别被数据带进沟里，首席增长官正确应用数据的姿势！

导读：尽信数据，不如无数据。

你以为数据能够告诉你一切？其实如果你不能用正确的姿势运用数据，很可能会被它蒙蔽，做出非常危险的错误决定。

你对数据的把握、了解，决定了你如何利用数据来改变认知。阅读本文的4个案例，看看谷歌、领英、Netflix等明星公司是如何运用数据驱动决策的。

案例01 Airbnb数据驱动认知的故事

Airbnb是一家数据驱动的公司，但是Airbnb并不是完全靠数据来指导整个工作，他们是先以认知为主导，提出一个假设，基于这个假设，做出一些功能，上线通过A/B测试等方式来验证这个假设，然后不断的重复这样的验证驱动。

这种不盲目用数据来指挥决策的方式，是依靠人的直觉和认知来做主导，数据验证为辅的模式来驱动。因为在数据中发现的规律，不一定是代表正确的规律，有时候通过小数据发现的规律，再用大数据的分析方式来验证，可能会更有效果。

人的认知与数据分析是互补的，认知依据小数据可以发现情感、人性、感性所决定的规律，但是数据分析不一定发现得了，数据分析通过算法与计算，可以发现人思维触及不到的地方。

Airbnb认为，如果没有经过足够样本的测试，数据就有可能会误导人，所以有了想法和假设之后，就要去真实世界尝试，并发现数据来证明这个假设。

在Airbnb，鼓励每一个员工都能够做出新功能，新员工第一天就可以发布自己的新功能，并测试这个功能是不是有效，鼓励员工把想法实现成功能，再为功能做好测试。

Airbnb 以前仅仅是发布房子，寻找房子的功能，对用户来说黏性还比较小。Airbnb 在 2011 年夏发布“社交关系”功能，允许用户在 Facebook 上发布房源照片和链接。这个功能还能显示朋友和房东共同社交关系，2011 年 Airbnb 发布该功能时，用户里已有 16516967 对“关系”。

2012 年夏，Airbnb 更新之前的“心愿单”功能（Wish Lists ），一个月后，45% 用户使用了此功能，共创建超过 100 万清单。

“心愿单”功能因为在之前已经有了，团队希望了解，心愿单是否有助总预定量增长和优化？心愿单按钮以前是星形形状，大多数网站都是这种星形，有一个员工建议把星形改为心形，有可能效果会更好。于是，将房源照片上原“星星”标记，改成“爱心”心形标记，上线之后对该功能进行测试，发现一段时间之后，这个小的优化，将收藏功能提升了30%的使用率。

“心愿单”是用户内心的一种愿望，他们创建“好想去住蒙古包和城堡”这样的清单，并不时点开浏览。最终和 Airbnb “社交关系”功能一样，“心愿单”让其更具差异性，超越了一个“仅用于寻找住宿”的应用，并拓展了 Airbnb 的探索属性。

这是基于数据驱动的一种探索方式，无论想法是多么科学，都应该在数据系统中得到验证，因为数据有时候是用户真实行为的反馈。

案例02 Netflix以数据驱动产品

Netflix成立于1997年，是一家在线影片租赁提供商。用户可以通过PC、TV及iPad、iPhone收看电影、电视节目，可通过Wii、Xbox360、PS3等设备连接TV。比较知名的例子就是Netflix，通过自身大量用户行为数据，发现用户喜欢的热点，投资拍出了超级火热的电视连续剧《纸牌屋》。

Netflix是以数据驱动来打造产品的公司，数据分析的理念已经成为Netflix的企业文化。Netflix称之为消费者法则，最主要的目标就是通过创新提高用户体验。

Netflix采取的方法，就是依据线下传统的科学方法进行A/B测试，然后再通过线上测试来验证。这种想法的具体思路是：

1、提出一个假设。

假设一个设计、功能、算法能够提高用户体验。

2、设计线下测试。

通过MVP或者研发的方式，做出方案或原型。

3、线上测试。

4、让数据说话。

在做线下A/B测试的时候，Netflix会抽出几千或几万的用户来进行测试，并把这些分到10到20个单元中，然后对这些单元平行检测，通过A/B测试来驱动数据分析工作，来检验创新的想法或者思路，是不是会被用户所喜欢。

如果线下测试支持了想法或者假设，就可以实施在线用户测试。只有通过这个在线测试的假设才能够在系统中进行实施。

Netflix就是依据自己的大数据分析能力，来决策拍出纸牌屋。

作为世界上最大的在线影片租赁服务商，通过数据分析，Netflix发现用户很喜欢Fincher（社交网络、七宗罪的导演），也知道Spacey主演的片子表现都不错，还知道英剧版的《纸牌屋》很受欢迎，三者的交集表明，值得在这件事上赌一把。

