产品开发的统计能力1
1649
AI设计/3D打印/欧洲市场实战拆解，点击报名
1.产品开发的统计能力，按照2个部分来讲：什么是统计，怎么统计。
2.本文比较长，但也只能讲完要统计的具体内容的一部分，其余部分下一文继续讲。我在文末放了思维导图，没有时间阅读全文的可直接跳到结尾看图。
3.产品开发的统计能力-通过对于目标数据的提取，加工和处理，真实，全面，准确，简洁的反映目标产品的全貌，用于评估要不要以及能不能做这个产品。
4.目标数据的提取，加工和处理
5.其实开头这一步就已经困住很多人了，因为要搞清楚什么是被调研产品的“目标数据”的前提就要求你要么对目标产品很了解，知道这个产品的生意是怎么做的，要么有很强的拆解和归类能力，给你一堆零散的数据你也能把他们有序组织起来并给出可信结论。
6.搞不清目标数据的直接结果就是，看了一堆数据也不知道自己在看什么，最后要么“用模板拼数据凑结论”，要么“听XX的”，但没有一个是你有把握去说“yes”或者“no”的。
7.所以目标数据的提取，要解决的问题就是，通过哪些数据可以有效的反映这个产品的玩法，进而初步判断适不适合我们去玩。一个你都不知道自己懂了还是没懂的产品，你进去大概率是要交学费的。
8.我们本文主要讲3类比较难而且比较隐蔽的数据：渠道数据，特性数据，体验数据，其他诸如市场容量，垄断性，竞争比，生命周期这些比较容易的数据，我们下文讲。
9.渠道数据-这里是把亚马逊当做一个渠道而不是一个市场，因为市场主体是价格和竞争，而这两个要素都是频繁变动的，所以用这两个要素来定义市场就会出现，我们调研的时候觉得价格和竞争还能接受，但是等产品上架后就会发现价格分布和竞争格局完全变了，从而导致产品竞争力产生错位。
10.但是如果我们把亚马逊当做一个渠道，而渠道主体是成本和动销，这两个要素在一定时期内是相对稳定且更容易量化。而且成本和动销也更接近底层逻辑，说白了大多数卖家的模式就是卖货挣差价，把货卖好然后赚到利润和现金流的重要性远远大于争夺市场份额和产品溢价。
11.渠道的成本指的是除了采购和管理之外的成本总和，这个成本决定了多久能赚到钱，渠道成本越低，回款就越快。大体上包括佣金，物流（FBA+头程），广告，退货这4项，其中佣金因为几乎固定所以不展开讨论，可变成本主要是FBA，广告，退货。
12.FBA和头程可以用模板估算，但是要注意临界尺寸和发货重量。一般来说贴近临界尺寸，或者体积重和实重差别较大的产品，都会有比较大的优化空间，对于大件产品尤其如此。
13.广告成本占多少可能是争议最大的要素，我们重点展开一下。
14.争议的主要原因是产经和运营的视角不同，产经认为10%或者15%就可以了，运营觉得要15%甚至20%才够，扣掉退货后往往毛利就只剩下10%或者更少，这又会招致老板的不满，最终要么有人妥协要么选品推倒重来。
15.争议的解决思路在于，所有人都不应该一刀切的认为这个数字就应该是多少，而是应该有1个大家都比较认同的计算框架（不用很精确，估算也可以）。
16.首先老板要明确自己在单个项目上愿意投多少钱，能接受多久回本，能接受的短期ROI和长期ROI是多少，老板更应该关注的是时间维度上的毛利，而不是单品上的毛利。也就是这个产品整个生命周期带给你的毛利总和相比于你的投入是否合理，而不是在选品阶段就把毛利率当成一道门槛，这会让你错过很多产品。
17.选品阶段的毛利率只对运营和产经有意义，对老板来说意义有限。因为产经和运营赚的是单品绩效，高毛利才有高绩效，但老板赚的是剩余价值，说白了就是揣到兜里的钱，回款快且生命周期久剩余价值才大。
18.老板的钱花得值不值取决于这笔钱花出去之后多久能赚回来和能赚多少钱，不取决于每一单销售额有多少是毛利。当然我不建议老板在选品阶段过于（不是说完全不管，是不要过于关注）关注毛利率还有另外一个原因，那就是还有比毛利更重要也更困难的事情需要老板用心（见24段）。
