數據驅動是一個時髦的詞彙。
很多網際網路公司都在談論增長，特別是來自矽谷的高速成長的企業，高速的增長是網際網路公司估值上升的核心驅動因素，所有的估值核心都建立在「增長」上面，這也是為什麼有的網際網路企業有很高的估值的原因。在「增長「的背後是一系列的用戶體驗，活躍度，留存率以及變現的有機結合，增長黑客的核心就是產品化，數據化，運營化。
分析思維和技術實現能力是科技產品的核心：分析思維的內在形式是工程產品的思維，外在形式是數字營銷的思維。也就是說我們可以用工程產品的方法加上數據分析的方法來促進用戶和業務的增長。
這種工程和分析的思維就是把一個大的問題細化成一系列小的問題，然後針對每一個小的問題進行迅速的改進，很多小的迭代累積而成大幅度的改進產品整體體驗，並最終產生大幅度的商業效果。
註冊激活用戶是增長的開始，今天我們就以「註冊」為例，聊一聊如何從數據驅動產品的角度，進行註冊環節的研發和迭代。
首先，如果需要監測註冊過程中每一步的轉化率，那麼你要怎麼制定計劃呢？我的方案是這樣的：
這個方法，會幫助你製作一個非常初級的增長模型——把產品想像成一個一步步轉化的漏鬥。同時一定要從用戶的角度去思考，而不是產品信息結構。
在過去的一段時間裡面發現，很多產品經理考慮產品設計的時候，都是從產品的功能和信息框架開始思考，這樣往往會產生很多和用戶真實體驗不一致的設計思路，導致失去對真正用戶體驗的把握。
因此產品運營和產品經理考慮註冊流，也不僅僅是從註冊開始思考，而是想像用戶一般會從哪個渠道來，從他們的入口用戶體驗開始。比如說如果新訪客來到你的註冊或者app下載頁面，他會看到什麼等等。
把「時間」這個指標加入運營分析報表，立刻可以看到每一個步驟的轉化率。
建立基本的轉化漏鬥後，你就會了解整個註冊流的轉化情況。
但是每一步驟的轉化率並不能告訴你該如何做，接下來我們就要把這個模型變得有預測力，而且可以把未來的目標進行定量的追蹤，從而模擬不同的決策場景下，可以看到的效果。比如說如果第二步註冊效果提高5%，就能獲得多少增長，第三步增加20%能獲得多少增長，這樣就可以決定優化哪一個步驟是效果最好的，最大化的。
以上面的轉化率為例，第一步的轉化率16%， 第二步的轉化率39%，第三步的轉化率92%。如果我們要對其中的步驟進行優化，一個性價比高的方法就是對衰減最高的部分進行優化，也就是第一步，而不是已經很完善的最後一步92%。這樣就向前走了一大步，從一個不知道在發生什麼的狀態，了解了歷史發生了什麼，還可以預測將來的新增用戶的增長可能。
因為多種因素會影響用戶的獲取，所以要持續地觀測每天的註冊轉化率，一旦發現註冊率突然增加或者減少，可以第一時間找到核心原因，從而幫助下一次產品迭代。
一個實際例子
某企業服務網站，有兩個註冊流，一個是每個步驟需要填的很少，但是有很多步驟；另外一個有極簡的步驟，但是每一個頁面裡面需要填寫更多的信息。產品經理想知道哪一個的轉化率會更高？
假設這個SaaS產品有4個註冊頁面：
在確認完這個視覺上的虛擬註冊流以後，下一步就是要衡量產品在每一步之間的轉化率。 這裡您需要使用數據分析產品，例如GrowingIO、Google Analytics、Mixpanel等精細化運營的工具，或者在自己的資料庫裡面建立這些指標。
在上表中可以判斷哪一步用戶衰減的最多，接下來就是如何減少這種衰減，比如說儘可能縮短整個的註冊流程。
要了解模型如何發揮效用，讓我們從註冊流中刪除第3個頁面，把那些必須填寫的信息放在第2個頁面上面，改變之後它看起來是這樣的：
接下來就要印證是否這樣的調整可以提高註冊的轉化率：
第一步：做出簡化註冊流程的草稿模型，繼續完善報表來衡量每一步的轉化。
這裡最主要的改變是將原來需要兩個頁面填寫完的信息變成了一個頁面。模型中就有一個三個頁面功能之間的跳轉率，比如說將5.83%的註冊率提高到8%左右 （一個30%左右的提升）。在執行前，需要迅速思考是否這個改變是值得的？是否還有更好的方法從而取得更大的改進？最重要的一點，是要做好準備用數據分析工具衡量實際的轉化效果。
第二步：把這些設計上的改變通過工程師來實現。這裡略去很多細節。
第三步：進行快速的數據分析。
1.1 通過觀測數據結果來查看是否這次改動符合預期，是否提高了整體轉化率。
1.2 對轉化的漏鬥進行拆解，在不同維度下進行分析，比如說我們把轉化率用瀏覽器的維度分拆，看到了Chrome的轉化率是12%，而IE的轉化率是1.4％，相差接近十倍，然而IE的瀏覽量也很大，接近總量的20%。因此我們下一個優化目標，就是要看為什麼IE產生的轉化率低，找到原因集中修復。修復的結果我們預期IE的用戶會有提升，從而進入下一個產品迭代循環。
1.3 不是所有的改動都是符合預期的，很多情況下會證明改動有問題，例如我們看到了轉化率的降低，那麼就要立刻取消這次改動。
產品迭代很重要的一點就是：從產品改動裡獲得重要的數據。這些數據來自於產品和用戶，用於和你的預期進行比較。這會讓你的產品直覺越來越熟練，而且很重要的一點，它不會浪費很多時間和資源就能驗證一個產品改進的好壞。
數據驅動的最核心結論是幫助產品經理系統性的思考若干產品決策。同時能夠迅速地驗證一個個產品假設。雖然設計本身永遠沒有最好或者最壞，你也永遠不會得到非黑即白的答案，但是相比基於情感和直覺（拍腦子）所產生的產品改動，數據驅動毫無疑問是更好的選擇。因為增長就是一個系統性持續性的過程，一個科學和系統的方法將為持續的增長帶來確定性和可衡量性，而可衡量性是產生持續性必要的條件。
很多網際網路企業家在採購了數據分析產品以後，需要「立刻」看到效果。這是不現實的，因為數據驅動下的增長是每一天，每一星期，每一個月，每一年都要關注並且持續執行的工作。 只要持續的執行和優化，就一定能夠看到幾何倍數的效果。成功的矽谷網際網路企業比如說Facebook，LinkedIn， Twitter，Airbnb，Uber以及國內的成功網際網路企業都驗證了這套框架的效果，你還要等待嗎？
作者：GrowingIO創始人&CEO張溪夢，微信公眾號：GrowingIO。
本文由 @張溪夢 原創發布於人人都是產品經理。未經許可，禁止轉載。