产品经理数据修炼30问

** 问题一: 新接手一个产品, 如何上手? =重新定义产品=: 在脑海中重塑产品从零到一的过程。 如何重塑? 通过 =三副眼镜模型=, 从宏观/中观/微观层面分别进行分析。 首先是 *望远镜* 视角, 更关注于产品所处的细分领域和行业, 了解这个领域的 生态环境。 - 产品的目标用户在网民中占比是多少? - 产品的竞争对手有哪些? 他们有什么特征? - 服务这个领域用户的根本是什么? 其次是 *平面镜* 视角, 更关注于产品的数据表现(历史变化/当前规模/未来趋势)。 - 产品的核心指标有哪些? 指标曲线表现如何? - 每个指标的统计口径是怎么定义的? 历史上是否有过变更? - 哪些指标是和商业化指标强相关的? 哪些指标是产品的KPI 指标? 最后是 *显微镜* 视角, 更关注于产品具体的功能和设计。 - 产品的用户画像是怎样的? - 产品的活跃用户有哪些基本特征? - 每个功能的活跃用户的基本特征是怎样的? 经过上面三副眼镜的扫描之后, 我们已经对产品有了更深入的了解。现在, 可 以将每一步的洞察用一字文字进行归纳总结, 这三段总结陈述, 就是你做为产 品经理, 对该产品的重新定义。 #+begin_example ××（产品名称）是一款××（领域）互联网产品，它在领域中处于××××的位置 （产品的领域地位、发展程度）。目前，产品的核心数据规模如下：· 日登录 用户数：××万· 日活跃用户数：××万·××（其他指标）：××万这些数据具 有××××、××××等特征（主要指数据周期特征）。产品的主要功能有：· 扫一扫· 搜索·×××（其他功能）·…… ××（产品名称）是一款××（领域）互联网产品，它在领域中处于××××的位置 （产品的领域地位、发展程度）。目前，产品的核心数据规模如下：· 日登录 用户数：××万· 日活跃用户数：××万·××（其他指标）：××万这些数据具 有××××、××××等特征（主要指数据周期特征）。产品的主要功能有：· 扫一扫· 搜索·×××（其他功能）·…… #+end_example ** 问题二: BI 上有上百个指标, 怎么理解它们? 通过哲学上的 =灵魂三问= 来理解它们: 是谁, 从哪来, 到哪去。 1. 这个数据指标是什么? 基本要求: 这个指标的名称要记住, 并且要关注这个指标的数量级及周期变 化规律。 2. 这个数据指标是怎么得到的? 对于任何一个指标, 都由两个要素组成: 时间粒度和统计口径。 时间粒度表示一个指标所纳入统计数据的时间范围, 如一天/一周/一个月等。 统计口径表示一个指标所纳入统计数据的计算规则。如 =日活跃用户量= 这个 指标, 活跃用户的口径就有很多种解释: 打开APP 就算活跃/打开APP 并播 放了视频的用户/打开APP 且在10分钟内有三次以上交互行为的用户。 这个指标的数据源是从客户端打点上报的? 还是服务端日志打点的? 还是通 过第三方平台收集的? 3. 这个数据指标要用在哪里? 这个数据指标是用于媒体宣传？ 内部汇报? 内容推荐? 还是产品决策使用? ** 问题三: 怎么摸清产品功能的脉络? =画产品地图= 。 #+attr_org: :width 600px [[file:images/product-map.png]] 1. 罗列功能 将产品的所有功能罗列出来, 如果A 功能可以到达B 功能, 则连线 A -> B 。 2. 标注指标 在功能项上标注该功能相关的核心关键指标, 在连线上标注这条路径的流量大小。 3. 标注资源 在功能项上标注每个指标的用途（报表名称)和负责接口人。 ** 问题四: 怎么了解产品的用户? 通过 =用户画像(Persona) 和 用户特征(User Profile)= 。 1. 用户画像 用户画像是你对产品用户的认知刻画, 是一个虚拟角色。 用户画像角色具备一个现实人物的所有特征，包括姓名、性别、年龄、职业、 城市、住址、长相、兴趣爱好、各种习惯与偏好、婚姻状况、家庭情况、收 入情况等。这个角色可以基于真实人物构建，但不必与真实人物的特征完全 一致。 产品经理可以站在这个角色的立场来思考用户需求和策划产品功能。为了明 确产品的目标用户、保持团队成员认知的一致性，一款产品通常只构建一个 用户画像。 2. 用户特征 从已上线的产品中选取一名真实的用户，利用已有数据对她/他进行的各种 客观描述就是用户特征。 在产品上线运营一段时间后，把用户特征与策划阶段的用户画像做对比，看 看是否存在差异。如果差异不大，则说明产品的实际用户定位与预想的基本 一致；否则就要思考并寻找是什么因素导致了差异，以决定是让产品接受实 际的用户定位，还是调整产品策略以使产品向预想的用户靠拢。 ** 问题五: 数据产品体系是什么样的? =四层模型= 。 1. 数据采集层 =服务于数据的产生。= 将各数据源产生的数据在第一时间进行收集，并主动传递给数据接入层。 由于数据采集层将直接面对即时产生的全量数据，故此层次通常只对数据按 照数据接入层协议做最基本的打包处理，而不做进一步的处理，以保证前端 产品的性能和数据的时效性。 数据采集包含三个动作: 埋点, 采集, 上报。 2. 数据接入层 =服务于数据的接收与存储。= 一方面，数据接入层接收数据采集层发来的数据包，将其解包、解析为原始 数据，并对原始数据做初步处理和存储；另一方面，数据接入层为数据处理 层提供初步处理和存储后的数据。 数据到达接入层后会经历 *解包和解析* 、 *格式转换* 、 *数据清洗* 、 *数据 存储* 四个流程。 3. 数据处理层 =服务于数据的归并和计算。= 将数据接入层初步处理和存储的数据按照具体的数据需求场景做进一步的处 理，包括数据的多维度解析、数据关联计算、数据格式化，以及存储各种数 据处理所产生的中间数据，为数据的应用和挖掘做充分的准备。 4. 数据应用层 =服务于数据的表示和利用。= 这一层提供丰富的数据产品，将数据处理层计算和深度加工过的数据以友好 的形式面向数据受众或渗透于用户产品中，使更多人得以享受数据的成果。 ** 问题六：数据上报前需要做什么准备工作? =两手准备。= 1. 上报什么数据 - 动作数据 > 内容数据 - 结构化数据 > 非结构化数据 - 简单数据类型 > 复合数据类型 2. 定义数据协议和数据Topic 数据协议可以理解为数据接入层对接收和存储数据的技术约定，包括数据的 传输方式、解析方式，以及数据的格式规定, 这些是数据开发工程师更关心 的部分。 数据Topic则是建立在数据协议之上，对数据逻辑结构的约定，也是数据产 品经理更关心的部分。

