如何修煉成一位優秀的數據產品經理？

近些年來，隨著Growth Hack、精益化運營、數據化運營等概念漸入人心，數據產品這個名字被提及的次數越來越多。但究竟什么是數據產品？數據產品如何來解決商業問題？如何現在最火的商業概念如Growth hacking 等落地的？如何設計一個能夠滿足用戶需求的數據產品？本文將和大家一起分享這些問題。

一、什么是數據產品？

簡單來講，就是以數據為主要自動化產出的產品形態。這里強調自動化產出概念，是為了區分像 Gartner 之類的數據研究咨詢公司，跟類似GrowingIO 這種實時互聯網分析產品相比。顯然，他們的報告也可以理解為以數據為主要產出的產品，但并不具備自動化產出的特性。

明確了概念后，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：

企業內部使用的數據產品，如自建BI和推薦系統；

針對所有企業推出的商業型數據產品，如 Google Analytics 和 GrowingIO；

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，建立的一套評分標簽體制。因此，在很多企業的劃分里，也是屬于數據產品的范疇。但個人經驗所限，本文暫不涉及此類產品。

二、為什么需要數據產品?

來自硅谷的新一代數據分析產品GrowingIO 創始人張溪夢非常推崇德魯克的一句話：If you can’t measure it, you can’t improve it（如果你無法衡量，你就無法增長）. 這與 Growth Hack 核心理念—數據驅動增長，不謀而合。

增長讓企業經營者的念念不忘，而實踐的曲線，就潛藏在數據產品中。

舉例，在Facebook中，直接匯報給 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采集計算和展示。他們會對 Facebook 所有的數據進行監控，以及根據效果持續優化。

Facebook對 Data Driven 重視到了什么程度？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后，沿襲至今?？梢赃@么說，Facebook 高速穩定的增長背后，數據產品功不可沒。

Facebook Growth Team

三、如何設計數據產品?

對于產品設計來講，一些固定的步驟必不可少。厘清這些內容后，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：

面向什么用戶和場景

解決什么問題/帶來什么價值

問題的分析思路是什么

需要用到什么樣的指標

這些指標該怎么組合展現

3.1 面向什么用戶和場景

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。

1. 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。這里并不主張職位歧視，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。

2. 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。

3. 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，那么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入職后，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。

3.2  解決什么問題/帶來什么價值

這本質上是要明確產品滿足了用戶的什么需求。但凡需求，均有價值和優先級。

首先判斷核心需求是什么，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：用戶愿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。那么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 新推出的漏斗分析功能

3.3  問題分析思路是什么

以上兩點其實都還是普通產品經理的范疇，到了這一部分才真正開始數據產品經理的專業課。明確了問題后，應該通過什么樣的思路進行分析？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，并且不斷對比

總覽應提綱挈領，簡明扼要，讓用戶先了解當前發生了什么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于分析。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，并與業務緊密相關

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。

3.4 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，它的采集，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采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采集的時代里，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?；蛘甙l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。

所以，一個優秀的產品經理想要跟Facebook 一樣做到Data Driven ，必須首先做到數據的完備和準確，埋點是必須要解決的痛點。國內很多公司開始使用來自硅谷的新一代數據分析產品GrowingIO，它們采取的無埋點采集數據的方案，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，完備性準確性迎刃而解。

3.5 選擇什么樣的產品形態

以上四步最終確定完成之后，就可以選擇相應的產品形態了。常見的數據產品形態有：著重于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；著重于算法類的用戶標簽，匹配規則等等。篇幅所限，這里挑可視化報表類跟大家分享下：

1）指標的設計

首先需要明確什么類型的產品適用什么樣的指標，如電商最核心的是訂單轉化率，訂單數，訂單金額等，對于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 (Mutuallyexclusive,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

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。它并不只是UI設計師的工作，因為它涉及到別人怎么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。這里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系

幾種圖表形式的使用建議：趨勢用曲線圖，占比趨勢用堆積圖，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。

四、結語

數據產品學問太深，我們也只是窺得冰山一角。一個優秀的數據產品經理必須要具備各種技能， 要了解自己的用戶，要和他們保持長期有效的溝通；明晰用戶的核心需求，而非停留在表面；而最重要的是一定要掌握數據分析技能、會用數據分析工具，時刻有Data Driven 的意識。