• 流量分析产品：可以帮助产品经理进行页面设计、功能改进和改版评估等
• 销售分析产品：可以帮助运营分析

这两个产品都是公司的必备，对公司各部门都有较大帮助：

• 帮助产品经理进行页面设计、功能改进和改版评估等；
• 帮助运营人员做用户分析、活动分析等；
• 帮助市场人员做投放分析优化等；

当公司某一块业务比较重要，又有专门的部门负责时，一般会把数据分析系统独立出来，比如：供应链分析系统；客服分析系统；会员分析系统；

2、算法类产品：通过数据的计算，直接更改页面的逻辑的产品，成为算法类产品；

比如：

个性化推荐；

搜索；

用户画像；

程序化购买广告等；

这两种是根据公司的情况来，区别并不是很明显，而且会不断演变

比如：对供应链支持的，可能最开始是销售分析系统里，一个库存分析的报表而已；

后来，加入了各种补货预警、成本分析等报表，就变得很复杂，独立出来成为系统。

3、  各部门都按自己的需求提取数据，会出现口径不统一的情况，比如一个部门和另一个部门的同一指标，出现不同解读。

4、  各部门自己提的数据需求，基本上总是会有漏的环节。

所以，这时候，需要有个懂的人，梳理各部门需求，汇总整理数据流程，将数据体系化，不然就乱了。

这种情况下，对数据产品经理的要求是：

1、要懂分析，不然就会变成一个只出报表的传话筒。

2、要懂数据的产生逻辑，要能建立一个业务模块的数据指标体系，不然，出来的东西会比较乱，可能迟迟上不了线；

还有另一种情况就是大数据团队招人。

这种一般是大数据团队，有自己的技术和算法人员，已经做出一定的成果（比如推荐系统最开始上线时，即使团队中没有产品经理，只有算法工程师，也是很容易产生比较好的推荐结果），得到了领导高层的认可。但是如何将算法，更好的服务于公司的商业，产生直接的销售结果，这是算法人员很难有精力去想的，就要招一个产品经理来。

