通過自助數據分析發現產品改進的機會

產品管理的核心是內在的好奇心和回答問題的動力。 僅僅看到一個產品的表現並想知道為什麼是不夠的。 一個好的產品經理會追隨他們的好奇心，以盡可能多的方式對數據進行切片和切塊，以診斷正在發生的事情。

一些 PM 有這種好奇心，但沒有進一步研究的工具。 相反，他們可能不得不依賴像數據科學家或專門的分析團隊這樣的人。 以這種方式製定假設和回答問題需要更長的時間，從而減慢了產品開發過程。 擁有獨立回答問題的正確工具可以為轉換帶來很大的不同。

交貨時間長和數據死角

我從作為二手車市場 Shift 的 PM 的個人經驗中了解到這一點。 二手車市場很複雜。 它是周期性的，因此，雖然在大流行期間大風一直在我們背後，但在其他時候我們面臨著巨大的逆風。 購買任何汽車也是一個漫長的過程。 對於許多人來說，他們的汽車是他們一生中的第二大購買，僅次於他們的家。 買家希望確信他們正在為他們挑選合適的汽車，這需要時間和考慮。 購買汽車的平均過程需要三個月，在這個過程中有很多步驟，從研究和預算到確定特定車型和個別汽車的優點。

擁有正確的工具來獨立回答產品數據問題可以為轉換帶來很大的不同。

2020 年，我在 Shift 擔任高級產品經理一職，負責業務增長。 “成長”可以涵蓋很多。 我專注於搜索引擎優化並與我們的營銷部門密切合作以優化廣告，鑑於我們龐大的庫存和廣告預算，這很重要。 我們還會在特定時間開展促銷活動，例如 7 月 4 日或年終銷售期間，我幫助確保這些促銷活動取得成功。

當我到達 Shift 時，團隊正在使用 Segment 作為我們的客戶數據平台 (CDP)。 我們還運行 Periscope Data，這是一種在 SQL 查詢之上運行的商業智能 (BI) 工具。 我可以讓它工作，因為我知道一點 SQL，但它花費了大量的時間，而且產品組織中的許多人都沒有同樣的能力。 相反，他們必須提交一張票來創建圖表，如果他們沒有得到他們需要的東西，然後提交後續的票。 獲得這些數據答案的準備時間很長，即便如此，由於數據不完整，我們還是遇到了很多死胡同。

在整個組織中做出更好更快的決策

無法訪問實時數據迫使產品團隊行動緩慢，這就是為什麼在我到達之前不久 Shift 轉向了 Amplitude Analytics。 很少有人使用這個平台，但我可以看到它的價值。 自助服務數據將使 PM、設計師和公司中的任何其他人都能夠回答他們自己的問題。

把它放在上下文中：當我入職時，Shift 只有四位 PM。 我們現在有 16 個。如果每個人都繼續通過分析團隊發送數據請求，單靠這種增長是不可能的。 我們需要讓個人 PM 製作、編輯和共享圖表。

授權產品經理和設計師回答他們的問題，使他們能夠快速做出關鍵決策。

我們開始了一項持續的計劃，以增加 Shift 的分析使用率。 每兩週，我都會舉行一次公開邀請演練，介紹該平台易於共享和易於理解的儀表板。 我與任何人談論這個平台，無論他們來自產品、設計、用戶研究，還是介於兩者之間的任何地方。 我為這些會議制定了議程，但我經常發現最吸引人的會議是人們帶著特定問題到達的地方，例如，“有多少人通過了我們貸款申請的第三、四、五步？” 當我向人們展示如何識別相關分析事件來滿足他們的需求時，他們會立即看到平台的價值。

隨著時間的推移，我看到人們越來越多地使用和信任 Analytics，並且對更大團隊的數據信心也有所提高。 授權 PM 和設計師回答他們的問題，使他們能夠更快地為他們的領域做出關鍵決策，構建數據驅動的產品和戰略路線圖。 我們可以從我們的一個關鍵指標“訪客到領導”的同比穩健改進中看到這一點：從訪問我們的網站到對汽車產生積極興趣的用戶旅程。 自從在 Shift 推廣 Analytics 以來，我們對購物流程進行了許多改進，包括創建數百篇文章來幫助教育人們購買。 所有這些都導致​​了更高的訪客到潛在客戶指標。

我們如何使用 Amplitude 功能來改進我們的產品

我們的產品經理利用平台內的許多功能來改進我們的產品，包括：

振幅實驗：我認為這是數據驅動的第二個層次。 第一級是簡單地了解正在發生的事情。 我們通過 Experiment 解鎖的第二個級別是查看基於 A/B 測試的更改的影響。 我們之前使用我們自己開發的解決方案運行 A/B 測試，但它仍然需要我們的數據科學家花時間編寫代碼以在 Periscope Data 中創建測試儀表板。

