突破成长困境，你首先要做的可能是摆脱“信息茧房”
作者：本文来自微信公众号“友盟全域数据”（ID:umeng_data），作者：友盟+产品专家，数据传承官 刘泳伽， 36氪经授权发布。
一个优秀的产品经理，视角必须是多元化的。如果产品经理的思维被禁锢在了一个特定的区间内，这会导致负责的业务增长具有一定的局限性，摆脱“信息茧房”，是数据时代产品经理的必经之路。
一、信息茧房
“信息茧房”是什么？我们以抖音为例：在长时间使用的情况下，抖音的推荐算法会根据你的偏好，让你看到更多你感兴趣的内容和博主。其他一些你不感兴趣的内容不会出现在你的观看列表之内。这意味着你能够看到的信息都是被自己兴趣所引导的，信息被禁锢在了一个特定的区间之内，这种现象就叫做——信息茧房。
对于产品经理来说，大部分时间都需要去了解新鲜的事物，以便更好地掌握市场环境和竞争对手的变化。并根据掌握的信息知识，形成清晰的判断。
二、某直播平台“摆脱信息茧房”案例
以某个直播平台的客户为例，这个客户做的是一个直播平台，并且搭建了一套成熟的运营体系。
如图所示，他将所有的用户分成了4个阶段：新手阶段、成长阶段、沉默阶段和流失阶段。
对于平台来说，用户活跃度越高说明平台的用户粘性越大，越能为平台创造价值。所以在这在四个阶段的用户中，他最关注的是中间成长阶段代表的活跃用户。但不管怎么调整，平台的用户活跃度始终很低。就算用APP端进行Push触达，促活率也仅为0.1%左右。这个时候也不可能通过拉新来进行促活，因为即使砸钱换来了很多新用户，如果留存不够高，活跃度依然不行。
他打破了原有思维的禁锢：既然私域用户是可控的，那就将私域用户进行了整合：微信公众号、APP和CRM系统三端打通，找到重合的用户。将重合度高的群体特征进行标签化，例如：微信公众号粉丝、IOS端微信登录用户、安卓端微信登录用户等等。
并通过标签形成精确的人群圈，分成4类：
“微信登录”且“已下载App”且“关注微信公众号”且“充值过”的用户
“微信登录”且“已下载App”且“关注微信公众号”且“没充值过”的用户
“微信登录”且“已下载App”且“没关注微信公众号”且“充值过”的用户
“微信登录”且“已下载App”且“没关注微信公众号”且“没充值过”的用户
把四类人群进行分层运营，同时，通过用户群体的历史行为了解到，用户群体日常习惯查看Push消息的时间，在这个时间段进行用户触达。得到了这样的一个结果：
“微信登录”且“已下载App”且“关注微信公众号”且“充值过”的用户打开率提升了9.4倍
“微信登录”且“已下载App”且“关注微信公众号”且“没充值过”的用户打开率提升了5.1倍
“微信登录”且“已下载App”且“没关注微信公众号”且“充值过”的用户打开率提升了2.9倍
“微信登录”且“已下载App”且“没关注微信公众号”且“没充值过”的用户打开率提升了2.1倍
正是通过打通“微信公众号、App、CRM”，才能使用三端的用户特征进行精细化人群圈选，进而实现精细化用户运营，最终定位影响用户活跃度的核心用户特征是什么，正是因为知己知彼才最终能够提升“用户促活率”。
通过用户分析这件事，验证了他一个想法：不能只单一的通过APP这一端的用户行为特征去进行用户运营。因为虽然App的载体很大，但是实际上用户的行为不单单来自于这一个平台，他可能会来自CRM系统、小程序、公众号等各种各种的平台。如果只关注一个平台的话，思维很容易被禁锢住。
所以说做业务增长的时候，我们需要从全域视角来看业务发展，只有这样才能找到业务增长的新的突破点。
产品经理的职业路径分为三个阶段：
初阶产品经理：潜心研究产品功能。刚毕业的产品经理，大概率是被leader分配做一个小的功能，这个时候你需要考虑的是怎么画好原型、怎么把按钮设计好。
进阶产品经理：通过单端的数据情况规划产品。这个时候，leader可能会让你负责一个独立的业务线。可能是App端或者小程序端，或者是运营一个公众号。这个时候，你需要从全局用户路径的视角去看待你的用户。
当你变成一个产品一号位的时候，这个视角跟原来的视角就又不一样了，你需要从公司的视角来看待已有的数据和业务。
产品经理的进阶，是思维方式上的进阶和变化。你想要升职加薪，首先是你的思维和工作方式要有变化，你才会得到相应的职位和薪资。
这也是我提到的信息茧房——先摆脱思维禁锢，用一种更好的方式了解业务，并且能快速去接触学习新事物，让你的视野变得更宽，你才能尝试通过创新的方法给业务带来增长。
总结起来一句话——“数据+全局观”才是摆脱“信息茧房”的进阶法门，也是成为一个优秀产品经理的一个必经之路。
三、数据+全局观”才是摆脱“信息茧房”的进阶法门
Step1：从数据认知的演进中找到驱动业务的法门
（1）演进：数据的认知逐步升级
数据演进的过程，也是伴随互联网发展阶段发生变化的过程。
一、环境变化
