中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

數據分析是產品經理的必備技能之一，不過說了那么多數據分析技能與能力，你知道到底該如何將其應用到產品工作中，解決實際問題嗎？相信本文能為你帶來啟發與思考。

翻開各類招聘網站搜索產品經理，很多jd上面都寫著類似：數據思維、數據分析能力這類要求。

面試的時候，產品經理也喜歡說自己善于數據驅動，然后舉了個千年不變的例子：需求上線后做埋點統計…誠然，這也是數據分析的工作之一，但只是冰山一角，并不能說明其有多強的數據思維。

產品經理這輩子是離不開數據了，但有時候又不大懂數據，就跟自己的另一半一樣，恩怨情仇，相愛相殺。

七爺作為一個嗶嗶高手，大談過AI風云，而這區區“數據情史”，我也得好好一番揮斥方遒。

一、論產品經理與大數據有毛關系

【大數據】這個概念最早其實在1983年IBM就提過了，而今時今日隨著移動互聯網、物聯網等發展，數據量爆炸性地增長，也讓【大數據】這個概念變成習以為常的東西，很多高校設置大數據課程，每個企業在（chui）宣（niu）傳（bi）時候也會頻頻提到大數據。事實上，這玩意兒如果吹得越大，泡沫只會越大，最終成為一件“皇帝的新衣”。

所謂“無論黑貓白貓，抓得住老鼠就是好貓”，數據也一樣，無論大數據小數據，能產生價值，就是好數據。產品經理真想講清楚自己數據思維多牛逼，不用說自己做過大數據啥啥的，而是把利用數據帶來的價值擺上臺面，言之有物，才能真正讓人心服口服。

從企業方面來說，數據的效果或者叫價值，其實不外乎帶來商業的價值提升。而要提升商業價值，可以從三方面入手：（1）提成收入;（2）降低支出;（3）控制風險。也只有在這三方面帶來可量化的改進，才能說數據分析有價值，也才能看出產品經理的牛X。

二、論產品經理與數據崗位有毛關系

說到懂數據，相信很多人想到的都是數據挖掘工程師、數據分析師、數據產品經理，認為這些崗位對數據能力才有高要求，其他產品崗位不需要了解那么多。

對于該看法，我首先得跟大家啰嗦下這幾個崗位到底是干啥的，我們才能好對比得出結論。

首先是數據挖掘工程師，先來看其部分職位職責：

• 負責核心產品的用戶數據體系和基礎技術的建設工作，支撐業務快速發展；
• 運營數據挖掘、機器學習、深度學習等技術，構建多維度用戶畫像；

很明顯數據挖掘工程師屬于技術范疇，運用各類技術為其他數據崗位提供技術支持，這個崗位相對容易理解，在此不再贅述。

其次是數據分析師，也來看其部分職位職責：

• 配合產品團隊、運營團隊等驅動產品優化、用戶活躍；
• 配合項目負責人做財務模型、市場預測、定價策略、競爭策略；
• 通過海量數據的挖掘和分析，形成報告，匯報給決策層。

數據分析師需要針對具體業務進行數據分析，將分析結果以報表等方式展現，輸出一個策略建議或數據結論，最終解決一定的商業問題。其需要掌握常用分析工具，熟悉數據庫，了解分析模型等。

最后是數據產品經理，它的崗位職責是：

• 與數據分析師配合構建數據模型產品，與數據挖掘工程師配合搭建數據倉庫；
• 撰寫產品文檔，協調資源推送順利上線

這里數據產品經理要做的就是把數據分析師的工作轉化為數據產品，提高后者的工作效率。所以數據產品也是產品經理的分職，同樣需要具備產品經理的素質，只是在這個過程中對數據分析能力有所要求，否則恐怕在平時得被數據分析師和數據工程師懟死。

如果是其他產品崗位的同學，平時很少直接接觸數據業務，對上述職位也（guan）無（wo）感（mao）知（shi）。但產品經理這個崗位的核心目標是解決問題，這個過程中需要“不擇手段”，包括溝通、邏輯、交互、技術等，而數據分析能力更是可帶來神奇效果的絕佳手段。要成為絕世武林高手，如此利器，怎能不用？