吃米下蛋，就是最幸福的的鸡了。 巧了，寻思着软件数据化运营的东西，系统推荐的书，这两天快速读完，发现恰好可以解决运营妹子提出的很多数据问题，至少可以先露一手了哈。 整体覆盖运营、产品、数据分析、开发的知识，所以小白如我（开发🐶）读起来还是收获挺多的。 以提问的方式，从抽象语意到具体指标数据，自上而下进行解构，最后落脚到数据采集。这是值得借鉴学习的思路。 结合实际描述数据从哪里来、到哪里去，展示了数据流动的全貌。这有助于了解数据需求、数据价值，也有利于工作的展开。 总之个人觉得能帮助咱们小白，快速建立一套产生、收集、处理、呈现、分析、沉淀的数据化运营思路框架乃至工作方法。 有理论框架，也有实践步骤，不乏鲜活的实例，还送了不少实际问题的答案。处于理论与实践细节层之间，因此实用是本书的特色。 关于数据实体、数据字段以及为何这样设计，这些概念原理可以继续找下华章的数据库设计、数据挖掘之类的大头啃。 出版时间2019年没提到AI是本书的一点缺憾。概念描述结尾不是用句号而是用逗号有点折煞权威。其他如图片太小是epub格式排版问题，不责怪本书。 很实用，总体好评。

前三问看的很爽，从通过数据对产品进行层层递进的分析转化到最终结论的产出，逻辑够清晰，深度也刚刚好。另外，以提问的方式作为目录导航实在是不利于进行思维结构化导向。

没有一句废话。给五颗星，真正从产品角度和运营角度结合数据思维展开。这书值得多次阅读行成自己的知识架构体系。目前介绍数据挖掘技术，数据分析，数据运营等都是偏向某个领域展开。这本书是以一个产品的思路说数据思维。再看了这书，再结合各领域细分去吸收数据思维会非常棒。非常感谢作者

