如何预测一个产品的未来？

简介：产品模型从几个相对不同的维度定义产品的关键要素，是测量产品质量的核心指标。通过这个模型，我们可以快速发现产品的问题，保留用户的能力，预测产品的未来方向。这个模型是我在运营路况广播电台2000万用户的过程中积累起来的。这也是我们团队进行产品迭代、运营和设定产品目标的最基本方法。该产品模型从几个相对不同的维度定义了产品的关键要素，是测量产品质量的核心指标。通过这个模型，我们可以快速发现产品的问题，保留用户的能力，预测产品的未来方向。这个模型很实用。我和很多兄弟团队分享过很多次，但是一直受时间限制，没有整理成文。最近因为一个小*要住院，时间充裕，有时间整理这个模型，和做产品和操作的童鞋分享。众所周知，留存、粘度等基本指标对于一个产品来说是非常关键的，如何预测一个产品的未来，也正是这些指标。要预测产品的未来，首先要研究这些基本产品指标的规律。定期保留率是产品的核心指标，是产品留住用户的能力，也是产品经理应该关注的最重要的指标，因为产品迭代改进大多是在优化这一指标。保留率统计一般按时间跨度(日、周、月)统计，次日(周、月)按时间维度统计、2日(周、月)、….、7日(周、月)、30日等多个统计维度，但无论跨度如何，都遵循同样的规律。让我们以每月保留为例。下表是某产品的每月保留率数据：趋势如下：左边是保留趋势图，右边是衰减功率函数的图像。你认为这两种趋势有点相似吗？是的，保留率的趋势是遵循功率函数的规律。不同之处在于，我们看到的保留率趋势图取自变量x>=1之后的数据，因为留存率的统计是1天(周、月)之后的整数。任何保留率的趋势都是一个功能函数，因此一个产品的保留率由两个参数a和b决定，因此我们将进一步探索a和b的规律。1a是功率函数下降的起点值。就保留率趋势而言，它通常被称为第二天（周、月）的保留率。让我们用C来代表这个值。2b是权力指数衰减的趋势，代表保留率的衰减速度，我们用R代表这个值。C值和R值的计算一般有两种方法，一种是通过拟合算法获得的，另一种是通过功率函数模型进行反算；拟合计算的准确性较高，可以计算拟合误差，但拟合C值与第二天（周、月）的保留率差异较小，计算的复杂性稍大；第二种模型反算相对简单，非常适合表格公式操作，为了简单方便，我通常使用第二种算法向您介绍反算方法：使用C1、C2、C3、..CN表示1、2、3、..N日（周、月）的保留率，C=C1R=average(log2(C2/C1)，log3(C3/C1)，logn(Cn(C1))根据已知的保留数据，回到我们上面举例的产品，该产品的保留趋势模型是：保留率=43.7x^{0.53307}(C=43.7，R=-0.53307)在实际使用过程中，C值和R值可以根据模型通过几天(周、月)的保留数据进行反算，从而计算出未来几天(周、月)的保留率数据。这里很多童鞋可能会问，我的产品保留趋势不是根据这个模型衰减，我的答案是产品保留衰减必须满足衰减功率函数模型，如果你的产品衰减不遵循这个模型，一定是产品混合了很多异常噪音，这次你应该高度警惕。我以前见过一些产品，因为渠道刷量和回访导致产品保留违反了模型。此时，您需要询问责任渠道。我以前见过一些产品因为渠道刷量和回访而违反模型。此时，您需要问责渠道。除了监控渠道异常外，该模型还可以通过短期数据预测长期保留成本，并快速监控渠道质量。让我们通过几张图片来看看C和R对保留率的影响，并用另一个产品来解释：1.R值对保留率的影响第一张图是标准功率函数随功率指数变化的趋势图。从图中可以看出，功率指数alpha越接近0（越大），功率函数衰减速度越慢；功率指数越小，功率函数衰减速度越快；第二张图片是实际产品的数据，假设R值从-0.825升至-0.525的趋势通过不断优化产品，从图中可以看出，当幂指数升至-0.525时，第六天的留存率提高了5个百分点以上。因此，为了提高保留率，我们必须努力提高R值。因此，要提高保留率，我们必须努力提高R值。2.C值对保留率的影响代表了保留的起点。从图中可以看出，C值越高，每天（周、月）的保留值越大，这就是我们常说的出身决定了未来(∩_∩)O哈哈~以上内容比较烧脑啊，很多数学公式，我本来不想假装高深，但为了把模型说清楚，只能这样做。数学不好的童鞋不需要注意太多的公式。他们只需要知道产品的保留率符合数学规律，与两个参数有关，一个是第二天（周、月）的保留率，另一个是保留率的衰减趋势。为了改善产品保留率，他们将努力改进这两个参数。说到这里，很多童鞋可能会问，我的产品C值和R值是好是坏，没有统一的结论，因为产品解决方案的需求不同，新用户规模不同，没有统一的标准。然而，对于刚刚推出的纯移动互联网产品，如果C值小于35，R值小于-0.6，则应警惕产品是否有问题。产品的粘度指标粘度指标是产品的关键指标，说明用户使用产品的频率。