起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識一個案例，告訴你數據產品經理與一般產品經理之間的區別
數據產品經理和一般的產品經理有什么不同？筆者認為：一個專業的數據產品經理與一般產品經理區別最大的就是對于數據指標的設計能力。數據產品經理可以通過恰當的數據指標幫助用戶更好地解讀數據，分析數據。
很多朋友咨詢我，數據產品經理和一般的產品經理有什么不同？想了很久，沒想到一個好的回答。
后來，看書翻到一個案例，通過這個案例，來說明一下：數據產品經理和一般產品經理的最大區別是什么？
我們先看這幾個圖，這是我今天在墨跡天氣APP里，那個生活指數那塊兒，點進去之后的截圖：
你知道，這幾個指數，為什么只有今天、明天和后天三天嗎？
在回答這個“為什么只有今天、明天和后天三天嗎？”問題之前，我們繼續看另外一個指數：
呀，今天還漲了。要不是為了寫文章，可能還不知道今天漲了。
跑題了……
說正事兒，上證指數是什么意思？又是怎么算出來的呢?
隨手百度一下，百度會告訴我們上證指數和它的計算公式，這里就不寫了，估計咱們也沒啥耐心看完。
我給你講一個案例，來告訴你，為什么上面那三種圖，只有三天？也用這個案例，告訴你，數據產品經理和一般的產品經理有什么不同。
一、洗車指數
就用這個案例里面最中間這個——洗車指數，來回答一下。
不知道你有沒有注意到，洗車指數這個圖里面有一個解釋：
上面紅色框起來的部分，墨跡有解釋的。
這個指數啥意思呢？
洗車指數是墨跡天氣考慮過去一天和未來四天有無雨雪天氣，路面是否有積雪和泥水，是否容易使愛車濺上泥水；有無大風和沙塵天氣，是否會使您的愛車沾染灰塵；溫度是否過低，是否會造成車輛結冰；給廣大愛車族提供是否適宜洗車的建議。
（三年前，這段話不長這樣，有個別數據調整過。）
不知道你有沒有去數在洗車指數這段描述里面涉及了幾個參考數據？
在下面這一段紅色的字中，APP沒給解釋，不過，如果你打開墨跡天氣，看一看，你就能猜得到。
洗車指數共分為4級：1級為適宜，2級為較適宜，3級為較不適宜，4級為不適宜。級數越高，就越不適宜洗車。
二、洗車指數出現的背景
先介紹一下這個指數出現的背景：
2016年4月，國內著名的天氣預報APP墨跡天氣正式上線了墨跡洗車生活服務功能，這是基于墨跡天氣自身的氣象能力衍生而來的服務。墨跡洗車提出了“洗車3日內下雨，墨跡天氣全額賠”的承諾，這有別于以往的O2O洗車服務。
（沒想到吧，這個指數上線，當時是要和O2O洗車做競爭，但其實O2O洗車、上門洗車，用戶有需求，但企業成本太高，根本玩不轉。價格一高，用戶就不來了，自然都死了。）
墨跡洗車實時播報洗車指數，用戶進入洗車界面后可以隨時查看天氣情況，并根據天氣變化合理地安排洗車時間，從而幫助用戶有效避免遭遇“一洗車就下雨”的尷尬。
不僅如此，墨跡洗車還為用戶提供了洗車后的保障，這種保障不同于保險公司的普通理賠。
例如：墨跡洗車提示“適宜洗車”，用戶在洗車3日內（含洗車當日）如果遭遇下雨（雪）天氣，則墨跡天氣將全額賠付用戶當次洗車費用，這就類似于一種基于氣象數據的保險服務。
這個指數背后，其實帶著企業的商業需求，成本如此之高的一項O2O服務，這個洗車指數又是怎么定義來的？
讓我們回到2016年，作為一個數據產品經理，你領導給你下了一個任務，我們最近要上線一款O2O洗車產品，運營模式是上面描述的那樣子的。你作為數據產品經理，要去設計一個洗車指數，2016年的你，該怎么辦？
其實，作為一個專業的數據產品經理，你已經想到了一個辦法了。