这时候对产品经理的要求是：又要懂商业，人家就是找你来变现的，又要懂算法，又要懂产品，要求非常高。大家觉得大数据的产品经理比较贵，都是这种。

~~~~~~~~~~~~~倾向招什么样的 人？

1、  数据分析师出身。数据产品最好还是要提供解决方案，并不是说，业务人员告诉你他们碰到什么问题，你就能做出好的产品的。要心中有商业模型，有很多解决方案，看到时候需要提供哪一种。

这些方案累积的过程，大部分需要训练，可是谁有时间去训练呢，而数据分析人员的工作本身就是思考各种问题解决方案的过程，要想办法把数据的问题找出来，并且能够作为报告展现。所以招数据分析人员做产品经理是一个快速省事的办法。

如果我的团队中没有分析经历的，一般我都会让其去做几份分析报告，训练思路。

2、  业务人员出身，做过产品经理的，一般知道产品经理需要哪些数据，才能优化页面；做过市场的、运营的，知道哪些数据能够提升效果，有这种背景，我们也会需要；

3、  数据提取员：每个部门需要数据时，就会有一个提取人员，用sql从数据库中提取数据。这种职位我会推荐应届生去做，首先，了解公司后台各大系统的关系和产生数据，其次，了解业务部门的情况，还可以了解公司的发展重点。最主要是，他了解每个数据是怎么产生的，这是其他背景的产品经理没有的优势，开发很喜欢这样的人写的prd，不管业务方向对不对，至少需求是不用改的。

4、  算法产品经理，一般我会要求有数学背景的硕士，带起来很快，性价比高。

5、  其实还是看个人，因为我们现在的团队每个方向擅长的人都有，所以如果我觉得一个人比较有潜力，就招进来，让他挨个职位做一遍，就培养出来了。

二、分析类产品：

1.     定义和能力模型：

首先说定义：什么是分析类产品。

可以挖掘数据背后的价值，并通过数据的展示，为使用者提供帮助，即数据产品。

一个数据产品经理的能力模型如下：

• 数据分析的能力；
• 商业模型的理解能力；
• 需求分析和调研的能力；
• 数据展现的能力，即可视化的能力；

2.     数据分析的能力：

在我年轻的时候，在团队中处于打头阵的状态，基本上老大有什么新的产品了，会先派我去做。等我做的把坑趟的差不多了，就交给别人，换下一个产品，所以我真是做过很多产品和页面。后来总结出做分析产品的一个套路来，如下：

首先讲一个数据分析框架，这基本上被我适用于公司很多业务上：

这是一个数据分析师的经典的分析过程。首先，为这个部门收集一些信息，帮助制定关键指标，其次，监测指标完成的好坏，并发现问题，然后，分析影响KPI完成的原因。最后，给出解决方案。

数据产品经理要做的是什么呢？就是把这个框架中的每个过程总结出来，梳理清楚，每一步，都需要哪些数据、哪些指标，怎么展示，用图还是用表，用什么图。然后，再综合开发资源、上线时间等，最终决定产品是什么样。

我以淘宝给卖家做的一个产品为例，来讲解这个过程：这是一个给管理团队和运营团队看的日报:

• 首先，日常监测：他们选的是访客数、浏览量、实付金额、支付转化率、客单价、退款金额、服务态度评分七个指标；

我们给每个部门做产品时，都需要首先制定核心指标。有很多时候，业务部门自己会提需求，但业务部门只能想到最直接的，很可能他们部门很严重的问题，会漏掉。

从部门价值上来考虑：

• 资本方给公司的要求是什么？
• 哪些指标影响了估值？
• 你目前在分析的这个部门，可以承担哪些影响估值的指标？
• 哪些其他指标可以为这个指标服务？

从用户行为来考虑：

• 用户如何来到这个页面/这个流程？
• 他都进行了哪些操作
• 都经过了哪些步骤
• 从哪个环节流失？
• 整体流程上，用户最关心什么？他的时间？更好的服务？更多的选择？

当然，还有很多维度可以考虑。

这样分析下来，该部门的核心指标就找到了。

对于部门来说，核心指标是比较好找的，可以跟部门老大合计，看他侧重哪方面即可。

对于为管理层做决策来说，就相对难了一些，在国内现在的形势下，可以多了解资本市场的分析逻辑，多了解管理层的现在的关注重点。

因为即使管理人员，做企业时，也是摸着石头过河，也在不断的学习，可能这个阶段学习的是一种商业理论，在另一个阶段学习的是另一种商业理论。所以相关的商业理论要了解，才能给抽象成报表、甚至分析页面。我为此曾经学过很多，balabala的。

• 发现问题：达成情况、情况好坏；同比、环比、定基比；

继续看这个页面，数据分析方式怎么用到页面设计中。

同比：较上周同期；

环比：较前一日；

定基比：将行业中所有的卖家分层，用和该店类似的卖家的核心数据，来做对比，从而知道自己的优缺点。

定基比中，我见过最好的，是淘宝的产品。我当时在代运营公司，确实卖家就想知道，哪些跟自己差不多的，比自己好一些的卖家，他们的一些核心数据是什么样的，我的数据到底改善空间有多大。

当然作为平台，可以做的更好一点：比如，我们同省市的卖家，大概的数据是多少。像我们去山东谈酒类企业，他们其实就很关注其他山东的酒在网上的受认可程度。太大的品牌，给他们的借鉴意义毕竟小。

当指标和分析方式都比较多的时候，用户看到页面，就会看到很多数据，但是不知道看什么。这时候就要用一些可视化的方式，突出重点。比如，用红色叹号，将下降较多的指标标出来。

• 分析原因：在产品设计中，通常要把影响指标达成的原因，也列在这个页面上，以供使用者参考。当然影响因素会很多，所以产品经理首先要收集齐全影响因素，然后再把关键的、核心的因素挑出来。

比如某个地区的月初退货率忽然增长，就要收集原因，可能如下：

*管理：

**  当地销售人员刷单，为了达成上月业务目标，月初退货；

**  部门人员，有的比较能干，有的比较弱，导致了整体数据的达成不好；

*  商品：新上的商品质量不过关；

