数据产品经理的入门手册数据产品的工作本质是什么

　　本文笔者将对数据产品是什么？以及数据产品的工作本质是什么？进行分析，为数据产品经理小白答疑解惑。
　　对于很多公司来说，数据产品经理一职，主要的工作便是进行数据支持。
　　什么是数据支持？
　　老板说：＂我明天要开战略会，你把留存率的数据帮我跑一份。＂
　　业务方说：＂我们的交易额下降了，我想从城市、性别、年龄的维度看看，到底是什么原因导致交易额下降的，辛苦是否可以快速支持一下？＂
　　业务产品说：＂最近我们上线了一个feed流的新策略，我们想看一下新策略和已有策略的ab效果，可以帮我提取一下数据吗？＂
　　数据产品似乎每天都在面对诸如此类的需求，每天陷于接需求、对需求、出数据的怪圈循环。
　　可能一年下来，蓦然回首，发现：灯火阑珊处没有升职加薪，没有学习成长。
　　反而，老板还会质问你：＂数据产品的价值是什么？你这一年为团队贡献了什么？＂
　　我想，这就是大多数数据产品在职场中面临的困境。而对于自己，也在数据产品的职位上摸爬滚打了大概5年多，从创业公司到美团，从美团到腾讯；眼见他起高楼，眼见他楼塌了。
　　自己也在不断问自己：到底数据产品是干嘛的？数据产品需要解决的本质问题到底是什么？数据产品的价值到底在哪里？
　　要回答数据产品是做什么的？首先，需要回归一个本质的问题：产品是做什么的？
　　——产品是基于业务，通过产品化的方法解决业务场景的问题。
　　那么，对于数据产品来说，我认为核心是：
　　那么，数据产品解决的问题是什么？
　　结合不同的场景，我认为有如下四种：
　　数据产品的工作本质就是围绕这四个问题进行展开的。
　　查询指标
　　围绕指标查询场景，数据产品需要解决的第一个问题是：如何定义一个指标？
　　定义指标一般有如下两个难题：
　　1. 指标歧义
　　对应我们的工作实际场景中，经常同一个指标有不同的统计口径。
　　比如：指标访购率，产品部门的定义是访购率=订单支付成功页面的uv/首页uv；而运营部门的定义是访购率=订单量/DAU。
　　这里由于统计口径的不一致，会导致对应访购率这同一个指标，会有两套完全不一样的数据，从而造成数据歧义。
　　2. 指标说明不清
　　我们有了指标定义，但是业务方或者技术方看不懂我们的指标定义到底说的是什么，比如续费学员数，定义是：续费的学员总和。
　　那么问题来了，请问这里的续费到底是如何计算？学员是否需要按学员ID去重？统计周期用学员创建时间还是订单支付时间？
　　你看，一个指标，如果定义的不严谨，就形同虚设，起不到对应业务方和技术方的指标解释作用。
　　所以，有关定义指标，我们必须找到一种规范，可以清晰明了的规范一个指标到底是什么。
　　经过这些年的摸索，总结了一套定义指标的方法；具体如下：
　　有了定义标准，我们就可以对业务中所有的指标进行定义，形成我们的指标字典。如果没有线上化的指标管理工具，我们可以把指标维护在在线文档中，并总结如下：
　　看，是不是这样，关于一个业务的指标，就清晰了非常多？
　　之后，我们可以把我们的指标字典进行线上化；方便所有人快捷的查找每一个指标的定义。
　　这样的另一个好处是：收敛所有指标的出口，一方面防止业务随意定义指标，另一方面规范所有下游BI平台的指标定义。
　　具体如下：
　　统计数据
　　在展开统计数据之前；我在想一个问题，统计的本质是什么？
　　统计，是对业务形成数量上的认知。
　　比如：500，这个数字没有任何意义。但是，订单数=500，这变形成了业务上对经营情况的一个数量认知，从而500这个数据赋有了业务意义。
　　那对于不同的业务场景，统计数据意义和目的也不尽相同。
　　我大概总结统计数据大致有如下三个方向：
　　我们在规划数据产品的时候，一定要结合场景进行，切勿盲目。
　　比如：以数据看板为例，我们可以根据不同的服务对象，不同的使用场景，拆分为三个不同的数据看板。
　　具体如下：
　　一定要想清楚不同数据看板的定位和特性，才能便于我们接到每一个数据需求时，把每一个需求连城一条线，进行整合规划。
　　效果评估
　　数据产品需要解决的第三个问题是效果评估，比如：我们上线了一个策略需要进行效果评估。
　　对于需求方来说，他的本质诉求不是要A方案或者B方案的曝光pv、页面停留时长等等的数据。他的本质诉求是你告诉他一个结论，到底是A方案的效果好还是B方案的效果好，并且这个结论是有专业的统计学背景支撑的。
　　但是，这里会有一个很大的问题是：
　　我们来看一下以下的这个例子：
　　实验组方案A和对照组方案B，分别各切20%的流量，呈现数据如上图。
　　对于CTR指标，B优于A；对于页面停留时长指标，B劣于A；
　　请问这种情况下，你如何评估到底是A方案好还是B方案好？
　　这时候，你会发现：数据产品不仅仅是要把数据提供出来，而是说要给与业务专业的评估方法。帮助业务解决效果评估，这个本质的问题。
　　我们可以借助统计学的方法评估如下：
　　最终，得出结论选取A方案。
　　在深入一步思考，我们是否可以把T检验封装成一个小工具，放在数据平台中，供各个需求方自主使用？
　　精准投放
　　数据产品需要解决的第四个问题是精准投放。
　　比如：我们该面向哪些用户群体投放一个什么样的活动？
　　通常的解决方案是用户画像。
　　一般来说，围绕用户画像，作为数据产品可以提供如下三种服务：
　　画像接入服务：画像标签作为底层支撑，以接口形式供各个业务系统调用。
　　画像分群服务：基于标签筛选用户集合，进行活动投放。
　　用户分析服务：对应不同人群，进行标签分析。
　　有关用户画像，后续会专门找一期和大家进行详细介绍，这里不多做展开。
　　这里，用两个形象的应用场景，来说明用户画像是如何应用于业务的，具体如下：
　　总结
　　我们回顾一下今天所介绍的内容，围绕数据产品的本质是什么进行展开，主要介绍了数据产品需要解决的业务场景问题。
　　所有的数据产品不是凭空产生的，一定是结合业务场景的。所以，我们一定要想清楚数据产品到底需要解决什么样的问题，这才是我们数据产品发挥价值的关键。
　　愿本篇文章对各位小伙伴们有所帮助。小伙伴们有不懂的地方，或者想了解的部分，均可以留言，我会一一解答。