于是Netflix花1亿美元买下版权，请来David Fincher和老戏骨Kevin Spacey，首次进军原创剧集就一炮而红，在美国及40多个国家成为最热门的在线剧集。

国内的主流内容推荐引擎（无论是信息、短视频还是视频）相比，通常采取以用户为中心，根据用户浏览、收藏、付费等行为来建构个性化推荐体系，而Netflix以内容特征为中心，来分析不同内容可以推荐给谁，如何推荐，甚至是否要调整内容。

案例03 领英的数据驱动经营

LinkedIn（领英），全球最大职业社交网站，是一家面向商业客户的社交网络（SNS），成立于2002年12月，于2011年5月20日在美上市，总部位于美国加利福尼亚州山景城。领英2016 年被微软以 262 亿美元收购。

LinkedIn的CEO Jeff Weiner每天早上都会看一份每小时更新的数据报告，从报告中他能迅速了解到业务的现状，一旦发现问题就立即发给业务团队寻求解答。同时，LinkedIn整个高层对数据都非常敏感。

围绕数据分析来打造产品，也是领英公司的企业文化，领英的数据驱动，是如下步骤：

• 1）分析数据。
• 2）依据分析结果，优化产品。
• 3）依据分析结果，建立营销方案。

领英的数据分析，是从数据来驱动的，然后通过人来发现新认知，再依此来完善产品，以及建立营销方案。这种数据驱动认知，和以认知主导数据验证的思路不同，但是核心都是互相验证。

例如，2004年，领英对自己的用户来源渠道进行分析，发现从谷歌搜索来的用户，是电子邮件邀请来的3倍。领英决定不再去关注邮件获取的方式，把主要精力放在优化搜索带来用户的体验，这样一转折，6个月以后，每个月的用户数都保持了60%的增长速度。

然后通过分析用户留存，发现从搜索来的用户，特别关注用户的简历，于是就做出决策，不断的诱导用户完善简历。

再分析用户的黏度，用户注册第一周以后，需要增加5个社交关系，这样的用户带来的价值，是低于5个以下社交关系的用户的3倍以上。于是，领英又大力推广自己的产品，提升用户在第一周内增加用户几个社交关系，不断提高用户的留存率。

数据本身中就存在着规律，无论数据求和、平均、还是占比、同比、环比、统计值等，或者利用数据挖掘的各种算法，例如聚类、分类、回归、或者深度学习算法，都能发现数据中隐藏的规律。但一般发现的都是相关性的关系，还需要依据认知找出因果关系，有了因果关系，行动上就会有抓手。

所以数据和认知，是需要互相配合，才能找到更好的解决方案。

案例04 Gmail 团队再造 Inbox的故事

电子邮件已经发明数十年了，各厂商几乎“江郎才尽”，邮件厂商的产品一直没有太大的变化。

大约在2012 年，Google Gmail 团队决定为 Gmail 打造一款独立应用，为此团队对 Gmail在设计上进行大幅改版。如同所有Google的产品一样，它在正式推出前会先在内部进行测试。

这款改版后的 Gmail 在 Google 内部引起了轩然大波，Gmail 收到了大量吐槽的反馈，诸如“你们毁掉了 Gmail”，“你们这些疯狂的设计师在想些什么？”，“你们（Gmail团队）完全破坏了Gmail！”

Google的工程师为了阻止Gmail团队的决定，写了很长的帖子并发布在内部的Google+和论坛上，他们详细说明了应用中每一个改变的地方都不应该被改变的理由。因为改版太激进了，不少谷歌人每天经常用到的功能都被删除了。

为了平息内部的争议，Gmail 团队的负责人做了一次“你不是用户”的演示， 通过大量用户数据来说明改版决策的原因。

1）一个普通的谷歌人（Googler），平均每天会收到 450 封邮件，其中大部分不仅需要阅读，而且相当一部分还需要回复。

2）一个典型的大众用户，平均每天收到 5 封邮件，而其中大多数只是推广邮件，并不需要回复。

之所以去掉一些功能，是因为这些用户从来都不使用它们，而谷歌内部的用户并不代表真正的用户群体。而且这些功能，会让产品变得非常复杂，大部分用户只需要一个简单的邮件客户端而已。

如上的回复，虽然是基于事实的数据分析，但依然没有平息内部激烈的矛盾，谷歌工程师自己需要利用这些功能应对日常的大量邮件。

最后达成妥协，Gmail 仍然面对庞大的用户群，但是要保持精简，一些更高级的功能被隐藏起来。同时，Gmail 团队开始打造一款针对每天处理大量邮件的高级用户的产品，这就是今天的 Inbox。Inbox发布之后，市场反应出奇的好。用户觉得惊艳到感觉不像谷歌出品，同时，为了专业用户提供大量方便好用的功能。

