时间: 2021-07-30 11:13:55 人气: 14 评论: 0
编辑导语：作为一名产品经理，我们时常**遇到需要决策的时候，那么如何做决策呢？作者分享了自己对于决策方面三个维度的思考与总结，我们一起来看看吧。
做决策是每个人都逃避不了，不管是工作还是生活，决策有大有小，小到决定今天穿什么衣服，今天决定什么样的心情，大到人生大事，在工作中，一个小功能决策可能**有小收益也有可能有大收益。
面对大决策时，往往是最有挑战，也是最难决策的，因此需要有足够的信息，思考足够的深和广，以及做决策人的认知等等，才能做出高质量决策，对于过往做决策的总结和思考，大概罗列三个点：
面对一个需求前，我们可以用大家比较熟悉的“四象限法则”进行分析预判，分别是成本、收益、风险、影响：
从成本角度，我们需要思考比较多：
近期阅读过一本书，叫做《**产品法》，作者李立老师在书中提到一个微信的例子，当时微信发布iPhone4.5版本的时候，要做通过摇一摇，做识别歌曲的功能，那在早之前iPhone4.3版本推出了语音搜索功能，更早时上线了朋友圈对**音乐分享这一类型的支持。
如果重新制定新的技术方案，做一个摇一摇识别歌曲的功能，肯定成本高，但是有现成的语音搜索和音乐曲库实现起来成本就变得低了，而实现该功能的步骤就是，语音识别——检索曲库——同步播放，和语音搜索+**音乐组合起来就变成该功能了。
那对信息足够了解，就是我们需要古往今来都需要知道：
首先了解历史信息：
做一个功能时，或者优化一个功能时，我们需要先明白以前为什么这么做？其历史因素，可能是考虑一个重要的点。
在《用户体验要素》一书中，提到“五个层面”的模型，分别是表现层、框架层、结构层、范围层、战略层，这五个层面进行思考。
比如：先思考战略层，公司要获得什么，为用户提供什么？然后范围层，也就是我们该做什么？不可能什么都做，不然就变成一个四不像，偏离了产品初衷。
再来思考结构层，也就是我们产品该如何搭建背后的信息，然后就是框架层，涉及到优化设计布局，另外就是表现层，关于呈现出来的具体内容。
面对信息决策时，我们可以参考这“五个层面模型”来带入思考，对于我们如何系统性思考一个需求时，有益于帮助。
获取用户的反馈：
有的时候面对一个已经上线过，或者相关性功能时，可能已经有用户使用过，而他们的反馈是非常重要，需要了解足够的样本，以及用户反馈的具体感受、以及具体内容，这样才能有益于我们做决策时更好的判断。
尤其是离使用者的距离比较远时，比如：有些是通过客户反馈用户诉求时，往往反馈者**对诉求进行放大描述，尤其是涉及与反馈者相关性时，**带有一定的情绪，有些可能**比较轻描淡写，因为涉及与反馈者利益比较小，反馈时**变成一个简单任务制的工作内容。
以前实现该需求的方案：
根据每个需求不同，背后牵扯的信息也不同，在这里逻辑具体简单的例子，技术方案是什么？如果涉及到算法，算法是什么？以及该功能使用的人群？
比如：一个功能改变可能**牵扯运营、营收等部门，所以在改变时，有相关性的都必须提前了解清楚，还得考虑细致。
做产品上线后，为数据服务，在获取准确信息时已经提到过，通过四象限法则来预判该需求是否可做？其中有一个维度就是“影响”，影响涉及到数据，也就是**有多少人使用？在这里提到挖掘有力的数据，也就是历史数据，因为未来数据暂时还不**产生。
数据的维度**比较多，比如：从营收、用户行为、使用人群、使用人数、用户生命周期、用户价值等等多维度进行思考。
从营收角度思考，也就是该需求上线后，直接为公司创造了多少营收？有的时候有些需求没法直接判断营收，只能通过间接方式来判断，现在典型的就是一方面拉用户，一方面做广告收入的这种简单商业模型，拉来了一万个用户，不一定能直接变现。
