如何做一名優秀的數據產品經理？

「如何做一名優秀的數據產品經理，請談談自己的認識和理解。」

應聘數據產品實習時留下了這樣一道題，各位來談談看法。

---

本文轉自微信公眾賬號 「復旦大數據(微信號： FudanBigData)」的文章：分享 | 如何一步步從數據產品菜鳥走到骨幹數據產品

原文鏈接：http://new.pmcaff.com/article?id=2000000000000082

原作者：楊楠楠 · 酒仙網電子商務股份有限公司高級數據經理

復旦大數據(ID: FudanBigData)

http://weixin.qq.com/r/XEgUDATErVnSrUBv9x1O (二維碼自動識別)

如何一步步從數據產品菜鳥走到骨幹數據產品

導讀：網上關於數據分析師的文章很多，但是關於數據產品經理的文章很少，所以經常有各個領域的垂直網站來和我交流，問我數據產品應該怎麼做，人怎麼培養，團隊應該怎麼建。所以我就把別人的問題、自己的回答，結合自身的成長經驗，做了一個課程。後應pmcaff之約，在這裡把課程講稿連載。

一、數據產品工作簡介：1. 數據產品經理的概念和範圍：

首先，思考兩個問題：

1、 你心中的數據產品都包括哪些？

2、 你認為數據產品經理是做什麼的？

至少，我每次介紹自己是數據產品經理的時候，經常收到別人問：

我有**問題，能幫我看看怎麼回事么？這個數據為什麼會變成這樣？

我：%￥……#%￥@；

好，大家一起和我念：數據產品經理不是數據分析師，數據產品經理是產品經理的一種，數據分析是產品經理的核心能力之一，產品經理是數據產品經理的核心能力之一。

首先，數據產品經理必須了解不同的公司，在不同的階段，需要哪些數據產品，並能夠製作出來，這是此職位的核心要求，也是我本系列文章重點介紹的部分。

其次，數據產品經理必須有足夠的數據分析能力，所以，我會講一些數據分析的基本思路和方法論。如果有了數據分析的思維，再跟公司業務結合就會比較容易。

最後，數據產品經理是產品經理的一種，所以要同時具備產品經理的能力：了解用戶，需求調研，方案設計，協調技術、測試、設計等，不過這些網上有很多文章了，所以我只會講數據產品更需要注意的地方。

2. 數據產品的種類：

在公司中，能夠發揮數據價值的產品，即是數據產品；

一般，主要從用途來分，分為以下兩種：

1、 分析類產品：通過數據的計算和展現，幫助業務進行分析、決策的產品，大概包括以下幾類：

• 流量分析產品：可以幫助產品經理進行頁面設計、功能改進和改版評估等

• 銷售分析產品：可以幫助運營分析

這兩個產品都是公司的必備，對公司各部門都有較大幫助：

• 幫助產品經理進行頁面設計、功能改進和改版評估等；

• 幫助運營人員做用戶分析、活動分析等；

• 幫助市場人員做投放分析優化等；

當公司某一塊業務比較重要，又有專門的部門負責時，一般會把數據分析系統獨立出來，比如：

• 供應鏈分析系統；

• 客服分析系統；

• 會員分析系統；

2、 演算法類產品：通過數據的計算，直接更改頁面的邏輯的產品，成為演算法類產品；

比如：

• 個性化推薦；

• 搜索；

• 用戶畫像；

• 程序化購買廣告；

等；

這兩種是根據公司的情況來，區別並不是很明顯，而且會不斷演變。

比如：對供應鏈支持的，可能最開始是銷售分析系統里，一個庫存分析的報表而已；

後來，加入了各種補貨預警、成本分析等報表，就變得很複雜，獨立出來成為系統。

再後來，選品和銷售預測，都是需要較強的演算法支持，就變成了一個演算法類產品。

在很多時候，我們進入的都不是BAT，而是一個垂直領域的領頭公司，獨角獸公司，這是很不錯的選擇。但是這種公司都不會一上來就配備很大的數據團隊，可能也沒有非常懂的領導，這時候需要數據產品經理不斷規劃數據產品的未來，從而協調資源。

所以一個數據產品經理，不僅要了解各個數據產品，還要了解，在公司什麼樣的情況下，這個產品以什麼樣的形態出現。三個月後，公司可能會什麼樣，需要什麼樣的數據產品。

這樣，你才可以去申請技術人員和其他資源。

*、問題回復：

今天收到了很多問題，只能先集中把問題解決一下。

以後的更新會先解答問題，再連載內容。

1. 為什麼會有這個崗位？

簡單說，就是公司已有數據，希望專業的人，來讓數據產生價值。

業務型的公司，經過一段時間飛速發展後（通常為半年到一年），一般會出現以下的情況：

1、 得到資本方的認可，領導層會雄心勃勃，啟用數據方面的戰略。

2、 公司自身，也會碰到非常多管理的問題，就會希望結束粗放式的增長和運營方式，轉向更精細化、更專業、更有效率、更能控制成本的增長。

3、 各部門都按自己的需求提取數據，會出現口徑不統一的情況，比如一個部門和另一個部門的同一指標，出現不同解讀。

4、 各部門自己提的數據需求，基本上總是會有漏的環節。

所以，這時候，需要有個懂的人，梳理各部門需求，匯總整理數據流程，將數據體系化，不然就亂了。

這種情況下，對數據產品經理的要求是：

1、要懂分析，不然就會變成一個只出報表的傳話筒。

2、要懂數據的產生邏輯，要能建立一個業務模塊的數據指標體系，不然，出來的東西會比較亂，可能遲遲上不了線；

還有另一種情況就是大數據團隊招人。

這種一般是大數據團隊，有自己的技術和演算法人員，已經做出一定的成果（比如推薦系統最開始上線時，即使團隊中沒有產品經理，只有演算法工程師，也是很容易產生比較好的推薦結果），得到了領導高層的認可。但是如何將演算法，更好的服務於公司的商業，產生直接的銷售結果，這是演算法人員很難有精力去想的，就要招一個產品經理來。

