产品需求和需求分析

1.需要 VS 需求

需要：用户要解决的问题或者要满足的欲望，我们定义为需要。

需求：为解决用户的问题或者满足用户欲望而产生的产品或功能，我们称之为需求

上面这个故事中，客户想要更短的时间到达目的地，这是需要；想要一匹更快的马，这是需求。再比如，想听歌是人们的需要，想要一个随身听设备是需求。所以往往人们所表达出来的需求，不一定能更好的满足人们的需要。好的产品经理一定深谙其道，所以福特去造车，乔布斯做ipod。

2.用户的解决方案 VS 产品解决方案

在没有汽车之前，用户能想到的更快到达远方的工具是日行千里夜行八百的千里马。想要一匹千里马，这是用户提出的解决方案。福特制造汽车来更好的满足用户需求，这是产品解决方案，这里注意用词“更好的满足”。解决方案没有唯一性，先有汽车，后有飞机高铁，没有最好只有更好。用户提出的解决方案不一定不可取，也不一定不能满足用户的需要。在没有汽车飞机高铁之前，或许马匹就是最合适的解决方案。

用户的解决方案：用户自己思考要满足自己需要或欲望而想出来的办法，不同的用户对于相同的问题往往提供的解决方法不一样，和用户的知识、经验、紧迫程度有关。

产品的解决方案：通过一系列的功能、内容或者服务的组合，满足用户需要的手段。产品是功能、内容或者服务的聚合。

3.需求分类

在产品战略层（《用户体验要素》），要回答两个问题：a.我们要通过这个产品得到什么？b.用户能通过这个产品得到什么？

前者是公司的业务目标，是商业属性；后者是用户体验目标。因此，我们将需求分为业务需求和用户需求两类。

a.业务需求=业务目的+业务目标

业务目的是我们为什么要做这块业务，社会或市场存在的问题是什么。业务目标时做了这个产品后，希望得到什么成果。

比如小米做最好性价比的智能手机，因为智能手机要么很贵如苹果三星，要么质量或者用户体验不太好，所以小米的定位要做一款性价比高的手机产品。

那小米想通过这个产品得到什么呢？小米公布的2018年财报，硬件税后净利率小于1%，手机和其他硬件产品都是小米的现金流抓手。商业嘛，最终都是要挣钱的，可能这款产品不直接挣钱或者持续烧钱，但它在战略中承担某一环节的作用，为整体生态提供养分。正如小米这种生态型公司，每款产品的商业目的（定位）都不一样，结合起来就是一张完整版图。

所以，我们去分析一个产品的业务需求时，不要只看到产品的点，要向上看一看，看到公司布局看到战略，这样可以更好的帮产品经理理解业务需求。

b.用户需求=目标用户+场景+行为+用户体验目标

不要脱离使用主题（目标用户）谈产品解决方案，也不能脱离用户的使用场景（场景有很自然的存在，如开车听歌；也可以营造，比如双11），用户行为和场景是关联的，这些连贯起来就是什么人在什么场景下做出什么行为，想要达成什么目标。产品的解决方案是要把这些做到自然连贯，把用户需求和业务需求更好地融合起来。

这里的重点是，任何产品都是人在用，产品的目标是解决人的问题。脱离人这个主体谈需求、谈方案，那就是空谈。我们常常战术上很勤奋，为什么会改了一版又一版？决策者把大把时间花在竞争对手的产品功能研究上，想借鉴别人的解决方案来解决自己的问题，就是不愿意花时间调研自己的用户，基于冥想，而不是基于真实。

几乎所有的成功产品都做到了“用户体验第一”，他们的产品有超高的粘性，源于对用户的尊重，为用户打造极致的满足感，而不是去堆砌功能。

什么是场景？

梁宁的解释是：要把场景拆开，场和景。

“场”是时间和空间的概念，一个场就是时间加空间。用户愿意在某个时间段在这个空间里停留和消费，如果一个人不能在某个空间去停留、消费，这个场就是不存在的。

“景”是情景和互动。当用户停留在这个空间的时间里，要有情景和互动让用户的情绪触发，并且裹挟用户的意见，这就是场景。

按照这个定义，在电商或者零售中常说的人货场，这个场绝不仅仅是指卖东西的地方，更多的可以理解为场景。除了空间，它还有时间、有用户的心情、有当下的交互体验。如果服务没法与人紧密连接，那它一定是冰冷的，没有粘性的服务，最终只会有损于商业目标。