Inbox的决策来源，是数据分析结果的支撑。数据不是一切，也不是唯数据论，但是数据呈现了客观事实，虽然有时候可能不完备或者局限，但是利用数据，以避免被过去的认知所误导，帮助科学决策。

总结

管理者有丰富的经验，有丰富的想象力，这些都是优势。但是面对不确定的环境，管理者的成见、偏见，包括意识的推理，以及经验的局限性，尤其是管理者个人的倔强的脾气、倔强的执念、倔强的傲慢、倔强的贪念等不科学的方面，都有可能导致决策和现实有巨大的出入。

例如管理者的贪，体现在想快速获得推广，快速获得大规模营收，而忽视产品所在阶段；管理者的傲慢，体现在对自我观点的自负，为了证明自己，而做出不科学的决策；管理者的执念，个人的妄想，导致产品在不正确性方向上的巨大投入。这些都是管理者个人的局限性，往往会影响产品的大局。

因此，管理者需要建立数据与认知的双轮驱动机制。建立数据驱动的分析文化，用数据和自己的认知互相验证，互相检查，以避免自己走入误区。如果已经有一个好的想法或认知，那么根据这个认知来快速构建一个最小可行化产品，针对这个产品，需要做验证，获得数据，了解和学习数据，再形成新的认知和想法。周而复始的循环，不断验证整个产品的进展。

▲构建、验证、学习的循环为什么要建立数据驱动的验证循环，是因为管理者认知与现实之间，有三层隔阂，而数据验证可以发现隔阂，让认知与现实更加吻合。

1、幻想与现实的隔阂。

管理者有自己的丰富经验，而且会有自己独到的认知，这是好的一面。坏的一面，就是管理者，对自己的产品都有一种情结，有创业情结、职业情结、产品情结、梦想情结等，这些会让管理者陷入认知陷阱。

管理者对自己的认知一般都很坚持，而且很自负、自傲，因为他们至少在某方面是专家，所以越是这样，他们越容易坚守自己的观点，尤其是有时候是错的，但自己并不知道。

当局者迷，需要一套数据分析系统，依据数据来调整认知。管理者需要设计出各类试验与假设，并用数据来验证这些认知的正确性。

2、虚假繁荣数据与客观数据的隔阂。

数据是来自事实与客观世界的反馈，数据本身没有问题，即使建立了一套数据分析系统，能够观察到各类数据分析的指标，但是人们看数据，依然会带着有色眼镜来看，符合自己内心期望的就会加强，不契合的就不会关注或者弱化。

很多指标可能会给团队带来很多自我假象，以为发展非常好，但是实际上都是虚假繁荣的数字，例如点击量、访问量、页面浏览量、独立访客数、粉丝数量、下载量、网站停留时间、用户邮件地址这8个指标，这些指标都是一种原始指标，他们并不代表什么，但有可能会造成虚假繁荣的现象。

例如1000个访问量，是10个用户访问了100次，还是1000个用户只访问了1次，这种意义完全就不同了。1000个点击量，这个点击量是多少人次的点击。下载量增加了，后面增加了多少新用户？

3、当前指标与行业标准的隔阂与差异。

管理者可能一开始找不到自己要关注的指标，也不知道这个指标应该到底是多少才是科学的。

一般一个在线零售商，其转化率在2%左右，如果能到10%就非常不错，大部分转化率在0.5%左右。根据研究，65%的访客会遗弃他们的购物车，其中41%是因为还没想好买不买，25%是因为价格太高。

一般SaaS服务商，争取每年获得20%的客户销售收入增长，争取每个月让2%的用户增加他们的付费额。在优化方面，争取将每个月的流失率降低到5%以下，否则说明产品的用户黏性不够好，如果能降低到2%，证明产品的黏性很不错。

媒体网站，大部分站内广告的点击率在0.5%到2%之间，如果低于0.08%，说明有问题。

用户制造内容网站，如果访客在你的网站每天平均花费17分钟，证明黏性较好。25%的访问者会潜水，5%到15%的用户会制造内容，而这些参与制造内容的人中，80%的内容来自一小部分极度活跃用户，而只有2.5%的人会参与内容互动。

针对免费移动应用，65%的用户会在安装后90天内停止使用该移动应用。

文：彭耀（pengyao360）《升维：争夺产品认知高地的战争》作者

首席增长官文章荐读：

《从一张宣传页看家电产品の首席增长官如何获取用户信息》
《数据驱动增长？别扯了，先解决数据从哪儿来》
《3个常用的数据分析方法和1个增长方案》

更多精彩，关注：增长黑客（GrowthHK.cn）

增长黑客（Growth Hacker）是依靠技术和数据来达成各种营销目标的新型团队角色。从单线思维者时常忽略的角度和高度，梳理整合产品发展的因素，实现低成本甚至零成本带来的有效增长…