這時候對產品經理的要求是：又要懂商業，人家就是找你來變現的，又要懂演算法，又要懂產品，要求非常高。大家覺得大數據的產品經理比較貴，都是這種。

2. 如何入門：

我招過不同背景的人，所以總結下來：

基本要求：理工科背景，性格要溫順，要能沉下心來。數據指標實在是一個太繁瑣的事情，對性格的要求非常高。而且如果是數據分析，在一大堆數據里刨來刨去，很可能半天也沒有結果，所以性格首要的。

以下是加分項：

1、 數據分析師出身。數據產品最好還是要提供解決方案，並不是說，業務人員告訴你他們碰到什麼問題，你就能做出好的產品的。要心中有商業模型，有很多解決方案，看到時候需要提供哪一種。

這些方案累積的過程，大部分需要訓練，可是誰有時間去訓練呢，而數據分析人員的工作本身就是思考各種問題解決方案的過程，要想辦法把數據的問題找出來，並且能夠作為報告展現。所以招數據分析人員做產品經理是一個快速省事的辦法。

如果我的團隊中沒有分析經歷的，一般我都會讓其去做幾份分析報告，訓練思路。

2、 業務人員出身，做過產品經理的，一般知道產品經理需要哪些數據，才能優化頁面；做過市場的、運營的，知道哪些數據能夠提升效果，有這種背景，我們也會需要；

3、 數據提取員：每個部門需要數據時，就會有一個提取人員，用sql從資料庫中提取數據。這種職位我會推薦應屆生去做，首先，了解公司後台各大系統的關係和產生數據，其次，了解業務部門的情況，還可以了解公司的發展重點。最主要是，他了解每個數據是怎麼產生的，這是其他背景的產品經理沒有的優勢，開發很喜歡這樣的人寫的prd，不管業務方向對不對，至少需求是不用改的。

4、 演算法產品經理，一般我會要求有數學背景的碩士，帶起來很快，性價比高。

5、 其實還是看個人，因為我們現在的團隊每個方向擅長的人都有，所以如果我覺得一個人比較有潛力，就招進來，讓他挨個職位做一遍，就培養出來了。

3. 其他問題：

• 流量分析產品：可以幫助產品經理進行頁面設計、功能改進和改版評估等

• 銷售分析產品：可以幫助運營分析

這個幫助指的是什麼？

如果是通過產生的數據報表進行預判的話，那和數據分析師的角色會重疊。

------------以下是回答------------

分析類產品，無論報表還是頁面，都是希望使用者可以看到問題，或者得到結論，這是幫助的意思。也就是說把數據分析師的思維給固化成產品邏輯。

舉例：比如周報，之前可能是分析師把所有的數據匯總在一起，查看，分析，然後告訴你哪裡該改動了。

但是數據產品把分析師每次用的數據和思維，圖形化展現出來，你自己做為一個產品經理，看看就知道哪裡出問題了。

二、分析類產品：

1. 定義和能力模型：

首先說定義：什麼是分析類產品。

可以挖掘數據背後的價值，並通過數據的展示，為使用者提供幫助，即數據產品。

一個數據產品經理的能力模型如下：

• 數據分析的能力；

• 商業模型的理解能力；

• 需求分析和調研的能力；

• 數據展現的能力，即可視化的能力；

2. 數據分析的能力：

在我年輕的時候，在團隊中處於打頭陣的狀態，基本上老大有什麼新的產品了，會先派我去做。等我做的把坑趟的差不多了，就交給別人，換下一個產品，所以我真是做過很多產品和頁面。後來總結出做分析產品的一個套路來，如下：

首先講一個數據分析框架，這基本上被我適用於公司很多業務上：

這是一個數據分析師的經典的分析過程。首先，為這個部門收集一些信息，幫助制定關鍵指標，其次，監測指標完成的好壞，並發現問題，然後，分析影響KPI完成的原因。最後，給出解決方案。

數據產品經理要做的是什麼呢？就是把這個框架中的每個過程總結出來，梳理清楚，每一步，都需要哪些數據、哪些指標，怎麼展示，用圖還是用表，用什麼圖。然後，再綜合開發資源、上線時間等，最終決定產品是什麼樣。

我以淘寶給賣家做的一個產品為例，來講解這個過程：這是一個給管理團隊和運營團隊看的日報:

