文武雙全的產品設計 DESIGNING WITH DATA
•
6 likes•1,113 views
AB testing and product design based on behavior data extracted from users, both qualitative and quantitative, and most important of all, how to leverage both data to reinforce each other, sharpening two swords.
Recommended
More Related Content
Similar to 文武雙全的產品設計 DESIGNING WITH DATA
Similar to 文武雙全的產品設計 DESIGNING WITH DATA (20)
More from Jason TC HOU (侯宗成)
More from Jason TC HOU (侯宗成) (9)
文武雙全的產品設計 DESIGNING WITH DATA
- 1. 文武雙全的產品設計 Sharon Wu & Jason Hou | 20170715 1 Designing with Data
- 2. 2 Sharon Wu Senior Product Designer at KKTV Co., Ltd Dec 2015 - present Dec 2011 - Nov 2015
- 3. 3 Vision: Re-Invent TV Experience
- 4. KKTV 品牌核心 4 即 刻 沈 浸 的 影 劇 體 驗 日常生活中，人們忙著扮演各種角色，偶爾也想卸下重擔，暫時逃離。KKTV 像一 瓶醇酒，旋開瓶蓋即能湧出滿室馥郁，醞釀多時的精彩內容，彈指間即能享受。此 刻，你只需與好劇靜靜相會，自能沉浸於豐富人生。
- 5. 5
- 6. 6
- 7. 從零開始 01 7
- 8. 8 初心
- 10. 10 Competitors
- 11. 11
- 12. 12 Journey
- 14. 14 聚焦
- 16. 16 Scenario
- 17. 17 Content Product x Marketing x Content Operation 朝向同一個方向前進
- 20. 20 滑板車版
- 21. 21 腳踏車版
- 22. 22 機車版
- 23. 23 汽車版
- 25. 25 關注最重要的事
- 26. 26 為什麼使用者不付費？
- 27. ● 目前 KKTV 的有想看的影片 ● 每日 60 分鐘追劇不過癮 ● 沒有其他免費來源可以看 ● 免費來源不穩定、沒有高畫質 ● 支持台灣的正版服務 ● 費用比其他付費平台平價合理 27 為什麼使用者願意付費使用 KKTV？
- 28. ● 免費音樂越來越難找 ● 跟免費服務相比值不值得 ● 使用頻率是不是需要訂閱使用 ● 不急著付費使用新服務，先看看評價 ● 基本要求內容更新的速度與服務品質 ● 用金錢支持正版音樂 ● 音質很好跟過去體驗不同 28 KKBOX 的使用者願意付費會考量？
- 29. ● 環境的改變 ○ 免費影片越來越難找 ● 自我導向行動 ○ 觀看影音頻率高 ○ 用金錢支持正版戲劇 ● 社交趨向 ○ 看看別人對這個服務的評價 ○ 大家都在支持正版 ● 產品的直接協助 ○ 服務品質較免費服務好（更新速度、翻譯、畫質等） ○ 適合的付費方式 29 如何創造影音服務的付費意願？
- 31. 31 以成長為主要目標
- 32. 32 案例：播放完畢給推薦
- 33. ● 實驗前觀察 ○ 很多用戶在看完一部劇以後不知道要看什麼，或者有選擇障礙 ○ 以 Android 為例，對全體用戶，播完全劇，隔天回頭播放的比例是 xx.x% ○ 很多 premium 用戶看到全劇結束（超過 xx% 的機會） ○ YouTube 和 Netflix 有類似功能，但是 KKTV 還沒有 ● 假設 ○ 全劇播畢後，在 player 內看到下一部影片的提示，減少用 戶「挑選下一部影片」的煩惱，藉此拉 高 engagement ● 實驗方法 ○ 在 Android 和 iOS 上同時實施 ○ 限制在 Premium 用戶 ○ 分 2 組 ● 觀察指標 ○ 全劇播畢後的 retention rate 33 案例：播放完畢給推薦
- 34. ● 先針對 Premium 用戶追完一部 title 時進行推薦並加入實驗追蹤 ● 隔天或隔兩天再回來播影片的 retention rate ，可以提高 X% 34 案例：播放完畢給推薦 <= 實驗結果在「統計上要顯著」的門檻