19.运营要做的事情是：先不要看产经的毛利表，先问他要一个目标价格和目标销量，然后让他来论证这个产品为什么可以卖到这个价格和目标销量。
20.有了目标销量，运营就可以根据主要的关键词拆解出自然单和广告单的比例，然后根据类目转化率和Bid算出达到这个订单需要的广告预算，然后再用广告预算去除以目标销售额得到广告占比。
21.当然这里要注意的是，自然单比例的持续增长（自然权重）是最大的变量，所以自然单能不能持续增长以及最终能占多大比例才是广告占比的决定性因素，自然单比例稳定下来了，才说明产品进入稳定期了，也才说明产品是有竞争力的（这种推演或者模拟进攻的能力可能是中高阶运营最重要的能力之一）。
22.产经要做的事情是：说清楚目标市场和竞品，在此基础上算好价格和目标销量（差异化的事情我们后面细讲），给运营介入调研的有利理由。目标市场包括类目，关键词，外观，排名，价格带，增长趋势，购买要素，产品毛利，对标竞品，竞品策略，投入产出。
23.退货率是比较容易唬住人的数据，很多团队会因为各种原因把退货率等同于退货成本，但实际上退货成本没有这么夸张，退货成本的大头是FBA和退货管理费，以及不可售的退货带来的产品和物流损失（这部分损失上架前是不知道的）。只要产品的退货率不是太高（15%以上），一般来说都不用太担心退货损失的问题，可以考虑按照退货率的2/3甚至1/2来估算退货损失。
24.渠道动销就是产品卖得快或慢的问题，本质是需求预测和出货节奏与销售目标的匹配问题。（18段说的比毛利率更重要也更困难的事情就是指这件事情）
25.选品阶段的需求预测（市场容量，销售节奏）出问题，后果不仅仅是断货或者滞销压款，更重要的是会损失生命周期和价格，这两样东西都是不可回收的。
26.出问题的原因一方面是需求预测模型过于随意粗糙，本来就不准，另一方面是参考数据片面且静态。需求预测不能只看插件此时显示的排名和销量，还要根据周，月份，季度和年度的目标市场销量和价格作参考和持续修正，绝对不是开完立项会议就完事了。
27.出货节奏主要是指出货频率和出货数量，具体到选品数据就是批次出货量和交货周期。交货周期短，需求预测相对就更准确，库存和资金周转就快，产品开发以及后续的运营节奏都更容易走在竞品前面。
28.很多卖家不能理解，为什么自己的产品刚卖起来就被对手用低到亏钱的价格捅了下来，除了人家供应链挖的更深，货源更便宜之外，出货节奏也是一把胜负手。前端看到的低价吃高价只是结果，不容易看到的本质则是出货快的吃出货慢的。
29.他可以把起订量谈的很高从而拿到较低的价格，然后货期谈的很短，这样他就可以少量多次低价快速的出货，等你反应过来权重和排名已经被别人抢走了。
30.你的现金流模型是卖1单挣2块钱，他的现金流模型是卖2单然后每单挣1块钱，虽然都挣的是2块钱，但是在绝大多数没有什么门槛的品类，2个毛利1块钱的单对1个毛利2块钱的单几乎就是降维打击。
31.特性数据
32.产品特性就是用来描述产品特点和性能的指标，通常就是放在可以主图，标题，五点，A+，评论当中，用来描述产品和区分竞品，说白了就是这个产品卖的是什么，反映的是给产品做差异化定位的依据。
33.产品特性数据越接近产品本身，特性数据就越明显，大家都能看得见，产品就越容易做成标品，竞争就越激烈，比如性能参数，典型案例就是3C配件。
34.标品卖的是极致，因为该有的大家都有，做不到极致就稳不住排名，稳不住排名就会不进则退直到被耗干（当然链接能不能稳住并不完全取决于产品本身，我们在本文仅讨论产品力问题）。
35.产品特性数据越接近体验，特性数据就越不明显，很多人看不见，产品就倾向于做成细分产品，比如可视化，轻量化，模块化，典型案例比如宠物类和收纳类。细分产品做的是方案，因为很多人提取不到这个需求，也就无法有效覆盖这个市场。