將測試轉移到實驗意味著我們可以構建儀表板、開始和停止實驗，並自己回答我們的問題。 一個例子是我們對一項名為“汽車比較”的潛在新功能進行的測試。 汽車比較允許用戶選擇多輛汽車並比較它們的屬性、價格和詳細信息，例如每輛汽車發生了多少次事故。 它還並排顯示了這些汽車的照片。 將蘋果與蘋果進行比較有助於用戶更快、更自信地做出購買決定。 此功能是在 Experiment 的幫助下啟動的。 最後，產品經理可以自己控制推出和拆分測試（無需工程或數據科學）。 這極大地縮短了從啟動到學習的周期時間。 幾週後，我們看到關鍵指標在統計上有顯著改善，並立即更新了 Experiment 以向 100% 的購車者推出該功能。 汽車比較在 A/B 測試中取得了巨大的成功，現在我們已經推出了它，它已經成為我們訪客到潛在客戶指標的主要貢獻者。

細分和群組：我們經常使用細分來創建用戶群組並診斷數據表面下的問題。 例如：隨著越來越多的人習慣於在移動設備上購物，我們看到許多用戶第一次在移動設備上訪問我們的網站，然後又切換到桌面完成財務表格。 因此，我們將創建一個群組來跟踪這兩種設備的行為。

我們在通貨膨脹和供應鏈問題上看到的另一件事是，人們對二手車市場的興趣越來越大。 作為領先的二手車市場之一，這意味著爬取我們網站並收集我們車輛數據以進行市場研究的機器人數量將大幅增加。 機器人最初引起了很多關注，因為它們在特定頁麵類型上產生了巨大的峰值，比如我們的車輛詳細信息頁面。 但是現在，我們創建了一個群組，允許我們從用戶數據中識別和過濾這些機器人。 我們還使用同類群組按營銷渠道對用戶進行細分。

用戶查找：用戶查找是一個很棒的診斷工具。 我們可能會有這樣的問題，“當用戶點擊圖像輪播時，是否存在事件？” 在這種情況下，我在 Amplitude 中找到我的匿名用戶 ID，單擊瀏覽器中的輪播，然後查看觸發了哪些事件。

用戶查找也可以幫助了解如何構建漏斗。 如果我想了解某個用戶行為的流程，我將深入事件流以查看導致相關轉換的重要事件。 使用這個工具向我們展示了個人客戶的旅程是什麼樣的，以及他們從我們這裡購買汽車的路徑。

成為數據驅動型使每個人都能夠發現產品中的機會。

漏斗：漏斗對我們來說至關重要，因為購車過程很長，涉及的步驟很多。 我們在購車過程的各個階段吸引用戶——有些人在他們的旅程一開始就來找我們，當時他們還在弄清楚哪種類型的汽車適合他們。 他們可能正在與他們的合作夥伴討論購買或確定他們是否需要汽車。 其他客戶到達我們的網站時已經完成了他們的研究，準確地知道他們想要的年份、品牌和型號。

漏斗幫助產品團隊將復雜的購車用戶旅程分成多個階段，具體目標表明客戶越來越接近購買。 所以我們的第一個渠道可能是註冊我們的網站。 下一個可能涉及收藏多輛汽車或添加已保存的搜索。 通過分析，我們確定了買家旅程中的關鍵事件。 例如，我們已經看到，當客戶點擊查看 CARFAX 報告時，他們更有可能購買汽車。

識別值得追求的機會

在某些組織中，房間裡收入最高的人決定了產品的下一步去向。 他們有一種預感，主頁應該是藍色的，所以主頁變成了藍色。 沒有人提出具體的問題，因為很難得到具體的答案。 但是您不應該僅根據軼事證據做出決定。

變得更加數據驅動使 Shift 的每個人都能夠發現我們產品中存在的機會。 當我們在分析中看到意想不到的東西時，我們都可以更深入地挖掘，看看那一刻是否是一個正在形成的機會，甚至可以測試以找出追求它的含義。 這有助於每個人做出更好的決策。 很容易迷失在大量的數字和指標中，但分析提供了很好的定量數據，我們可以將這些數據與定性數據配對，並與用戶研究團隊一起決定哪些機會值得追求——哪些是錯誤的開始或不值得我們花時間.

Amplitude 幫助 Shift PM 將我們的精力集中在重要的部分上，這將推動業務影響，並幫助客戶更輕鬆地購買二手車。