产品经理方法论 — 常用模型
2024-12-24 13:40:28 0 举报AI智能生成
详细阐述了产品经理在工作中经常使用到的各种理论，旨在帮助产品经理更好地理解和运用这些模型来优化产品设计和项目管理。这些模型包括但不限于SWOT分析模型、KANO模型、用户故事地图、需求分析模型等。这份文档不仅提供了每种模型的概念、应用场景和操作步骤，还通过实例展示了模型在实际工作中的应用，为产品经理提供了有益的参考。此外，还包含了部分模型在特殊行业或领域的特殊应用方法，如敏捷开发、精益创业等。通过这份文档，产品经理可以更全面地了解并掌握这些理论模型，从而提高工作效率，提升产品竞争力。
作者其他创作
大纲/内容
SWOT分析
内部
Strengths（优势）
Weaknesses（劣势）
外部
Opportunities（机会）
Threats（威胁）
RAID管理框架
概念
Risks（风险）
万一遇到下雨天，或者车子半路抛锚怎么办？
Assumptions（假设）
你假设孩子能按时起床赶上飞机，但如果孩子赖床，这个假设就会让整个行程被打乱
Issues（问题）
机票忘订了，酒店搞错日期了，这些是已经发生的事情，需要立即解决
Dependencies（依赖）
你的行程可能依赖租车公司准时送车，或者酒店能正常提供服务。一旦他们掉链子，你的计划就得改
SMART分析法
概念
Specific（具体的）
Measurable（可衡量的）
Achievable（可实现的）
Relevant（相关性）
Time-bound（有时限的）
HEART模型
概念
Happiness（满意度）
用户开心吗？他们喜欢你的产品吗？
Engagement（参与度）
用户使用你的产品有多频繁？互动够深入吗？
Adoption（采用率）
新功能上线后，有多少用户愿意试用？
Retention（留存率）
用户是不是会继续回来用你的产品，还是过几天就跑了？
Task Success（任务成功率）
用户能不能轻松完成一个目标，比如下单、搜索内容等。
作用
找准问题
你发现新功能上线后，采用率很低——说明用户要么不知道这个功能，要么用起来很费劲。这就是优化的突破口
评估改进效果
你做了一些调整后，用户满意度是否上升？留存率是否更高？通过对比前后数据，可以清楚看到优化是否奏效
数据驱动决策
少一些“我觉得”，多一些“数据告诉我们”，HEART模型能让你的决策更有依据、更让团队信服
5W2H思维框架
概念拆解
Who：谁来做？谁负责？团队有哪些人？
When：什么时候做？有具体的时间要求吗？
Where：在哪里做？场景或地点重要吗？
What：我们到底要做什么？
Why：为什么要做这件事？它的目的是什么？
How：怎么做？具体的执行步骤是什么？
How much：需要多少成本或资源？预算、时间、精力等。
一户话总结
谁（who）、在什么时间（when）、什么地点（where）、做什么（what），为什么要做？（why）；具体要怎么做（how），花多少钱（how much）
MoSCoW法则
概念
M (Must have) —— 必须有
S (Should have) —— 应该有
C (Could have) —— 可以有
W (Won't have) —— 不会有
RICE模型
reach
覆盖面、覆盖人群
impact
影响力，能有多大影响
confidence
信心，达成这件事，能有多少把握
effort
成本评估，要估算不同的达成方式
北极星指标
以社交平台为例，微博的北极星指标可能是“日活跃用户数（DAU）”。这个数字越高，说明平台的吸引力和用户的活跃度越强，也说明平台的内容和功能是被用户广泛认可的。
对于电商平台来说，北极星指标可能是“月活跃买家数”或者“用户购买频率”。这些数据反映了平台的吸引力和用户粘性。如果这个数字在持续增长，说明你的平台不仅吸引了顾客，还能让他们保持活跃并进行购买。
对于内容平台，比如视频网站，北极星指标可能是“每月观看视频的总时长”。这个指标越高，说明用户对平台的兴趣越大，内容消费也更频繁。这是平台吸引力的重要表现。
PDCA戴明环
plan
计划：确定目标和实现目标的步骤。
do
执行：按照计划行动
check
检查：评估结果是否达到了预期
act
行动：根据检查的结果进行调整和优化
K-means聚类分析
