数据产品经理实战 - 数分能力养成

前言

数据产品是个主动性很强的岗位，越是高阶的数据产品经理，越是不会有明确的产品需求等着你去做，更多的是会接到业务问题以及数据问题，同时自己要自发的做很多主动性的思考，在通过产品化的手段解决问题，并同步提升生产效率。

数据产品经理与数据分析师协作非常紧密，但二者也有明确的工作边界划分，数据产品不能仅被动式的承接数据分析的需求，也要学会相应的数据分析技能，兼并产品思维与分析思维的数据产品经理，才能真正的发挥数据价值。

数据分析输出

经营公式

要学习数据分析，首先要对下图的逻辑关系有非常清晰的认识：收入=流量×收费率×ARPU。我们所有人在企业经营模型前，都是韭菜，都是流量，这批流量通过企业合理（或不合理）的运营能力使其变成你我都想要的货币，这就是最基本的商业逻辑。

了解完商业的本质以后，回到数据分析，数据本质上是一门技术，它是手段不是目的，它是目的通过以终为始的反向思维方式得到有价值的结论。什么是有价值的数据结论？放大收益和降低损失，如果任何一次数据分析深入后没有得到这俩结论，那就说明这次数据分析的结论没有价值。

放大收益

增加支付金额，拓展产品线，捆绑销售，增值权益

增加用户停留时长，弹窗，小游戏，小视频

增大各节点流量转化率，增加用户反悔成本，放大图片，增加展示方式

增加人工干预的召回率，用户分群，定制化人群文案，ABtest

降低损失

减少用户操作步骤，直接砍掉非关键业务节点，比如拼多多未设置购物车

减少用户投诉次数，设置 VIP 独立客服，用户关怀管理

减少超时率，优化预测算法，更迭文案

数据分析框架

很多新人小伙伴非常困惑的一点，自己是取数工具人，自己分析无价值不被认可又没有代入感，可能总觉得自己缺少点机器学习，python，阿尔法狗喷火龙等倚天神兵，妄图参加培训班后憋个大招一骑绝尘。这是典型的学生思维，认为掌握技能就能解决问题，学会教科书里的范围就能考试高分。进入职场，具体的业务问题是没有标准答案的。同一个问题，怎么解答全靠自己的理解，要思考如何合理应用学会的一切知识与信息来解决当前的问题。

为什么这里说是数据分析“框架”，而不是“方法”，对于数据分析而言，数据分析中的核心竞争力根本不在于具体的工具或技能，而是在于分析思维，思维体系框架才是决定数据分析上限的根本，而“方法”与“工具”是配合“思维体系框架”进行落地的行动，只是决定了数据分析的下限。所以这里提供两种思维框架来作为牵引，希望各位能逐步在自己的数据实践中找到自己的分析节奏。

业务链路分析

业务链路分析指的是对业务每个过程（不可拆分的事件）进分析和数据量化，是非常重要的数据分析思路，相较于关注获客的漏斗分析，AARRR，以及关注留存的 RARRA，飞轮模型，都属于业务链路分析，如下图，线上以及线下场景的核心业务链路图就通过梳理业务链路的形式展示了出来。

业务链路分析法的具体步骤，

1、将链路梳理成一个个的业务节点，

2、确认每个节点的量化标准

3、节点洞察，分析每个节点的数据，

4、用业务动作和数据量化解读其原因，寻找出优化方向

举个例子，我们用计算广告这个业务链路较长的实际案例来说明该分析方法，介绍几个名词：

广告平台：对接广告主与媒体的平台方

媒体：用以广告呈现的载体

广告主：寻求广告投放的品牌方

用户：C 端客户，访问广告的用户

对于用户来说，用户受益媒体的所呈现的工具，资讯，社交，娱乐的内容从而进入媒体，形成流量；媒体手握用户流量渴求最大程度的变现；对于广告主来说，广告主希望在公域流量中找到自己的目标客户，广告平台手握众多广告触点，广告位，渴求高预算的大量广告，所以就形成了如下关系。

我们用信息流广告来举个例子，比如我们现在打开知乎，知乎本身会作为一个用以广告呈现的载体（媒体），在信息流中向下滑动，媒体就向广告素材中心提交广告请求，然后广告平台再进行广告主的竞价匹配，当“什么值得买”这个广告竞价成功以后，用户就会看到对应广告