在移动互联网初期的时候，国内的App市场是不关注数据的。以友盟+服务的客户为例，在当时也只提供给单一的统计能力，对于当时而言说完全够用，因为他们每天只需要知道新增、启动和活跃的数据就够了，然后拿这个量去找投资人融资。所以初期的时候，面对客户的数据诉求，只要统计的够准、够直接和标准化就够了，这是我们的环境的变化。
二、意识变化
（1）提升数据认知和数据分析，以及数据运用的能力
随着移动互联网的发展，有一些公司的数据分析能力变强了，业务增长也变快了。因为这些公司是用数据驱动业务的，所以大家也开始尝试运用数据。这个时候更多的方法论充斥到各个公司里面，比如说：增长黑客、ARRRR分析模型等。产品经理开始改变自己的意识——自己打造工具，或者找第三方的工具来帮助提升数据认知和数据分析，以及数据运用的能力。
当有了数据应用的方法和工具之后，产品经理就需要提升数据质量。如何证明你做的好？通过数据来说话的方式就是埋码。
但在这个过程中，有的人会比较极端——埋码埋得非常详细，这样导致量很大，最后无法管理。全埋点、无埋点和可视化埋点产品应运而生。它不需要提前埋点，就可以保留最近7天的数据，只需要点击一下，就可以保存过去7天的埋码数据。
但这并不能解决根本的问题，因为随着产品的每次迭代改版，埋点也会发生变化，数据就需要重新做埋点。
（2）实现理想中的数据驱动闭环
真正的方法是从整体思路上进行改变，先制定一个目标，并对这个目标进行洞察、拆解和应用，然后把这个数据的结果反馈到产品本身的数据运营体系中，形成一个完整的闭环。
进而沉淀出一套方案，这对于企业和个人来说都是很重要的。
实际上一些功能性的产品团队，都是以清晰的北极星指标来带动整个团队的数据驱动。
因为当业务变得越来越多的时候，跟人的协同沟通就会越来越重要。想要让所有职能形成合力一起往前走，就必须要有一个共同的目标，这个目标就是北极星指标。
北极星指标定得越明确，你的思路就会更明确。
（3）典型2B行业数据类产品面临的客户需求和问题：满足客户需求提升产品粘性实现商业价值
一般来说，创业公司发展初期最关注的是用户增量、启动、活跃和市场留存这些基础的数据，因为这些数据是行业和公司内部的重要参考依据，关乎到公司的生死存亡。
在基础统计上需求主要表现为：业务形态对于日常行为数据查询的实效性有更高的诉求和对数据的导出、异常提醒、内部汇报和流通上有期待
随着业务的发展，比如规定业务注册转化率一定要达到35%以上才是良性发展。这个时候公司需要的数据就不仅是基础统计，而是场景化的报表。
需求主要表现为：
希望完善和丰富开箱即用的业务场景报表，满足业务人员工作场景
希望提供行业经验侧的从指标体系到采集规范的场景报表能力
当DAU从10万增长到了100万的时候，公司就必须有效洞察业务，并对用户路径有更深的了解：
希望数据分析在查询性能、细分、对比等能力上能完成业务洞察闭环
业务上对于客户人群的细分查看和场景还原能力上有更多的述求
最后是数据智能方面的需求：
满足业务人员从策略到触达再到数据反馈的执行闭环，数据业务化业务数据化
产品能力，自动化能力，测试能力，降低研发和沟通成本，提升数据运营效力
（4）制定合理的北极星指标
北极星指标的制定是有两种方式：
推：从上至下，向上对齐、横向对齐、向下拆解
拉：从下至上，清晰对齐后促成跨部门合作顺利达成目标
当老板定义了一个月100万的指标时，一个有思考的产品经理会考虑100万背后的意义和对公司的影响，以及他能在这100万中产生什么作用，是不是可以通过加一个指标能达到更好的效果，这就是从下至上。
在业务发展过程中，能主动提问题、主动思考的产品同学通常都会是进步最大的。
所以说在北极星指标的制定中，从下至上的方式是很重要的。只从公司的视角出发从上至下安排任务，不利于锻炼产品经理的业务理解能力。
产品经理带团队最重要的是能够与其他部门进行协同形成合力，能够拉着大家一起往前走，帮助业务落地。
只有打破信息禁锢和信息孤岛，将业务线进行打通，小程序端、App分享端，App移动端，App推送，甚至CRM里面把这些数据都打通，摆脱“信息茧房”，深入了解产品的用户群体。进而思考是否能通过你这个点去影响公司的业务，带来业务线的增长，实现公司目标，这才是一个良性的循环。
相关推荐
突破成长困境，你首先要做的可能是摆脱“信息茧房”
关于“信息茧房”，误解、真相和破解
我们真的生活在“信息茧房”中吗？
“信息茧房”这种概念，可能在误导你对技术的认知
喻国明：算法是信息茧房的缔造者，还是打破者？
算法导致“茧房”“回音室”？学术研究说NO
抖音的算法，是如何把你束缚在信息茧房里的？
算法推荐给你造了“信息茧房”？这可能是你的错觉
TikTok向美媒披露算法原理：先用8个热门视频了解你
美团的破茧成蝶时刻
网址: 突破成长困境，你首先要做的可能是摆脱“信息茧房” http://m.xishuta.com/newsview33325.html