需求采集的方法

被动获取：

a.用户反馈,含产品内反馈、服务评价、app评分、网络留言（如微博）、投诉等

b.同事或朋友的反馈

c.竞争对手，含产品功能、市场动态等

d.市场和监管，含政策性要求，如滴滴车内录像录音

e.领导输出

主动发现

主动发现分为定量和定性两种方法。

定性：判断是什么叫定性，定性分析一般用于趋势判断

定量：判断有什么叫定量，定量分析一般用于量化定性结论

举例：下雨天外卖订单会增长，这个是定性，表明下雨这个外因和外卖单量的增长存在关系；下雨天外卖订单会增长40%，这个是定量，有具体的数据可以量化下雨和外卖单量增长的关系。

1.需求分析的方法

需求分析是一个针对采集到的需求，通过合理性评估，筛选过滤伪需求、提炼归纳合并真需求，并评估优先级的过程。总结就是去伪求真，把留下的真需求排定一个实现的优先级的过程。需求采集后，面对一堆杂乱无章的，各式各样的，不同目的的需求，先明确需求合理性评估原则

1）合规（法律、政策、行业规范等），企业不能违法，不能做不符合法律法规、道德要求的产品。明令禁止的不可打擦边球。

2）战略协同（符合公司愿景或阶段性战略目标）战略类需求基本上是自上而下的指令

，产品经理需要与高层沟通清楚，不要出现理解偏差、执行偏差，要A给B，要A给a，执行不到位。

比如，某电商目前是纯自营B2C,管理层决定做个开放平台，让其他商家也接入平台，共享数据、渠道等资源，从单一商家的B2C发展成多商户平台型电商，这个转型就是战略需求。再比如，去年创业公司的营收是1个亿，净亏损2000万，今年的目标是扭亏为盈，这是公司发展战略。公司的一些战略常常会反应在比较细的产品需求之中。如DAU提升a%，转化率提升b%deng，这类属于自上而下产生的KPI分解到产品路径上产生的需求。

3）需求真伪的评估首先不要站在自己角度理解用户需求。如果不是基于用户的真实需要，真实的使用场景来判断需求，不靠谱的概率会很大。

4）价值成本评估主要是2个方面的评估：

a.给企业带来什么价值，给用户带来什么价值。很多电商都做会员做积分，企业的需要是用户粘性，是留存。对于用户来说，积分可以兑换礼品，或当钱花，做得好就是一个双赢的需求决策。

b.实现要付出多少成本。这里的成本不仅是研发的人力投入、时间周期的费用。达成目标的方法可能很多，为什么是A而不是B，AB方案的差异、优劣、价值和成本需要对比，只要能达成目标，方案越简单越好。

5）技术可行性评估。理论上技术可行性更多是时间周期的问题。需要设计人员了解一些技术，否则容易导致返工。

在完成需求合理评估后，剩下的需求应都是合理的、真实的、有目标的、可实现的需求了。我们对这些需求再进一步分组归类，用于更好的帮我们理解需求。

需求分析方法1：卡诺模型

*注意：

1）五种需要像阶梯一样从低到高，按层级逐级递升，但这样的次序不是完全固定的，可以变化。

2）需求层次理论有两个基本出发点，一是人人都有需要，某层需求获得满足后，另一层需要才出现；二是在多种需求未获满足前，首先满足迫切需要；该需要满足后，后面的需要才显示出其激励作用。

3）一般来说，某一层次的需要相对满足了，就会向高一层次发展，追求更好一层次的需要就称为驱使行为的动力。相应的，获得基本满足的需要就不再是一股激励力量。

4）五中需要可以分为两级，其中生理上的需要、安全上的需要和感情上的需要都属于低一级的需要，这些需要通过外部条件可以满足；而尊重的需要和自我实现的需要是高级需要，他们是通过内部因素才能满足的，而且一个人对尊重和自我实现的需要是无止境的。

面对杂乱无序的各类需求，设计者首先要做的是重建需求秩序，就像手里抓了一把杂粮，先把小米、大米、麦子分开归类、这样我们才能更好的观察、研究这些需求的本质意义。

2.优先级评估方法

优先级评估方法1：需求分级法

卡诺模型、马斯诺模型等已经对需求做了大概分组，可按层级逐步满足用户。对于卡诺模型，先满足基本型需求，在满足期望型需求，最后是兴奋型需求；对于马斯诺模型，先满足低层次的需求。

2）用户基本需求没有满足，紧急重要

3）产品的核心指标不满足，影响公司营收和成本，目标导向型需求，紧急重要。如为提高注册激活率而优化注册流程，为提高DAU而做的每日签到抽奖。

4）战略型需求，可能是紧急重要，也可能是重要但不紧急。看需求目标是什么，狙击竞争对手的一般都是紧急；公司已处于行业领先地位，且需进一步加深护城河的，一般都重要，但没那么着急。

