
你搞清楚竞品分析和产品分析的区别了么?
当年刚刚入产品经理这一行的时候,第一节课学习的就是如何对产品进行分析。但是随着年龄的增长,时常感到自己对竞品分析与产品分析理解的浅薄,我一度无法分清两者的区别与侧重点,现在才对两者之间的关系渐渐清晰,这里简单总结一下我对竞品分析与产品分析的理解。
如何选择竞品
我们选择竞品往往需要分类选择。
竞品我理解应该分为三类:直接竞品、潜在竞品、转移性竞品。
直接竞品:这一类是大家最好理解且最常分析的竞品,就是与我们产品目标用户相同,内容相似,构成直接竞争的产品。
潜在竞品:与我们产品目标用户相似,暂时没有我们产品的功能模块,但是通过后期升级,可以加上此类模块的产品。最简单的例子就是陌陌与微信周围的人,陌陌是一款以LBS为基础的实时通信产品,微信是以熟人社交为基础的实时通信产品,虽然产品目标不同,但很可能会由潜在竞品向直接竞品转化。
转移性竞品:目标人群具有一定共性,产品目标不同,但在特定场景下对用户使用时间形成竞争的产品。比如我们在坐地铁的这段时间里有很多选择,玩游戏、看小说、看电影,这期间会有一大堆产品都会成为我们产品的转移性竞品。
如何区分竞品
竞品分析自然是越细越好,但是基于现在互联网时代的快速迭代与各位产品经理宝贵的时间,进行细致全面的分析不但不大可能,而且缺乏重点。我一直推崇定点分析,这样既可以突出重点,又可以节约时间,最重要的是,效率高。
直接竞品
一般来讲,我要求团队中每个产品经理的分析功能点不要多于5个,各个突破。竞品分析一定要突出重点,一定要达到分析的目的,一定要集中火力解决最紧要的问题。但是大家要注意,我们这样分析绝不是仅仅为了罗列出一个产品的功能分析表,关键是通过产品流程、用户体验来分析出产品的核心竞争力,这才是竞品分析的重点。竞品分析是一个重点突出小而美的分析报告,绝不要写成干涩的罗列比较功能报告。
例如:对于药物电商产品,我们选取直接竞品,阿里健康、一号药店、叮当快药在下单功能上的分析。
潜在竞品
要确定分析的趋势,而不是确定性的功能点,因为可能不同的应用根本就找不到相同的功能点,对于任何一款可以添加功能模块而演变为直接竞品的一系列产品进行分析。
例如:要分析一款药物电商类产品,它们的潜在竞品可以是看病挂号的、慢**护理的等等。
转移性竞品
转移性竞品的分析着重泛性分析,因为可能根本就找不到相同的功能,也完全是不一样的产品,主要针对于用户行为与用户使用场景的分析进行分析。
产品分析
所谓产品分析,是以产品为导向的分析过程,我们最高优先级是确定一个产品,然后围绕这个产品来分析所有该产品的模块、特征、用户体验等。产品分析与竞品分析最大的区别在于:一个以功能为导向,一个以产品为导向。产品分析是纵向的,所以可以对产品进行深度分析。
产品分析和竞品分析一样,并不是大量的罗列信息。产品分析最大的特点是分析该产品的核心功能点,尽量全面,但要突出自己要突出的部分。
竞品分析与产品分析的流程
产品分析和竞品分析一般都从事以下几个方面的工作:战略定位、盈利模式、用户群体、产品功能、产品界面(交互方式、视觉表现)、数据和技术功能、可用性等。
但是就我个人来讲,依然认为一篇产品分析需要突出重点,不要设计太多分析点,这样不但重点突出,而且可操作性强。
如何找到竞品
寻找竞品的方法其实相对成熟。
首先提取目标关键词,可以是多个;
按照提取的目标关键词,找到相应的产品;
将找到产品相互叠加比较,得到目标竞品。
就我个人工作而言,其实在认知中已经将竞品熟记在心,如果一个产品经理不能随口说出5个竞品,要么是产品有着太大的创新,要么是工作还需继续努力。
竞品分析要素
竞品分析的核心其实就是一个字“比”,三个字“找准比”。其实竞品分析就是需要将几个竞品中你要分析的核心功能进行比较并且做出分析。
一般性步骤:
明确分析要点;
对罗列的产品特性进行分析(逻辑关系、商业意图、SWOT等)。
对于UX可以按照经典的五层架构去完成:
3211 竞品分析和产品分析,你究竟搞清楚了么?
表现层——你看到的是什么;
框架层——这些区域和位置如何来决定表现层;
结构层——用户是怎么来的,之后又去了哪里,哪些列别该出现在哪里;
范围层——按照功能和与特性,表现的是否合适,如何决定结构层;
战略层——需要什么样的功能与特性。
以上是我对五层架构的一些概括,是这些年来我对产品一些浅薄的认识,大家仅供参考,欢迎吐槽。如果大家能从上面五个方面来对几个竞品的UX做比较,那会上升到新的层次。
3311 竞品分析和产品分析,你究竟搞清楚了么?
列举之后,关键在于比较分析:
❶ 互相比较,得出在竞品群中的mark
❷ 与benchmark比较,得出产品在行业中mark
对于某个竞品在一个环节中具有非常突出的表现,比如非常好的按钮设计,极为简洁的交互或用户体验,我们可以单独拿出来讨论,并说明这样设计为什么好,同样可以按照五层框架进行。
深度剖析
首先明确,产品分析是对一家企业和企业产品的深度剖析,从老板家庭出身,到顶端产品细枝末节统统要归纳总结好。产品分析其实更像是一个产品体系的深度报告。
一般来说包括以下几项:
老板背景
公司骨干
融资情况
产品分布概括(可以画Mindmanager)
子产品核心功能与战略
商业画布
产品运营状况与策略
行业数据与公司数据(公司在整个行业中的地位)
我们可以吸取什么
产品走向预测
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15