这个变量影响整体指标提升的规律。
1 关注其他用户
统计图的横坐标设置为新用户第一周内关注其他用户的数量，纵轴为D7。
结论，当用户关注的其他用户数量在20左右的时候就到了所谓的临界点。
2 被其他用户关注
统计图的横坐标设置为用户的粉丝数量，纵轴为D7。
结论，粉丝数量不在乎多，如果有几个特别忠实的粉丝给你评论，发消息，照样可以坚持在APP上发状态，增加D7。
A/B测试的场景
【案例1】进行A/B测试前，你必须要明确要测什么、如何测的问题
微信中“加好友”这个按钮不好找，导致用户加好友的次数不够，我认为把这个按钮从屏幕上方改到下方，可以让体验更加顺畅，以增加用户加好友的次数。
【案例2】验证因果性的唯一途径，明确两个概念：“ 关联性”X变化导致Y变化；“因果性”因为有X，才会有Y。
我们做了一款APP，数据显示启用了“隐私设置”的用户中，活跃用户的比例比较高。
你可以这么设计实验：实验组用户可以使用“隐私设置”的功能，而对照组用户无法使用这个功能，其他实验条件完全一致。结果，A/B测试显示，“隐私设置”并不能提升用户活跃测度。而活跃用户启用“隐私设置”的比例比较高，原因是这个按钮不好找，只有深度客户才会去花心思把他找出来。
不适合使用A/B测试的场景
第一种情况是，无论新功能上线后的数据怎么样，都要发布这个新功能，这时你要做的是如何优化用户体验，而完全没有必要进行A/B测试。
第二种情况是，样本数量太少，不能通过A/B测试得出合理、科学的结论。
短期数据 VS 长期数据
需要意识到新功能的短期新鲜感和长期的生态系统影响。例如：Instagram要增加一个给好友点“超级赞”的功能，目的是提高用户分享的频率。刚开始用户的活跃程度确实提高了，因为有了“超级赞”，他们发新鲜事倍有精神，分享数量大幅度提升，短期数据棒极了。但是从长期来看，增加了“超级赞”的功能后，用户会因为只是得到了“赞”而没有获得“超级赞”，而感觉自尊心受损，最终不愿意也不敢分享了，所以从长期来看是数据下降了。