数据产品经理生存指南第二条

在生存指南的第一条里，我简单介绍了下数据产品经理们的由来及其生存状态，并列出来了数据产品经理们需要具备的四大核心能力：

• 数据分析
• 产品设计
• 项目管理
• 平台思维

文末，我放出了一个第二条的内容投票，数据分析的需求高居榜首。

从需求角色来看，参与投票的确实以数据产品经理的角色居多。大家对职位中的数据二字有着明确的判断，数据分析确实是数据产品经理的基础能力，也是最重要的能力之一。但是这个能力不仅仅是统计分析能力，而是以统计分析为基础的结构化思维和逻辑演绎能力。

作为一名数据产品经理，具备数据分析能力的条件是：首先要具备逻辑演绎能力，之后学习结构化思维的思考方法，通过统计分析技术解决企业的数据分析问题。

数据分析是为企业管理服务的。根据企业管理的层次，它也分为三个层次：战略层次，战术层次，运作层次。

这三个层次都有分析数据的需求，区别在于从上倒下，分析师的参与度越来越高，对数据分析的粒度要求越来越细，但是对业务理解的抽象程度越来越低。目前业内大部分的运营分析、产品分析、渠道分析都属于具体业务的运作分析，分析和考量公司战略战术落地执行的效果；竞品调研、用户调研通常是为战术分析服务的，而市场趋势分析、行业竞争分析、消费者洞察等均是为战略分析服务的。

以下我举的例子因为工作原因，我无法把自己的分析成果拿出来分享，举例也是我自己的观察所得，如有谬误，还请各位看官指出。

以品牌营销为例，品牌战略分析通常是在产品进入市场前进行，需要根据整体市场的发展趋势和消费者偏好来分析品牌定位，比如屈臣氏所售卖的产品主要面向大学女性或者是初入职场的白领，小米手机最初就是做给发烧友和年轻人的小众手机。

确定产品定位以后产品的价格策略、渠道策略、用户群体就会随之确定，这些就是战术分析了。

屈臣氏选择了线下零售的模式，因此营销策略是以店铺为核心吸引新客，以会员为核心提升复购率。你会看到屈臣氏的店铺都开在商场或者街边非常显眼的地方，也会鼓励用户注册会员并花心思给予会员更多的优惠。所以同属快消品，屈臣氏花了大量的钱来做用户调研，确很少请明星打广告——他的店铺就是最好的广告牌了。这时候，品类分析、用户研究对屈臣氏来讲，就是很好的战术分析。

小米最初以KOL为核心人群，通过线上来销售。因此很早就开始打造论坛，举办各类线下聚会和活动，培植核心用户群体，寄望于口碑来获得产品的1传10，10传百的效果。后期品牌定位已经是普罗大众，而且手机逐渐变成了类似快消品的一种产品，因此开始学习快消品的营销策略，开品牌旗舰店，请明星打广告等等。

在具体的运作上，屈臣氏的会员积分兑换的产品通长都是洗发水、面膜等使用非常频繁的刚需产品，而小米在宣传国民手机的时候，请了三位代言人。

目前很多公司招聘的数据分析师其实都偏向于运作分析层的分析，而只有大的公司，才会有从战略战术到具体运作的全套分析体系。在职位名称上，偏战略的分析师通常称之为商业分析师，偏运作分析的通畅称之为数据分析工程师——前者更偏向宏观分析，需要较多行业的人脉和信息，建立自己的行业数据源，后者则与业务线打交道，需要更多的处理业务数据。

之所以洋洋洒洒写这么多，是因为之前在数据产品经理会微信群里同同行们交流的时候，经常发现大家为问多元回归模型怎么用，R语言怎么画图等等技术类问题。大家想解决的问题也基本上落在运作分析这一层，很少关注到战略分析和战术分析层次上。如果说战略分析因为其稀有性和特殊性，并不是大部分人有机会接触，那么战术层次的分析是大家必须要多多关注的。在每次分析中，我们不一定都要加入战略的思考，但是对公司业务战术方法上面的思考是必须要有的，这样才能够明确你的分析方法和目标，让分析报告中的洞察与业务贴合在一起。

举个几年前分析的一个阅读类产品的例子。

这个产品当时是希望能够对标新闻资讯类的APP，做一个用户可以自主订阅的头条类产品。产品（后面简称R产品）内测的时候就有一些问题。当时我找朋友拿到了各类头条宝宝们的使用数据——日均使用时长、启动次数、活跃率等。我发现R产品在日均使用时长河启动次数上明显低于其他的产品，说明产品的活跃度不高。这类产品活跃度不高通长就是内容不够吸引人：可能说明信息不够看或者是信息过载让人厌倦，内容不够个性化不符合用户的兴趣等。

有了假设之后，下一步要做的就是找到核心评估指标，来对问题进行整体评估，并作为改进的度量。因为R产品中的用户的内容都依赖于订阅源，因此评估订阅源的内容被阅读的情况是比较直接的策略。为此，我引入了基尼系数这个指标，并对订阅源的阅读数据进行建模，将订阅源的阅读数看作是收入，来评估内容生态的平衡情况。

在这个分析过程中，战略是老板确定了的。但是达成目标的战术路径确并不清晰，起码在产品内测时发现原来的战术是遇到了困难。那么问题在哪里，又如何改进，便是我们建立数据分析体系的目标了。

最终我发现订阅源阅读系数的基尼系数居然超过0.8，新订阅源还要更高。这说明目前订阅源的内容分布极为不均衡，大部分的用户阅读的都是同质化内容。因为推荐策略的问题，导致新订阅源得不到展示机会，最终让用户得不到新的内容。所以最终的问题就是内容不够个性化，资讯不够新鲜。

当然，最后的落地执行策略是多方面的，增加订阅源，增加新订阅源的曝光机会，改进阅读体验等等不一而足。

回到我们的开头，作为一个数据产品经理要想生存下去，在做数据产品或者做分析探索的时候，不能只盯着一线业务的执行分析，而需要充分理解企业或者部门的战略目标，从战术分析入手来建立简单、全面的分析体系，最终才能够通过对具体业务运作的分析来发现和解决问题。

作者：刘洋（微信号：liuyangfjnu），从事数据产品和分析的工作8年多，目前担任小米商业产品部数据产品总监。擅长为企业建立全面的数据分体系，主要研究方向是用户画像、品牌大数据营销、企业BI和人工智能的产品化。