36.产品数据越接近行为，特性数据基本失效，很多人都能看见但是无法总结出共性数据，比如节日，陪伴，感觉，创意，产品倾向于做成情绪产品，典型案例比如玩具和礼品。情绪产品做的是刺激，要有可视的细节元素给用户带来感官刺激，否则他就注意不到竞品之间的差异。
37.特性数据一般来说在标题和五行就可以看到了
38.产品特性接近产品本身的例子：3C类目的投影仪（video projector），产品特性就是系统，对焦，音效画质，连接方式和接口，要稳住排名就要在其中的若干项做到极致
39.产品特性数据越接近体验的例子：枪盒（gun safe），产品特性就是打开方式，强度，容量，使用方式，要做的就是针对不同的人群和场景，提供更符合使用体验的解决方案
40.产品数据越接近行为的案例：礼品（birthday gifts for women），尤其是套装礼品，几乎看不到它有什么特性数据来描述这个产品的
41.但是用户可以给出强烈的情绪理由，这些情绪几乎全是以视觉，触觉，嗅觉来表达的
42.体验数据：反映用户体验的数据，就是这个产品做出来了以后，怎么样让用户相信这是为他做的好产品？很多人是不是想到了看评分，评论和QA？
43.我们比较常见的体验数据是记录竞品的评论和QA的内容，然后根据出现频率来筛选好评和差评，频率越高就代表需求越强烈，我们在设计产品的时候就要加以保留或者优化。
44.这个思路是符合基本的商业逻辑和亚马逊的算法机制的，在过去很长一段时间也都是比较好用的，但它对多数人而言并不会一直好用。
45.首先就是同质化，大家都是对着那几个卖得好的竞品的评论改来改去，容易实现且有效的卖点会越来越少，又不愿意花功夫去深挖和培养供应链，最后肯定是越来越趋同打价格战的；
46.其次是用户本身是贪婪和盲从的（这是多数人的本性，也许用词不当，我没有任何贬义），他很容易情绪化的要求他没有得到的东西，但并不会为此付费，更不会关心这些东西有没有可行性以及商业化的价值。
47.过度依赖用户意见就会导致产品趋同和方向走偏的问题，就像福特的那个经典案例：他问客户需要什么，客户说他需要一匹跑得更快的马，然后福特开发出了福特汽车。
48.所以要解决体验数据的问题，关键就是要明确，哪些数据是用户需要并且他愿意付费的，哪些数据只是他口嗨而已。
49.所以这里建议加上一个步骤：在统计竞品的评论和QA之前，按照上一部分提到的特性数据，对这些评论和QA做一个筛选，只统计跟特性数据有关的用户需求，因为这才是有流量，销量，价格的用户需求，也就是用户愿意付费的需求，也就是真实存在的商业化需求。
50.我们还是以上面举的几个例子来说明
51.投影仪（video projector）
52.在投影仪这个品类的差评当中，大概有7.6%的差评是反映噪音大的，这个比例甚至超过了蓝牙连接和遥控，已经不比亮度和对焦少多少了。如果按照常规逻辑，我们应该把噪音问题单列出来，作为一个痛点来切入。
53.但是如果我们去看竞品的标题，五点和好评，我们会发现没有1个链接是把静音做为卖点的，也没有1个好评来把静音作为购买理由的。
54.这也就是说，用户虽然对噪音不满，但他们并不会因为你噪音低就选择你，他们更需要的还是产品特性当中提到的系统，对焦，音效画质，连接方式和接口这几项，所以我们在筛选评论和QA的时候就统计这几项相关的内容即可。
55.枪盒（gun safe）
56.枪盒的差评除了灵敏度和强度外，实际排名第3的差评是电池续航，如果我们去改进续航这个细分卖点就会被带进沟里，因为我们看不到任何1个订单是因为续航而成交的。
57.礼品套装（birthday gifts for women）
58.礼品套装最多的的差评分别是气味，品质和尺寸，首先这本身就是个性主观的评价，其次就是受制于成本，这3项也几乎不可能有太大的改观，第三就是用户不在乎，他不是购买理由。
59.这种情况下怎么看这个品类的购买理由呢
60.除了价格，视觉和嗅觉之外，可以看到一个高频主题：skin。也就是说，这个品类的产品特性，主要是跟skin有关的。
