產品經理數據修煉30問

** 問題一: 新接手一個產品, 如何上手? =重新定義產品=: 在腦海中重塑產品從零到一的過程。 如何重塑? 通過 =三副眼鏡模型=, 從宏觀/中觀/微觀層面分別進行分析。 首先是 *望遠鏡* 視角, 更關注於產品所處的細分領域和行業, 瞭解這個領域的 生態環境。 - 產品的目標用戶在網民中佔比是多少? - 產品的競爭對手有哪些? 他們有什麼特徵? - 服務這個領域用戶的根本是什麼? 其次是 *平面鏡* 視角, 更關注於產品的數據表現(歷史變化/當前規模/未來趨勢)。 - 產品的核心指標有哪些? 指標曲線表現如何? - 每個指標的統計口徑是怎麼定義的? 歷史上是否有過變更? - 哪些指標是和商業化指標強相關的? 哪些指標是產品的KPI 指標? 最後是 *顯微鏡* 視角, 更關注於產品具體的功能和設計。 - 產品的用戶畫像是怎樣的? - 產品的活躍用戶有哪些基本特徵? - 每個功能的活躍用戶的基本特徵是怎樣的? 經過上面三副眼鏡的掃描之後, 我們已經對產品有了更深入的瞭解。現在, 可 以將每一步的洞察用一字文字進行歸納總結, 這三段總結陳述, 就是你做爲產 品經理, 對該產品的重新定義。 #+begin_example ××（產品名稱）是一款××（領域）互聯網產品，它在領域中處於××××的位置 （產品的領域地位、發展程度）。目前，產品的核心數據規模如下：· 日登錄 用戶數：××萬· 日活躍用戶數：××萬·××（其他指標）：××萬這些數據具 有××××、××××等特徵（主要指數據週期特徵）。產品的主要功能有：· 掃一掃· 搜索·×××（其他功能）·…… ××（產品名稱）是一款××（領域）互聯網產品，它在領域中處於××××的位置 （產品的領域地位、發展程度）。目前，產品的核心數據規模如下：· 日登錄 用戶數：××萬· 日活躍用戶數：××萬·××（其他指標）：××萬這些數據具 有××××、××××等特徵（主要指數據週期特徵）。產品的主要功能有：· 掃一掃· 搜索·×××（其他功能）·…… #+end_example ** 問題二: BI 上有上百個指標, 怎麼理解它們? 通過哲學上的 =靈魂三問= 來理解它們: 是誰, 從哪來, 到哪去。 1. 這個數據指標是什麼? 基本要求: 這個指標的名稱要記住, 並且要關注這個指標的數量級及週期變 化規律。 2. 這個數據指標是怎麼得到的? 對於任何一個指標, 都由兩個要素組成: 時間粒度和統計口徑。 時間粒度表示一個指標所納入統計數據的時間範圍, 如一天/一週/一個月等。 統計口徑表示一個指標所納入統計數據的計算規則。如 =日活躍用戶量= 這個 指標, 活躍用戶的口徑就有很多種解釋: 打開APP 就算活躍/打開APP 並播 放了視頻的用戶/打開APP 且在10分鐘內有三次以上交互行爲的用戶。 這個指標的數據源是從客戶端打點上報的? 還是服務端日誌打點的? 還是通 過第三方平臺收集的? 3. 這個數據指標要用在哪裏? 這個數據指標是用於媒體宣傳？ 內部彙報? 內容推薦? 還是產品決策使用? ** 問題三: 怎麼摸清產品功能的脈絡? =畫產品地圖= 。 #+attr_org: :width 600px [[file:images/product-map.png]] 1. 羅列功能 將產品的所有功能羅列出來, 如果A 功能可以到達B 功能, 則連線 A -> B 。 2. 標註指標 在功能項上標註該功能相關的核心關鍵指標, 在連線上標註這條路徑的流量大小。 3. 標註資源 在功能項上標註每個指標的用途（報表名稱)和負責接口人。 ** 問題四: 怎麼了解產品的用戶? 通過 =用戶畫像(Persona) 和 用戶特徵(User Profile)= 。 1. 用戶畫像 用戶畫像是你對產品用戶的認知刻畫, 是一個虛擬角色。 用戶畫像角色具備一個現實人物的所有特徵，包括姓名、性別、年齡、職業、 城市、住址、長相、興趣愛好、各種習慣與偏好、婚姻狀況、家庭情況、收 入情況等。這個角色可以基於真實人物構建，但不必與真實人物的特徵完全 一致。 產品經理可以站在這個角色的立場來思考用戶需求和策劃產品功能。爲了明 確產品的目標用戶、保持團隊成員認知的一致性，一款產品通常只構建一個 用戶畫像。 2. 用戶特徵 從已上線的產品中選取一名真實的用戶，利用已有數據對她/他進行的各種 客觀描述就是用戶特徵。 在產品上線運營一段時間後，把用戶特徵與策劃階段的用戶畫像做對比，看 看是否存在差異。如果差異不大，則說明產品的實際用戶定位與預想的基本 一致；否則就要思考並尋找是什麼因素導致了差異，以決定是讓產品接受實 際的用戶定位，還是調整產品策略以使產品向預想的用戶靠攏。 ** 問題五: 數據產品體系是什麼樣的? =四層模型= 。 1. 數據採集層 =服務於數據的產生。= 將各數據源產生的數據在第一時間進行收集，並主動傳遞給數據接入層。 由於數據採集層將直接面對即時產生的全量數據，故此層次通常只對數據按 照數據接入層協議做最基本的打包處理，而不做進一步的處理，以保證前端 產品的性能和數據的時效性。 數據採集包含三個動作: 埋點, 採集, 上報。 2. 數據接入層 =服務於數據的接收與存儲。= 一方面，數據接入層接收數據採集層發來的數據包，將其解包、解析爲原始 數據，並對原始數據做初步處理和存儲；另一方面，數據接入層爲數據處理 層提供初步處理和存儲後的數據。 數據到達接入層後會經歷 *解包和解析* 、 *格式轉換* 、 *數據清洗* 、 *數據 存儲* 四個流程。 3. 數據處理層 =服務於數據的歸併和計算。= 將數據接入層初步處理和存儲的數據按照具體的數據需求場景做進一步的處 理，包括數據的多維度解析、數據關聯計算、數據格式化，以及存儲各種數 據處理所產生的中間數據，爲數據的應用和挖掘做充分的準備。 4. 數據應用層 =服務於數據的表示和利用。= 這一層提供豐富的數據產品，將數據處理層計算和深度加工過的數據以友好 的形式面向數據受衆或滲透於用戶產品中，使更多人得以享受數據的成果。 ** 問題六：數據上報前需要做什麼準備工作? =兩手準備。= 1. 上報什麼數據 - 動作數據 > 內容數據 - 結構化數據 > 非結構化數據 - 簡單數據類型 > 複合數據類型 2. 定義數據協議和數據Topic 數據協議可以理解爲數據接入層對接收和存儲數據的技術約定，包括數據的 傳輸方式、解析方式，以及數據的格式規定, 這些是數據開發工程師更關心 的部分。 數據Topic則是建立在數據協議之上，對數據邏輯結構的約定，也是數據產 品經理更關心的部分。

