干货分享丨数据产品经理是做什么的？

Q：数据产品经理是做什么的？

A：何明科，不写程序的数据工程师不是好产品经理

此回答主要适用于互联网行业的数据产品经理，我的观点主要来自于自己的从业经验以及各种面试的经验。

我的昵称“不写程序的数据工程师不是好产品经理”，从某种程度说明部分的定义，数据产品经理这个职位，其实很跨界：需要懂程序，做数据收集及清洗；需要懂产品，了解内外部用户需求和理解市场；需要懂数据，用数据的方式证明、证伪及发现问题。

因此，个人觉得数据产品经理的几大职能：解释、验证、探索及传播。

解释：

产品每天都要面对的问题会有：流量怎么暴涨（或暴跌）了？新上的渠道效果怎么样？

用户的ARPU或者人均PV怎么上升（降低）了？数据产品经理，需要基于数据解释产品或功能的某项核心指标（包括收入、DAU、ROI等等）的走势及背后的原因，往往需要细化到多个维度（比如：时间、区域、渠道等）。基于这些解释，做事后总结或者提前预警，试图保证产品及功能在正确的轨道上发展。

下图是某服务的实时PV数据，并有今日数据与昨日数据的对比。数据产品经理应该学会经常阅读和理解数据并培养对数据的直觉，当数据出现异常的时候，能迅速往下深追找到真正的理由。

验证：

产品，特别是互联网产品，按照天或者周的速度在更新和迭代，各种功能及改进都在高频率得上上下下。

对新推出的功能或者改进，验证其效果或者影响，使用的方式包括：简单的时间维度或者地理纬度或者渠道纬度的对比，复杂一些的做AB Testing。Facebook在AB Testing方面积累深厚；对于各种UI方案甚至小到文案及颜色，都需要进行AB Testing来选出最优方案。数据产品工程师，需要在验证的过程中屏蔽各种噪音来排除对真相的干扰。同时，在数据不充分或者无法实现AB Testing的情况下，找到噪音最小的方式来逼近真相。

近年来推出了不少专业做AB Testing的工具，包括比较红火的Optimizely。不过它是一个付费服务，具体收费标准见下图。

探索：

产品经理每天都在琢磨用户需求、刚需、痛点、实现……

通过研究内外部的数据（比如：用户的使用行为数据及搜索词等，百度指数及贴吧发言等等），数据产品经理探索规律和探索用户的需求，通过数据的方式进行初步验证；或者满足一定的功能，通过数据挖掘的方式满足功能需求。

下图是深圳市早晨高峰时段某类人群出行的热点图，通过热点分析，试图找出这类人群的居住和上班的聚集区，为某个O2O服务提供最佳的线下布点机会。

传播：

图文并茂并结合数字的文章（被称之为Infographics），凭借其直观易读和理性化的呈现方式，越来越受读者的喜欢，并逐渐成为内容制作者青睐的方式。

数据产品经理基于内部丰富的数据并结合外部的数据，制作有见地有传播性的图文文章，并便于在朋友圈及知乎等地传播，为自己产品赢得口碑和品牌增值。

下图是使用文图这个工具的交互界面。

数据产品经理之自我修炼：

最后，“数据产品经理”涵盖两个关键词：“数据”和“产品经理”。后者已经被说烂了，不再赘述。而前者的修炼，主要专注在数据方面，包括下图的各个环节。

不过，对于产品经理而言，沉淀及存储比较偏工程，可以集中在分析、理解和可视化方面。可视化本来也是需要一定的编程技巧，但是随着工具的发达（包括Tableau以及上文提到的文图），让门槛大大降低，无需太多编程技巧也可以被数据产品经理轻松掌握。“光说不练假把式，光练不说傻把式，又说又练真把式”，会做漂亮的数据报表才能凸显公司的技术实力和品牌价值，对于数据产品经理来说，也是需要修炼的一课。

下图是使用文图这个工具制作漂亮的图文报表的示例。

文丨何明科

来源丨知乎

作者：张溪梦 Simon
链接：https://www.zhihu.com/question/23165279/answer/110872234
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

本文会从「一个数据产品是怎麽设计出来的」，来讲数据产品经理是做什么的，以及一个优秀的数据产品经理是怎样炼成的。
文章是由 GrowingIO 的产品经理陈新涛所写。