1.产品开发的统计能力，按照2个部分来讲：什么是统计，怎么统计。
2.本文比较长，但也只能讲完要统计的具体内容的一部分，其余部分下一文继续讲。我在文末放了思维导图，没有时间阅读全文的可直接跳到结尾看图。
3.产品开发的统计能力-通过对于目标数据的提取，加工和处理，真实，全面，准确，简洁的反映目标产品的全貌，用于评估要不要以及能不能做这个产品。
4.目标数据的提取，加工和处理
5.其实开头这一步就已经困住很多人了，因为要搞清楚什么是被调研产品的“目标数据”的前提就要求你要么对目标产品很了解，知道这个产品的生意是怎么做的，要么有很强的拆解和归类能力，给你一堆零散的数据你也能把他们有序组织起来并给出可信结论。
6.搞不清目标数据的直接结果就是，看了一堆数据也不知道自己在看什么，最后要么“用模板拼数据凑结论”，要么“听XX的”，但没有一个是你有把握去说“yes”或者“no”的。
7.所以目标数据的提取，要解决的问题就是，通过哪些数据可以有效的反映这个产品的玩法，进而初步判断适不适合我们去玩。一个你都不知道自己懂了还是没懂的产品，你进去大概率是要交学费的。
8.我们本文主要讲3类比较难而且比较隐蔽的数据：渠道数据，特性数据，体验数据，其他诸如市场容量，垄断性，竞争比，生命周期这些比较容易的数据，我们下文讲。
9.渠道数据-这里是把亚马逊当做一个渠道而不是一个市场，因为市场主体是价格和竞争，而这两个要素都是频繁变动的，所以用这两个要素来定义市场就会出现，我们调研的时候觉得价格和竞争还能接受，但是等产品上架后就会发现价格分布和竞争格局完全变了，从而导致产品竞争力产生错位。
10.但是如果我们把亚马逊当做一个渠道，而渠道主体是成本和动销，这两个要素在一定时期内是相对稳定且更容易量化。而且成本和动销也更接近底层逻辑，说白了大多数卖家的模式就是卖货挣差价，把货卖好然后赚到利润和现金流的重要性远远大于争夺市场份额和产品溢价。
11.渠道的成本指的是除了采购和管理之外的成本总和，这个成本决定了多久能赚到钱，渠道成本越低，回款就越快。大体上包括佣金，物流（FBA+头程），广告，退货这4项，其中佣金因为几乎固定所以不展开讨论，可变成本主要是FBA，广告，退货。
12.FBA和头程可以用模板估算，但是要注意临界尺寸和发货重量。一般来说贴近临界尺寸，或者体积重和实重差别较大的产品，都会有比较大的优化空间，对于大件产品尤其如此。
13.广告成本占多少可能是争议最大的要素，我们重点展开一下。
14.争议的主要原因是产经和运营的视角不同，产经认为10%或者15%就可以了，运营觉得要15%甚至20%才够，扣掉退货后往往毛利就只剩下10%或者更少，这又会招致老板的不满，最终要么有人妥协要么选品推倒重来。
15.争议的解决思路在于，所有人都不应该一刀切的认为这个数字就应该是多少，而是应该有1个大家都比较认同的计算框架（不用很精确，估算也可以）。
16.首先老板要明确自己在单个项目上愿意投多少钱，能接受多久回本，能接受的短期ROI和长期ROI是多少，老板更应该关注的是时间维度上的毛利，而不是单品上的毛利。也就是这个产品整个生命周期带给你的毛利总和相比于你的投入是否合理，而不是在选品阶段就把毛利率当成一道门槛，这会让你错过很多产品。
17.选品阶段的毛利率只对运营和产经有意义，对老板来说意义有限。因为产经和运营赚的是单品绩效，高毛利才有高绩效，但老板赚的是剩余价值，说白了就是揣到兜里的钱，回款快且生命周期久剩余价值才大。
18.老板的钱花得值不值取决于这笔钱花出去之后多久能赚回来和能赚多少钱，不取决于每一单销售额有多少是毛利。当然我不建议老板在选品阶段过于（不是说完全不管，是不要过于关注）关注毛利率还有另外一个原因，那就是还有比毛利更重要也更困难的事情需要老板用心（见24段）。