喫米下蛋，就是最幸福的的雞了。 巧了，尋思着軟件數據化運營的東西，系統推薦的書，這兩天快速讀完，發現恰好可以解決運營妹子提出的很多數據問題，至少可以先露一手了哈。 整體覆蓋運營、產品、數據分析、開發的知識，所以小白如我（開發🐶）讀起來還是收穫挺多的。 以提問的方式，從抽象語意到具體指標數據，自上而下進行解構，最後落腳到數據採集。這是值得借鑑學習的思路。 結合實際描述數據從哪裏來、到哪裏去，展示了數據流動的全貌。這有助於瞭解數據需求、數據價值，也有利於工作的展開。 總之個人覺得能幫助咱們小白，快速建立一套產生、收集、處理、呈現、分析、沉澱的數據化運營思路框架乃至工作方法。 有理論框架，也有實踐步驟，不乏鮮活的實例，還送了不少實際問題的答案。處於理論與實踐細節層之間，因此實用是本書的特色。 關於數據實體、數據字段以及爲何這樣設計，這些概念原理可以繼續找下華章的數據庫設計、數據挖掘之類的大頭啃。 出版時間2019年沒提到AI是本書的一點缺憾。概念描述結尾不是用句號而是用逗號有點折煞權威。其他如圖片太小是epub格式排版問題，不責怪本書。 很實用，總體好評。

前三問看的很爽，從通過數據對產品進行層層遞進的分析轉化到最終結論的產出，邏輯夠清晰，深度也剛剛好。另外，以提問的方式作爲目錄導航實在是不利於進行思維結構化導向。

沒有一句廢話。給五顆星，真正從產品角度和運營角度結合數據思維展開。這書值得多次閱讀行成自己的知識架構體系。目前介紹數據挖掘技術，數據分析，數據運營等都是偏向某個領域展開。這本書是以一個產品的思路說數據思維。再看了這書，再結合各領域細分去吸收數據思維會非常棒。非常感謝作者