从用户行为角度思考，不过行为没法具体衡量，只能通过其它数据方式或者，我们提现设定好一条用户行为路径，看看用户在使用过程中是否按照我们预期的方向走？
从使用人群角度思考，上线该需求后带来的用户群体都是哪些？这些群体的特征是什么？这些群体给我们带来什么样的价值等等，从人群思考，**涉及更多的数据。
从使用人数角度思考，这个比较单一，比较简单的方式就是思考该需求上线后的人数涨粉，往更细一点思考还需要考虑，层级关系，比如：通过分享带来的人数，分享后带来的人数使用健康程度等等。
从用户生命周期角度思考，比较好理解的方式就是用户在平台留存了多少天，该需求上线后与不上线前用户生命周是变长了还是变短了，再细一点的思考就是，用户在生命周期里面产生了什么样的价值？比如：分享数据、贡献了多少内容、贡献了多少金钱等等。
从用户价值思考，价值思考的角度比较多，如果是直接考虑变现的那就是看用户贡献了多少营收，如果是内容平台考虑的是贡献了多少内容以及内容带动其它用户的活跃程度等等。
做假设其实是一种很好的思考方式，有的时候**引导我们做正向思考，当我们在制定目标时，没有历史数据支撑，可以通过假设的方式来带入思考，先假设然后再拆解目标，通过分割方式，把假设的目标拆解成具体的点，这个时候对实现某个目标时，**增加信心，因为越细致的时候，人的把控心理越强。
做假设不一定是没有任何的信息才做假设，有的时候是某个功能数据突然下滑，但是该功能没有使用异常，也没有BUG导致，就是数据突然下滑时，往往分析数据的时候**很头痛。
面对以上这种情况，除了看一些比较大的宏观因素影响之外，比如：如果我们是否有竞品，这个时候可以看看竞品在这个期间做了什么改变？
是否因为竞品上了某个功能，导致我们的人群突然变走，面对这样的分析，虽然是没有直接关系，只能先假设相关性，尤其是工具产品，是可以假设后，然后通过最初提到的“四象限法则”进行分析预判，确定后直接上线，有的时候我就是通过这样的方式上线了一些需求，而且数据确实上涨。
当然，当面对一些新的东西时，尤其是面对影响范围较大的需求时，做假设付出的成本往往特别高，这个时候可以考虑我们目前面对很多的一些互联网概念词。
在《精益求精》一书中提到一个概念“MVP”，意思是通过小范围测试，验证创意点子比较好时，就可以大范围进行宣传推广，还有现在都在倡导的A/B实验，通过不同两种方式，随机挑选出不同用户。
但数据样本相同进行A和B方案小范围测试，测试如果成功了再选出其种效果好的方案进行大范围宣传，还有内测邀请，这也是目前很多常用的手段，通过内测先邀请一部份用户使用，如果效果好再进行全量开放。
如果中途遇到效果较差影响范围可控，现在很多互联网公司将这种方式做成了饥饿营销，以注册码的方式出现，在产品上线时开放限量的注册码，需要邀请机制才能获得注册码才拥有使用资格。
上述方案相信从业互联网的人员都比较耳熟能详，对于这些也是我们做决策的一种方式，只不过是在我们需要做更大决策之前，通过小范围的方式，先进行实验，如果成功就可以作为大范围推广的有力支撑。
决策带有博弈心理，因为做了这个就做不了那个，不管从开发、还是从投放等角度的资源都是有限的，哪怕一个再小的功能也需要资源，我们常用的方式可能是和利益是否直接相关、以及和用户数据影响范围大不大等比较直观的角度来做决策。
如果这个和营收相关就肯定优先级高，但是成功指数和影响范围也是必须考虑。
最终，比较简单的方式，在做需求就思考一个维度就是营收，面对一个需求产生时肯定**有一个计算方式来衡量需求所产生的收益，通过对比分析就知道是否ROI为正。
本文由 @让脑阔再转一** 原创发布于人人都是产品经理，未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
