产品经理与数据的恩怨情仇
数据分析是产品经理的必备技能之一,不过说了那么多数据分析技能与能力,你知道到底该如何将其应用到产品工作中,解决实际问题吗?相信本文能为你带来启发与思考。
翻开各类招聘网站搜索产品经理,很多jd上面都写着类似:数据思维、数据分析能力这类要求。
面试的时候,产品经理也喜欢说自己善于数据驱动,然后举了个千年不变的例子:需求上线后做埋点统计…诚然,这也是数据分析的工作之一,但只是冰山一角,并不能说明其有多强的数据思维。
产品经理这辈子是离不开数据了,但有时候又不大懂数据,就跟自己的另一半一样,恩怨情仇,相爱相杀。
七爷作为一个哔哔高手,大谈过AI风云,而这区区“数据情史”,我也得好好一番挥斥方遒。
一、论产品经理与大数据有毛关系
【大数据】这个概念最早其实在1983年IBM就提过了,而今时今日随着移动互联网、物联网等发展,数据量爆炸性地增长,也让【大数据】这个概念变成习以为常的东西,很多高校设置大数据课程,每个企业在(chui)宣(niu)传(bi)时候也会频频提到大数据。事实上,这玩意儿如果吹得越大,泡沫只会越大,最终成为一件“皇帝的新衣”。
所谓“无论黑猫白猫,抓得住老鼠就是好猫”,数据也一样,无论大数据小数据,能产生价值,就是好数据。产品经理真想讲清楚自己数据思维多牛逼,不用说自己做过大数据啥啥的,而是把利用数据带来的价值摆上台面,言之有物,才能真正让人心服口服。
从企业方面来说,数据的效果或者叫价值,其实不外乎带来商业的价值提升。而要提升商业价值,可以从三方面入手:(1)提成收入;(2)降低支出;(3)控制风险。也只有在这三方面带来可量化的改进,才能说数据分析有价值,也才能看出产品经理的牛X。
二、论产品经理与数据岗位有毛关系
说到懂数据,相信很多人想到的都是数据挖掘工程师、数据分析师、数据产品经理,认为这些岗位对数据能力才有高要求,其他产品岗位不需要了解那么多。
对于该看法,我首先得跟大家啰嗦下这几个岗位到底是干啥的,我们才能好对比得出结论。
首先是数据挖掘工程师,先来看其部分职位职责:
- 负责核心产品的用户数据体系和基础技术的建设工作,支撑业务快速发展;
- 运营数据挖掘、机器学习、深度学习等技术,构建多维度用户画像;
很明显数据挖掘工程师属于技术范畴,运用各类技术为其他数据岗位提供技术支持,这个岗位相对容易理解,在此不再赘述。
其次是数据分析师,也来看其部分职位职责:
- 配合产品团队、运营团队等驱动产品优化、用户活跃;
- 配合项目负责人做财务模型、市场预测、定价策略、竞争策略;
- 通过海量数据的挖掘和分析,形成报告,汇报给决策层。
数据分析师需要针对具体业务进行数据分析,将分析结果以报表等方式展现,输出一个策略建议或数据结论,最终解决一定的商业问题。其需要掌握常用分析工具,熟悉数据库,了解分析模型等。
最后是数据产品经理,它的岗位职责是:
- 与数据分析师配合构建数据模型产品,与数据挖掘工程师配合搭建数据仓库;
- 撰写产品文档,协调资源推送顺利上线
这里数据产品经理要做的就是把数据分析师的工作转化为数据产品,提高后者的工作效率。所以数据产品也是产品经理的分职,同样需要具备产品经理的素质,只是在这个过程中对数据分析能力有所要求,否则恐怕在平时得被数据分析师和数据工程师怼死。
如果是其他产品岗位的同学,平时很少直接接触数据业务,对上述职位也(guan)无(wo)感(mao)知(shi)。但产品经理这个岗位的核心目标是解决问题,这个过程中需要“不择手段”,包括沟通、逻辑、交互、技术等,而数据分析能力更是可带来神奇效果的绝佳手段。要成为绝世武林高手,如此利器,怎能不用?