生活中常听到以事实说话，转换到工作中以数据说话更精准，无论是产品还是运营，都应该关注数据，以指导我们更好地决策。 本书以问题作为章节标题，引人思考，逻辑清晰，理论与实践结合，值得一读。

全文一共分为4个单元，阅读时长7h31m。        第一单元为：快速了解一款产品，我们可以从微观、中观、宏观的角度，用数据重新定义产品，对产品有一个直观的认识的评价；文中作者有提到，业务导师让作者熟记应用相关数据，日活、pv/uv的常规数据与量级，这一点值得借鉴，不仅是体现个人的专业度，同时也是对产品的一个认知。       第二单元为，理解数据产品体系，这部分更多的是从一个专职的数据产品的角度，解析产品数据的产生。这过程中需要哪些角色，数据产品的体系，数据从采集到接入、处理、至最后呈现到业务方面前，经历了一个什么样的过程，需要考虑一些什么因素。对于业务方来说，其中涉及到业务埋点、数据采集逻辑的部分，具有一定的参考价值。       第三单元，轻松实践数据化运营；这一部分更多是从业务的角度，讲如何运用数据。以用户为焦点，通过提问、分解、归纳来拆解数据需求，寻找运营的突破口；介绍了一下灰度发布、A/B test等数据推动产品迭代的实践方法。这一章节对于数据运营入门是有价值的，提供了一些方法论。        第四单元名为数据修炼附加题，这一单元主要是一些常用的数据工具。一部分是数据图标的可视化，另一部分是当前较广泛使用的数据工具的简要介绍，如excel、R语言、sql等。但这部分的介绍，更多是偏概念性质的，实操技能不多，同样适合入门，了解一些知识。        总的来说，个人认为本书对于想要初入门数据分析的产品经理是具有价值的，但定位偏一本万金油式的答案书，各方面都涉及到了，但是各方面都浅尝辄止。适合目前还没有方向性，更多想增进一下自己对行业了解，建立认知的人群。

吐个槽，这个书可能出版的时候没有考虑在手机屏上的展示，特别是后面几问的图表指甲盖大小，看到崩溃……存到手机放大看又糊了，特不友好了。还有就是书里提供二维码诱导，关注作者的一些最新思考，本意是增加互动，可以看到最新更新的内容，但是二维码太多太高频了，一开始很新鲜，后面很反感。 嗯，收获的两点，一个是原来追踪页面流转的那个图表叫桑基图，一个是嗯，染色追踪法挺像基因研究的，有点好玩。前面的几问比较干货，后面几问虽然在科普一些方法，不过觉得有点欠缺。

读这本书的源头是小白问我是否想去京东做数据产品经理，但平时只在提报表需求时接触过数据的产品同时，也对数据产品的技能要求很含糊。 喜欢这种少有废话的书。从数据的采集、接入、处理，到最后的应用，对各环节有比较清晰的阐释。（惭愧大学学过数据库，很多概念还像是初次接触，果然大学还是考试导向的hhh） 还是希望把数据敏感的能力和数据分析的技能作为驱动业务的武器，做更好的面向用户的产品吧。（数据产品经理的方向可能还是不适合我qwq）结尾关于人工智能的短短阐述又让我对这个领域来了兴趣，下一本书见吧～

首先，对传统行业想转型升级，初步建立数据模型，有很大的参考意义。 其次，就如本文书名《产品经理数据修炼30问》，对传统行业不太友好啊，读完下来差不多有1/3没看懂，1/3不适用，还有1/3做了笔记。 最后，还是老生常谈的问题，理解和落地永远是两码事。传统转型真的是任重道远啊！普及数据的意义是第一关，组建数据团队是第二关，需要重点攻克的是第三关、第四关——数据采集和模型搭建。做好以上的这些，还要在分析和呈现中对某些传统公司的顽疾进行捶打和改造，在持续阵痛中迭代。

早起一个小时，做了浅读。作者在书籍阅读和指引上，有产品体验化设计的考虑，这是让我眼前一亮的。针对数据产品而言，全框架的介绍，很不错，值得方法提取二次阅读