19.运营要做的事情是：先不要看产经的毛利表，先问他要一个目标价格和目标销量，然后让他来论证这个产品为什么可以卖到这个价格和目标销量。
20.有了目标销量，运营就可以根据主要的关键词拆解出自然单和广告单的比例，然后根据类目转化率和Bid算出达到这个订单需要的广告预算，然后再用广告预算去除以目标销售额得到广告占比。
21.当然这里要注意的是，自然单比例的持续增长（自然权重）是最大的变量，所以自然单能不能持续增长以及最终能占多大比例才是广告占比的决定性因素，自然单比例稳定下来了，才说明产品进入稳定期了，也才说明产品是有竞争力的（这种推演或者模拟进攻的能力可能是中高阶运营最重要的能力之一）。
22.产经要做的事情是：说清楚目标市场和竞品，在此基础上算好价格和目标销量（差异化的事情我们后面细讲），给运营介入调研的有利理由。目标市场包括类目，关键词，外观，排名，价格带，增长趋势，购买要素，产品毛利，对标竞品，竞品策略，投入产出。
23.退货率是比较容易唬住人的数据，很多团队会因为各种原因把退货率等同于退货成本，但实际上退货成本没有这么夸张，退货成本的大头是FBA和退货管理费，以及不可售的退货带来的产品和物流损失（这部分损失上架前是不知道的）。只要产品的退货率不是太高（15%以上），一般来说都不用太担心退货损失的问题，可以考虑按照退货率的2/3甚至1/2来估算退货损失。
24.渠道动销就是产品卖得快或慢的问题，本质是需求预测和出货节奏与销售目标的匹配问题。（18段说的比毛利率更重要也更困难的事情就是指这件事情）
25.选品阶段的需求预测（市场容量，销售节奏）出问题，后果不仅仅是断货或者滞销压款，更重要的是会损失生命周期和价格，这两样东西都是不可回收的。
26.出问题的原因一方面是需求预测模型过于随意粗糙，本来就不准，另一方面是参考数据片面且静态。需求预测不能只看插件此时显示的排名和销量，还要根据周，月份，季度和年度的目标市场销量和价格作参考和持续修正，绝对不是开完立项会议就完事了。
27.出货节奏主要是指出货频率和出货数量，具体到选品数据就是批次出货量和交货周期。交货周期短，需求预测相对就更准确，库存和资金周转就快，产品开发以及后续的运营节奏都更容易走在竞品前面。
28.很多卖家不能理解，为什么自己的产品刚卖起来就被对手用低到亏钱的价格捅了下来，除了人家供应链挖的更深，货源更便宜之外，出货节奏也是一把胜负手。前端看到的低价吃高价只是结果，不容易看到的本质则是出货快的吃出货慢的。
29.他可以把起订量谈的很高从而拿到较低的价格，然后货期谈的很短，这样他就可以少量多次低价快速的出货，等你反应过来权重和排名已经被别人抢走了。
30.你的现金流模型是卖1单挣2块钱，他的现金流模型是卖2单然后每单挣1块钱，虽然都挣的是2块钱，但是在绝大多数没有什么门槛的品类，2个毛利1块钱的单对1个毛利2块钱的单几乎就是降维打击。
31.特性数据
32.产品特性就是用来描述产品特点和性能的指标，通常就是放在可以主图，标题，五点，A+，评论当中，用来描述产品和区分竞品，说白了就是这个产品卖的是什么，反映的是给产品做差异化定位的依据。
33.产品特性数据越接近产品本身，特性数据就越明显，大家都能看得见，产品就越容易做成标品，竞争就越激烈，比如性能参数，典型案例就是3C配件。
34.标品卖的是极致，因为该有的大家都有，做不到极致就稳不住排名，稳不住排名就会不进则退直到被耗干（当然链接能不能稳住并不完全取决于产品本身，我们在本文仅讨论产品力问题）。
35.产品特性数据越接近体验，特性数据就越不明显，很多人看不见，产品就倾向于做成细分产品，比如可视化，轻量化，模块化，典型案例比如宠物类和收纳类。细分产品做的是方案，因为很多人提取不到这个需求，也就无法有效覆盖这个市场。
36.产品数据越接近行为，特性数据基本失效，很多人都能看见但是无法总结出共性数据，比如节日，陪伴，感觉，创意，产品倾向于做成情绪产品，典型案例比如玩具和礼品。情绪产品做的是刺激，要有可视的细节元素给用户带来感官刺激，否则他就注意不到竞品之间的差异。
