很多时候，产品经理在构建业务模型都依赖于经验和竞品。这样的业务模型，几乎都是建立在各类假设的前提下。在这样的背景下研发出的产品，是很难满足复杂多变用户需求，面对竞争激励的商业市场的。
当然，业务模型本身就是高度抽象的，要通过范式的方法来论证和建立，本身也不现实。但是，仍然可以通过一些方法，来设计尽可能优秀的业务模型，提升产品的投入产出比。本文要讨论的主题，就是以数据为引导，来构建业务模型的这种方法。
01 业务
首先，什么是业务？在产品上，为了满足需求而诞生的产品逻辑和具体流程。如果是B端产品，业务也能是指客户自身的工作或生产逻辑和具体流程。这里我们主要讨论的是产品业务。而业务需求，指的是开展业务和构建业务模型过程中，产生的需求。业务需求通常并非来至于用户。通常将能形成完整闭环的一个流程，称为业务。当然，不完整的流程也是业务。
某些关联的业务按照一定规则和结构，形成一个整套的系统。然后各个系统，再有机的形成一个整体的系统。这个整体的系统就是我们所说的业务模型。业务模型是对抽象的业务的概括性描述。在产品的体系中，业务模型比较容易与产品架构混淆。两者都是对产品的整体结构性描述。但是，业务模型是对产品业务抽象出的系统。而产品架构是对实际系统的整体性结构设计。
建立一个良好的业务模型，最终会形成一个源源不断产生商业价值的良性生态系统。一个没有良好的业务模型的产品，通常 ROI 都比较低。
对于产品，业务也是需要架构设计的。只有将业务模型搭建完善，才能实现业务的可控。不可控的业务，最终都是压死产品的最后一根稻草。产品迭代的过程，就是寻找最优业务建模的过程。
商业模式和业务模型，也存在直接的关联。商业模型会影响，业务的建模。业务模型的变迁，也会引发商业模式的变化。两者间的关联关系，类似先有鸡还是先有蛋。无论如何，最终都是业务模型为商业模式服务，商业模式为公司收入服务。
在产品的业务模型正式运转起来时，会产生大量的数据。这些数据可以帮助优化业务模型，寻找业务模型的方向。同时，数据也是建立业务模型的目标和依据。所以，建立业务模型都需要先从数据入手。
02 数据
数据是，产品的业务和用户的行为的表现和记录。在使用数据时，可以将数据分为三类。结果数据、行为数据和过程数据。
结果数据是产品表现的数据结果。是以产品整体或者某个维度整体的数据。比如，ROI、日活等。结果数据也可以是目标数据。产品规划时制定的。也是对于产品的预期。
过程数据是指满足用户需求的过程中产生的路径数据。是以业务为维度的数据。比如，业务环节中流失率、完成业务循环的路径步骤数等。这部分数据，都是与业务强依赖的。
行为数据是用户使用产品的过程中，产生的操作数据。是以用户为维度的数据。比如，用户浏览路径、页面热力图、用户画像等。
除了本文的主题外，数据还有很多用处，可以创造很多价值。数据可以帮助产品经理，找到产品产生的问题。通过数据能够将主观的判断，定量为客观的结论。比如，某个功能对用户是否友好。数据自身也可以创造商业价值。比如，建立用户画像进行 AI 推荐。这也是很多领域产品提升商业收入的重要业务模式。今天，产品经理的方法论，大部分都是建立在数据分析的基础上。
03 数据与业务
在产品经理的常规的认知中，通常是先有业务再有数据的。但是，在本文讨论的数据要更宽泛。针对产品未来预期，制定的目标数据也是本问所探讨的数据。所以，在本文的方法中，是先有数据再有业务。
在设计业务时，一定是先要有指标数据，再设计业务。这样，才能为设计业务建立一个预期，作为某些设计决策的指导。即使是 MVP，也不能例外。
