需求的生命周期管理是一項難度不小，但實實在在值得去做的事情。數據團隊也應該緊跟甚至需要超前于業務團隊，做到「事前感知，事后追蹤」。

本文是個人工作中的一些心得，雖是「個人心得」，其實內容卻不乏有數據工作中客觀存在的事實，你躲不過也繞不開。主要面向于數據相關的從業者，如：數據分析師、數據工程師等。

在我們團隊內部，有一個「需求流程」，雖然粗暴、簡陋，但卻簡潔有效。我也將會從流程中的各個節點聊一聊。站在「陳述事實」的角度把需求流程這件事講清楚，也希望能得到一個共鳴與修正。

下文按照「需求流程」講解：「新建→規劃中→開發中→測試中→上線」和「需求生命周期」。

一、新建中

這個環節是業務需求落實到具體「文檔」最初始的階段，也是數據產品經理最早跟需求有接觸的階段（當然不排除有些口頭需求，業務及數據產品同學口頭約定描述需求概況及可行性調研的部分），這時候數據產品需要做：

1.1 判斷合理性

1. 從需求的背景描述，以及與業務方的溝通中確定對方想要解決的問題是什么？數據是否可解決？
2. 是否已有數據？因為有部分需求會因為不同業務方之間沒交集而產生需求重復的現象，而且很多。
3. 是否有數據產品工具可供業務方自行實現？有些數據產品工具就可解決業務問題，但產品卻因為「信息不對稱」而不為人所知。
4. 需求邊界問題，有些更適合業務團隊自行實現的需求，被提到了數據團隊，則需要過濾掉。

1.2 檢驗完整性

1. 報表類需求：檢驗「維度x指標」是否完整合理，確認指標計算邏輯、口徑是否完善。所謂巧婦難為無米之炊，沒有給出指標精確的計算邏輯和所依賴的庫、表，是沒有辦法啟動施工的；
2. 非報表類需求：如工具產品，賦能類等，需要判斷業務方是否有足夠的使用場景來支撐工具的開發。否則一個產品化的工具需求被開發出來，使用者聊聊無幾，實在得不償失。

1.3 確定優先級

最常見也最符合心理學的一個現象，是每個業務方提過來的需求都火急火燎，都把自己的需求優先級設為最高，這些多數需求只不過是在業務同學提出時恰好「被緊急」了。而實際上卻并沒有我們想象中的那么緊急，甚至被標記為最高優的需求，在隔日就被遺忘，一周內也不再被提起。這種就屬于是「腦熱型需求」。而另外卻存在一類真實高優的需求，直接涉及到頂層決策。

我們該如何判斷？

• 需求受益方是誰，這是最直接的方法。比如是CEO的需求，那毫無疑問就是最高優，因為將會直接影響「頂層決策」。
• 需求本身所覆蓋的業務，是單業務還是多業務？如果是多業務，則缺少當前這個需求這一環是否會影響的是全局的進度？則需要酌情提高優先級。
• 需求實現成本如何？需要判斷需求實現的難易程度，如果是一個大型需求需要占用很多工時，若被提高優，那么則會直接影響開發人員手中項目的進度。若是簡單的，「順手」就能完成的需求，則亦可酌情提高優先級。

二、規劃中

開發同學不理解需求怎么辦，如何快速上手？關鍵字：學會提問。

當需求從「新建」移動到了「規劃中」，則是完成了產品層面的把關。但這并不等于產品經理的工作就完成了。因為在規劃中的需求，需要產品同學去推動開發人員給出明確的排期。開發人員對需求的排期能力也是考驗自身開發能力的重要標桿，對于規劃中的需求，開發同學需要知道：

2.1 是什么？

需求背景，要解決的問題是什么。

2.2 在什么時間，做到什么程度？

需求的優先級如何，數據的實時性及準確性有何要求？

2.3 怎么做？

1. 能預估需求計算會依賴哪些數據庫、表，計算邏輯的復雜度如何？
2. 需要預估存儲及計算資源的消耗如何？
3. 其他。

三、開發中

如何避免蒙頭做事？

3.1 評估

• 是否有現成數據？因為有些現成的數據在產品層面根本不知道或沒有能力知道，但開發間會相互知曉（例如：在服務器中，在倉庫里，在某個只有開發人員才有權限的系統中）。
• 數據是否已具備？（不具備則需要推動上游解決）

3.2 開發

依賴的相關指標，有沒有其他同學計算過，邏輯是否可復用或可借鑒。

3.3 優化

有沒有更巧妙，優雅的解決方案。這方面則需要長期不斷的總結積累。你會發現同樣的需求，開發人員能力的不同，最終的方案「優雅」程度也會不一樣。

四、測試中

如何進行數據測試？

有些公司數據團隊里已經配備專業的測試人員，會有嚴謹的測試用例，有的測試人員也會手寫SQL及各種小工具來校驗數據準確性。但如果沒有配備測試人員，開發及產品同學需要怎么辦呢？

4.1 精確

首先，務必要保證自己開發的邏輯與需求無偏差。如果是需求本身模糊，則必須要確認精確的邏輯。數據計算這事兒，只能嚴謹。

4.2 心中有數

開發好了計算邏輯，在校驗數據的時候，需要開發人員自己心中有數。即無論是用戶、交易、商品等范疇內的基礎數據，也都要有最基礎的業務量級感知，這能有助于快速判斷一個數據計算結果是否合理（多看報表、郵件）。

4.3 校驗

與線上或業務線相關指標做對比（前提是可比）。

五、上線后

5.1 新上線的報表業務方質疑數據不準確，該怎么辦？

老鐵穩住，別慌！對自己的開發邏輯要求嚴苛，然后有信心。

思考：為何業務同學會覺得數據不準確？無非就是兩個方面：

1. 用新開發出來的數據與歷史同名指標數據作對比（邏輯上可能會不一樣，不具有可比性）；
2. 與第三方數據對標（數據源及計算邏輯無法確認是否一致，不具有可比性）。

以上兩點思考完了，也就有了解決方案。

5.2 遇到數據異常怎么辦？

需求上線一段時間后，某天發現數據產生異常了，該怎么辦？

思考兩點：

1. 先從自身看，去快速思考數據流從上到下是否有問題。收集、ETL、計算、展現等，順藤摸瓜
2. 讓信息對稱（多問，多咨詢，看看數據是否是因業務活動、渠道原因、不可抗力、競品等導致）

六、需求生命周期

業務數據需求上線后，是不是就結束了？

每個數據人，都應該有這樣的基本操守：「需求上線是開始不是結束」，至少還需要注意兩方面事情：

（1）告警及任務監控機制建立

（2）傾聽業務反饋

1. 需求上線后，是否對業務方有幫助？追反饋。
2. 是否有優化空間？何時該下線？做加法的同時，減法如何做。
3. 能不能做到自動化「任務/報表/郵件」的自動生命周期管理。

如今，整個市場瞬息萬變，業務也會跟著市場的步伐在跑，這對任何一個數據團隊都是不小的考驗。你會發現一個月前還非常重要，還有很多人使用的模塊/報表現在卻沒人理會，那是因為方向標變了，一切都在變。需求的生命周期管理是一項難度不小，但實實在在值得去做的事情。數據團隊也應該緊跟甚至需要超前于業務團隊，做到「事前感知，事后追蹤」。

本文由 @?黑夜月 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議