37.特性数据一般来说在标题和五行就可以看到了
38.产品特性接近产品本身的例子：3C类目的投影仪（video projector），产品特性就是系统，对焦，音效画质，连接方式和接口，要稳住排名就要在其中的若干项做到极致
39.产品特性数据越接近体验的例子：枪盒（gun safe），产品特性就是打开方式，强度，容量，使用方式，要做的就是针对不同的人群和场景，提供更符合使用体验的解决方案
40.产品数据越接近行为的案例：礼品（birthday gifts for women），尤其是套装礼品，几乎看不到它有什么特性数据来描述这个产品的
41.但是用户可以给出强烈的情绪理由，这些情绪几乎全是以视觉，触觉，嗅觉来表达的
42.体验数据：反映用户体验的数据，就是这个产品做出来了以后，怎么样让用户相信这是为他做的好产品？很多人是不是想到了看评分，评论和QA？
43.我们比较常见的体验数据是记录竞品的评论和QA的内容，然后根据出现频率来筛选好评和差评，频率越高就代表需求越强烈，我们在设计产品的时候就要加以保留或者优化。
44.这个思路是符合基本的商业逻辑和亚马逊的算法机制的，在过去很长一段时间也都是比较好用的，但它对多数人而言并不会一直好用。
45.首先就是同质化，大家都是对着那几个卖得好的竞品的评论改来改去，容易实现且有效的卖点会越来越少，又不愿意花功夫去深挖和培养供应链，最后肯定是越来越趋同打价格战的；
46.其次是用户本身是贪婪和盲从的（这是多数人的本性，也许用词不当，我没有任何贬义），他很容易情绪化的要求他没有得到的东西，但并不会为此付费，更不会关心这些东西有没有可行性以及商业化的价值。
47.过度依赖用户意见就会导致产品趋同和方向走偏的问题，就像福特的那个经典案例：他问客户需要什么，客户说他需要一匹跑得更快的马，然后福特开发出了福特汽车。
48.所以要解决体验数据的问题，关键就是要明确，哪些数据是用户需要并且他愿意付费的，哪些数据只是他口嗨而已。
49.所以这里建议加上一个步骤：在统计竞品的评论和QA之前，按照上一部分提到的特性数据，对这些评论和QA做一个筛选，只统计跟特性数据有关的用户需求，因为这才是有流量，销量，价格的用户需求，也就是用户愿意付费的需求，也就是真实存在的商业化需求。
50.我们还是以上面举的几个例子来说明
51.投影仪（video projector）
52.在投影仪这个品类的差评当中，大概有7.6%的差评是反映噪音大的，这个比例甚至超过了蓝牙连接和遥控，已经不比亮度和对焦少多少了。如果按照常规逻辑，我们应该把噪音问题单列出来，作为一个痛点来切入。
53.但是如果我们去看竞品的标题，五点和好评，我们会发现没有1个链接是把静音做为卖点的，也没有1个好评来把静音作为购买理由的。
54.这也就是说，用户虽然对噪音不满，但他们并不会因为你噪音低就选择你，他们更需要的还是产品特性当中提到的系统，对焦，音效画质，连接方式和接口这几项，所以我们在筛选评论和QA的时候就统计这几项相关的内容即可。
55.枪盒（gun safe）
56.枪盒的差评除了灵敏度和强度外，实际排名第3的差评是电池续航，如果我们去改进续航这个细分卖点就会被带进沟里，因为我们看不到任何1个订单是因为续航而成交的。
57.礼品套装（birthday gifts for women）
58.礼品套装最多的的差评分别是气味，品质和尺寸，首先这本身就是个性主观的评价，其次就是受制于成本，这3项也几乎不可能有太大的改观，第三就是用户不在乎，他不是购买理由。
59.这种情况下怎么看这个品类的购买理由呢
60.除了价格，视觉和嗅觉之外，可以看到一个高频主题：skin。也就是说，这个品类的产品特性，主要是跟skin有关的。
热门活动 
其他
04-09 周四
热门报告 