• 首先，日常監測：他們選的是訪客數、瀏覽量、實付金額、支付轉化率、客單價、退款金額、服務態度評分七個指標；

我們給每個部門做產品時，都需要首先制定核心指標。有很多時候，業務部門自己會提需求，但業務部門只能想到最直接的，很可能他們部門很嚴重的問題，會漏掉。

從部門價值上來考慮：

• 資本方給公司的要求是什麼？

• 哪些指標影響了估值？

• 你目前在分析的這個部門，可以承擔哪些影響估值的指標？

• 哪些其他指標可以為這個指標服務？

從用戶行為來考慮：

• 用戶如何來到這個頁面/這個流程？

• 他都進行了哪些操作

• 都經過了哪些步驟

• 從哪個環節流失？

• 整體流程上，用戶最關心什麼？他的時間？更好的服務？更多的選擇？

當然，還有很多維度可以考慮。

這樣分析下來，該部門的核心指標就找到了。

對於部門來說，核心指標是比較好找的，可以跟部門老大合計，看他側重哪方面即可。

對於為管理層做決策來說，就相對難了一些，在國內現在的形勢下，可以多了解資本市場的分析邏輯，多了解管理層的現在的關注重點。

因為即使管理人員，做企業時，也是摸著石頭過河，也在不斷的學習，可能這個階段學習的是一種商業理論，在另一個階段學習的是另一種商業理論。所以相關的商業理論要了解，才能給抽象成報表、甚至分析頁面。我為此曾經學過很多，balabala的。

• 發現問題：達成情況、情況好壞；同比、環比、定基比；

繼續看這個頁面，數據分析方式怎麼用到頁面設計中。

同比：較上周同期；

環比：較前一日；

定基比：將行業中所有的賣家分層，用和該店類似的賣家的核心數據，來做對比，從而知道自己的優缺點。

定基比中，我見過最好的，是淘寶的產品。我當時在代運營公司，確實賣家就想知道，哪些跟自己差不多的，比自己好一些的賣家，他們的一些核心數據是什麼樣的，我的數據到底改善空間有多大。

當然作為平台，可以做的更好一點：比如，我們同省市的賣家，大概的數據是多少。像我們去山東談酒類企業，他們其實就很關注其他山東的酒在網上的受認可程度。太大的品牌，給他們的借鑒意義畢竟小。

當指標和分析方式都比較多的時候，用戶看到頁面，就會看到很多數據，但是不知道看什麼。這時候就要用一些可視化的方式，突出重點。比如，用紅色嘆號，將下降較多的指標標出來。

• 分析原因：在產品設計中，通常要把影響指標達成的原因，也列在這個頁面上，以供使用者參考。當然影響因素會很多，所以產品經理首先要收集齊全影響因素，然後再把關鍵的、核心的因素挑出來。

比如某個地區的月初退貨率忽然增長，就要收集原因，可能如下：

*管理：

當地銷售人員刷單，為了達成上月業務目標，月初退貨；

部門人員，有的比較能幹，有的比較弱，導致了整體數據的達成不好；

* 商品：新上的商品質量不過關；

* 促銷：郵費政策、價格政策的變動；

* 外部原因：

* 京東做了一場大促，把價格給打下來了；

* 忽然爆發了商品的替代品，原有的優勢品類衰退；

* 天氣原因：當地下了一場大雨，導致送貨速度降低，顧客不滿意；

* 廣告投放合作方臨時變化（可能）

這些原因，哪些可以量化呢？哪些發生的幾率比較大，而現在並沒有這樣的數據可用查看？這些原因，在產品設計中，就可以做成數據下鑽的報表，以方便了解詳情；

如上圖所示，拿紅圈圈起來的，就是原因分析這一步在頁面上的展示。當你看到一款商品數據有問題時，既可以進入商品溫度計，查看商品的每個環節（標題、商品頁面設計等）到哪哪裡有問題，還可用進入單品分析，查看流量來源等。

---

參見我的簽名檔「不寫程序的數據工程師不是好產品經理」以及專欄http://zhuanlan.zhihu.com/hemingke 。

首先，會寫程序（包括：Python等抓取數據及清洗數據、SQL等預處理數據、VBA/Excel等呈現數據）會使得單兵作戰能力大大加強以及效率大幅提高。

其次，懂產品會更了解用戶、市場和需求，能快速形成商業假設，指導用數據去證明或者證偽的方向，不會boil the ocean。

最後，懂數據，能夠懂得用數據的方式去解釋、驗證、探索及傳播信息。

這其中最核心的是數據，至於具體怎麼做，可以參考這個回答的細節（數據產品經理是做什麼的？ - 何明科的回答）而且我的昵稱「不寫程序的數據工程師不是好產品經理」，從某種程度說明部分的定義，數據產品經理這個職位，其實很跨界：需要懂程序，做數據收集及清洗；需要懂產品，了解內外部用戶需求和理解市場；需要懂數據，用數據的方式證明、證偽及發現問題。

因此，個人覺得數據產品經理的幾大職能：解釋、驗證、探索及傳播。

解釋

產品每天都要面對的問題會有：流量怎麼暴漲（或暴跌）了？新上的渠道效果怎麼樣？用戶的ARPU或者人均PV怎麼上升（降低）了？

數據產品經理，需要基於數據解釋產品或功能的某項核心指標（包括收入、DAU、ROI等等）的走勢及背後的原因，往往需要細化到多個維度（比如：時間、區域、渠道等）。基於這些解釋，做事後總結或者提前預警，試圖保證產品及功能在正確的軌道上發展。

下圖是某服務的實時PV數據，並有今日數據與昨日數據的對比。數據產品經理應該學會經常閱讀和理解數據並培養對數據的直覺，當數據出現異常的時候，能迅速往下深追找到真正的理由。

驗證

產品，特別是互聯網產品，按照天或者周的速度在更新和迭代，各種功能及改進都在高頻率得上上下下。

對新推出的功能或者改進，驗證其效果或者影響，使用的方式包括：簡單的時間維度或者地理緯度或者渠道緯度的對比，複雜一些的做AB Testing。Facebook在AB Testing方面積累深厚；對於各種UI方案甚至小到文案及顏色，都需要進行AB Testing來選出最優方案。數據產品工程師，需要在驗證的過程中屏蔽各種噪音來排除對真相的干擾。同時，在數據不充分或者無法實現AB Testing的情況下，找到噪音最小的方式來逼近真相。