在产品开始运行后，业务就会源源不断的产生各种类型的数据。对这些数据加以利用，可以优化业务，探索产品的方向。伴随业务的开展和迭代，也会反过来影响目标数据的制定，扩充新的数据维度。
所以，数据与业务是彼此关联，你中有我我中有你的关系。一个产品要产生更多的可能性，必然是数据和业务彼此有机结合，彼此相互促进的。
- 数据预期
要以数据为引导，构建业务模型，第一步是要设置数据预期。数据预期，类似上文阐述的数据目标。指的是大家预期，我们的业务未来的表现。因此，数据预期是用来衡量业务的产出结果。
数据预期的数据，一般是能代表业务或产品整体性表现的数据维度。比如，用户量、GMV、营收等。同时，也要与行业和业务深度结合，具有典型特征的数据维度。比如，电商产品的交易额。
创始的数据预期，是根据我们对自身资源实力的评估，对行业发展调研和竞品调研后，假设的结论。初始的数据预期是最难设置的，因为我们手中一片空白，只有外部参照。业务上线后，初始的数据预期，需要伴随业务发展的数据不断的修改和升级。
在设置数据预期时，需要将数据拆解到产品的生命周期阶段中去。产品的每个生命周期，一定是对应着不同的数据预期。同一个数据，在不同的产品生命周期阶段，预期值是不一定相同的。整体的数据预期，是长远目标，代表产品的最终成就。而阶段数据预期，则是产品经理为之努力的短期目标。只有一步步完成短期目标，才能取得一个较大的成就。这也就是互联网典型的「小步快跑」思维。
设置数据预期，一定要合理，一定要是未来可期的。虽然，也需要宏大的预期来给我们自身打鸡血。但是，切不可夜郎自大，忽视自身的实力和脱离行业规律。
- 拆解数据
设置好数据预期后，产品经理需要将数据预期拆解为可落地的数据。拆解出的可落地的数据，要对应业务的关键节点。这些关键节点的数据，就是数据的分类中的过程数据和行为数据。一般情况下是先拆解过程数据，在通过过程数据去分析出对应的行为数据。这个过程可以这样理解，要达到某个结果，首先要确定达到结果的过程，然后确定过程中用户的表现。这是一层一层细化分析的过程。
找到关键节点数据，需要根据业务着手。首先，根据已有业务和业务数据，找到会影响预期数据的数据维度。然后，对于这些数据维度进行细分。最后，在结合预期数据的具体值来设置拆解后的数据的值。这些拆解出来的数据，就是产品经理日常需要跟踪的数据。
如果，已经有了可以参考的数据，那么在拆解数据和设置值时，就会好做很多。因为，可以用已有的数据作为参考。如果，没有数据作为参考，可以去收集竞品和行业数据，摸索行业的规律。来作为拆分数据维度和设置值的参考。
在拆解数据预期的时候，也需要进行一些前瞻性的思考。因为有的数据维度，并不是值对产品有价值，反而是值的变化过程对于产品具有很大的价值。还有一些非预期目标关联的数据，也是需要考虑的。这些数据可能是帮助判断业务问题，并优化业务的。最后的结果也是保障产品如愿达成预期。
- 验证数据
当敲定了需要的数据后，就到了实际运用数据的环节。也就是业务运作起来的时候。数据运用主要在业务的两个阶段，一个是业务初步进行的过程，另一个业务进入稳态的过程中。
应用数据的第一步，是验证数据。验证数据也分为两类，一是数据追踪，二是数据的复盘。在业务的运行的过程，要随时盯牢数据，随时关注数据的表现情况。同时，还需要做阶段性的整体数据复盘。
验证数据就是与数据预期进行对比。是否达到预期？与预期的差值是多少？在这之上，还要通过数据找到变化的原因，甚至于数据的优化策略。在验证数据的过程中，还要关注数据的变化过程。如果数据的最终结果达到了结果，但是数据变化过程不符合设置的阶段数据。那也需要重视，寻找根本原因。特别是，数据表现不稳定，走势出现了剧烈波动。