三、洗車指數建立方法
1. 建立洗車指數等級
一般將洗車指數的等級V設為4個等級：V1～V4。
如圖所示，其中V1表示適宜洗車，指的是從洗車當日開始計算，可以保證連續3天以上不下雨；V2表示較適宜洗車，指的是可以保證2～3天不下雨；V3表示比較不適宜洗車，只能保證兩天不下雨；V4表示不適宜洗車，預估1天內就會下雨。
洗車指數等級：
2. 建立影響洗車指數的因素集
因素集就是那些與洗車等級有較大關系的一些因素的集合。
通過人為經驗得出了以下4個變量會與洗車指數有強相關性：過去12小時天氣狀況A、未來24小時天氣狀況B、未來24小時氣溫C和未來24小時風力D。其中，過去12小時及未來24小時天氣現象分類標準如圖所示，其中每一列代表不同的影響因素的分類等級，未來24小時天氣現象的分類比未來12小時天氣現象分類更細一些。
洗車指數影響因素分類標準：
3. 確定各影響因素的權重
根據歷史經驗數據和相關分析，得出各影響因素變量與洗車指數的相關性，圖中的值就是每天記錄的4個變量和洗車指數的歷史數據，通過相關分析計算得出的相關系數矩陣。其中行和列的名稱是一樣的，自身與自身的相關系數即為1，因此矩陣的對角線上的相關系數都為1。
洗車指數與影響因素變量的相關系數矩陣：
根據圖中可以看出：未來24小時天氣狀況B與洗車指數V的相關性最強，即R=0.879；未來24小時風力D與洗車指數V的相關系數為R=0.463；未來24小時氣溫C與洗車指數V的相關系數為R=-0.578，呈負相關——即氣溫越高越不適宜洗車；過去12小時天氣狀況A與洗車指數V之間的相關系數為R=0.066——即對洗車指數的影響很小。
權重a不是一個固定數列，不同的天氣狀況會選擇不同的權重，根據上述結果，設定a=（A，B，C，D）權值=（0.1，0.38，0.2，0.32），權值之和等于1。
（需要注意的是：這個a，是人為定義的，用相關性作為參考。）
4. 確定各影響因素對等級模糊子集的隸屬度
根據各因素與洗車指數的相關性大小，初步人為確定各影響因素對洗車等級模糊子集的隸屬度。
過去12小時天氣狀況不同級別天氣對評判集的隸屬度如下圖，其中每一行代表在某種天氣狀況下（如A1）人為經驗判定出適宜洗車、較適宜洗車、較不適宜洗車和不適宜洗車這4種洗車等級的權值，每一行的權值加起來等于1。
同理，未來24小時天氣狀況不同級別對評判集的隸屬度，未來24小時氣溫各級別對評判集隸屬度，未來24小時風力對評判集隸屬度。
過去12小時天氣狀況隸屬度：
未來24小時天氣狀況隸屬度：
未來24小時氣溫隸屬度：
未來24小時風力隸屬度：
假設：現在需要判斷在北京的某一天是否適宜洗車，則首先要了解當天的天氣狀況。具體天氣情況如圖所示，當天天氣組合為（A2，B1，C3，D1）。
根據上面四個圖表中的數據，天氣組合中各影響因素對應哪一個級別，就取哪一行數據，因此得到矩陣R如下：
北京洗車當天的天氣狀況：
5. 計算綜合評判
在之前的步驟里，已經求出了a與R，計算綜合評判B=a*R，具體采用先取最小值再取最大值的算法。
a*R的具體計算步驟如下。
（1）將a1與R中第一列的第一個數據比較，取最小值；將a2和第一列的第二個數據比較，取最小值；a3和第一列的第三個數據比較，取最小值；將a4和第一列的第四個數據比較，取最小值；獲得新的數據集E1=（e11，e12，e13，e14），最后在這4個數據中取最大值，即為e1i。