近年來推出了不少專業做AB Testing的工具，包括比較紅火的Optimizely。不過它是一個付費服務，具體收費標準見下圖。

探索

產品經理每天都在琢磨用戶需求、剛需、痛點、實現……

通過研究內外部的數據（比如：用戶的使用行為數據及搜索詞等，百度指數及貼吧發言等等），數據產品經理探索規律和探索用戶的需求，通過數據的方式進行初步驗證；或者滿足一定的功能，通過數據挖掘的方式滿足功能需求。之前提到的案例（機器學習數據挖掘類工程師平時主要的工作內容是怎樣的？ - 何明科的回答）就屬於探索一類。

下圖是深圳市早晨高峰時段某類人群出行的熱點圖，通過熱點分析，試圖找出這類人群的居住和上班的聚集區，為某個O2O服務提供最佳的線下布點機會。

傳播

圖文並茂並結合數字的文章（被稱之為Infographics），憑藉其直觀易讀和理性化的呈現方式，越來越受讀者的喜歡，並逐漸成為內容製作者青睞的方式。大致類型如下面的文章（自我推銷一下自己的文章，製作工具主要使用文圖）：

黃燜雞米飯是怎麼火起來的？ - 何明科的回答

http://zhuanlan.zhihu.com/hemingke/20083133

數據產品經理基於內部豐富的數據並結合外部的數據，製作有見地有傳播性的圖文文章，並便於在朋友圈及知乎等地傳播，為自己產品贏得口碑和品牌增值。

下圖是使用文圖這個工具的交互界面。

數據產品經理之自我修鍊

最後，「數據產品經理」涵蓋兩個關鍵詞：「數據」和「產品經理」。後者已經被說爛了，不再贅述。而前者的修鍊，主要專註在數據方面，包括下圖的各個環節（摘抄自中國目前數據分析數據挖掘市場情形是怎樣的，機會多嗎？前景如何？ - 何明科的回答）。

不過，對於產品經理而言，沉澱及存儲比較偏工程，可以集中在分析、理解和可視化方面。可視化本來也是需要一定的編程技巧，但是隨著工具的發達（包括Tableau以及上文提到的文圖），讓門檻大大降低，無需太多編程技巧也可以被數據產品經理輕鬆掌握。「光說不練假把式，光練不說傻把式，又說又練真把式」，會做漂亮的數據報表才能凸顯公司的技術實力和品牌價值，對於數據產品經理來說，也是需要修鍊的一課。下圖是使用文圖這個工具製作漂亮的圖文報表的示例。

---

我在這個問題下面看到兩個答案分別是兩個公眾號在公然抄襲和轉載我的文章啊！！！

最高票就是

竟然兩篇文章都能被抄……

---

之前在「如何自學數據產品經理」中回答過，不過那只是個框架，這裡先聊下如何自學數據產品經理所需的數據能力：

其實涉及數據的工作，本質上可以歸納為：發現問題-&>制定數據解決方案。

1、發現問題

發現問題通常有感性與理性兩種，感性比如你去調研用戶，做客服時發現的一些產品問題，理性則來自於分析。在發現問題這塊，數據能起到作用的地方自然是數據分析。

數據分析工作也可以歸納為：定義問題-&>原因假設-&>取數-&>下結論。這裡讀者可能有疑惑，怎麼在「發現問題」環節中，再分了這四個，那數據分析中的「定義問題」與「發現問題」有何區別？「定義問題」往往只得出個疑惑，比如「為什麼最近 UV 下降得厲害」，但這個問題我們並不知道該如何解決。而「發現問題」則已到執行環節，比如「最近百度廣告渠道因百度政策調整，導致我們廣告觸達用戶量暴跌進而導致 UV 下降厲害」。

先推薦《精益數據分析》，《數據化管理》以及 GrowingIO 的官網博客。這三者更偏向幫你在定義完問題後，擁有有效的分析方法去解構問題，提出原因假設。

《精益數據分析》教你在打造一款產品的過程中，每個環節該如何通過數據分析獲得成功。比如先行指標概念，是在教你通過指標間的相關性，找到影響商業結果的核心因素，通過對核心因素的優化，來優化商業結果。舉個例子，用戶投訴量是先行指標，賬號註銷或用戶流失量是結果指標，兩者相關性極高，且用戶投訴量發生在前。若能控制好用戶投訴量，則賬號註銷量等結果指標或許能被控制好。

GrowingIO 的博客是《精益》很好的補充，因為它案例更多，更通俗易懂，雖然它的分析方法在《精益》中都已提到。

比起前兩者偏互聯網行業，《數據化管理》更偏零售行業，但是寫的相當精彩。同時我認為，傳統行業的數據分析方法可能更值得借鑒，互聯網行業因業務變化太快，數據需求較多，分析師的分析方法，結果會經常變，一多容易找不準核心，而傳統行業總結的分析方法因業務形態變化慢，往往是錘鍊過的精華。

在「取數」環節甚至「報告展示」環節，推薦《誰說菜鳥不會數據分析》，講了不少 Excel 實用技巧，比起《Excel 技巧大全》這種書，它讀起來效率更高，更貼近實戰。同時，建議下載 Tableau，目前市場佔有率最高的 BI 工具，哪怕不需要，也可通過體驗該產品，學到一些數據分析基本的概念和規則。