事实上,很多场景下,产品经理都需要依靠数据做决策支撑,比如七爷做nlp产品时,每天面对大量对话数据,想知道对话背后的价值;电商产品经理想知道如何利用买家数据做精准营销。这时候如果啥都不懂,很容易手足无措,也不知道找谁,就算找到资源还不一定为己所用。
所以产品经理苦啊,但苦孩子总得自立自强,求人不如求己,逼我学习就对了!
对着数据像个陌生人,那就学习数据分析思维,再也不做懵逼的小孩!
不知道该找谁,那就学习数据分析方法,再也不做手足五促的少年!
找到人也没得帮忙,那就自己开搞,再也不做被忽悠的青少年!
就凭这股怨气,让我们开始数据之旅吧~
三、数据解决问题的思路
那么,在我们日常产品工作中,又该如何利用好数据分析这把实战利器呢?万变不离其宗,大象放进冰箱需要三步,数据解决问题复杂太多,所以步骤远不止三步,而是惊人的五步!
【第一步:定义问题】
前面说了,产品经理的核心在于解决问题,所以做数据分析也是如此。如果没有目的,单纯为了做数据分析而做分析,那就如同拿了一把屠龙刀去秀杂技,难道是还是“陈独秀”?所以第一步,我们要先找到业务问题(目标),并且最关键的,将其转换为一个数据问题。
定义问题的过程也是有迹可循,这里我们继续做“梦想中的拆一代”,拆三步:
- 提出大体想法
- 验证问题
- 提出数据分析问题
很多业务问题提出来的时候只是一个笼统的定义,比如:“用户这个月留存不行”;“这个月销售额不好,下个月希望有个明显的提升”。
“留存不行”、“销售额不好”该如何定义?所以首先,需要了解事件背景以验证问题是否真的存在,再将问题描述得更清晰一些,如:“本月销售额降低了20%,找出下降的原因并提出提升销售额的方案”
【第二步:数据分析】
定义清楚问题了,我们就可以挥舞屠龙宝刀,开始数据分析!整个过程主要分五步:
- 数据获取:“不择手段”地找到我们最需要的原始数据
- 数据清理:处理原始数据,比如校验合理性,校验格式
- 数据转换:将需要分析的数据做表格合并、排序等操作
- 分析建模:确定分析所需要的统计方式,如基本统计分析、建模分析等
- 结果呈现:将结果以PPT、报告等形式呈现出来
这里的分析流程先简单做个介绍,下一章会针对该过程做具体生动详述,敬请期待哦~
【第三步:产品方案】
有了数据结果不代表工作就结束了。如果数据没有对产品或者业务有任何指引,那就跟
墙上画大饼一样一样的—-中看不中吃~
产品方案的落地细节需要结合不同场景来制定,这块是产品经理用来吃饭的活儿,就不需要详细论述。需要注意两个点:
(1)需要有数据指标,验证方案落地的效果,为后续复盘做数据支撑,也可以用好的数据效果反馈给数据团队,肯定数据分析过程的价值。
(2)若有多个方案,在资源允许的条件下,可以同时进行落地,最后再得出最适合的方案。毕竟,拍脑袋谁不会,talk is cheap,show me your data!
【第四步:方案落地】
制定了产品方案后,就需要产品经理协调开发、设计等资源,推动项目落地。这个过程有一个很关键的点,就是要做ABtest,在上述场景中,即抽取用户体验方案(1)(2)(3),另一部分用户依旧体验旧方案,并对多组数据做对比,以验证效果。
关于ABtest,其实也有很多学问,本篇主要还是让大家知道产品经理与数据的关系,不做其他阐述。后续若需要,我们再做一篇专门介绍。
【第五步:项目复盘】
好了,方案落地一两周后,对比数据也出来了。此时,我们需要测量并整理不同方案的效果数据,拉上相关人员,比如数据团队、业务团队、技术团队做沟(si)通(bi),分析效果,然后得出团队认同的结论。并且很多时候可能会产生新的问题,这时候又回到了我们第一步【定义问题】,然后进入无尽的轮回~
也恰恰是这样的轮回,才能让产品经理不再拍脑袋,talk is cheap,show my data!