K-means聚类分析 究竟是什么呢？其实，它是一种数据分析算法，能自动地把大量的数据按照特征的相似性分成几个“簇”（即类别）。这些簇内部的数据很相似，而不同簇之间差别明显
K
代表你预设的簇的数量
假设问题及步骤
问题
假设你有一堆颜色各异的球，你的任务是把这些球分成 K=3 组，也就是说你需要将它们分成3个组，每个组里的球颜色尽量相似，组与组之间的颜色差异要明显
步骤
第一步，算法随机选出3个球，作为每个组的代表，类似于每组的“中心点”
第二步，然后它会检查每个球，判断它离哪个组的代表球更近，把球分到那个组里
第三步，一旦所有的球都分好了组，算法会重新计算每个组的“中心点”，也就是每组球的“平均颜色”
第四步，然后它会再次检查所有的球，看看是不是应该重新分组。这个过程会反复进行，直到每个球的位置稳定下来，不再发生变化
例子
用户行为分析
根据用户的购买习惯、浏览记录等数据，利用K-means算法将用户分为不同的群体。这使得平台可以为每个用户群体推送定制化的商品推荐或广告。例如，如果你经常浏览运动鞋，系统就能识别出你是“运动鞋爱好者”，并推荐相关的商品
精准广告投放
在广告平台上，广告主可以通过K-means分析把用户分成不同的兴趣群体，然后将广告精准投放给这些群体。这样，广告的效果得到了大幅提升，用户也能看到更多感兴趣的内容
商品推荐
K-means还被用来根据用户的历史购买数据，推荐他们可能感兴趣的商品。比如你在淘宝上购买了几本书，系统会根据这些信息将你归为“书籍爱好者”群体，然后推送相关的图书或书单给你
市场细分
通过K-means对客户进行细分，比如按购买频率、消费金额等指标，将用户分成不同的群体。这让他们能够制定更加精细化的营销策略，从而提升整体的销售效果
AHP层次分析法（Analytic Hierarchy Process）
概念
AHP（层次分析法）是一种帮助我们做决策的工具，特别适合处理那些复杂、含有多个变量的决策问题。它的核心是将问题分解成不同的层次，然后通过对这些层次的因素进行比较，最终得出一个科学的选择
例子
问题
在选车时，你有几个选择：A车、B车、C车，每款车在价格、油耗、安全性等方面的表现都不一样
过程
首先
你需要列出你关心的所有因素。这些因素可能包括：
价格：车子是否在你的预算范围内？
油耗：你希望车子省油，减少日常开销。
安全性：安全配置能否保障你和家人的安全？
外观设计：车子外形是否符合你的审美？
车内配置：座椅是否舒适，车内娱乐系统是否符合你的需求？
价格：车子是否在你的预算范围内？
油耗：你希望车子省油，减少日常开销。
安全性：安全配置能否保障你和家人的安全？
外观设计：车子外形是否符合你的审美？
车内配置：座椅是否舒适，车内娱乐系统是否符合你的需求？
然后
接下来，你要评估每个因素的重要性。哪一个是你最看重的？你可能会觉得“安全性”最重要，其次是“油耗”，再到“价格”，最后是“外观设计”和“车内配置”。排序之后，每个因素的重要性就变得清晰了。
最后
根据你为每个因素设置的优先级，结合每辆车在这些因素上的表现，做出加权评分
作用
清晰化决策过程
定量和定性结合
减少决策偏差
波特五力模型
行业内现有竞争者的竞争强度
潜在进入者的威胁
替代品的威胁
供应商的议价能力
买家的议价能力
INVEST原则
概念拆分
Independent（独立性）
每个用户故事要能“单飞”，避免和其他故事互相依赖。这样即使一个故事暂时搁置，其他的也能继续推进
Negotiable（可协商性）
用户故事不是一份硬邦邦的合同，而是一个需求提醒，细节可以和团队灵活讨论
Valuable（有价值）
写故事的目的是什么？是为用户或业务带来明确的价值。如果看不出意义，那这段“故事”可能就不值得讲
Estimable（可估算性）
团队需要能大概判断这个故事需要多久能完成。如果评估起来很困难，那说明它可能太复杂了
Small（小型化）
用户故事应该“迷你”一些，足够小到可以在一两周内完成。如果太庞大，就需要进一步拆分成多个小故事
Testable（可测试性）
用户故事得有明确的“完成标准”。开发完之后，团队需要通过测试验证，确保它的效果达到了预期
作用
能帮助团队写出更清晰、更可执行的用户故事，避免那些模糊不清、难以落地的需求浪费时间。它也是敏捷开发中拆分任务、明确目标的一把标尺。它可以用在这些地方
0 条评论
下一页