最後推薦《統計數字會說謊》，在看別人寫的報告時，需多多堤防其中的坑。

2、制定數據解決方案

數據解決方案是指該問題需由數據倉庫同學建數據模型，演算法同學建演算法模型，前後端同學建數據產品等方式去解決。比如數據大屏去解決對外 PR 問題，演算法推薦去解決用戶無法從海量商品中發現所需商品問題等。這裡要求你對這些技術手段有足夠的理解，才能設計出數據解決方案。

對數據倉庫的理解，我還沒碰到可以通俗易懂解惑的途徑，主要靠平時與研發多打交道，多虛心學習。

演算法這塊，推薦《機器學習實戰》，其實《數據挖掘導論》比它更全面更細，但《機器學習實戰》上手更快，兼顧概率，線性代數的知識，應該能對什麼是演算法可解決的問題有個基本的認識。

最後，平時多了解市場上的數據解決方案，才能豐富你對數據應用場景的見識。推薦《計算廣告》，這本書介紹了互聯網廣告領域的產品框架，策略以及技術手段，因這是目前對數據應用能力挖掘得最好的領域，值得學習。同時推薦「一本財經」微信公眾號，經常介紹互聯網金融領域的現狀，其中有不少風控，催收相關的文章，與數據應用有很大關係。

以上就是針對「數據」這一塊自學途徑的推薦，簡直是傾囊相授啊，無論對你有用與否，歡迎提建議，如果你也有其他自學途徑推薦，歡迎分享。我的微信公眾號是：有耳人二。

---

數據經理需要做什麼？

明確產品目標，需要何種數據方式呈現目標是否完成，數據挖掘需要怎麼做。

1.明確目標

明確是否偽需求。明確方式，可利用最小可行產品，即以最簡單的又擁有最基本剛需的功能，能夠迅速推出，並收集用戶回饋。

1. 最簡單：可以是一個概念視頻，一個簡單的產品原型分析，一個最核心功能的app推出。查看市場反饋如何，節約成本和時間。
2. 獲取種子用戶：
   1. 願意付費的
   2. 爬蟲匹配需求用戶，郵件聯繫
   3. 杜絕測試，競爭公司的蛀蟲
   4. 精英最好，像是知乎
3. 用戶回饋：
   1. 不要大力出手。不然預值提高，容易失望。
   2. 回饋方式清晰，留下好的快速第一映像。
   3. 及時更新。注意自動安裝。
   4. 獎勵。反饋有獎，推廣有獎勵
4. 運營推廣。
   1. 場景運營。採用入口，如計程車介面。
   2. ip效應。滴滴請明星。
   3. 語言轉化註冊率。免費註冊，獲得創新產品試用資格！

2.數據呈現

注意有效數據提取，如註冊轉化率和日活，月活。數據是合理性的體現，也可以是騙人的手段。

1. AARRR模型
   1. 吸引用戶：廣告，地推，口碑推廣
   2. 獲取用戶：頁面跳轉入口
   3. 用戶激發行為：點餐，詢問，這是最為需要測量的數據。
   4. 轉換付費：最核心的變現。什麼行為觸發了付費行為。
   5. 推廣：獎勵。剛需，蘋果手機，口碑。
2. mvp模型。
   1. 使用頻率
3. 熱力圖
4. a/b測試

待續和更正，讀增長黑客中。

---

像 @冬筍 那樣的就好。

膚白貌美氣質佳。

---

本文剛好與題主的問題完全吻合，是 陳新濤 發表在 GrowingIO公眾號 上的文章，其中有些廣告，大家多擔待:-D 。歡迎轉載，但請保留以上版權信息。

什麼是數據產品

簡單來講，就是以數據為主要自動化產出的產品形態。這裡強調自動化產出概念，是為了區分像 Gartner 之類的數據研究諮詢公司，顯然，他們的報告也可以理解為以數據為主要產出的產品，但並不具備自動化產出的特性。

明確了概念後，我們就可以對它拆分細化。從用戶群體來區分，可以分為三類：1，企業內部使用的數據產品，如自建BI和推薦系統；2，針對所有企業推出的商業型數據產品，如 Google Analytics 和 GrowingIO ；3，任何用戶均可使用的 Google Trends 和淘寶指數等等。在以上舉的例子里，推薦系統可能會讓人有些費解。其實，同用戶畫像，搜索排序類似的演算法一樣，它們本質上是根據用戶數據和相應的數據模型，建立的一套評分標籤體制。因此，在很多企業的劃分里，這也是屬於數據產品的範疇。個人經驗所限，本文暫不涉及此類產品。

為什麼需要數據產品

GrowingIO 創始人張溪夢先生說過一句話：一件事情只有被量化，才可能被優化。這與當先流行的 Growth Hack 核心理念不謀而合。增長是所有企業經營者的念念不忘，而那一聲迴響，就潛藏在數據產品中。

舉個栗子，在Facebook中，直接彙報給 Mark Zuckerberg 的 Growth Team 就專門下轄了 Data Analysis 和 Infrastructure 兩個數據團隊做數據的採集計算和展示。他們會對 Facebook 所有的數據進行監控，以及根據效果持續優化。他們對 Data Driven 重視到了什麼程度？一個VP帶領的30人團隊做了一年的主頁改版，在三個月內灰度上線過程中因數據表現不佳，直接回滾。對比之下，國內的人人網照抄那一次改版後，沿襲至今。可以這麼說，Facebook 高速穩定的增長背後，數據產品功不可沒。