文 / 陈新涛
近些年来，随着 Growth Hack、精益化运营、数据化运营等概念渐入人心，数据产品这个名字被提及的次数越来越多。
但究竟什么是数据产品？数据产品如何来解决商业问题？如何现在最火的商业概念如 Growth hacking 等落地的？如何设计一个能够满足用户需求的数据产品？本文将和大家一起分享这些问题。

| 什么是数据产品？
简单来讲，就是以数据为主要自动化产出的产品形态。这里强调自动化产出概念，是为了区分像 Gartner 之类的数据研究咨询公司，跟类似 GrowingIO 这种实时互联网分析产品相比。显然，他们的报告也可以理解为以数据为主要产出的产品，但并不具备自动化产出的特性。
明确了概念后，我们就可以对它拆分细化。从用户群体来区分，可以分为三类：
● 企业内部使用的数据产品，如自建 BI 和推荐系统；
● 针对所有企业推出的商业型数据产品，如 Google Analytics 和 GrowingIO；
● 用户均可使用的 Google Trends 和淘宝指数等等。
在以上举的例子里，推荐系统可能会让人有些费解。其实，同用户画像，搜索排序类似的算法一样，它们本质上是根据用户数据和相应的数据模型，建立的一套评分标签体制。因此，在很多企业的划分里，也是属于数据产品的范畴。但个人经验所限，本文暂不涉及此类产品。

| 为什么需要数据产品?
Simon 非常推崇德鲁克的一句话：If you can’t measure it,  you can’t improve it（如果你无法衡量，你就无法增长）。这与 Growth Hack 核心理念---数据驱动增长，不谋而合。
增长让企业经营者的念念不忘，而实践的曲线，就潜藏在数据产品中。
举例，在 Facebook 中，直接汇报给 Mark Zuckerberg 的 Growth Team 就专门下辖了 Data & Analysis 和 Infrastructure 两个数据团队做数据的采集计算和展示。他们会对 Facebook 所有的数据进行监控，以及根据效果持续优化。
Facebook 对 Data Driven 重视到了什么程度？一个 VP 带领的 30 人团队做了一年的主页改版，在三个月内灰度上线过程中因数据表现不佳，直接回滚。对比之下，国内的人人网照抄那一次改版后，沿袭至今。可以这么说，Facebook 高速稳定的增长背后，数据产品功不可没。


Facebook Growth Team（图来自前 Facebook 工程师、峰瑞资本技术合伙人 @覃超

）

| 如何设计数据产品?
对于产品设计来讲，一些固定的步骤必不可少。厘清这些内容后，大到系统级的产品规划，小到功能级的产品设计，概念上都会清晰很多，我们将它抽象成了五个步骤：
● 面向什么用户和场景
● 解决什么问题 / 带来什么价值
● 问题的分析思路是什么
● 需要用到什么样的指标
● 这些指标该怎么组合展现

3.1 面向什么用户和场景
任何产品设计均需要明确面向的用户和场景，因为不同用户在不同场景下打开你产品的姿势也大不相同。
1. 不同用户有不同的价值。这个方法主要面向第一类即企业内部产品。这里并不主张职位歧视，只是从数据能产生的价值来看，高层的一个正确的决断可以节省下面无数的成本。
2. 不同层级用户关心的粒度不一样，永远要提供下一个颗粒度的分析以及可细化到最细粒度的入口。数据分析本质上就是不断细分和追查变化。
3. 不同类型的用户使用数据的场景不一样，要围绕这些场景做设计。如 Sales 类型的客户，他们更多的场景是在见客户的路上快速看一眼数据，那么移动化和自动化就很关键。在设计的时候，原则就是通过手机界面展现关键指标，不涉及详细分析功能。而且在某些指标异动时能及时通过手机通知。而办公室的数据分析师，则必须提供 PC 界面更多细化分析对比的功能。
要了解自己的用户，必须和他们保持长期有效的沟通。如我们的 PM，每周都会有和销售和客户沟通的习惯，而且每位 PM 入职后，必须兼职一段时间的客服。只有这样，PM 才能更好的了解用户以及他们的使用场景，设计出更好用的产品。

3.2 解决什么问题/带来什么价值
这本质上是要明确产品满足了用户的什么需求。但凡需求，均有价值和优先级。
● 首先判断核心需求是什么，可用 Demand/Want/Need 方法分析。用户来找你要可乐（Demand），如果你没有可乐就无法满足用户。但其实他只是要解渴（Want），需要的只是一杯喝的东西就够了（Need）。
● 其次判断需求的价值，可用 PST 方法分析。P：x 轴，用户的痛苦有多大；y 轴，有多少用户有这种痛苦；z 轴：用户愿意为这付出多少多少成本。相乘得出的结果才是这个需求的价值。
以一个利用 GrowingIO 的漏斗功能做出的漏斗图为例：
客户最开始说的是我们要个漏斗分析（Demand）的功能，但核心需求（Want）是改善用户使用产品过程中的流失问题。那么不同来源不同层次的用户，在不同的使用时间，在不同的环节都需要进行监控和优化，最终设计出来的就是这个可以根据不同纬度不同环节进行对比分析的 GrowingIO 漏斗（Need）。



