需求的频次并不等同于用户的活跃度

我们常说产品0-1。你知道C端产品的用户规模是多少吗？——只有100万用户计算1，但根据目前移动互联网的普及程度和用户的教育程度，获得100万用户并不难。也许你眼里有很多100万用户，而在投资者眼里，100万用户只是起跑线。除了用户规模，通常还有一段时间，用户越短，就越有可能受到市场的青睐。(我曾经主导过一款产品，上线一个月就获得了100万用户。据我所知，其他产品上线一周就能获得100万用户)。对于目前的移动互联网来说，最大的问题不是100万用户，而是有多少用户活跃，有多少用户可以继续保留。这是一个非常尖锐的问题，也是我们面临的挑战。如果你的产品有100万用户，但每天活跃用户不到5万，你该怎么办？在产品粘性认知之前，我们会认为低活动的罪魁祸首是业务需求频率低，所以在建立项目时，我们会仔细考虑所谓的高频或低频需求。这是老一代互联网人的观点，现在已经不那么适用了。事实上，许多优秀的产品也诞生在低频需求中，最具代表性的是电子商务领域的颠覆。严格地说，电子商务产品也属于低频需求，大多数用户每月只有一次网上购物需求。在这样的低频场景中，拼多多在一些数据上已经超过了老京东。我们越来越少谈论需求的频率。在每个人都是产品经理社区，很难找到分析高频或低频需求的文章。这是因为目前的产品手段可以弥补需求的频率。用户的使用频率已经从市场问题转变为产品问题，或者我们对用户活动有了进一步的了解：需求频率并不等同于用户活动。事实上，我们还有其他方法可以提高用户活动和产品粘性，而需求频率只是决定产品粘性的因素之一，甚至不是主要因素。吴军（硅谷之神）在《知识》一书中提到了“牙刷功能”的概念。对于一些低频产品，植入一些牙刷功能可以有效地提高用户的活动。只有当产品的粘性达到一定的指标，当用户有较高的活动时，我们的业务才能持续使用，产生足够的价值，并有机会成为一个优秀的产品。如果你仍然认为产品应该是纯粹的，单一的，不能接受一些与核心业务无关的模块，那么不妨考虑这个问题：“拼多多”和他的“多多果园”，后者与前者的电子商务和群体无关，但为前者提供了巨大的粘性支持，虽然没有数据支持，但我相信多多果园用户有更高的订单率。而现在，拼多多无疑是站在成功的一边。粘性模块和低频业务(实例)用户是否活跃，取决于产品中是否有一些“牙刷功能”高频需求本身可以带来大量的使用，但对于一些以低频需求为核心的产品，植入“牙刷功能”也可以达到与高频需求相同的效果。事实上，高频需求本身只是一种“牙刷功能”，可以被其他“牙刷”所取代。我们曾经认为需求高于产品，产品只是需求的附庸。但现在，真实情况是：产品高于需求，产品是最接近商业模式的存在，也是直接承载商业价值的东西。需求只是产品系统的一部分，非常重要，但能影响产品价值的远不止需求。这就像房子里的承重墙特别重要，但位置、楼层甚至物业管理都会影响房子的商业价值。以下是我实际经历过的项目，我对数据进行了模糊处理，但是数据所传达的整体比例和信息都是真实的。低频产品（示例）我们已经知道电子商务产品是低频产品。大多数用户每月只需要一次网上购物，因此回扣是一种比电子商务更低频的产品。这是我个人经历过的一个项目，用户规模在百万级，我们暂时称之为A产品。项目介绍：a产品是一种返利产品。该平台为京东和淘宝建立了合作关系。通过a产品，用户可以以更低的价格在京东和淘宝上购买相同的产品。该产品深受用户好评，毕竟能给用户带来真正的好处，但实际数据结果却相对惨淡。与其他类型的产品相比，用户的活动相对较低，用户的生命周期相对较短。有很多回扣产品。只有少数产品活了下来，更多的回扣产品死得不清楚。