Facebook Growth Team. From 覃超

如何設計數據產品

對於產品設計來講，一些固定的步驟必不可少。釐清這些內容後，大到系統級的產品規劃，小到功能級的產品設計，概念上都會清晰很多，我們將它抽象成了五個步驟：

1. 面向什麼用戶和場景
2. 解決什麼問題/帶來什麼價值
3. 問題的分析思路是什麼
4. 需要用到什麼樣的指標
5. 這些指標該怎麼組合展現

1. 面向什麼用戶和場景

任何產品設計均需要明確面向的用戶和場景，因為不同用戶在不同場景下打開你產品的姿勢也大不相同。

• 不同用戶有不同的價值。這個方法主要面向第一類即企業內部產品。這裡並不主張職位歧視，只是從數據能產生的價值來看，高層的一個正確的決斷可以節省下面無數的成本。
• 不同層級用戶關心的粒度不一樣，永遠要提供下一個顆粒度的分析以及可細化到最細粒度的入口。數據分析本質上就是不斷細分和追查變化。
• 不同類型的用戶使用數據的場景不一樣，要圍繞這些場景做設計。如 Sales 類型的客戶，他們更多的場景是在見客戶的路上快速看一眼數據，那麼移動化和自動化就很關鍵。在設計的時候，原則就是通過手機界面展現關鍵指標，不涉及詳細分析功能。而且在某些指標異動時能及時通過手機通知。而辦公室的數據分析師，則必須提供PC界面更多細化分析對比的功能。

要了解自己的用戶，必須和他們保持長期有效的溝通。如 GrowingIO 的PM，每周都會有和銷售和客戶溝通的習慣，而且每位PM入職後，必須兼職一段時間的客服。只有這樣，PM才能更好的了解用戶以及他們的使用場景，設計出更好用的產品。

2. 解決什麼問題/帶來什麼價值

這本質上是要明確產品滿足了用戶的什麼需求。但凡需求，均有價值和優先順序。

• 首先判斷核心需求是什麼，可用 Demand/Want/Need 方法分析。用戶來找你要可樂 (Demand)，如果你沒有可樂就無法滿足用戶。但其實他只是要解渴 (Want)，需要的只是一杯喝的東西就夠了 (Need)。
• 其次判斷需求的價值，可用 PST方法 分析。P：x軸，用戶的痛苦有多大；Y軸，有多少用戶有這種痛苦；z軸：用戶願意為這付出多少多少成本。相乘得出的結果才是這個需求的價值。

以一個利用GrowingIO的新功能做出來的漏斗圖為例。客戶最開始說的是我們要個漏斗分析 (Demand) 的功能，但核心需求 (Want) 是改善用戶使用產品過程中的流失問題。那麼不同來源不同層次的用戶，在不同的使用時間，在不同的環節都需要進行監控和優化，最終設計出來的就是這個可以根據不同緯度不同環節進行對比分析的GrowingIO漏斗 (Need) 。

GrowingIO即將推出的漏斗功能

3. 問題分析思路是什麼

以上兩點其實都還是普通產品經理的範疇，到了這一部分才真正開始數據產品經理的專業課。明確了問題後，應該通過什麼樣的思路進行分析？需要明確以下原則：

• 數據產品經理一定要有數據分析技能，才能更好創造更大的數據價值
• 數據產品設計理念，應從總覽到細分，並且不斷對比
• 總覽應提綱挈領，簡明扼要，讓用戶先了解當前發生了什麼事情和問題的大概方向。不要讓用戶一進來就扎進無盡的細節中
• 細分應該提供足夠豐富的維度便於分析。每次細分必須帶著指標下去，所有分析的結果必須可以落實到動作執行，並與業務緊密相關
• 數據本身沒有意義，數據的對比才有意義。數據分析的本質就是不斷細分和追查變化。數據產品的核心就是把這種對比凸顯出來

這個環節是數據產品經理最核心的區別其他產品經理的部分，同時也要求甚高。既需要豐富的產品設計經驗，也需要深刻的業務理解能力和數據分析能力。

4. 確認數據是否準確完備

分析思路需要相應的數據支撐，數據展示類的產品自不用說，即使是用戶畫像的演算法類產品，也必須有足夠的準確數據做支撐。在確認的過程要注意以下兩點

• 數據的完備性

  提前明確所有需要的數據是否已經準備完全。數據就像水面上的冰山，展示出來的只是很小的一部分，它的採集，清洗和聚合才是水面下 98% 的部分。所以如果需要的數據沒有採集或沒有經過清洗的話，會讓整個工期增加了極大的不穩定因素。
  

• 數據的準確性

  在埋點採集的時代里，這絕對是個遇神坑神的大坑。很多時候臨到使用，才發現這個埋點的方式一直都是錯誤的。或者發現這個指標計算的方法沒有把某種因素排除掉。這種情況在企業內部類產品比較常見。因為部門眾多口徑繁雜，一不小心掉進去了，就別想爬出來了。
  

再插個小廣告，現在GrowingIO採取的無埋點採集數據的方案，便可以解決在數據準備上遇到的很多問題。數據所見即所得，完備性準確性自然迎刃而解。

5. 選擇什麼樣的產品形態

以上四步最終確定完成之後，就可以選擇相應的產品形態了。常見的數據產品形態有：著重於數據呈現的有郵件報表類，可視化報表類，預警預測類，決策分析類等；著重於演算法類的用戶標籤，匹配規則等等。篇幅所限，這裡挑可視化報表類跟大家分享下。

