数据产品经理需要掌握哪些数据能力.docxVIP

数据产品经理需要掌握哪些数据能力 随着大数据技术以及应用场景的不断丰富，数据的价值受到越来越多的企业的重视，甚至数据驱动、数据赋能作为新的增长点。国家层面也把数据上升为重要的战略级资产，数据成为新基建的重要组成部分。随之而来的是数据产品经理，逐步成为企业数字化转型、数据化运营过程的必备岗位。 过去的文章中，针对数据产品的能力模型，以及岗位的分类做过专门的科普，数据产品经理顾名思义，和其他C端、B端的产品经理最大的差异就是对数据原材料或者加工工具的处理，所以这里想针对需要掌握的数据能力再做一个介绍，给想从事数据产品经理工作的新人，提供一些准备的方向建议。 一、数据采集与埋点 数据驱动的本质是数据驱动增长，过去更多的是关注订单量、营收等宏观的业绩经营指标，数据化运营从宏观到微观，开始关注用户从认知产品到最终完成一次业务流程的全过程行为洞察，而这个过程中，埋点是数据价值的起点，数据产品是以数据为原材料，做用户行为分析或者可视化分析类的数据产品，作为数据产品经理，需要把埋点数据规范化的管理起来，否则没有埋点采集数据，就是巧妇难为无米之炊，设计出来的产品方案再完美，交互再丝滑，却没有数据。 所以，必须掌握如何推动业务产品与研发选择既合适又高效的埋点方法，并且建立统一的规范和流程，管控埋点数据质量。 1. 常见的埋点方案对比与选型建议 详见往期文章： 用户行为数据采集：常见埋点方案优劣势对比及选型建议 2. 明确权责，建立高效的埋点协同工作流程 在敏捷的工作理论中，80%的问题都是流程问题，可以通过规范化的流程去规避和解决，过去经历很多关于埋点的坑点，漏埋错埋权责不清。 虽然埋点的实施方是业务研发，数据的使用方是业务产品和运营，但是最终负责出数据的是数据产品与数据部门，虽然可以一句“业务没埋点，我也没办法”把锅甩出去，但是如果都没数据可用，何谈驱动赋能，那数据团队也可以解散了。 一言以蔽之，数据产品要扛起埋点规范制定的责任，协同各方建立标准，最终可以把标准融入埋点管理系统，流程化、自动化。 二、数据分析能力与指标体系建设 数据就像原油，很少人可以直接使用。只有通过分析、挖掘之手，提纯成汽油、柴油、以及各种化纤用品，才能最大地发挥价值。埋点采集到了数据之后，还需要进行分析、抽象、产品化，才能被更多的业务直接使用。在这个过程中，需要具备建设业务监控的指标体系，并将分析思路整合到数据产品中的能力。 1. 指标体系建设思路与方法 其实各种数据类的公众号、自媒体有非常多的指标体系建设的方法论，殊途同归大同小异。这里做个简单的概况和总结。 1）什么是指标体系？ 基于业务运营发展需要，将可以全面衡量业务健康度的各项指标（指标库）按照一定关系（关联关系）组合起来形成的体系化的指标化管理系统，并且每个指标可以判断好不好，健不健康（评价标准），发现问题后可以通过指标分解或维度拆分（分析维度）定位到问题。 2）为什么需要？ 单一指标无法准确、全面地衡量业务健康度，且缺少关联关系的指标，数量过多时难以聚焦，失去重点。若没有评价标准，则指标只是一个数据，不能称之为知识或信息。难以真正地驱动决策。 3）如何构建指标体系 总体原则：从业务发展阶段的重点目标出发，基于OSM模型、UJM(用户生命旅程)、AARRR（海盗模型）等模型，把业务流程进行指标化结构和监测，并按照指标的拆分关系分级分类。 三、数据产品与分析思路的融合 很多刚入行的数据产品经理在做数据可视化类的产品时，容易追求可视化的效果，却忽略了可视化产品的灵魂，数据产品的价值在于将数据的价值挖掘出来，让更多非数据专业、没有数据意识的人可以快速地从数据产品中得到决策信息，而不是仅仅作为取数工具。 判断一个数据可视化产品或者Dashboard是否有用、是否合格的标准就是做到：数据是什么，数据怎么样，问题在哪里，该如何解决问题。常用的分析方法例如：对比分析、漏斗分析、趋势分析、构成分析等。数据可视化怎样才有灵魂 四、数据仓库理论基础 业务数据化、数据资产化，数据仓库的分层管理不仅可以提升数据的复用性，也可以提高数据运维的效率。在做数据资产管理与治理类工具类数据产品时，将资产减少的规范流程融入到系统中，每次建表时，基于系统的提示与自动填充可以既快速又高效，而不是需要每个开发者把规则形成肌肉记忆。 此外，对于数据的一致性、完整性、及时性、准确性等数据质量监控规则也需要掌握，毕竟数据质量问题是数据产品的生命线，如果给业务的数据都是错的，决策失误、精准营销不再精准。 五、大数据常用技术与数据流转链路 虽然说“人人都是产品经理”，过去也有很多关于产品经理要不要懂技术的争议，个人觉得作为数据产品经理，至少要了解一些基础的大数据技术的应用场景，以及数据流转的链路，这样对于数据质量的监控，实时、离线数据的差异及技术限制，更加合理