我们通常使用MAU/DAU（MAU=月活，DAU=日常生活)定义产品的粘度指标，当MAU/DAU=用户每天都用这个产品；为了更容易理解，这个指标也可以这样计算DAU//MAU*30.该指标代表用户每月使用几次产品。以下是两种产品的实际数据：产品1的用户每月使用2.6次，产品2的用户每月使用5次，是产品1的两倍，表明产品2比产品1更粘。游戏或社交产品的MAU/DAU一般小于5。如果游戏产品的MAU/DAU大于5，游戏的盈利能力就会出现问题，工具产品的价值不能超过10，小于7基本合理。了解活跃用户（ActiveUser）对保留率和粘度指标的研究实际上是为了真正探索产品活跃用户的规律。了解活跃用户（ActiveUser）事实上，研究保留率和粘度的指标是为了真正探索产品活跃用户的规律。许多人最关心的是产品的日常生活，它代表了产品活跃用户的总数，通常是许多产品的最终KPI。因此，理解日常生活的规律是合理制定KPI，找到实现目标计划的最有效方法。DAU(MAU)=当日(月)新增 我们简要解释了MAU的累积历史日（月）保留情况。基于上述产品的保留数据，假设产品每月增加100个用户。MAU的累计图如下。从图中可以看出，柱状同色用户数量的衰减与保留率的衰减是一致的。从活跃用户的构成来看，除了新用户外，活跃用户的另一部分是由历史保留用户组成的，而历史保留用户是由保留率决定的。为了进一步解释活跃用户与保留率之间的关系，我们仍然使用上图中的产品。如果保留模型中的R值发生变化，MAU会产生什么影响：从图中可以看出，从同一个起点开始，R=-0.625产品比R=-0.825在第7个月总活跃用户多8%。如果时间更长，差距会更大，说明R对长期活跃用户的影响很大。预测您产品的DAUDAU是最受关注的宏观指标，也是许多产品的KPI，因此如何科学合理地设定DAU的目标至关重要。预测DAU并不难，预测可以按照以下三个公式完成:1预测DAU=预测MAU/预测（MAU/DAU）预测MAU=预测当月新增 SUM(历史月保留)3历史月保留=历史月新增*历史月预测当月保留预测值历史月预测当月保留预测值通过保留率模型中的C值和R值计算。从以上公式可以看出，预测DAU的关键控制指标如下:1C值下月保留率2R值下月保留衰减趋势3MAU/DAU4月新增（MNU）若用数学公式表达，DAU=f(C,R,MAU/DAU,MNU)根据产品现有的模型参数，可以通过上述公式向后预测多月后的DAU值，例如年初要设定年末的DAU目标，预计改进的产品参数目标和新用户目标，准确预测DAU，预测DAU满足预期目标，然后获得要实现的产品模型参数，形成分解目标。有了分解的目标，最终实现整体目标的可能性要高得多。上述预测方法已明确说明，具体计算过程用以下表格说明。我们根据2015年10月至2月的产品数据预测2016年4月至6月的DAU数据:1。根据现有的保留数据计算保留参数的黄色部分是根据现有数据估算的C值和R值，绿色部分是根据保留模型估算的未来保留数据。2.设置预计导入的新用户，并根据预计留存率数据计算每月的留存用户a.预计导入的新用户如下：ab.BC依次计算每月的留存率.如图所示，为了计算2016年6月的MAU，需要计算前一个月(2015年10月至2016年5月)至2016年6月留存的所有用户。3.累计历史保留用户，计算MAU累计图中的黄色是2016年6月的MAU。从图中的公式可以看出，它是历史上所有月份保留用户和当月新用户的总和。4.过去MAU/DAU的平均值作为MAU/DAU的预测值5。根据MAU值的估计，MAU/DAU，计算DAU图中黄色部分的DAU，然后根据实际值计算估计误差。经过多次验证，该模型的估计误差较小，不超过10%。如果没有大的数据波动，通常不到5%。在使用此模型时，您可以通过调整参数来预测指定时间的DAU。方法是调整产品参数和新用户数量来实现DAU目标，从而反映产品控制参数。警惕DAU虚荣指标之前说过，DAU往往是大家最关心的宏观指标，也是很多产品的KPI。但是DAU是绝对值指标，根本无法反映产品的实际情况。相反，这个指标往往容易骗人，往往会给产品经理带来沾沾自喜的感觉。但我想告诉你的是，日常生活其实是一个虚荣指标。如果你的产品做得不好，由于DAU是新用户和历史保留用户的总和，大量新用户将很快推动日常生活，导致日常生活增长，但如果产品保留数据不好，粘度指标不高，历史保留用户增长将越来越小，甚至成为负增长，此时你的产品日常生活主要由新驱动，一旦新下降，日常生活将大幅下降。我想告诉你的是，产品的关键指标是保留率和粘度参数。DAU可以是产品的总体目标，但实现这些产品参数的手段是优化保留率和粘度。如果没有这些数据的改进，导入更多的新数据是没有用的，所有这些数据都将丢失。