- 35. ● 訪談用戶的收穫： ○ 很多用戶不知道我們有 Web 版，知道後相當驚訝 ○ 使用過 Web 版的朋友，認為體驗相當不錯 35 ● 觀察用戶數據的收穫： ○ 在 Mobile 註冊，去 Web 上播放的用戶：比例極低 ○ 少數橫跨 Mobile & Web 播放影片的用戶，有更高的付費轉換率 （將近 10 倍） 案例：「跨平台播放」的實驗 - 觀察 ● 發想：註冊後，發送推播給用戶，提示有網頁版
- 36. ● 指標：註冊後 14 天內「升級」的比例 ● 假設：如果實驗成功，針對收到實驗推播的用戶，我們將可以提高 註冊後 14 天的付費轉換率 36 案例：「跨平台播放」的實驗 - 假設 & 實驗
- 37. ● 有效驗證了假設，但提高的程度不如期待，為什麼？ 37 ● 事前分析用戶行為時，疏忽了： ○ 倒果為因：沒有區分「付費前 vs 付費後」到 Web 播放 ○ 更精準的針對用戶： ■ 「在手機上註冊」的用戶 ■ 當用戶為「試用身份」時，「在 Web」的「播放行為」 案例：「跨平台播放」的實驗 - 學習 ● 有效提高付費轉換率，程度：收到推播 < 打開 < 打開後播放 ● 訪談獲得的 Insight，進一步用實驗，獲得更多經驗
- 38. 38 THANK YOU Sharon Wu 吳姍樺 sharonwu@kktv.me
- 39. 39 Jason Hou Senior Growth Designer at KKTV Co., Ltd 一年前，在產品上線前夕加入 KKTV 現在建立了 4 人 Growth Team EE, CS 工程背景，參與 2 間軟體新創公司 歷經募資、成長擴張又裁員的過程
- 40. KKTV 的成長視野 01 40
- 41. 41 KKTV 的成長視野 ● 目標： ○ 長遠：變成人們影視娛樂、跳脫現實的首選 ○ 短期：做到台灣南波萬
- 42. 42 KKTV 的成長視野 ● 現在的市場處境： ○ 內容的採購、製作成本高昂 ○ 用戶「認劇不認台」，難以囊括所有內容 ○ 盜版充斥，付費習慣待養成
- 43. 什麼是 Growth Hacking？ 02 43 KKTV 的成長環節？
- 44. 44 以餐廳比喻 Growth Hacking ● 以用戶為中心，貫穿服務的所有面向，找到成長機會點 ● 通常把服務分成三段：Acquisition, Activation, Retention ● 以餐廳為比喻： Acquisition 點亮招牌、找部落客 在路上發傳單/優惠券 Activation 進門、帶位、點菜 上菜、吃第一口 Retention 好吃再來、留資料、集點 發熟客卷、意見回饋表
- 45. 45 Growth Hacking 千百招 每個事業，都有不同的處境 所以 Growth Hacking 有多種做法 不變的是 — 善用 Behavior Data
- 47. Growth Team 的角色： ● 以 Analytics 串聯各支柱，最大化綜效 47 三大支柱：內容、行銷、產品 KKTV 的成長環節 ● 基於行為數據，建立「可持續」又「可複製」的成長引擎 ○ 服務中的機制 ○ 團隊中的流程 ○ 輔助決策的工具
- 49. 49 內容的挑戰 ● 處境：內容的採購、製作成本高昂 => 短期難以降低成本，又難以大量自製 ● 聚焦問題： ○ 如何衡量每個內容的成效？ ○ 如何極大化每分錢的效益，找到最佳組合？
- 50. 50 內容的案例：建立量尺 - 轉換成本 ● 愛Ｘ藝說：「獨家播送」策略紅利，推助成長 ● Nxxfxxx 說：版權成本高，讓用戶發現經典好劇，CP 值更高 ● Cxxxo TX 說：先拆解元素，猜測多紅，再來出價採購 => Insight：建立有別於收視率的量尺，才能驗證上述假說 ● 各家商業模式不同，量尺不盡相同 ● 基於商業考量，我不能說 (＝ .. ＝)╬
- 51. 51 內容的案例：建立量尺 - 轉換成本 ● 跟大家分享的經驗：參考現有 Metrics，再轉化套用 ○ 分析 App 用戶行為：Retention ○ 衡量廣告成效：Attribution Model ● 跟 Data Scientist, Data Engineer, Licensing 合作 ● Growth Team 特長： ○ 清晰理解成長目標 ○ 橫跨不同情境的指標知識
- 52. ● 處境：認劇不認台，難預料內容大紅 => 難囊括所有內容，又難每次獨家 52 行銷的挑戰 ● 聚焦問題： ○ 什麼內容值得加碼推廣，改變資源配置？ ○ 如何運用有限的內容組合，創造最大聲量、吸引用戶？ => Insight：用戶不是要「片庫上萬」，而是「想看的你都有」