5）业务痛点问题，不解决难以做事，效率低下。一般2B类产品居中，需求偏管理、流程。企业内部的运作效率都很重要，是否紧急要看具体需求。

优先级评估方法3：威格斯公式。在《软件需求》一书中，作者介绍了一种需求优先级量化的办法，这里简单介绍一下。

优先级=价值%/（成本%+风险%）

收益：实现需求带来的收益

损失：不实现需求有什么损失

成本：实现需求要花费的成本

风险：实现需求要承担的风险

举例：对R1-R4四个需求要排定优先级

计算步骤：

1、设置相对收益的权重为2，相对损失的权重为1，相对成本的权重为1，相对风险的权重为0.5。这个权重可以根据公司的实际情况来设定，如刚起步的创业项目，没有太多业绩包袱，成本和风险相对较小，无非就是时间、几个人员投入、一点点钱，但是做成功的话收益就会很好，所以相对收益就设置大一些。对于成熟的项目，业务体量可能很大了，做任何需求可能获得的相对收益都小，而风险可能会大一些。

2、录入R1-R4的相对收益、相对损失、相对风险，并在表中对R1-R4的各项指标求和。这里的值都是相对的，可以以R1为基准，或找一个已经实现的需求R0当参考，用R1-R4与R0对比。表中是以一个已经实现的需求R0为参照。

3.计算总价值和相对价值占比（价值%）。R1总价值=R1相对收益 相对收益权重+R1的相对损失 相对损失权重=2 2+4 1=8。R2-R4同理。然后求总价值∑R=R1的总价值+R2总价值+...Rn总价值。Rn价值%=Rn总价值/∑R

4.计算各需求的相对成本占比（成本%）、相对风险占比（风险%）

5.计算优先级系数a=价值%/（成本%+风险%），最终得出优先级结论R2>R1>R4>R3

威格斯公式法的好处是量化了需求优先级，从价值、损失、成本、风险四个维度综合评估需求，相对来说比四象限法更理性一些。但从实际工作中情况看，决定需求优先级的因素很多，以上办法能帮设计者更好的理解需求价值，弱化噪音干扰，更聚焦需求本身。

完全照搬方法亦不可取，市场瞬息万变，善用数据，把握时机更重要

业务对数据需求的四大层次

1.需求是指从业务用户的角度来看的业务需求，而标准是从系统的角度定义那些需求。需求记录了所需的内容，而标准记录了如何达到要求。

2.需求表示问题或需要，而标准提供了问题/需要的解决方案。

3.需求是从企业用户/利益相关者收集，而标准则是由技术团队提供的他们心里的需求。

4.需求的输入是业务用户，而标准的输入是需求文档、业务用户和技术团队。

5.需求的输出是诸如BRD，概念说明之类的需求文件，而标准的输出是SRS，FSD等的规格文件。

业务对数据需求的四大层次

数据的重要性已经被越来越多的公司、个人所熟知与接受，甚至于有过犹不及之势头。大数据的概念满天飞，似乎一夜之间人人都在谈论大数据，见了面不用大数据打招呼，好像就不是在数据圈子里混的了。那么，被外界传得神乎其神的数据，到底可以在哪些方面促进业务的腾飞？或者换种说法，业务对数据有哪些层次的需求？数据在哪些地方能够帮助业务？

结合笔者多年的工作经验以及对数据与业务的理解，业务对数据的需求归纳为四个层次。

我们可以通过建立数据监控体系，掌握发生了什么、程度如何，做到“知其然”。

具体来说，切入数据的角度主要有这几个方面。首先是“观天”，观察行业整体趋势、政策环境影响；再是“知地”，了解竞争对手的表现；最后是“自省”，自身做得怎么样了，自己的数据表现怎么样。从看数据的周期上来讲，“观天”可以是季度性或者更长的周期；“知地”按周或者月，特殊时间点、特殊事件情况下除外；“自省”类的数据拿到的是最全面的，需要天天看，专门有人看，有人研究。

在这一层上，分享两个看数据的观点：

1.数据是散的，看数据需要有框架。

怎么看数据很有讲究。零碎的数据很难发挥出真正的价值，把数据放到一个有效的框架里，才能发挥整体价值。所谓有效的框架至少包含两重作用：

（1）数据很多，不同人对数据需求不一样，如CEO、中层管理者、底层员工关注的数据通常是不一样的，有效的框架能够让不同的人各取所需。

（2）有效的框架能够快速地定位问题所在。举个例子，交易量指标大家都关心，如果某一天交易量指标掉了20%，那么，业务很大可能下是出了问题，但问题到底出在哪儿呢？如果只有几个高度抽象的指标，如转化率、成交人数、客单价等，是定位不到问题的。好的框架能够支持我们往下钻，从品类、流量渠道等找到问题所在，板子也就能打到具体的负责人身上了。这也是我们通常所说的，看数据要落地。