5.1 指標的設計

首先需要明確什麼類型的產品適用什麼樣的指標，如電商最核心的是訂單轉化率，訂單數，訂單金額等，對於社交網站來講則是日活躍用戶數，互動數等。

• 逐層拆分，不重不漏。即MECE 原則 (Mutually exclusive,collectively exhaustive)。如將訂單金額拆成訂單數單均價，訂單數也可以往下細分出用戶數人均訂單數，不同的用戶還會擁有不同的人均訂單數，一層層往下分拆
• 確保指標能明確表達含義，為上層的分析思路提供依據
• 明確指標定義，統計口徑和維度

5.2 指標的呈現

指標的呈現說白了，就是數據可視化。這對數據產品經理來說極為重要。它並不只是UI設計師的工作，因為他涉及到別人怎麼去理解你的產品和使用你的數據。一方面需要閱讀相關專業的書籍，另一方面，是要去觀察足夠多的產品，看他們是如何實現的。這裡有一些通用的規則可以和大家分享

• 同時著重展示指標不超過7個，5個比較合適
• 在設計指標的展現時，要明確指標之間的主次關係
• 幾種圖表形式的使用建議：趨勢用曲線圖，佔比趨勢用堆積圖，完成率用柱狀圖，完成率對比用條形圖，多個指標交叉作用散點圖。為合適的指標選擇合適的形式很重要

圖片來自於網易雲課堂

結語

文短話長，數據產品學問太深，我們也只是窺得冰山一角。國外此類產品已經琳琅滿目，遍布數據採集，清洗，聚合到展現的所有流程。而且每個環節都已經有相當成熟的產品。而國內近些年來也是風聲漸起，將滿空樓。數據產品之路仍然道阻且長，希望 GrowingIO 能和大家一起上下求索，Keep Growing！

---

剛剛投遞了簡歷，如果過了就半年後再來回答

===============================================

最終去做了數據挖掘工程師（其實就是個寫java的）

---

以下全是個人工作經歷中的感受，僅作為拋磚引玉，如果有不同想法歡迎交流。

先明確下「數據產品經理」的定義：

a. 負責數據的PM

b. 負責數據產品的PM

第一種a 很多企業會有專門的數據PM，負責收集內外部客戶的需求，基礎工作是提供各種必要的數據指標作為監控標準和分析依據，高級一些的會通過不同的數據模型組合最終輸出基於數據的指導決策方案。這類PM的核心價值點在於數據本身，而最終的形態不是最重要的。

例如美團外賣的數據PM可能會需要指定完整的指標框架，哪些數據能展示出當前用戶訂餐的情況，商家菜品的評價，送餐的效率，等等。其他部門的同學會根據數據來決定是否重點關注某些差評商家，是否調整商家推薦的策略，是否需要調整各個地區的外賣小哥的數量等等。

第二種b 主要是數據行業的產品方的PM，負責決定產品在數據工作流中的定位，分析目標客戶的數據需求，設計數據產品的形態，最終為客戶提供一個能帶來價值的數據產品。這類PM的核心價值點在於產品本身，而不是具體的數據是什麼，因為產品需要具有比較廣泛的適用性，可以應用在不同的數據環境。

例如答主所在的海致BDP是為個人和企業客戶提供數據分析平台，因此每天琢磨的就是如何能通過產品讓用戶們獲取到更多的數據價值。

不管是第一種還是第二種，個人覺得有以下這麼幾點需要重點關註：

1. 數據最終用來做什麼

數據應用是個典型的結果導向過程，無論是數據收集、整合和處理，還是數據的分析包括挖掘、機器學習，或是最終的數據展現，核心都是為結果服務。因此一定要明確最終目的，然後反推：如果要實現目的，需要什麼數據做支撐？需要的數據由哪些數據組成？這些數據從哪裡來？需要如何處理？需要哪些工具？等等。第一種PM需要知道這些才能決定自己的工作流，第二種PM需要了解這些才能思考如何讓自己的產品更好的幫客戶優化他們的工作流。

2. 數據的參與者有哪些以及他們的需求

雖然人工智慧飛速發展，但目前人依然是數據應用生態中必不可少的一個元素。如果你是企業內部的數據PM，那麼誰要看數據，數據從誰那裡來，數據對他們工作的正面或負面的影響都是一定要清晰的，因為在數據應用的環境里，很多的障礙不僅來自於數據本身還來自於人，因此理解相關同事的訴求會對數據PM的工作有很大幫助。

3. 業務業務業務

幾千年前沒有數據或者嚴格說沒有規範的數據，但是有金融業，有零售業，有餐飲業，也有服務業。數據是資源是工具是過程，但核心是業務本身。沒有見過任何一個數據PM在業務理解不夠的情況下能輸出好的數據產品，因此在考慮數據如何服務之前，先跳出來搞清楚沒有數據的時候工作本質是什麼樣子，才能更好地思考了數據的價值。

上面的答案都很好，屬於乾貨類，答主可以仔細的琢磨一下。我這只是寫了些零碎的想法供參考。期待大家一起努力讓數據為整個社會的進步提供越來越大的幫助。

---

我現在越來越覺的，要做好數據產品，必須有一個懂技術，懂數據，懂業務，懂分析，懂產品，懂用戶的產品經理。每加一個懂，可以做出更高層次的數據產品。但每加一個懂，一個數據產品經理得付出更多的努力。如果具有很強的抽象和邏輯思維能力，難度會降低很多。

---

網上關於數據分析師的文章很多，但是關於數據產品經理的文章很少，所以經常有各個領域的垂直網站來和我交流，問我數據產品應該怎麼做，人怎麼培養，團隊應該怎麼建。所以我就把別人的問題、自己的回答，結合自身的成長經驗，做了一個「廣告DMP"圈子。以下是整理圈內的一些問答。

問答目錄：
一、數據產品的工作有哪些？
二、數據產品的種類？
三、為什麼有這個崗位？

一、數據產品工作有哪些

如果你考慮著快的崗位，首先你需要思考兩個問題：

你心中的數據產品都包括哪些？
你認為數據產品經理是做什麼的？

至少，我每次介紹自己是數據產品經理的時候，經常收到別人問：我有**問題，能幫我看看怎麼回事么?這個數據為什麼會變成這樣?