生活中常聽到以事實說話，轉換到工作中以數據說話更精準，無論是產品還是運營，都應該關注數據，以指導我們更好地決策。 本書以問題作爲章節標題，引人思考，邏輯清晰，理論與實踐結合，值得一讀。

全文一共分爲4個單元，閱讀時長7h31m。        第一單元爲：快速瞭解一款產品，我們可以從微觀、中觀、宏觀的角度，用數據重新定義產品，對產品有一個直觀的認識的評價；文中作者有提到，業務導師讓作者熟記應用相關數據，日活、pv/uv的常規數據與量級，這一點值得借鑑，不僅是體現個人的專業度，同時也是對產品的一個認知。       第二單元爲，理解數據產品體系，這部分更多的是從一個專職的數據產品的角度，解析產品數據的產生。這過程中需要哪些角色，數據產品的體系，數據從採集到接入、處理、至最後呈現到業務方面前，經歷了一個什麼樣的過程，需要考慮一些什麼因素。對於業務方來說，其中涉及到業務埋點、數據採集邏輯的部分，具有一定的參考價值。       第三單元，輕鬆實踐數據化運營；這一部分更多是從業務的角度，講如何運用數據。以用戶爲焦點，通過提問、分解、歸納來拆解數據需求，尋找運營的突破口；介紹了一下灰度發佈、A/B test等數據推動產品迭代的實踐方法。這一章節對於數據運營入門是有價值的，提供了一些方法論。        第四單元名爲數據修煉附加題，這一單元主要是一些常用的數據工具。一部分是數據圖標的可視化，另一部分是當前較廣泛使用的數據工具的簡要介紹，如excel、R語言、sql等。但這部分的介紹，更多是偏概念性質的，實操技能不多，同樣適合入門，瞭解一些知識。        總的來說，個人認爲本書對於想要初入門數據分析的產品經理是具有價值的，但定位偏一本萬金油式的答案書，各方面都涉及到了，但是各方面都淺嘗輒止。適合目前還沒有方向性，更多想增進一下自己對行業瞭解，建立認知的人羣。

吐個槽，這個書可能出版的時候沒有考慮在手機屏上的展示，特別是後面幾問的圖表指甲蓋大小，看到崩潰……存到手機放大看又糊了，特不友好了。還有就是書裏提供二維碼誘導，關注作者的一些最新思考，本意是增加互動，可以看到最新更新的內容，但是二維碼太多太高頻了，一開始很新鮮，後面很反感。 嗯，收穫的兩點，一個是原來追蹤頁面流轉的那個圖表叫桑基圖，一個是嗯，染色追蹤法挺像基因研究的，有點好玩。前面的幾問比較乾貨，後面幾問雖然在科普一些方法，不過覺得有點欠缺。

讀這本書的源頭是小白問我是否想去京東做數據產品經理，但平時只在提報表需求時接觸過數據的產品同時，也對數據產品的技能要求很含糊。 喜歡這種少有廢話的書。從數據的採集、接入、處理，到最後的應用，對各環節有比較清晰的闡釋。（慚愧大學學過數據庫，很多概念還像是初次接觸，果然大學還是考試導向的hhh） 還是希望把數據敏感的能力和數據分析的技能作爲驅動業務的武器，做更好的面向用戶的產品吧。（數據產品經理的方向可能還是不適合我qwq）結尾關於人工智能的短短闡述又讓我對這個領域來了興趣，下一本書見吧～

首先，對傳統行業想轉型升級，初步建立數據模型，有很大的參考意義。 其次，就如本文書名《產品經理數據修煉30問》，對傳統行業不太友好啊，讀完下來差不多有1/3沒看懂，1/3不適用，還有1/3做了筆記。 最後，還是老生常談的問題，理解和落地永遠是兩碼事。傳統轉型真的是任重道遠啊！普及數據的意義是第一關，組建數據團隊是第二關，需要重點攻克的是第三關、第四關——數據採集和模型搭建。做好以上的這些，還要在分析和呈現中對某些傳統公司的頑疾進行捶打和改造，在持續陣痛中迭代。

早起一個小時，做了淺讀。作者在書籍閱讀和指引上，有產品體驗化設計的考慮，這是讓我眼前一亮的。針對數據產品而言，全框架的介紹，很不錯，值得方法提取二次閱讀