本公司多次组织用户回访，问题的根源不在于产品的核心业务，而在于产品的粘性。当用户在网上购物时，他们忘记了返利产品的存在，甚至对注册产品表示怀疑。当我们向对方解释产品的功能时，对方非常认可返利模式，毕竟可以让用户获得真正的利益。尽管如此，在后续的监控中，用户仍然没有产生活动。低频产品最大的困难不是业务需求本身的质量，而是产品在需求间隔内被遗忘，这些产品在非需求时间内没有存在感。为了验证我的猜测，我进行了30天的数据分析和观察周期。这个分析对象不是整个产品，而是产品中的几个业务模块。在这里，我将与大家分享一些解释性的数据。当然，数据本身是模糊的，但在比例上与真实数据没有太大区别。名词解释：购物：使用A产品完成淘宝购物或京东购物业务，是产品的核心业务；朋友帮助：新功能，与朋友分享，获得更多佣金；摇红包：粘性功能，每天摇红包，间隔5分钟，用户平均每天10次；早起打卡：也是粘性功能，与普通早起打卡相同；初始用户：指模块新用户，如第一次红包、第一次早起；保留：指模块保留，如第一次红包后，第二天仍参与红包，视为模块保留，如果用户在产品中使用其他业务，但不使用红包，不记录模块保留；活跃用户比例：模块活跃用户，60%的活跃用户在整个产品中表示，摇红包的用户占今天活跃用户总数的60%。如果今天有1000人摇红包，整个活跃用户A产品是1666，摇红包的用户占活跃用户总数的60%。这些数据的比例非常接近真实数据，不难发现用户活动摇红包占据了非常重要的地位。这些数据的比例非常接近真实数据。不难发现，摇红包的用户活动占据了非常重要的地位。换句话说，如果我们放弃这个模块，产品的日常生活将减少60%甚至更多。从保留的角度来看，摇红包的数据远远超过其他模块。我们甚至可以认为，参与过摇红包的用户保留概率更高，甚至使用频率更高。摇红包在A产品中充当“牙刷功能”。平均每个用户每天会参加12次摇红包。虽然每次只停留2分钟，但每天会使用12次。这是一种模块化分析的方法。在数据分析的过程中，我放弃了对整体数据的解释，改为对模块数据的深入分析。由于分析的粒度更加细致，我们发现了许多以前从未考虑过的问题。例如，我们发现用户的活动并不取决于我们的核心业务，而是支线业务驱动用户的活动。我通过一些第三方数据平台做了一些研究。A产品在返利产品中排名前5名。开发更好的返利产品具有一些能显著提高用户活动的功能，如花生日记的传销能力。至于一些死亡返利产品，几乎不包括能有效粘性的模块。现在，很多优秀的产品，我们不难发现一些模块似乎与核心业务无关，但可以大大提高用户活动，甚至裂变能力。在这个模块化的数据分析的帮助下，我们做出了一个非常明智的决定，将新用户转移到红包模块。这样的决定增加了整个产品的保留率30%，我记得日常生活也增加了15%。基于模块的数据分析在大型工厂中很常见，因为它们有很多模块，也因为在大型工厂中，一个项目组可能只负责一个模块。然而，在我看来，更多的因素是大工厂有很多前辈。那些具有丰富实践经验的产品人员将模块化数据分析作为团队应用的要求和规范。对于野路子产品人和一些还没有成为大工厂的潜在团队来说，很难接触到“模块化数据分析”的概念和方法。很遗憾，但至少现在还不算太晚。我可以非常肯定地告诉你，产品是由几个模块组成的，核心业务需求只是许多模块中较大的一个，就像房子里的承重墙一样，非常重要，但不是唯一的一个。在产品中，每个模块都扮演着不可阻挡的角色。有的实现付费转型，有的实现商业收入，有的负责裂变和创新，有的负责改善用户活动，相互关联，完全独立。特别是目前的产品市场已经足够成熟，产品设计的方法也是一个接一个的。