3.3 问题分析思路是什么
以上两点其实都还是普通产品经理的范畴，到了这一部分才真正开始数据产品经理的专业课。明确了问题后，应该通过什么样的思路进行分析？需要明确以下原则：
● 数据产品经理一定要有数据分析技能，才能更好创造更大的数据价值；
● 数据产品设计理念，应从总览到细分，并且不断对比；
● 总览应提纲挈领，简明扼要，让用户先了解当前发生了什么事情和问题的大概方向。不要让用户一进来就扎进无尽的细节中；
● 细分应该提供足够丰富的维度便于分析。每次细分必须带着指标下去，所有分析的结果必须可以落实到动作执行，并与业务紧密相关；
● 数据本身没有意义，数据的对比才有意义。数据产品的核心就是把这种对比凸显出来。
这个环节是数据产品经理最核心的区别其他产品经理的部分，同时也要求甚高。既需要丰富的产品设计经验，也需要深刻的业务理解能力和数据分析能力。

3.4 确认数据是否准确完备
分析思路需要相应的数据支撑，数据展示类的产品自不用说，即使是用户画像的算法类产品，也必须有足够的准确数据做支撑。在确认的过程要注意以下两点:
● 数据的完备性提前明确所有需要的数据是否已经准备完全。数据就像水面上的冰山，展示出来的只是很小的一部分，它的采集，清洗和聚合才是水面下 98% 的部分。所以如果需要的数据没有采集或没有经过清洗的话，会让整个工期增加了极大的不稳定因素。
● 数据的准确性在埋点采集的时代里，这绝对是个遇神坑神的大坑。很多时候临到使用，才发现这个埋点的方式一直都是错误的。或者发现这个指标计算的方法没有把某种因素排除掉。这种情况在企业内部类产品比较常见。因为部门众多口径繁杂，一不小心掉进去了，就别想爬出来了。
所以，一个优秀的产品经理想要跟 Facebook 一样做到 Data Driven，必须首先做到数据的完备和准确，埋点是必须要解决的痛点。国内很多公司开始使用我们的产品的无埋点采集数据的方案，便可以解决在数据准备上遇到的很多问题。数据所见即所得，完备性准确性迎刃而解。

3.5 选择什么样的产品形态
以上四步最终确定完成之后，就可以选择相应的产品形态了。常见的数据产品形态有：着重于数据呈现的有邮件报表类，可视化报表类，预警预测类，决策分析类等；着重于算法类的用户标签，匹配规则等等。篇幅所限，这里挑可视化报表类跟大家分享下：
1）指标的设计
首先需要明确什么类型的产品适用什么样的指标，如电商最核心的是订单转化率，订单数，订单金额等，对于社交网站来讲则是日活跃用户数，互动数等。
● 逐层拆分，不重不漏。即 MECE 原则（Mutuallyexclusive,collectively exhaustive）。如将订单金额拆成订单数单均价，订单数也可以往下细分出用户数人均订单数，不同的用户还会拥有不同的人均订单数，一层层往下分拆；
● 确保指标能明确表达含义，为上层的分析思路提供依据；
● 明确指标定义，统计口径和维度；
2） 指标的呈现
指标的呈现说白了，就是数据可视化。这对数据产品经理来说极为重要。它并不只是UI设计师的工作，因为它涉及到别人怎么去理解你的产品和使用你的数据。一方面需要阅读相关专业的书籍，另一方面，是要去观察足够多的产品，看他们是如何实现的。这里有一些通用的规则可以和大家分享：
● 同时着重展示指标不超过7个，5个比较合适；
● 在设计指标的展现时，要明确指标之间的主次关系；
● 几种图表形式的使用建议：趋势用曲线图，占比趋势用堆积图，完成率用柱状图，完成率对比用条形图，多个指标交叉作用散点图。为合适的指标选择合适的形式很重要。

图片来自于网易云课堂

| 结语
数据产品学问太深，我们也只是窥得冰山一角。一个优秀的数据产品经理必须要具备各种技能， 要了解自己的用户，要和他们保持长期有效的沟通；明晰用户的核心需求，而非停留在表面；而最重要的是一定要掌握数据分析技能、会用数据分析工具，时刻有 Data Driven 的意识。


作者：老读悟
链接：https://www.zhihu.com/question/23165279/answer/90364043
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

