文章插图
这样基于业务现状+历史数据，对建议进行简单的可行性评估后再给出，会让建议更有说服力。业务诊断法的缺点是很明显的：第四步容易被卡住，成为业务方互怼的导火索。特别是问题发生在转化漏斗的末端，大家都有责任的时候，更容易引发争吵（如下图）。
文章插图
此时，需要花特别多的精力，把这帮人的各种说法论证清楚，不然分分钟会被人当成对战的棋子，怼得死去活来。
三、机会识别法机会识别法和标杆分析类似，但是不是拿整体作为参照对象，而是从细节里找思路。最典型的，比如发展了一群客户，质量有高有低，这时候有两个典型的做法：
- 从现有用户里，挑出高质量群体，单独看该群体画像，思考如何做大该群体。
- 从用户画像角度，挑出理论上高质量群体，再看目前获取数量，思考如何做大。
文章插图
这样就是所谓的：机会点识别。
所以叫机会点，是因为：到底是否能做大，做大了到底好不好？在眼下是不清楚的。很有可能顾此失彼，为了服务一个群体，得罪其他用户很有可能因小失大，多赚了一个群体钱，流失其他用户很有可能镜花水月，单一群体数量太少，无法撑起大盘总之，得实验，实际测试几次，才只能看出数据变化。
这也是机会识别和标杆分析最大区别，标杆分析看得是实际上已经成功的样本，机会识别的，真的就只是一个机会。
机会识别法的弱点也是很明显的：严重依赖业务配合。
如果业务方懒得给出配套方案，那就永远无法测试这个机会点到底能不能成。更糟糕的是，在没测试前，到底是不是机会，是无从定论的。于是，业务方会简单按照：是否这个机会与老板观点一致，进行判断。总之，老板说这个好，这个就好。老板没说过，那就不好……这更让客观的机会识别无法进行了。
四、概念测试法以上三种方法，都是基于已发生的数据做推导的。也可以完全没有数据，凭着业务方灵光一闪：“我有一个好点子！”然后直接拿来测试。这是完全OK的。常用的ABtest方法也是满足这一需求。
但注意，很多业务上测试，实验的是一整个流程的SOP，并非一个孤立的页面。因此在设计实验的时候，一定要对测试的流程做好拆解，在可能影响实验的节点上，打好业务标签，这样才能在事后分析的时候有据可循，做迭代的时候也有方向。不然只看最终的结果，还是看不出所以然来（具体拆解方法，参考业务诊断法的做法）。
概念测试法的缺点也是很明显的：概念是人提的，数据不会撒谎，人会！
比如：为了维护自己面子，即使新版本改善不明显，也非得说丫明显。比如：为了让自己见效，搞“瘸子里边挑将军”，把B方案做的明显烂，或者换汤不换药，搞个和A方案差不多的B来比，反正最后都是自己的主意胜出。至于上线后对业绩改善不明显？好办，直接把锅甩给数据分析，说ABtest说的不准即可。
五、深层思考：让数据见效真难这个问题的本质，不是“数据有没有用”而是“真的每个公司都能成为天下第一吗？”显然，很多公司在业务上是先天有短板的，老板缺乏远见，业务缺少能力，运作不够规范……
反应在数据上，是：
- 缺少内部标杆，躺在黄历上吃老本
- 缺少业务标签，干业务全靠拍脑袋
- 缺少测试动作，只在纸面坐而论道
- 缺少合理的AB方案，拼命证明自己是对的
- 李现与eStar队员合影并晒签名队服 称“感谢冠军战队的礼物”
- |既能打造你的品牌又能促进销售的广告宣传方法？
- playstation5|基本的元器件检测 常用方法汇总
- Meta Quest|旨在提供更佳Quest体验：Valve发布SteamVR Beta 1.21.5
- 删除|换成鸿蒙系统后特别费电，四个小时充一次，还是不怎么用的情况下
- 日系音质型白盆再进化ADDZEST富士白两分频SRT1672C高解析有质感
- 芯片陷阱|分享网络营销方式方法的一些误区
- Java|【python学习笔记】Python find()方法
- 消息|想查看微信撤回的消息？用这个方法就够了，小白也能用
- Java|【python学习笔记】Python expandtabs()方法