*  促销：邮费政策、价格政策的变动；

*  外部原因：

*  京东做了一场大促，把价格给打下来了；

*  忽然爆发了商品的替代品，原有的优势品类衰退；

*  天气原因：当地下了一场大雨，导致送货速度降低，顾客不满意；

*  广告投放合作方临时变化（可能）

这些原因，哪些可以量化呢？哪些发生的几率比较大，而现在并没有这样的数据可用查看？这些原因，在产品设计中，就可以做成数据下钻的报表，以方便了解详情；

如上图所示，拿红圈圈起来的，就是原因分析这一步在页面上的展示。当你看到一款商品数据有问题时，既可以进入商品温度计，查看商品的每个环节（标题、商品页面设计等）到哪哪里有问题，还可用进入单品分析，查看流量来源等；

• 解决方案：

一般来说，我们建议数据产品经理做到原因分析这一层，就足够了。因为解决方案没有一定之规，不仅跟公司战略有关，还和业务团队的leader喜好，部门的发展情况有关。如果没有一定的高度，可能做出来的并不是很好用，并且所以一般不建议产品经理直接做到解决方案这一步；

但是，如果能够做到，那么你整个的产品的质量和可用性，都会有较大提升。能够做到解决方案，说明你真的明白你的数据的价值是什么，用来解决什么。

解决方案分以下几类，

• 直接营销：在会员系统中，在不同的分析页面，配上不同的营销方式。点击可以对相应的用户进行营销；

• 管控：通过管理制度解决，比如，建立末位淘汰制，将打包能力差的人员淘汰，替换成打包能力强的人员，就可以提升打包时间，这样解决方案就是多一张监督打包人员的表；

• 预测：以现在这样的速度，预测未来会发生什么，需要做什么补救。这是我当初给仓储提的一个方案。具体忘了。

另外还有一些，是数据出来后，数据产品经理可以去推动的。

• 通过招聘解决：有一些问题，大家都看得到，为什么没有解决，很大程度是因为没有能做这些事情的人；

• 通过系统来解决：

• 将一些人工频繁操作的，做成系统，可以提升效能，节约成本；

• 用更智能的系统，替代掉原有的人工的模式；比如，首页的转化率比较低，试着将一些坑位变成千人千面，看是否能增加转化率；

• 通过战略来解决：比如，原有的模式是以采定销，采购人员认为什么好卖，就进什么货，这样的好处是可以压低进货价，坏处是积压库存；如果将整个商业模式改成以销定采，则可以根据市场需求，来确定进货量的多少，从而达到降低库存的目的；

• 提出解决方案，有一个非常重要的前提，就是找到解决方案的负责部门：

作为内部的分析产品，我们建议以部门为一个单位目标用户群体，比如：市场部、仓储部、客服部、运营部；毕竟，公司把一块业务流程让一个部门负责，本身一般意味着这块流程的独立性，并且说明有人为这块流程负责；

要点一：有人负责，这很重要。我们曾经分析过库存问题，当时已经很严重了，但是公司没有部门对此负责时，推动非常难。

要点二：有一些指标，大家都知道是核心指标，但是没有人负责，也许是因为有更重要的事，也许是因为没有想好如何将该目标拆解下去，分给哪个部门。

如果是前者，就要再找一些数据来，证明是否是核心指标，比如后来我们拿到了京东和聚美的库存周转率，这些数据都和酒仙网有鲜明的对比；

二、 需求调研：

以前给宝洁出数据方案时，满满200页ppt，全部都是商业模型和数学模型的讲解，我在做数据分析的时候，商业模型，和数据模型，用的都很多，但是当我做大数据后，整个的分析方式都变了，变得特别的简单、粗暴、直接，整理了以下几种常用的，基本可以覆盖一个不是很大的团队的分析方式：

• 流程；
• 抽样；
• 枚举；
• 已有数据分析；

1. 枚举法：

为什么先介绍这个方法呢？因为这是我们刚用这个办法，把搜索的点击率提升了30%。

枚举法是最基本的办法，单独的对某个节点，一般采用的是枚举问题法。其实非常简单，就是把所有的用户问题拖出来。

以搜索召回分析，（召回指把搜索词相关结果搜索出来。）主题是搜索词和搜索结果；

• 把所有搜索词列出来，按pv排序；
• 逐个搜索词解读其数据和特征，包括用户在什么样的情况下搜索这个词，这个属于什么词，是类目词还是品牌词，还是商品词，这个词下面的结果是否包含爆款，我们的爆款和其他平台同款是否有价格优势，和其他平台爆款是否有商品优势，努力通过这些数据还原出用户的真实使用场景和想法，并尝试推测这个数据产生的原因。在解读的同时，要随时记录发现的各种问题，用户哪些需求没有被满足。

• 根据上面步骤中发现的典型问题和场景、目标的推测，对搜索词做细致的划分。比如，原来没有想到用户喝酒有较强的地域属性，所以地域这个字段并没有在索引中，那么要加进去。比如，有一些酒有专有名词，这些名词喝酒的人知道，但是搜索不知道，那就要想办法告诉搜索，比如，老酒。比如一级庄二级庄三级装等，将不同的词划分出来，作为一个单独的词组；
• 拿这个词组中的一部分词进行后续的研究，和规则制定。
• 把词组中剩下的词扔到规则里，对规则进行验证，看是否能够正常召回。

这个方法看起来很简单，所以难的是执行，就是真的坐下来耐心的去看用户数据，去把自己的经验涌进来，我们后来做搜索的suggest、筛选条件时，都采用的同一样的办法。

为什么这是算法产品基础入门的方法呢？

因为数据分析报告，只能满足已有预设的情况，大大小小的突发情况，既来不及做分析报告，也来不及找出详细数据来查看。我们作为产品经理，大部分时候，都是在面对突发情况，做大大小小的决策，快速决定事情走向，判断建议的好坏，决定是否上线或回退，比如忽然发现原方案会导致性能问题，临时给另一种解决方案，比如开发和测试人员都建议其他方案，比如领导忽然问你竞品的新变动我们是不是也要采纳，这些都是几乎要立刻给出结论的。