当数据出现异常或者与预期存在差值时，要第一时间分析数据，查找原因，寻找应对策略。如果是结果数据出现异常，要从过程数据着手。如果是过程数据出现异常，要从行为数据着手。简单的方案就是，一定是要从关联的数据入手，或者同步表现异常的数据入手。
在验证数据的过程中，可以灵活的运用数据。比如，当收到某个新需求时。就需要考虑，是否可以用当前的数据作为分析依据。当某个业务表现异常时，是否能通过数据来推导原因。
04 迭代业务模型
应用数据的最终目的，都是为产品服务，通过数据去迭代业务模型。数据迭代业务模型，核心是对业务进行重构，分为两个方面。首先，可以通过数据改进现有的业务模型。其次，可以通过数据去寻找业务的迭代方向。业务的迭代方向，其实就是产品的方向。在数据的基础上，甚至可以验证产品的商业模式。例如依据数据，预测出的 ROI 不能达到预期时。要不就面临业务关停。要不就需要通过优化业务，寻找新的业务方向，建立新的商业模式。
在应用的数据的过程中，很重要的一环是数据分析。严格的数据分析，需要很多算法的支撑。对于产品经理，很多场景下仅需要能理性分析数据与业务表现，通过数据预测业务走向和规模。
如果分析数据，一定少不了数据清洗。当分析数据时，对于数据的正确性，要保持警惕。数据从提出到研发和采集的过程中，可能有各种各样的原因导致产生错误的数据。当设置数据预期时，总会假定某数据能代表某业务。但是，预设总会有可能和实际情况相出入。特别是以竞品为参考时。因为，竞品对于产品经理来说就是黑盒，一切都是基于猜测。数据清洗的本质是，保证数据的准确性。
虽然，数据在设置预期和分解数据的过程中，就会考虑数据的场景。在数据分析时，仍然需要紧密结合数据的场景。相同的数据维度，在不同的业务场景，不同行业背景下，具有不同的代表意义。
优化业务模型，主要是找到能够提升预期数据的行为数据和过程数据。然后通过调整和优化业务，来改变行为数据和过程数据，最后达到提升预期数据的目的。
比如，以 A/B 测试举一个例子。当发现C数据与预期存在差异时，则需要提升C数据的值。然后，经过数据分析，发现过程数据D的提升可能会提升C数据，行为数据E的异常可能是C差的原因。所以，这时候就针对D数据做了业务优化方案A，针对E数据做了业务优化方案B。这时候，将A/B方案都定向给部分用户。然后观察D、E数据变化，所引起的预期数据C的变化。最终，再来敲定具体的业务优化方案。
A/B 测试是一种通过对比验证数据的方法。在这些方法之外，在验证数据的过程中，即使仅分析数据的表现，也能找到一些业务的优化方法。
寻找业务方向，主要从数据的表现的规律和预测出发。最简单的，比如产品中有A、B、C三个功能模块。对比三个功能模块的预期数据表现或者对预期数据贡献，就可以选择某个功能模块作为产品的主推方向。在此基础上，也可以使用灰度测试等产品方法，来主动探索业务方向。
最后
数据是具有时效性的。在业务运行中，追踪数据是最能掌握业务当前现状的。数据要及时复盘。数据等待分析的周期越长，数据的表现场景就会越模糊。
任何基于数据的工作，都不能让数据成为空中楼阁。设计的预期数据，一定要符合实际。否则，在验证数据的过程中，永远无法得到正确的结论。
数据分析中，最重要的就是对比。只有拥有了对比参照，才能知道数据表现的合理性。产品经理主观认为合理的数据，不一定符合客观的规律。最好的是以竞品或行业数据为对照。产品自身也可以作为参考。比如，周期性的对比。
数据不会说谎。数据比人的「想」更加真实。但是，人对数据客观理解是很容易不准确的。产品经理在判断数据表现时，既要相信自己的判断，又要保持批判性思维。所以，这本质也是对产品经理决策能力的考验。