事實上，很多場景下，產品經理都需要依靠數據做決策支撐，比如七爺做nlp產品時，每天面對大量對話數據，想知道對話背后的價值；電商產品經理想知道如何利用買家數據做精準營銷。這時候如果啥都不懂，很容易手足無措，也不知道找誰，就算找到資源還不一定為己所用。

所以產品經理苦啊，但苦孩子總得自立自強，求人不如求己，逼我學習就對了！

對著數據像個陌生人，那就學習數據分析思維，再也不做懵逼的小孩！

不知道該找誰，那就學習數據分析方法，再也不做手足五促的少年！

找到人也沒得幫忙，那就自己開搞，再也不做被忽悠的青少年！

就憑這股怨氣，讓我們開始數據之旅吧~

三、數據解決問題的思路

那么，在我們日常產品工作中，又該如何利用好數據分析這把實戰利器呢？萬變不離其宗，大象放進冰箱需要三步，數據解決問題復雜太多，所以步驟遠不止三步，而是驚人的五步！

【第一步：定義問題】

前面說了，產品經理的核心在于解決問題，所以做數據分析也是如此。如果沒有目的，單純為了做數據分析而做分析，那就如同拿了一把屠龍刀去秀雜技，難道是還是“陳獨秀”？所以第一步，我們要先找到業務問題（目標），并且最關鍵的，將其轉換為一個數據問題。

定義問題的過程也是有跡可循，這里我們繼續做“夢想中的拆一代”，拆三步：

1. 提出大體想法
2. 驗證問題
3. 提出數據分析問題

很多業務問題提出來的時候只是一個籠統的定義，比如：“用戶這個月留存不行”；“這個月銷售額不好，下個月希望有個明顯的提升”。

“留存不行”、“銷售額不好”該如何定義？所以首先，需要了解事件背景以驗證問題是否真的存在，再將問題描述得更清晰一些，如：“本月銷售額降低了20%，找出下降的原因并提出提升銷售額的方案”

【第二步：數據分析】

定義清楚問題了，我們就可以揮舞屠龍寶刀，開始數據分析！整個過程主要分五步：

1. 數據獲?。骸安粨袷侄巍钡卣业轿覀冏钚枰脑紨祿?/li>
2. 數據清理：處理原始數據，比如校驗合理性，校驗格式
3. 數據轉換：將需要分析的數據做表格合并、排序等操作
4. 分析建模：確定分析所需要的統計方式，如基本統計分析、建模分析等
5. 結果呈現：將結果以PPT、報告等形式呈現出來

這里的分析流程先簡單做個介紹，下一章會針對該過程做具體生動詳述，敬請期待哦~

【第三步：產品方案】

有了數據結果不代表工作就結束了。如果數據沒有對產品或者業務有任何指引，那就跟

墻上畫大餅一樣一樣的—-中看不中吃~

產品方案的落地細節需要結合不同場景來制定，這塊是產品經理用來吃飯的活兒，就不需要詳細論述。需要注意兩個點：

（1）需要有數據指標，驗證方案落地的效果，為后續復盤做數據支撐，也可以用好的數據效果反饋給數據團隊，肯定數據分析過程的價值。

（2）若有多個方案，在資源允許的條件下，可以同時進行落地，最后再得出最適合的方案。畢竟，拍腦袋誰不會，talk is cheap,show me your data！

【第四步：方案落地】

制定了產品方案后，就需要產品經理協調開發、設計等資源，推動項目落地。這個過程有一個很關鍵的點，就是要做ABtest，在上述場景中，即抽取用戶體驗方案（1）（2）（3），另一部分用戶依舊體驗舊方案，并對多組數據做對比，以驗證效果。

關于ABtest，其實也有很多學問，本篇主要還是讓大家知道產品經理與數據的關系，不做其他闡述。后續若需要，我們再做一篇專門介紹。

【第五步：項目復盤】

好了，方案落地一兩周后，對比數據也出來了。此時，我們需要測量并整理不同方案的效果數據，拉上相關人員，比如數據團隊、業務團隊、技術團隊做溝（si）通（bi），分析效果，然后得出團隊認同的結論。并且很多時候可能會產生新的問題，這時候又回到了我們第一步【定義問題】，然后進入無盡的輪回~