我：%￥……#%￥@;

好，大家一起和我念：數據產品經理不是數據分析師，數據產品經理是產品經理的一種，數據分析是產品經理的核心能力之一，產品經理是數據產品經理的核心能力之一。

首先，數據產品經理必須了解不同的公司，在不同的階段，需要哪些數據產品，並能夠製作出來，這是此職位的核心要求，也是我本系列文章重點介紹的部分。

其次，數據產品經理必須有足夠的數據分析能力，所以，我會講一些數據分析的基本思路和方法論。如果有了數據分析的思維，再跟公司業務結合就會比較容易。

最後，數據產品經理是產品經理的一種，所以要同時具備產品經理的能力：了解用戶，需求調研，方案設計，協調技術、測試、設計等，不過這些網上有很多文章了，所以我只會講數據產品更需要注意的地方。

二、數據產品的種類

在公司中，能夠發揮數據價值的產品，即是數據產品，一般，主要從用途來分，分為以下兩種：

1、 分析類產品：通過數據的計算和展現，幫助業務進行分析、決策的產品，大概包括以下幾類：

流量分析產品：可以幫助產品經理進行頁面設計、功能改進和改版評估等。
銷售分析產品：可以幫助運營分析。

這兩個產品都是公司的必備，對公司各部門都有較大幫助：

幫助產品經理進行頁面設計、功能改進和改版評估等;
幫助運營人員做用戶分析、活動分析等;
幫助市場人員做投放分析優化等;

當公司某一塊業務比較重要，又有專門的部門負責時，一般會把數據分析系統獨立出來，比如：

供應鏈分析系統;

客服分析系統;
會員分析系統;

2、 演算法類產品：通過數據的計算，直接更改頁面的邏輯的產品，成為演算法類產品;

比如：個性化推薦、搜索、用戶畫像、程序化購買廣告、DMP（數據管理和分析平台）等。

這兩種是根據公司的情況來，區別並不是很明顯，而且會不斷演變。

比如：對供應鏈支持的，可能最開始是銷售分析系統里，一個庫存分析的報表而已;

後來，加入了各種補貨預警、成本分析等報表，就變得很複雜，獨立出來成為系統。

再後來，選品和銷售預測，都是需要較強的演算法支持，就變成了一個演算法類產品。

在很多時候，我們進入的都不是BAT，而是一個垂直領域的領頭公司，獨角獸公司，這是很不錯的選擇。但是這種公司都不會一上來就配備很大的數據團隊，可能也沒有非常懂的領導，這時候需要數據產品經理不斷規劃數據產品的未來，從而協調資源。

所以一個數據產品經理，不僅要了解各個數據產品，還要了解，在公司什麼樣的情況下，這個產品以什麼樣的形態出現。三個月後，公司可能會什麼樣，需要什麼樣的數據產品。這也是之前在文章《是的，咱們都必須要學習數據資產應用了！》（點擊可閱讀）反覆說到的。這樣，你才可以去申請技術人員和其他資源。

三、 為什麼會有這個崗位?

簡單說，就是公司已有數據，希望專業的人，來讓數據產生價值。業務型的公司，經過一段時間飛速發展後(通常為半年到一年)，一般會出現以下的情況：

得到資本方的認可，領導層會雄心勃勃，啟用數據方面的戰略。

公司自身，也會碰到非常多管理的問題，就會希望結束粗放式的增長和運營方式，轉向更精細化、更專業、更有效率、更能控制成本的增長。
各部門都按自己的需求提取數據，會出現口徑不統一的情況，比如一個部門和另一個部門的同一指標，出現不同解讀。
各部門自己提的數據需求，基本上總是會有漏的環節。

所以，這時候，需要有個懂的人，梳理各部門需求，匯總整理數據流程，將數據體系化，不然就亂了。這種情況下，對數據產品經理的要求是：

要懂分析，不然就會變成一個只出報表的傳話筒。
要懂數據的產生邏輯，要能建立一個業務模塊的數據指標體系，不然，出來的東西會比較亂，可能遲遲上不了線。

還有另一種情況就是大數據團隊招人。

這種一般是大數據團隊，有自己的技術和演算法人員，已經做出一定的成果(比如推薦系統最開始上線時，即使團隊中沒有產品經理，只有演算法工程師，也是很容易產生比較好的推薦結果)，得到了領導高層的認可。但是如何將演算法，更好的服務於公司的商業，產生直接的銷售結果，這是演算法人員很難有精力去想的，就要招一個產品經理來。

這時候對產品經理的要求是：又要懂商業，人家就是找你來變現的，又要懂演算法，又要懂產品，要求非常高。大家覺得大數據的產品經理比較貴，都是這種。

下一期我們聊：如何入門；數據產品如何面試；產品分析師都幹些什麼？

---

大邏輯很重要吧，數據處理能力是基礎，不然鎮不住下屬。

---

目前在美團酒店的產品策略組做實習生，我是來學習的，mark ps：目前工作經常會接觸到數據分析

---

推薦閱讀：