仅仅建立一个核心业务是没有办法在当前环境中与他人竞争的。有趣的头条用户已经超过1亿。与传统信息产品不同，有趣的头条文章质量不高，与腾讯新闻和今日头条的阅读水平差距很大。然而，其他信息产品确实没有趣头条的裂变模块。有趣的头条新闻的做法在互联网上被称为无所事事。没有人想过脱离主营业务的另一种方式，但他们不被团队接受或无法通过自己的水平。云集也是如此。电子商务不是云集竞争力的体现。商店经理系统是，300万商店经理为云集带来了3000万用户。产品开始进入模块化时代，市场竞争的舞台逐渐从核心业务竞争转向数据指向明确的模块竞争。我们比较谁的裂变模块能带来更多的新用户，谁的粘性模块能带来更高的用户保留和活跃的用户。鉴于这种市场形势，掌握基于模块化的数据分析方法和相应的能力尤为重要。很多问题在整个产品上都很难找到解决方案，但是把问题分配给相应的模块更容易找到解决方案。在模块化数据分析中，我们提倡将产品肢解为几个阶段。我们以粘性模块为例：首先标记每个模块的管理；单独存储用户的每个使用行为；比较用户的第一个使用日期，计算用户的日常保留情况；正常分布整个平台的用户；获得基于模块的保留数据报告。整个过程相当于做了一个迷你版的BI系统，复杂性和成本还是比较高的。这样的模块化数据保留报表可以帮助我们更清楚地判断模块的质量和价值，最终影响我们的三个重要决策。由于模块的保留能力可以直接作用于新用户，因此新用户的保留能力可以大大提高。那些看似重要但实际上保留率较低的模块意味着用户不会继续使用该模块，或者该模块的使用频率相对较低，不能起到“牙刷功能”的作用。我们可以停止投入模块的资源，甚至放弃模块。保留和粘性也是用户信任的一种表现。该模块的用户往往对产品有更高的信任度。与其他模块的用户相比，他们更有可能支付，甚至多次支付和回购。该模块的用户将更容易生成产品的超级用户。有些国家，仅仅依靠一个城市，就能带动整个国家的游客规模。比如柬埔寨和吴哥窟，对于前者来说，80%以上的外国游客都集中在吴哥窟。和国家一样，产品也不需要每个模块都那么吸引人。许多模块只是为了完成某些业务的支持，这些模块是有价值的。但我们应该明白，价值与吸引力并不完全相同。除了有价值的模块，我们还需要一些看似没有太大商业价值但有吸引力的模块。如何分析模块化数据？对于大多数团队来说，模块化数据分析是非常困难的，因为我们无法支付“数据模块化”的研发成本，这相当于当地版本的BI系统，非常昂贵和困难。当我尝试模块化分析时，我花了两周的开发时间来埋葬数据和挖掘，而不包括我自己的计算和模板设计时间。一些第三方数据统计系统也具有模块化统计的能力，只要访问和设置简单，就可以进行模块化数据分析。比如：友盟 自定义保留可以满足我们对每个模块保留监控的需求。我们可以很容易地看到哪些模块保留率高，哪些模块保留率低。这个功能真的很适用。我们可以将所有粘性模块连接到自定义保留系统，并设置事件名称，以跟踪和监控每个模块的新用户（初始用户），以及用户在模块下的保留。这给了每个团队模块化粘性数据分析的能力，尽管我们仍在探索更多的模块化统计数据。综上所述，我们讨论了用户粘性的问题。当我们试图提高用户粘性时，我们可以尝试植入一些具有“牙刷”性质的功能，用户对自模块的粘性将传递给产品本身。通过实际案例，我们也了解了模块化数据分析的方法。我们可以通过模块划分对每个模块进行独立的数据分析，以获得更有针对性的信息。对于粘性模块，您可以尝试分析模块本身的保留能力和活跃用户的比例，以确定模块的质量和潜在价值。最后，我和大家分享了友盟 提供的自定义保留功能可以简单地实现粘性模块