（2）將a1與第二列的第一個數據比較，取最小值；將a2與第二列的第二個數據比較，取最小值；將a3與第二列的第三個數據比較，取最小值；將a4與第二列的第四個數據比較，取最小值；獲得數據集E2=（e21，e22，e23，e24），在這4個數據中取最大值，即為e2i。
（3）以此類推，最后獲得一組數據B=（e1i，e2i，e3i，e4i），代表對4個評判等級的隸屬度，哪個值最大，就說明對哪個等級隸屬度最高。
以北京的天氣為例，具體計算步驟如下：
確認各影響因素權重a=（0.1，0.38，0.2，0.32），根據北京天氣狀況獲取矩陣R如下：
計算綜合評判B如下：
將a中第一個數字和R中第一列的第一個數字比較，取最小值，即0.1；
將a中第二個數字和R中第一列的第二個數字比較，取最小值，即0.35；
將a中第三個數字和R中第一列的第三個數字比較，取最小值，即0.2；
將a中第四個數字和R中第一列的第四個數字比較，取最小值，即0.2。
在（0.1，0.35，0.2，0.2）數列中取最大值0.35，以此類推得B=（0.35，0.38，0.1，0.1）。因為這4個數加和不為1，因此需要進行歸一化，歸一化得到B’=（37.6%，40.9%，10.8%，10.8%）。B’中最大值為40.9%，因此較適宜洗車，洗車級別為2級。
在上述的模糊綜合評判過程中，建立單因素評判矩陣R和確定權重分配a，是兩項關鍵的工作，沒有統一的格式可以遵循，一般采用統計實驗或專家評分等方法求出。
有的時候用戶不是沒有數據，而是有太多的數據，不知道怎么去看，不知道如何解讀它們，這個時候需要數據產品經理設計恰當的數據指標以供用戶分析。
數據指標的設計最考驗一名數據產品經理的能力，也是數據產品經理有別于一般產品經理的方面。
作者：大林的小白，微信：gzxdqc，百度數據產品經理
本文由 @大林的小白 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
這不是分析師的活嗎
大家期待已久的《數據產品經理實戰訓練營》終于在起點學院（人人都是產品經理旗下教育機構）上線啦！
本課程非常適合新手數據產品經理，或者想要轉崗的產品經理、數據分析師、研發、產品運營等人群。
課程會從基礎概念，到核心技能，再通過典型數據分析平臺的實戰，幫助大家構建完整的知識體系，掌握數據產品經理的基本功。
學完后你會掌握怎么建指標體系、指標字典，如何設計數據埋點、保證數據質量，規劃大數據分析平臺等實際工作技能～
現在就添加空空老師（微信id：anne012520），咨詢課程詳情并領取福利優惠吧！
我為啥會覺著這是一篇廣告呢 ??
把這些復雜的算法換成端到端的神經網絡黑盒就容易理解了，文章說這么多無非設計了一個映射規則
整篇文章更多是筆者在炫耀一種算法，好像與題目“一個案例，告訴你數據產品經理與一般產品經理之間的區別”沒有太強的聯系，如果換成“一個案例，告訴你數據產品經理在實際案例的應用”是不是會 更好；整篇文章并沒有太強的將區別在哪？
同感。
寫寫跑題了~
數據產品經理最大的優勢是可以把數據轉化成用戶可以理解并使用的產品。
看了文章收獲很大！謝謝大佬！不過有一點迷惑，請問一下，相關因素的權重以所求的相關系數做參考，那具體是怎么參考的呢，中間有沒有什么計算的方法呢，感覺這一塊在文章中有點主觀，期待大佬的指教！
算法建模了解一下
這更像是一種規則。再往細往深了說就成算法了。
這是基礎的功能規則，小廠都是一個產品做了，大廠果然螺絲釘。還分前后臺、數據、策略等等產品經理。
好復雜。。。。
幾句話可能難以說清。學產品經理大概就是幾個主要方面，例如需求分析、原型設計、技術開發、項目管理、測試、溝通推進，