数据产品经理生存指南第二条

数据产品经理们需要具备的四大核心能力:数据分析、产品设计、项目管理和平台思维。

在生存指南的第一条里,我简单介绍了下数据产品经理们的由来及其生存状态,并列出来了数据产品经理们需要具备的四大核心能力:

文末,我放出了一个第二条的内容投票,数据分析的需求高居榜首。

数据产品经理生存指南第二条

从需求角色来看,参与投票的确实以数据产品经理的角色居多。大家对职位中的数据二字有着明确的判断,数据分析确实是数据产品经理的基础能力,也是最重要的能力之一。但是这个能力不仅仅是统计分析能力,而是以统计分析为基础的结构化思维和逻辑演绎能力。

作为一名数据产品经理,具备数据分析能力的条件是:首先要具备逻辑演绎能力,之后学习结构化思维的思考方法,通过统计分析技术解决企业的数据分析问题。

数据分析是为企业管理服务的。根据企业管理的层次,它也分为三个层次:战略层次,战术层次,运作层次。

数据产品经理生存指南第二条

这三个层次都有分析数据的需求,区别在于从上倒下,分析师的参与度越来越高,对数据分析的粒度要求越来越细,但是对业务理解的抽象程度越来越低。目前业内大部分的运营分析、产品分析、渠道分析都属于具体业务的运作分析,分析和考量公司战略战术落地执行的效果;竞品调研、用户调研通常是为战术分析服务的,而市场趋势分析、行业竞争分析、消费者洞察等均是为战略分析服务的。

以下我举的例子因为工作原因,我无法把自己的分析成果拿出来分享,举例也是我自己的观察所得,如有谬误,还请各位看官指出。

以品牌营销为例,品牌战略分析通常是在产品进入市场前进行,需要根据整体市场的发展趋势和消费者偏好来分析品牌定位,比如屈臣氏所售卖的产品主要面向大学女性或者是初入职场的白领,小米手机最初就是做给发烧友和年轻人的小众手机。

确定产品定位以后产品的价格策略、渠道策略、用户群体就会随之确定,这些就是战术分析了。

屈臣氏选择了线下零售的模式,因此营销策略是以店铺为核心吸引新客,以会员为核心提升复购率。你会看到屈臣氏的店铺都开在商场或者街边非常显眼的地方,也会鼓励用户注册会员并花心思给予会员更多的优惠。所以同属快消品,屈臣氏花了大量的钱来做用户调研,确很少请明星打广告——他的店铺就是最好的广告牌了。这时候,品类分析、用户研究对屈臣氏来讲,就是很好的战术分析。

小米最初以KOL为核心人群,通过线上来销售。因此很早就开始打造论坛,举办各类线下聚会和活动,培植核心用户群体,寄望于口碑来获得产品的1传10,10传百的效果。后期品牌定位已经是普罗大众,而且手机逐渐变成了类似快消品的一种产品,因此开始学习快消品的营销策略,开品牌旗舰店,请明星打广告等等。

在具体的运作上,屈臣氏的会员积分兑换的产品通长都是洗发水、面膜等使用非常频繁的刚需产品,而小米在宣传国民手机的时候,请了三位代言人。

目前很多公司招聘的数据分析师其实都偏向于运作分析层的分析,而只有大的公司,才会有从战略战术到具体运作的全套分析体系。在职位名称上,偏战略的分析师通常称之为商业分析师,偏运作分析的通畅称之为数据分析工程师——前者更偏向宏观分析,需要较多行业的人脉和信息,建立自己的行业数据源,后者则与业务线打交道,需要更多的处理业务数据。

之所以洋洋洒洒写这么多,是因为之前在数据产品经理会微信群里同同行们交流的时候,经常发现大家为问多元回归模型怎么用,R语言怎么画图等等技术类问题。大家想解决的问题也基本上落在运作分析这一层,很少关注到战略分析和战术分析层次上。如果说战略分析因为其稀有性和特殊性,并不是大部分人有机会接触,那么战术层次的分析是大家必须要多多关注的。在每次分析中,我们不一定都要加入战略的思考,但是对公司业务战术方法上面的思考是必须要有的,这样才能够明确你的分析方法和目标,让分析报告中的洞察与业务贴合在一起。

举个几年前分析的一个阅读类产品的例子。

这个产品当时是希望能够对标新闻资讯类的APP,做一个用户可以自主订阅的头条类产品。产品(后面简称R产品)内测的时候就有一些问题。当时我找朋友拿到了各类头条宝宝们的使用数据——日均使用时长、启动次数、活跃率等。我发现R产品在日均使用时长河启动次数上明显低于其他的产品,说明产品的活跃度不高。这类产品活跃度不高通长就是内容不够吸引人:可能说明信息不够看或者是信息过载让人厌倦,内容不够个性化不符合用户的兴趣等。

有了假设之后,下一步要做的就是找到核心评估指标,来对问题进行整体评估,并作为改进的度量。因为R产品中的用户的内容都依赖于订阅源,因此评估订阅源的内容被阅读的情况是比较直接的策略。为此,我引入了基尼系数这个指标,并对订阅源的阅读数据进行建模,将订阅源的阅读数看作是收入,来评估内容生态的平衡情况。

在这个分析过程中,战略是老板确定了的。但是达成目标的战术路径确并不清晰,起码在产品内测时发现原来的战术是遇到了困难。那么问题在哪里,又如何改进,便是我们建立数据分析体系的目标了。

最终我发现订阅源阅读系数的基尼系数居然超过0.8,新订阅源还要更高。这说明目前订阅源的内容分布极为不均衡,大部分的用户阅读的都是同质化内容。因为推荐策略的问题,导致新订阅源得不到展示机会,最终让用户得不到新的内容。所以最终的问题就是内容不够个性化,资讯不够新鲜。

当然,最后的落地执行策略是多方面的,增加订阅源,增加新订阅源的曝光机会,改进阅读体验等等不一而足。

回到我们的开头,作为一个数据产品经理要想生存下去,在做数据产品或者做分析探索的时候,不能只盯着一线业务的执行分析,而需要充分理解企业或者部门的战略目标,从战术分析入手来建立简单、全面的分析体系,最终才能够通过对具体业务运作的分析来发现和解决问题。

作者:刘洋(微信号:liuyangfjnu),从事数据产品和分析的工作8年多,目前担任小米商业产品部数据产品总监。擅长为企业建立全面的数据分体系,主要研究方向是用户画像、品牌大数据营销、企业BI和人工智能的产品化。

本文为专栏文章,来自:刘洋,内容观点不代表本站立场,如若转载请联系专栏作者,本文链接:https://www.afenxi.com/45087.html 。

(0)
上一篇 2017-06-21 12:27
下一篇 2017-06-25 05:45

相关文章

关注我们
关注我们
分享本页
返回顶部