也恰恰是這樣的輪回，才能讓產品經理不再拍腦袋，talk is cheap,show my data！

四、數據分析流程

講完一些通（mei）用的道理后，七爺覺得干貨好像不多，會被罵的。所以我再補充下數據分析的具體流程，讓產品經理起碼知道這個過程是怎樣的，并且需要哪些技能才能完成。萬一哪一天，咱有需求，但咱沒資源，咱也不敢說不敢問，就得靠自己了。now，let’s get the son of data！

七爺聽過數據分析流程的一個比喻，賊形象，引用于此，與大家探討。第三章已經講過數據分析的整個過程，而這個過程跟平時做飯是一樣一樣的。咱先看下面這張圖，然后一個個來講。

1. 數據獲?。ㄙI菜）

所謂“巧婦難為無米之炊”，做飯前你需要去買菜，做數據分析前你也應該收集數據。以前買菜要么看看家里冰箱，要么到菜市場，現在渠道就多了，可以去菜市場，超市，也可以在x東超市、x咚買菜平臺、x日優鮮平臺等，這么多選擇了，就得根據自己實際情況，選擇最合適的渠道買最想要的新鮮菜。同樣的，收集數據也有各類渠道。

（1）冰箱里面看存貨

一問開發同學數據庫有沒有： 沒有？再問開發同學日志有沒有：沒有？三問后臺系統報表有沒有：沒有？大戶人家（大公司）還可以四問數據團隊有沒有：也沒有？?。ńo你大姨夫打電話吧，拜拜~）

一般來說，數據收集過程需要做埋點統計，或者利用第三方BI工具做收集。這里就需要產品經理懂得如何埋點，如何使用第三方BI工具。

（2）外面市場逛一逛

首先最直接的菜市場就是各種行業數據報告，有需要收費的，也有免費下載的。這里推薦主流的數據報告網站：

• 國家統計局：http://www.stats.gov.cn/
• 艾瑞網：https://www.iresearch.com.cn/report.shtml
• 中國互聯網絡信息中心：http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/
• 易觀：https://www.analysys.cn/article/analysis/701/1
• Talkingdata：http://mi.talkingdata.com/reports.html?category=all
• 艾媒網：https://www.iimedia.cn/#shuju
• 企鵝智庫：https://tech.qq.com/biznext/list.html
• 七麥數據：https://www.qimai.cn/research
• 還有類似騰訊大數據、阿里研究院、百度指數、極光大數據等。

那有些數據在別人的報告里面沒有，但在別人的網站上面有，這時候我們首先應該看下網站有沒有數據API可以讓我們獲取，當然大部分時候是沒有的，那就使出最后一招：pa！

此爬非彼扒手之扒，咱文明點，用爬蟲的手段，可以獲取許多網站上面的數據。

一般來說，在團隊里面如果不是專業的爬蟲團隊，產品經理要在沒有任何業務背景下提出爬蟲的需求是比較難以得到支持的，所以養成扒手，哦不，爬蟲的技能，是一件多么重要的事情。