四、数据分析流程
讲完一些通(mei)用的道理后,七爷觉得干货好像不多,会被骂的。所以我再补充下数据分析的具体流程,让产品经理起码知道这个过程是怎样的,并且需要哪些技能才能完成。万一哪一天,咱有需求,但咱没资源,咱也不敢说不敢问,就得靠自己了。now,let’s get the son of data!
七爷听过数据分析流程的一个比喻,贼形象,引用于此,与大家探讨。第三章已经讲过数据分析的整个过程,而这个过程跟平时做饭是一样一样的。咱先看下面这张图,然后一个个来讲。
1. 数据获取(买菜)
所谓“巧妇难为无米之炊”,做饭前你需要去买菜,做数据分析前你也应该收集数据。以前买菜要么看看家里冰箱,要么到菜市场,现在渠道就多了,可以去菜市场,超市,也可以在x东超市、x咚买菜平台、x日优鲜平台等,这么多选择了,就得根据自己实际情况,选择最合适的渠道买最想要的新鲜菜。同样的,收集数据也有各类渠道。
(1)冰箱里面看存货
一问开发同学数据库有没有: 没有?再问开发同学日志有没有:没有?三问后台系统报表有没有:没有?大户人家(大公司)还可以四问数据团队有没有:也没有?!(给你大姨夫打电话吧,拜拜~)
一般来说,数据收集过程需要做埋点统计,或者利用第三方BI工具做收集。这里就需要产品经理懂得如何埋点,如何使用第三方BI工具。
(2)外面市场逛一逛
首先最直接的菜市场就是各种行业数据报告,有需要收费的,也有免费下载的。这里推荐主流的数据报告网站:
- 国家统计局: http://www.stats.gov.cn/
- 艾瑞网: https://www.iresearch.com.cn/report.shtml
- 中国互联网络信息中心: http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/
- 易观: https://www.analysys.cn/article/analysis/701/1
- Talkingdata: http://mi.talkingdata.com/reports.html?category=all
- 艾媒网: https://www.iimedia.cn/#shuju
- 企鹅智库: https://tech.qq.com/biznext/list.html
- 七麦数据: https://www.qimai.cn/research
- 还有类似腾讯大数据、阿里研究院、百度指数、极光大数据等。
那有些数据在别人的报告里面没有,但在别人的网站上面有,这时候我们首先应该看下网站有没有数据API可以让我们获取,当然大部分时候是没有的,那就使出最后一招:pa!
此爬非彼扒手之扒,咱文明点,用爬虫的手段,可以获取许多网站上面的数据。
一般来说,在团队里面如果不是专业的爬虫团队,产品经理要在没有任何业务背景下提出爬虫的需求是比较难以得到支持的,所以养成扒手,哦不,爬虫的技能,是一件多么重要的事情。
七爷吃以前敲代码的老本,有时候会爬爬一些电商的数据,以后有机会可以分享交流一波~
总结一下数据获取的整个过程:
- 埋点统计有必要
- 日志报表来一套
- 平时收藏数据报
- 实在不行爬虫搞!