- 53. 53 行銷的案例：唯快不破 - 速偵趨勢 ● 有電視台經驗的同事，會看收視率的「趨勢」 => 月薪嬌妻開盤普通，但持續上升 => Insight：沒有「事實上」都有，但能創造「感覺上」都有 ● 快速偵測趨勢，調控「加減碼炒作」的力度 => Insight：「想看」先是被炒作，接著才是口碑 ● 基於商業考量，我不能說實際作法 (＝ .. ＝)╬
- 54. 54 行銷的案例：唯快不破 - 速偵趨勢 ● 跟大家分享的經驗：發現 Insight，然後想「規模化複製」 ○ 人有快速綜合判斷的能力 ○ 機器可以幫忙大規模掃描 ● 跟 Data Scientist, Data Engineer, Marketing 合作 ● Growth Team 特長： ○ 理解操作面的挑戰 & 需求 ○ 長期觀察用戶行為，累積關鍵知識
- 55. ● 處境：盜版充斥，付費習慣待養成 => 盜版不會完全消失，市場上又有諸多替代方案 55 產品的挑戰 ● 聚焦問題： ○ 如何提供好十倍的體驗？ 如何讓用戶盡快找到/遇到想看的內容？ => Insight：太多了，講不完 ( ￣ c￣)y▂ξ
- 56. 56 ● 雖然介紹了許多案例，但推薦大家 slideshare 投影片： ○ Growth 的基石 用戶行為追蹤 ○ App 的隱形殺手 - 留存率 產品的案例：敏捷實驗 - 反覆「假設」與「驗證」 ● 跟 Product Team 合作 ● Growth Team 特長： ○ 設計最小可行化的實驗 & 行為追蹤 ○ 帶入「假設」和「驗證」的成長思維
- 58. 58 所有的基礎 — 善用 Behavior Data 行為資料，至少有兩種： 和產品設計師共同學習 — 偏向質化：厚資料、小數據 偏向量化：廣資料、大數據 ● 交互運用大小數據、交叉比對厚廣資料 ● 能夠又深又廣的了解用戶，銳化直覺
- 59. 59 廣資料 / 大數據的基礎 — 事件追蹤 Event Tracking 用戶參數 User Properties 事件 Events 事件參數 Events Properties 用戶的智商與三圍，為事件 發生時用戶身份的快照 用戶幹了什麼好事 幹了某件事的「人事時地物」等 周邊資訊
- 60. 60 三種 Behavior Events 類型 核心價值行為 Play Logs 轉換行為 Conversion Logs 路徑行為 Core Path Logs 所有在 Player 裡的行為追蹤 在轉換點的行為追蹤，例：註 冊、付費升級等 在 Player 以外，導航、搜尋 等行為追蹤
- 61. 61 以餐廳比喻 Event Tracking Acquisition 點亮招牌、找部落客 在路上發傳單/優惠券 Activation 進門、帶位、點菜 上菜、吃第一口 Retention 好吃再來、留資料、集點 發熟客卷、意見回饋表 轉換行為 進店門 路徑行為 帶位、入座 路徑行為 看菜單 轉換行為 點菜 核心行為 吃第一口 核心行為 餐桌上聊天 轉換行為 結帳 => 以用戶為中心，設計大數據架構，紀錄用戶旅程
- 62. 62 THANK YOU Jason Hou 侯宗成 jasonhou@kktv.me
- 64. 64 註冊前的溝通資訊調整 原始版 情境版 劇照版 ● 假設：以熱門劇或使用情境為背 景圖，較能吸引使用者註冊，提高 註冊率。 ● 觀察指標：Sign-Up Rate 註冊率
- 65. 65 註冊後的溝通資訊調整 原始版 改良版 ● 假設：目前「全版文字」條列 5 項優點，不 夠吸引人 ● 觀察指標：註冊後到成功播放影片的比率
- 66. 66 調整熱門推薦的呈現方式 原始版 改良版 ● 假設：在熱門推薦提供更多影片的文字介 紹，可以輔助用戶了解內容，幫助用戶找 到想看的影片 ● 觀察指標：註冊後到成功播放影片的比率
- 67. 67 若搜尋沒有的劇，新增推薦提示 原始版 改良版 ● 假設： ○ 針對：使用搜尋、尋找我們沒有的劇 的新用戶 ○ 如果我們：提供「沒有這齣劇的 說明 ，而且又提示「相似的劇」 ○ 就可以：減低負面感受，提高這些用 戶留下來的意願 ● 因為： ○ 「找不到想看」引發負面情緒，若提 供補償，可減低負面感，且不比「找 不到」更糟 ○ 用戶「找劇」表示「想看劇」，若此時 給推薦，更容易讓用 戶上鉤 ● 觀察指標：新搜尋用 戶，註冊後播片比率
- 68. 68 突顯離線觀看 原始版 改良版 ● 假設：在影片資訊頁， 更強調離線下載，可 以提高使用率，進一 步提高留存率 ● 觀察指標： ○ 抵達該頁面後， 使用離線影片 的比例 ○ 留存率