3.2.3　不要靠感觉，要靠数据

闭门造车的产品经理现在已经不多见了，但是习惯依靠自己感觉的产品经理还是很多。以下亚马逊的一个例子将告诉我们数据的重要性。

故事始于2003年，著名的数据科学家塞林格创办了一家咖啡机商务网站。这家网站做得相当不错，连贝索斯都开始注意到他了。于是，贝索斯代表亚马逊公司向他发出一个邀请，想请他加入公司并组建一个名为“亚马逊实验室”的数据挖掘开发与研究团队，而这个团队的工作核心就是数据挖掘。“可是，我在数据挖掘领域没有多少专业知识。”当时的塞林格还只是一个软件工程师，不是现在人们称呼的“数据科学家”，所以他选择了拒绝。

他在日后回忆说：“而且当时数据挖掘并没有引起人们的注意，也不流行。亚马逊公司大概找了我五六次，但是我都一一拒绝了，因为我认为数据挖掘很无聊。虽然我拒绝了，他们还是一直来找我。”

最后，塞林格被贝索斯的坚持打败了，加入了他并不愿意加入的亚马逊公司。对他来说，这份工作“很难受”，这是因为贝索斯所描述的其实是一个新团队、新项目。更糟糕的是，项目主管换了一批又一批，最后塞林格的团队由贝索斯直接带队，因为居然没有合适的项目主管！

这个数据挖掘团队当时的主要目标就是：分析亚马逊公司的数据，想出提高营收、增加利润的新方法。为此，塞林格开始学习算法，开始挖掘数据中的商业潜力。随后，他的团队发现，亚马逊公司其实可以靠卖广告赚钱。

塞林格对贝索斯说了这个想法，当时贝索斯觉得这个想法糟透了。贝索斯说：“这个想法相当愚蠢，我们是网络零售商，为什么要卖展示广告？”然而，作为一个优秀的管理者，贝索斯并没有阻止塞林格继续研究下去。塞林格在亚马逊的网站上进行了小范围的测试，结果证明显示广告居然是亚马逊有史以来最赚钱的项目。尽管亚马逊并没有公布广告收入，但塞林格认为当时亚马逊靠广告赚了至少10亿美元。此外，塞林格还从贝索斯那里学到：做生意要靠数据，不要靠感觉。

三年后，塞林格离开了亚马逊公司，与另一位亚马逊高管成立了今天的RichRelevance。而RichRelevance的产品与塞林格在亚马逊公司开发的产品有异曲同工之处，都是在线零售商和广告商喜欢的产品，背后的支撑显然就是塞林格以前很熟悉的数据解读。

RichRelevance拥有沃尔玛等大型超商客户，每年可以为客户带来30亿美元的营业额。如果说当年贝索斯没有让他去做数据挖掘的话，哪有今天的RichRelevance？

数据分析因互联网而起，互联网的数据分析将人为的感性判断转化为定量分析，在提升客户体验上发挥着重要的作用。尤其是互联网上的电子商务，我们无法只从获得订单的数量上来确定是否有价值。又如一家韩国的网上购物商城，有1300万名客户，网站的日访问量接近100万人次。按理说，这样的用户量应该能够促进每一次的成交。但是管理者发现，网站每次做活动促销的预期结果远远低于用户的响应，产生销售的商品比例不高，这一点让工作人员很困惑。透过这个问题，管理者很快发现了在数据解读上存在弱项。数据分析不是简单看一些加工后的数字，然后根据数字对每一项内容进行定义，而是要根据数据的结果给出解读，不管是横向还是纵向，还需要计算。

这个网站使用的方法是，通过对比每类促销活动的实际访问者分析转化率，并且详细分析渠道效率。同时，还确认每类促销活动访问者搜索使用最多的关键词、位置和采购的商品。另外，还在页面上覆盖可以测量页面中每一项的点击率和访问者数量的功能，测量页面中每个位置的价值，找出热点区域和非热点区域。通过这些数据以及许多细分数据，来分析促销活动的最大化数据体现在哪里。

也许，许多产品经理对数据从哪里来这个问题一点也不感觉奇怪，因为新产品上线的时候我们很少能看到数据。但是千万不要低估人们生产数据的能力：Google每天处理的搜索量超过30亿次，每秒回答3.4万个问题；中国移动后台系统每秒钟处理的信息数量达到亿级；每天有数以千亿封电子邮件在全球互联网上传递等。我们要关注的不是数据如何产生，而是在数据产生后我们要解读哪些数据。

通常，团队在做数据分析时，最重要的是要弄清楚我需要什么样的数据。要怎么做到数据的详细和细致呢？基本需要八个纵向的分析数据。

第一，固定的报表。比如，定期反映用户使用量、报告产品成绩等。

第二，即席查询。支持灵活的查询分析，满足报表之外的信息需求。例如，哪些用户使用了你的产品，同时还有哪些用户离开了你的产品。

第三，多维分析（OLAP）。从多个角度分析查询问题，如用户的留存率，哪些用户用什么样的方式接触到产品，产品所展示的诸多平台中哪一些是最重要的。

第四，预警功能。比如当用户的使用数对历史数据来说显然过高或者显然过低的时候，都应该出现这样的机制，以协助产品分析。

第五，统计分析。比如通过回归分析，分析产品一系列的指数。

第六，预测分析。比如预测未来一段时间内产品的用户量是否会增加，是否要增加某些方面的投入。

第七，数据挖掘建模分析。基于用户的使用细分客户群，寻找每个客户群的行为特征以及潜在需求，推送个性化的信息和服务。

第八，优化分析。这一点会比较复杂，不同的产品需要不同的数据来定义优化分析后的结果及要素。

除了数据的支持，我们如何让用户感觉到痛点是真的值得被抚平呢？