2. 数据清理(洗菜)
买完菜了,我们就得来洗菜,这在数据分析中一般叫作预处理,让数据变得规范,方便后续处理、分析。
预处理的过程其实需要很细致,就跟洗菜一样,很容易我们就漏掉一些边边角角,导致洗菜不干净,那吃起来就不怎么香咯。
具体预处理过程,七爷总结为三看:
(1)看菜干不干净
合法性: 数据需要符合常识,不能说有个商品的价格是-100,那不就是倒贴?所以建议通过设置最大值最小值来规避这类情况
一致性: 格式、命名需要保持一致,不能有个时间戳是mm/dd,另一个却是dd/mm/yy
唯一性: 重复的数据需要去重,并且保证有一个唯一主键,且不能修改
(2)看菜变没变质
不准确: 我们测试的一些变量数据可能存在误差或者方差,需要通过平均值替代、分箱等专业方法来处理,这块如果产品不想碰,可以请教数据分析师大大们
数据损坏: 有些数据变成了null,某一时间段数据被清除,这类情况都属于数据损坏了,需要想办法清洗掉
(3)看菜多不多余
完整性: 检验某些字段有没有缺失,某些数据会不会为空(与数据损坏有些类似)
无关性: 删除不相关的字段或者数据值,保证留下来的都是被需要的,把其他菜留着下次做
经过这波处理,基本都可以把数据预处理干净了,但往往只有等到开始分析了,才会发觉有些数据没有处理好,这也属于正常情况。炒菜时候发现菜不干净了,那就再洗洗呗~
3. 数据转换(切菜)
菜洗完了,我们就要开始炒菜前最后一步:切菜。我们需要对预处理完的数据做格式等转化,比如合并不同数据成为新的表格,增加新的字段变量,以及对整个文本做排序等。
结合不同的数据流程,会有不同的转换要求。这里也要求数据分析人员与产品经理要充分了解业务情况,才能知道不同数据表是如何联系的,如电商买家聊天数据、订单数据、购买频次数据之间的关系。千万不要忽略这一步,刀工的好坏,决定了食材能否发挥其最大的美味!
4. 分析建模(炒菜)
好了,菜洗完了,切完了,就要正式炒菜了,也就是我们的分析建模。很多人听到模型两个字就觉得需要眼花缭乱的技术才可以做到,但并非如此。这里七爷借鉴其他大牛的介绍,把这个过程总结为三类:
(1)基本统计分析: 大部分产品经理要做数据分析需求,通过常规分析就能够解决,利用环比、同比、排列、对比分析、分组分析、平均分析等方式,直观地发现数据中隐藏的问题。
(2)统计模型分析: 不同的业务场景,其实市面上已经有成熟的分析方法,比如用户分群的RFM模型,用户行为分为的漏斗模型等,我们只需要做的是按照模型的需要建立数据体系再进行计算,从而得出结论。后续七爷会针对工作中用到的模型做介绍,让大家对建模过程有更加直观了解,而不再认为是玄学。
(3)自建模型分析: 对于专业数据团队来说,他们要的工作远远超过常规模型的复杂度,所以需要自建模型,比如利用线性分析预测电商销售,利用0/1回归分析广告投放中的点击率情况,朴素贝叶斯分析用户评论从而改善产品。这块七爷做nlp过程中深有感触,与算法大大工作中发现很多模型的效果不尽人意,在产品上还可以通过业务规则来达到效果,而数据分析要求更加精准,这个过程要如何做好,至少七爷也有很长的路要修行。大家一起加油吧~
5. 分析呈现(上菜)
菜炒好了,那就得进行最后一道工序:摆盘,保证色香味俱全地呈现给相关人员,这里讲的就是数据的最后一步:可视化。
最基础的可视化方法就是统计图。
说是基础,但其中的要求却是枝叶繁多,总的来说,好的统计图应该保证:准确、有效、简洁、美观。
同时,还要选对统计图,比如饼图是用来展示频数的,柱状图是用来分析一个离散型变量的,堆积柱状图用来分析两个离散型变量,折线图是针对时间序列的统计分析,箱线图是对连续性变量的统计。真可谓千奇百怪,千方百计。
现在市面上也有很多对统计图的基础教程,这里推荐《谁说菜鸟不会数据分析》这本书,可以看看数据可视化以及其他内容。
其他展示方式包括数据样板:适合于数据统计的需求模块;报表展示:适用于完整的数据展现;ppt:适用于展(chui)现(niu)价(bi)值。
好了,以上~
本文由 @steseven 原创发布于人人都是产品经理,未经作者许可,禁止转载。
题图来自Unsplash,基于CC0协议。