互联网是个制造流行概念的行业，“数据产品”也不幸免。其实，数据产品的“实”早就存在，只是“名”是后面几年慢慢流行起来的。

我看到过很多讨论数据产品的文章，但大家基本没有统一的认识，对概念的理解也不太认同，所以这里想简单写写自己的观点，主要内容也是不会在其它网文看到的一家之谈。

1、什么是数据产品

要谈清楚数据产品，首先不可回避的“俗套问题”便是数据产品的定义认知。我的理解是：广义来看，数据产品是可以发挥数据价值去辅助用户更优的做决策（甚至行动）的一种产品形式。它在用户的决策和行动过程中，可以充当信息的分析展示者和价值的使能者。从这个角度讲，搜索引擎、个性化推荐引擎显然也是数据产品，由于产品形态已经比较成熟，所以很少被人划分到数据产品的概念里，另外，这类产品往往大都在数据外面穿了一层外衣，使非专业的用户并不能直观的感受到数据的存在。

除此之外的，便是狭义范畴的数据产品，比如大家熟知的淘宝数据魔方、百度指数、电商的CRM平台、各种公司内部的数据决策支持系统等都是数据产品，我后面会有个结构化的分类介绍。

2、为什么会有数据产品

人们日常的商业活动都是“决策”和“行动”的螺旋上升过程及交织在一起的子过程（图1），主过程里的决策表示内心拿定一个主意要怎么做，要达到什么样的目标，行动是具体的执行过程，比如用户要解决出行不方便的问题，他的主决策可能是“买一辆适合自己的轿车代步”，而在具体行动过程中，马上又会面临“买什么车”、“在什么渠道买”等子决策问题。

所有的决策以及行动中的子决策过程都是基于“某种参考”的，最简单的参考可以是自己的直觉，好一点会依赖“过来人”的主观经验，但拍脑袋决策越来越难，所谓专家也屡屡被打假；而最优的决策需要依靠“证据”，定量的证据即时数据，随着数学、统计学、计算机科学的普及，数据在决策优化过程中的价值越来越大，在大数据时代尤其如此。

决策过程中，数据的价值可以通过什么来体现？不外乎三种：a.数据本身、b.数据服务、c.数据产品。举个例子来说，如果某用户想知道明天的天气是否适合出行，他可以直接看明天的气温数据，这个就是数据本身在发挥价值；他也可以咨询相关的数据分析师或咨询顾问，由他们提供人工的数据服务或解决方案来判定明天的天气；第三种方式便是使用数据产品，它把数据、数据模型以及分析决策逻辑尽可能多的固化到一个软件系统中，以更自动化、更准确、更智能的方式来发挥数据的决策价值。

3、数据产品的分类

在狭义的范畴里，从使用用户来看，可以是企业内部用户，外部企业客户，外部个人客户等。从产品发展形态来看，从最初的报表型（如静态报表、DashBoard、即席查询），到多维分析型（OLAP等工具型数据产品），到定制服务型数据产品，再到智能型数据产品、使能型数据产品等。（如题图所示）。






由于报表型数据产品过于苍白、可视化能力有限，而多维分析型数据产品更适合于专业的数据分析师而不是业务或运营人员，使用局限性也越来越大，所为未来的趋势可能是定制服务式和智能式的数据产品。

所谓定制服务型数据产品，是基于用户的深层次需求，构建最适合当前业务痛点的数据模型、产品设计、可视化方案等。在这里数据产品充当的更像是服务提供者，而不是一个通用的工具。

智能型数据产品则会更多的将大数据的智能性融入产品，并与决策逻辑结合起来，发挥作用。比如，你可以有一套传统的会员营销系统，允许你按自己的规则筛选目标用户；而也可以在更智能的数据产品中这样来实现：输入你的营销目标及参数，比如要开展双十一母婴市场的促销活动，系统可以基于以往海量数据计算出应该选择什么品类的商品，在什么用户群中，以什么形式开展活动效果会更佳。

现有的大多数数据只是告诉你现在或未来的情况是怎样的，问题痛点出现在哪里，但却不能给出更完善的建议，甚至支持一个建议的执行。使能型数据产品要做的就是这样的工作，它不仅可以告诉你，哪些用户流失的倾向性大，还可以直接引导用户展开后续补救的执行流程，哪些细分群体需要通过促销活动刺激，哪些需要服务关乎，哪些需要为他提供专享的VIP业务，哪些需要更好的互动等等。



4.数据产品需求把握的特殊性

一个真正好的数据产品要首先把握一个核心——找到用户的真正核心需求、痛点。这句话对于非数据产品的产品经理来说简直就是天经地义的废话。但对于一个数据产品经理而言，得来却不那么容易，有其特殊性。

