一、數(shù)據(jù)在產(chǎn)品各個階段中起到怎樣的作用？
在此之前我們得先搞清楚產(chǎn)品的生命周期是什么傻粘？
大家耳熟能詳?shù)?b>開發(fā) → 引入 → 成長 → 成熟 → 衰退
整個歷程的生命周期就像人從出生到死亡經(jīng)歷了整個歷程，是一個非常宏觀的概述，我們這里講的是更加微觀粒度具象化的
舉一個栗子：B站彈幕之前是會擋人臉着茸，但經(jīng)過一次優(yōu)化之后，彈幕就繞道人的背后去了琐旁，不會再遮擋人臉
那這就是一個產(chǎn)品功能的迭代涮阔，一個優(yōu)化，這份優(yōu)化經(jīng)歷了從發(fā)現(xiàn)問題到解決并優(yōu)化問題的整個流程灰殴，我們將其抽象為產(chǎn)品功能迭代的生命周期
產(chǎn)品功能迭代可以簡單的抽象為三步：
Step1：發(fā)現(xiàn)問題并產(chǎn)出需求（主導(dǎo)者：PM）
通過多途徑多方式發(fā)現(xiàn)問題點敬特，從思維層面給出解決方案
產(chǎn)物：產(chǎn)品PRD；需求評審，PRD可實現(xiàn)伟阔！
Step2：開發(fā)需求
技術(shù)同學開始介入辣之，將思維產(chǎn)物物理化，即開發(fā)需求
需要注意皱炉，開發(fā)完交付之后并不是馬上就上線怀估，而是需要觀測數(shù)據(jù)是否符合我們的指標，通過實驗判斷指標情況合搅，進行逐步放量多搀，同時BI QA 運營等其他崗位的同學也會進入到，產(chǎn)品整個的迭代體系當中來灾部。
Step3：需求落地
了解了產(chǎn)品的生命周期康铭，再回到數(shù)據(jù)在各個階段中的作用，可以歸納為
| 發(fā)現(xiàn)問題及產(chǎn)出需求
舉一個栗子：高德對用戶進行了調(diào)查 發(fā)現(xiàn)
50%的人在駕駛車輛通過主輔路的時候梳猪，導(dǎo)航會產(chǎn)生了誤偏航的現(xiàn)象
30%的人在駕車通過隧道的時候麻削，自車點發(fā)生了不移動
顯然這兩點都是我們后續(xù)要解決的問題，目前人力資源有限春弥，對這兩個問題的技術(shù)難度又是相同的呛哟，我們顯然要對問題1進行優(yōu)先的解決，因為他的影響力更大 匿沛，二問題可以等人力釋放之后再進行解決
和明顯 這個時候可以通過數(shù)據(jù)幫助我們發(fā)現(xiàn)問題扫责、定位問題并判斷出問題的優(yōu)先級
|?開發(fā)需求
要把我們敲定的思維產(chǎn)物物理化，在這里數(shù)據(jù)起到兩方面的作用
1逃呼、輔助算法的生成（數(shù)據(jù)集）深度學習鳖孤、神經(jīng)網(wǎng)絡(luò) 有一定的關(guān)系，屬于數(shù)據(jù)產(chǎn)品的范疇
2抡笼、幫助驗證我們的程序?qū)懙拇a是不是合理（開發(fā)代碼是一個很讓人頭禿的工作）苏揣，優(yōu)秀如RD小哥哥也有可能一丟丟的犯錯，所以他們通常會在開發(fā)過程中推姻，埋幾個點平匈，通過這些點之間數(shù)據(jù)的相互對比驗證，可以幫助判斷代碼是不是符合預(yù)期的
二藏古、目前常用的數(shù)據(jù)獲取方式及特征
數(shù)據(jù)的獲取方式增炭，可以簡單的分為兩種
|?直接面向用戶
包括大家耳熟能詳?shù)?b>用戶訪談，用戶調(diào)研拧晕，以及用戶的主動觸達隙姿，他們具體有很多名字 像：CPO投訴、feedback厂捞、或者客服進線输玷，這一部分重要的問題的制定队丝，以及對用戶回答的整理和清洗，我們要從用戶需求中提取到產(chǎn)品需求
這類直接面向用戶的數(shù)據(jù)獲取方式 有一定的好處：可以幫助我們直接定位到用戶目前的需求饲嗽，以及用戶在使用我們產(chǎn)品過程中發(fā)現(xiàn)的badcase炭玫，可以幫助我們快速止損。
不足之處：樣本量不會太大貌虾，而且單一樣本獲取時間很長吞加，這樣會導(dǎo)致我們費盡心力獲取到的東西由于樣本量的不足，所導(dǎo)致獲取數(shù)據(jù)可能并不是一個那么置信的指標尽狠，數(shù)據(jù)置信程度不足衔憨，而且我們沒有辦法衡量，這個問題在用戶群體中的占比
|?直接面向大數(shù)據(jù)
A/B Test袄膏、埋點践图、灰度放量 都屬于這一范疇
上文中說到，RD小哥哥會在開發(fā)過程中沉馆，在程序里埋幾個點码党，埋點我們可以簡單的把它理解成照相機，當按下快門的時候斥黑，就會拍一個照片出來
A/B Test：我們?yōu)橥粋€群體制定兩種策略 揖盘，通過對這兩種策略的不同表現(xiàn)數(shù)據(jù)，來對比判斷哪個策略是更秀的
灰度放量：實際上它不是一種策略的衡量方式锌奴，而是為了保證策略上線穩(wěn)定兽狭，制定的一種階段性的放量形式
舉個栗子：抖音為了讓大家永遠都不學習，再再再再再次優(yōu)化了推薦算法
推薦算法貿(mào)然的切換肯定是不行的鹿蜀，這個時候把用戶群體分成兩組 A用戶群組箕慧、B組用戶群
首先觀測了兩組的平均app打開時長、（用舊策略的時候平均app使用時長）茴恰，之后再悄悄的把A組的推薦算法改成最新的颠焦，幾天之后再次觀測數(shù)據(jù)，通過數(shù)據(jù)指標的變化來判斷往枣，到底新策略更好還是老策略更好
即：A/B都用老測策略時平均app使用時長 Vs A改用新策略之后平均app使用時長
那這跟灰度有什么關(guān)系呢伐庭？在誤區(qū)就是 AB實驗好像一定就是50%的流量對應(yīng)50%流量，其實不然婉商，對于DAU很大的產(chǎn)品，10%的流量產(chǎn)出的數(shù)據(jù)就已經(jīng)非常具有代表性渣叛，置信度就很高了 丈秩，就相當于已經(jīng)灰度上線了，經(jīng)過我們AB實驗的數(shù)據(jù)淳衙，最終得到新策略是更好的蘑秽，那我們就將10%進行逐步放量饺著，最終變成100%，就實現(xiàn)了我們的整個策略的溫水煮青蛙式上線肠牲，非常的穩(wěn)定幼衰，這又稱灰度放量，階段性放量缀雳。