2.数据，有比较才有真相。

我有120斤，你说是重还是轻呢？一个孤零零的数据是很难说明问题的。判断某个指标增长快慢，需要选择正确的比较对象、参考系，也就是基准线。这个基准线可以是一个预先设定的目标，可以是同行业平均水平，也可以是历史的同期数据。

通过数据看到了问题，走到这一步还不够。数据只是表象，是用来发现、描述问题的，实操中解决问题更重要。数据结合业务，找到数据表象背后的真正原因，解决之。解决问题的过程就会涉及数据、数据加工，还可能会涉及数据模型之类的方法或者是工具，这里面技术含量比较高，另作篇幅介绍，这里不展开了。

在第二层里也有两点分享：

1.数据是客观的，但对数据的解读则可能带有很强的主观意识。

数据本身是客观的，但消费数据的是有主观能动性的人。大家往往在解读数据的时候带入主观因素：同样一个数据在A看来结论可能是好的，从B看来可能却得出截然相反的结果。不是说出现这样的情况不好，真理越辩越明。但假如不是通过数据找问题，而是先对问题定性，然后有选择地利用数据证明自己的观点，这种做法就不可取了。可事实上，我们的身边经常发生这样的事情。

2.懂业务才能真正懂数据。

车品觉老师的博文《不懂商业就别谈数据》对这个观点作了深刻阐述，这里不展开讲了。只是由于本观点的重要性，笔者特意拿出来做一下强调。

利用数据可以帮助业务发现机会。举个例子：淘宝上有中老年服装细分市场，有大码女装市场，这些市场可以通过对周边环境的感知，了解到我们身边有一些中老年人或者胖MM在淘宝上面没有得到需求的满足。那么还有没有其他的渠道找到更多的细分市场呢？

数据可以！

通过用户搜索的关键词与实际成交的数据比较，发现有很多需求并没有被很好地满足，反映出需求旺盛，但供给不足。假如发现了这样的细分市场，公布出来给行业小二，公布出来给卖家，是不是可以帮助大家更好地去服务消费者呢？这个例子就是现在我们在做的“潜力细分市场发现”项目。

讲这个案例，不是想吹牛数据有多厉害，而是想告诉大家：数据就在那里，有些人熟视无睹，但有些人却可以从中挖出“宝贝”来。差异是什么呢？商业感觉。刚刚提到的搜索数据、成交数据很多人都能够看到，但以前没有人把这两份数据联系在一起看，这背后体现出的就是商业感觉。

我理解的数据化运营，包含了两重意思：数据作为间接生产力和直接生产力。

1.数据作为间接生产力。

所谓间接生产力，是指数据工作者将数据价值通过运营传递给消费者，即通常所说的决策支持，数据工作者产出报表、分析报告等供各级业务决策者参考。我称之为决策支持1.0模式。然而随着业务开拓和业务人员对数据重要性理解的增强，对数据的需求会如雨后春笋般冒出来，显然单单依赖人数不多的分析师是满足不了的。授人以鱼不如授人以渔，让运营、产品的同学都能够进行数据分析，是我脑子中的决策支持2.0模式。

决策支持2.0模式有三个关键词：产品、能力、意愿。

让运营和PD掌握SQL这类取数语言，掌握SAS、SPSS这类分析工作，显得不大现实和必要。提供低门槛、用户体验良好的数据产品是实现决策支持2.0模式的基础。这里讲的产品，不仅仅是操作功能集，还需要承载分析思路和实际案例。

但是，数据分析的门槛始终是存在的。这就对运营和PD提出了新的基本能力要求，即基础的数学能力、逻辑思考能力和学习能力。

最后一个意愿，也许是最关键的，只有内心有强烈的驱动，想做好这件事情的时候，才有可能做好。

2.数据作为直接生产力。

所谓直接生产力，是指数据工作者将数据价值直接通过前台产品作用于消费者。时髦点讲，叫数据变现。随着大数据时代的到来，公司管理层越来越重视这一点。大数据时代带来了大的机会，但也可能是大灾难。如果不能利用数据产生价值，那么，它就是一个灾难——产生的数据越多，存储的空间、浪费的资源就越多。

现在比较好理解的一个应用就是关联推荐， 你买了一个商品之后，给你推荐一个最有可能再买的商品。个性化是数据作为直接生产力的新浪潮，这个浪潮已经越来越近。数据工作者们，做好迎接的准备吧。

以上是小编为大家分享的关于业务对数据需求的四大层次的相关内容，更多信息可以关注环球青藤分享更多干货

鹏仔微信 15129739599 鹏仔QQ344225443 鹏仔前端 pjxi.com 共享博客 sharedbk.com