第一个特殊性，是需求层次特殊性，数据产品的用户中往往会有很多内部用户，他们对数据、数据分享、数据处理的理解和熟练程度各有不同，因此会提出各种不同层次的需求，概况起来大致包括：1).业务/管理需求；2).分析需求；3).数据需求。举例来说，某电商要改善全体用户的订单转化效率，这个便是第一类需求；为了完成此目标，会有很多工作要做，也会有很多分析需求随之产生，比如分析商品详情页的跳出趋势，便是第二列需求；而具体某某数据项的统计则属于数据需求。最可怕的便是，需求方遇到了问题（第一类需求），指定了错误的分析策略（第二类需求），有提出了明确的数据需求（第三类需求）。而对于数据产品经理，从数据需求，引导出分析需求，进而介入反应具体痛点问题的业务/管理需求，是一门必修课。

第二个特殊性，是内部数据产品需求方的特殊性，企业内部的数据产品的用户，既是是用户，也是自己的同事、朋友、领导、下属，他们本身就对产品经理的决策权有一定的干预能力，需要产品经理去平衡“理想与现实”，你懂的。这种情况对于非最高决策者直属的数据团队而言，尤为严重。

5.数据产品的三个关键要素

我认为，要成就一个数据产品，需要关注三个关键要素：1).数据、2).决策逻辑、3).行动流程。






数据的价值，毋庸置疑。它就像整体产品内部流淌的血液。具备什么样的数据类型、数据周期、数据粒度，往往会决定你的数据产品可以提供什么服务。

决策逻辑是很多平庸的数据产品所欠缺的，它们只是简单的、响应式的展示了需求方的报表。好的数据产品，应该可以帮助用户思考，尤其是将平时用户遇到业务痛点是的决策逻辑，部分或全部融合到数据产品后，可以可视化的、动态的、便捷的显性化决策的过程，提高用户的决策效率。

仅仅停留在发现问题、分析问题是不够的，我们还需要对问题的解决能力，这就涉及到第三个关键要素——行动流程。举个例子，当数据产品分析某个细分用户群时，发现最近一个月其活跃度明显下滑，那是否可以自动触发一个营销流程，基于用户的特征，开展个性化的“行动流程”，并在流程中的各个环节发挥数据的价值。

6.数据产品与大数据的关系

非常不想写这样的踩着三俗概念的解释性文字，因为大数据是一个被所有人提起，但几乎所有人又不明白的概念。我在这里写什么概念解释都是错的，徒增搜索引擎的“负荷”。

所以，还是回溯到核心价值角度来看：前面提到数据产品最大的价值在于辅助使用者优化决策，以及辅助决策价值的实现。如果把数据产品比作一台机器的话，那数据就像这台机器运转的原材料。“原材料”+“处理过程”+“结果展示与应用”≈数据产品。

而大数据当然也属于数据的范畴，它好比是一种更高效的原材料，可以提供更高效的价值（更多角度的、更深度的、更实时的信息与知识，尤其是预测性的知识），“高效的原材料”+“高级的处理过程”+“高级的展示与应用”结果也是数据产品，当然你也可以土土称之为“大数据产品”。

再举个不专业的例子来理解：大家熟悉的“天气预报”就是一个典型的数据产品，它的原材料可能有很长时间段的温度、湿度、风力、日光强度、紫外线强度、PM2.5值、位置信息、卫星上的采集的各种数据、其它地面设备的各种专业的气象相关数据（示例而已，专业人士请自行补充）；对这些数据的筛选、清洗、分析、挖掘等一系列“处理过程”可以得到未来几日在几个核心气象特征的数据值与概率（温度、风力、阴晴雨雪等）；而我们看到的天气预报这款数据产品，则是将上述核心信息综合到一起，赋予视频+GIS的展示形式，以及复制大众在“行动”方面的建议（出行建议、穿衣指数、洗车指数等）而成的。

而这种大数据结合数据产品发挥更大价值的例子身边还有很多。试想，你如果能够准确预知明天某只股票的涨跌趋势，比费尽心思基于部分历史信息总结出来的规律要有价值的多；你如果可以知道下个月哪些用户会突然对母婴类商品大宗采购，也会节省很多“千人一面”的传统广告费用。

而一个数据产品的产生过程，最合理的恰恰就是从价值驱动的角度出发的。而不是单纯的从数据出发或者从技术出发。

最后：数据产品的6个方面写下来，有概念，也有白话的示例，初衷是想从基本的生活常识和基本的逻辑角度出发去看待所谓的“新生事物”，而不是动辄各种专业术语，写者高高在上，听众云里雾里的感觉。