第一步

将链路分解成一个个不可拆分的业务节点，确认每个节点的量化标准

广告请求：PVR，用户在浏览对应信息的时候，广告出现的比例，值越高用户在使用产品时广告出现的概率越大

出价：出价率，参与该广告位出价的广告主比率

竞价：竞价数，参与该广告位竞价的广告主比率

竞价成功：成功参与竞价的广告主比率

广告展现：ASN，平均展现条数，平均每个用户访问了知乎信息流后，广告曝光的数量，数量越多，每个用户的消耗广告主的广告预算就越多

点击：点击量，表示平均每次对应的广告点击数，衡量单次广告检索的平均点击贡献

消耗：CTC，点击成本，表示即每产生一次点击所消耗的广告主预算金额，代表广告平台方的收入

第二步

节点洞察，分析每个节点的数据，用业务动作和数据量化解读其原因，还是对应上面的节点

广告请求：提高 PVR，发掘广告位，增加广告密度

出价率：不符合算法策略要求，不能被召回，优化算法策略

竞价 &竞价成功数：广告主出价低于系统最低价格，不符合广告平台要求，推出相关策略提高广告主竞价意愿

展现数：提高广告展现数，突破性能限制，进行黑名单与白名单机制

点击量：点击量不高，用户画像不精准，广告文案以及素材不够明确，用户意愿不够强

消耗：用户点击陈本低于行业平均标准，提高流量价格

总结：业务链路分析法，通过深度参与业务每一个过程来分析整个业务的状态，用量化的指标反映其状态，寻找优化点，实施优化策略后再进行进一 步跟踪，形成以数据驱动的业务迭代闭环

杜邦拆解分析

将公司经营类的宏观指标，按照不同的分类标准分成不同因子相互叠加的过程，整体目标等于不同因子的四则运算的结果；相较于业务链路分析法的横向拓展而言，杜邦拆解法是自上而下进行的指标多维度拆解，通过大胆假设，小心求证的方式得到结论。

例如：整体目标是增加收入，

1、我们按用户进行拆分，那么拆解方式可以分为：收入=用户*客单价，用户=初级用户+忠诚用户

对初级用户与忠诚用户进行分层营销，实现整体收入的上升，也就实现了我们所说的【放大收益，降低损失】

2、我们按渠道进行拆分，拆解方式可以有：投放收入=渠道 A 贡献+渠道 B 贡献，投放成本=渠道 A 成本+渠道 B 成本，进行每个渠道的 ROI 与获客成本的计算，就可以得到具体某个渠道质量判断，减少低质量渠道投放

3、我们按用户登录时间进行拆分，那么每日收入=用户上午，下午，晚上等各时间段的购买量，通过不同时间段的切分，观察相应的用户行为，分时段在用户高峰时进行营销策略的触达，提高响应率

一般来说，杜邦拆解法首先确认最终价值目标，对单量，金额，人数，时长四大核心度量进行优化目标确认，然后进行多维拆解，可以通过对用户（例如新老用户，沉默与稳定用户），产品（不同的品牌，品类），渠道，时间（不同时间段）这四大维度进行指标拆解，关于拆解方式要多和业务侧协同进行沟通，多尝试。

总结

实际工作当中时，数据只能告诉我们出现了什么情况，但不能告诉我们为什么会这么出现，进行业务诊断发现问题原因的方式往往是多种数据分析思路协同配合，并非单一的一招鲜，同时辅以业务专家的关键意见进行合理性性验证，最终发现核心问题并持续性优化。

数据产品经理需要沉淀出属于自己的数据分析框架，一方面是为了更好对接业务侧数据分析师，加强协作效率；另一方面主动通过数据发现业务上的优化点，给到有价值数据结论。核心在于数据产品将数据分析的能力梳理成标准的行动项，将分析结论的指导性落地，再将行动项通过前后端页面化的交互串联，最终系统化的实现业务的降本增效。

我时长开玩笑的对组里数据产品的小伙伴们说我们未来都是革命者。数据产品目标就是让数据分析师的产出更有价值，让更多的业务描述性分析与决策性分析固化在产品里，发挥人的价值最大化，使其着力于商业性分析上。从整个行业的未来发展趋势来看，我们最终目标还就是个革命者，就是革掉数据分析师的命。