七爺吃以前敲代碼的老本，有時候會爬爬一些電商的數據，以后有機會可以分享交流一波~

總結一下數據獲取的整個過程：

• 埋點統計有必要
• 日志報表來一套
• 平時收藏數據報
• 實在不行爬蟲搞！

2. 數據清理（洗菜）

買完菜了，我們就得來洗菜，這在數據分析中一般叫作預處理，讓數據變得規范，方便后續處理、分析。

預處理的過程其實需要很細致，就跟洗菜一樣，很容易我們就漏掉一些邊邊角角，導致洗菜不干凈，那吃起來就不怎么香咯。

具體預處理過程，七爺總結為三看：

（1）看菜干不干凈

合法性：數據需要符合常識，不能說有個商品的價格是-100，那不就是倒貼？所以建議通過設置最大值最小值來規避這類情況

一致性：格式、命名需要保持一致，不能有個時間戳是mm/dd，另一個卻是dd/mm/yy

唯一性：重復的數據需要去重，并且保證有一個唯一主鍵，且不能修改

（2）看菜變沒變質

不準確：我們測試的一些變量數據可能存在誤差或者方差，需要通過平均值替代、分箱等專業方法來處理，這塊如果產品不想碰，可以請教數據分析師大大們

數據損壞：有些數據變成了null，某一時間段數據被清除，這類情況都屬于數據損壞了，需要想辦法清洗掉

（3）看菜多不多余

完整性：檢驗某些字段有沒有缺失，某些數據會不會為空（與數據損壞有些類似）

無關性：刪除不相關的字段或者數據值，保證留下來的都是被需要的，把其他菜留著下次做

經過這波處理，基本都可以把數據預處理干凈了，但往往只有等到開始分析了，才會發覺有些數據沒有處理好，這也屬于正常情況。炒菜時候發現菜不干凈了，那就再洗洗唄~

3. 數據轉換（切菜）

菜洗完了，我們就要開始炒菜前最后一步：切菜。我們需要對預處理完的數據做格式等轉化，比如合并不同數據成為新的表格，增加新的字段變量，以及對整個文本做排序等。

結合不同的數據流程，會有不同的轉換要求。這里也要求數據分析人員與產品經理要充分了解業務情況，才能知道不同數據表是如何聯系的，如電商買家聊天數據、訂單數據、購買頻次數據之間的關系。千萬不要忽略這一步，刀工的好壞，決定了食材能否發揮其最大的美味！

4. 分析建模（炒菜）

好了，菜洗完了，切完了，就要正式炒菜了，也就是我們的分析建模。很多人聽到模型兩個字就覺得需要眼花繚亂的技術才可以做到，但并非如此。這里七爺借鑒其他大牛的介紹，把這個過程總結為三類：

（1）基本統計分析：大部分產品經理要做數據分析需求，通過常規分析就能夠解決，利用環比、同比、排列、對比分析、分組分析、平均分析等方式，直觀地發現數據中隱藏的問題。

（2）統計模型分析：不同的業務場景，其實市面上已經有成熟的分析方法，比如用戶分群的RFM模型，用戶行為分為的漏斗模型等，我們只需要做的是按照模型的需要建立數據體系再進行計算，從而得出結論。后續七爺會針對工作中用到的模型做介紹，讓大家對建模過程有更加直觀了解，而不再認為是玄學。

（3）自建模型分析：對于專業數據團隊來說，他們要的工作遠遠超過常規模型的復雜度，所以需要自建模型，比如利用線性分析預測電商銷售，利用0/1回歸分析廣告投放中的點擊率情況，樸素貝葉斯分析用戶評論從而改善產品。這塊七爺做nlp過程中深有感觸，與算法大大工作中發現很多模型的效果不盡人意，在產品上還可以通過業務規則來達到效果，而數據分析要求更加精準，這個過程要如何做好，至少七爺也有很長的路要修行。大家一起加油吧~

5. 分析呈現（上菜）

菜炒好了，那就得進行最后一道工序：擺盤，保證色香味俱全地呈現給相關人員，這里講的就是數據的最后一步：可視化。

最基礎的可視化方法就是統計圖。

說是基礎，但其中的要求卻是枝葉繁多，總的來說，好的統計圖應該保證：準確、有效、簡潔、美觀。

同時，還要選對統計圖，比如餅圖是用來展示頻數的，柱狀圖是用來分析一個離散型變量的，堆積柱狀圖用來分析兩個離散型變量，折線圖是針對時間序列的統計分析，箱線圖是對連續性變量的統計。真可謂千奇百怪，千方百計。

現在市面上也有很多對統計圖的基礎教程，這里推薦《誰說菜鳥不會數據分析》這本書，可以看看數據可視化以及其他內容。

其他展示方式包括數據樣板：適合于數據統計的需求模塊；報表展示：適用于完整的數據展現；ppt：適用于展（chui）現（niu）價（bi）值。

好了，以上~

本文由 @steseven 原創發布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。