京公网安备 11010802034615号
经营许可证编号:京B2-20210330
你写的竞品分析,犯了这 5 个错误了吗?
产品小白最开始接触产品这个岗位的时候,几个名词是一定会看到的,例如:“竞品分析”、“用户调研”、“用户场景” 等等。
这篇文章,就唠一唠 “竞品分析”。刚接触产品这个岗位,应该是大二/三(2012/2013)的时候,那个时候,写了第一个竞品分析。先列当时的过程:(为了写个文章,爆自己的坑也是醉了,请多担当)
1、最初,我觉得 “在路上” 这款旅行游记 App 中的一个多人编辑游记这个功能特别有意思,和当时的朋友们玩的好 high 森,然后就想看看还有哪些是这样的,然后我就想当然的锁定了很多跟 “在路上” 一样的旅行游记类 App;
2、之后,在写的过程中,结合网上的竞品分析,我觉得应该要去写每个产品在各个不同面上的一些不同,这样才是完整的竞品分析:商业/盈利模式、用户群、迭代功能、交互、UI 设计、运营等等面;
3、最后,根据罗列出来的这几个产品在同一个面上的不同点,一项项写了自己的分析;
说实话,当时写完的时候,觉得自己完成了一项大工程呢。然而,现在再去看那时候的东西,发现实在是 “图奶衣服”。至少没搞清以下几点:
1、没有真正明确自己写竞品分析的目的
从上文的例子来看,当时的我因为感兴趣某个功能,想看看还有哪些产品是有类似功能的。那么,这个竞品分析是完全没有必要的。
why?
因为我的目的是 “想看看还有哪些是这样的”,而不是 “分析有这种功能的产品在这个功能上的差异性”。
所以,按照达到目的的功利性角度来说,写的再多、再详细,感动的是你自己,浪费的是你时间。(这里的 “浪费”,仅针对纯粹达到目的来说)
上文是我自己大三时候的例子,后来我发现其实很多人都会存在这个问题,把目的复杂化,或者说根本没想清楚自己的目的就去写竞品分析。
然而,这个是最需要先被明确的,直接决定了你之后的工作是否有意义。
2、没有明确自己的 “竞品” 是什么
从上文的例子来看,我觉得 “在路上” 这个 App 的某一个功能特别有意思,想看看还有哪些是这样。那么,这个分析的对象就错了。
why?
因为竞品应该是 “这个功能的竞品”,而不是 “这个产品本身的竞品”。按照原本的意思,至少可能被锁定的会是在线协作类产品,而不是限死在了旅游类产品。
对竞品理解错误了,同样,之后的分析就算写的累死也是错。
3、没有明确竞品分析怎么写
这个和第 2 点有直接关联。
从上文的例子来看,一个对象是某个功能、一个对象是整个产品。
那么对于某个功能的竞品分析来说,主要分析的可能是这个功能在各个产品中如何 UI 交互设计、用户对其反馈如何、是否有增加活跃度等等。
对于整个产品的竞品分析来说,主要分析的可能就是整体商业/赢利点情况、整体交互 UI、整体功能迭代情况、整体运营等等。可以发现,不同的竞品对象写出来的竞品分析是千差万别的。
4、没有明确竞品分析的程度
这一点是和竞品分析的目的有很大关系的,直接影响到你分析的丰富程度。
从上文的例子来看,我的目的不过是 “看看还有哪些产品是有这个功能”,并没有想知道这个功能会给这个产品带来什么样的结果、这个功能用户用户会不会买账、有了这个功能之后用户之间的关联是不是更强了等等。
举个例子:(恩,这个例子略牵强,因为饿的)
目的:
我家太后做了碗豆花,她让我试下是甜的还是咸的;
不同做法:
1、我试了一口,发现是咸的,禀告太后说是咸的——太后满意,结束;
2、我试了一口,发现是咸的,然后我用各种方法算出太后大人放了多少盐、放了多少酱油,最后禀告太后说是咸的,并且你放了 Ng 盐、Mml 酱油,快夸我厉害!——太后翻我白眼,我卒;
5、没有明确竞品分析的时间
这一点和第 4 点的丰富程度有关系。一定意义上来说,丰富程度大的,时间需要的长;丰富程度小的,时间需要的短。
所以,在明确竞品分析的目的、对象、程度之后,一定要有个时间预算的,相比这个危害应该不用多说。
好吧,其实上述五点其实都是相互作用。
一般 xx 定律看起来都比较拉轰,那么也来一个 “3+2 定律”——3 个 W,2 个 H:
why:为什么写、目的是什么
what:写什么、对象是什么
when:什么时候结束
how:怎么写、写什么
how much:写到什么程度
我以为,“竞品” 不再纯粹是 “竞争产品” 的缩写,而是扩充为 “借鉴产品”。根据工作的需要,我可以对整体细分领域下的产品做分析、对某个功能做分析,对某个交互方式做分析、对某种 UI 风格做分析、甚至细节到对某几种字体做分析。
“三人行,必有我师焉”,这个道理,套用在产品上也是一样。但凡是比我好的,我都可以借鉴,至于用不用、什么时候用、怎么用,这个就涉及到产品管理(综合性的产品周期管理、需求管理等),不多说。(关键是我现在经验少,也说不清,sigh)
理解为 “借鉴产品” 的意义在于:更大可能范围的优化产品。
要不举个实在的例子?
我们所做的 “选股宝”,是款 A 股资讯产品。目前主打以下内容:
1、分析师策略:合作的专业机构分析师根据自己的研究,推荐看好的股票,并且给目标价。同时,会在有变化的时候,进行风险提醒;
2、官方策略:根据影响股价的不同因素,给用户提供相应内容,包括:热点主题、每日早晚报消息面、盘中解盘、昨日复盘、昨日公告汇总、重大事件预告(投资日历)、个股龙虎榜、机构调研个股汇总等;
3、实时直播:盘前的消息、盘中的盘面变化、盘末的消息等等。非盘中,充当消息小能手;盘中,充当看盘神器;
当然标配的行情、k 线图肯定是有的。
那么针对性的竞品可能会有:(都不分先后)
针对策略:智投、金贝塔、牛股王、优顾、股票赢家、股票雷达、股市热点、百度股市通、雪球、云财经等等懒的写了…
针对实时直播:财联社、华尔街见闻、云财经、自选股等等懒的写了…
针对基本行情 k 线:同花顺、大智慧、东方财富、各券商自己 app 等等…
针对某些场景:投资赢家、股票赢家、股票高手、心跳投资、炒股公开课、问财等等….
针对某些功能:音频类软件、阅读类软件、投资理财类软件
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24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