不同的职场岗位分工下，随着业务的发展会形成一定的思考模式，这些思考模式一般是针对岗位所面临的常见问题，而总结出来的分析和解决思路。比如商业分析中的用于宏观市场分析的 PEST（Policy Environment Society Technology）思维模型，比如网络通信领域中的 OSI 五层参考模型等。

数据产品经理岗位也有很多思维模型，这里聊聊最核心的三大底层思维：产品思维，数据思维，商业思维。

产品思维

这是产品经理最基础的一种思维方式，主要以用户为对象，深入挖掘用户的真正意图。可以拆解为几个关键字：场景，用户群，痛点。简单来说就是，什么样的场景下，哪一类人群，遇到了什么样的痛点。这是一种需求分析中最为常用的思维方式。产品思维方面有个比较经典的快马故事。

100 多年前，福特公司的创始人亨利·福特先生到处跑去问客户：“您需要一个什么样的更好的交通工具？”几乎所有人的答案都是：“我要一匹更快的马”。很多人听到这个答案，于是立马跑到马场去选马配种，以满足客户的需求。但是福特先生却没有立马往马场跑，而是接着往下问。

福特：“你为什么需要一匹更快的马？”

客户：“因为可以跑得更快！”

福特：“你为什么需要跑得更快？”

客户：“因为这样我就可以更早的到达目的地。”

福特：“所以，你要一匹更快的马的真正用意是？”

客户：“用更短的时间、更快地到达目的地！”

如上，客户有时候可能自己也没有意识到自己真正的诉求是什么，而作为产品经理，就是要用产品思维，去层层发问和分析客户表面需求下的真正意图。以下从小需求场景和平台搭建场景的具体应用来进一步讨论。

小需求场景：比如业务方新提出了在已有报表中新添加一个维度的需求。这时候作为产品就需要了解，添加这个维度的目的是要分析什么？要分析哪一类人群？这个维度对分析真的有用吗？有没有其他满足的方式？等等，经过这么一轮分析之后，很有可能业务方的需求不成立，或者可以通过其他方式能更快的满足。这种思维特别是针对做业务分析方向的数据产品经理，可以快速的在海量业务方的需求中，快速的过滤出有价值的需求。

平台搭建场景：此场景下产品思维就更加有用，这类平台的搭建往往比较“重资产”，也就是说平台的搭建需要协作的团队很多，时间相对较长，如果前期没有理清楚老板或业务方的真正需求，则后期就会面临比较大的被动。使用产品思维理可以清楚平台的使用用户是谁，什么场景下会使用，用这个平台核心用来做哪方面的分析等等。这些理清楚之后再开启后续的设计与研发流程，就会让整个项目跑起来比较顺畅。

数据思维

数据思维是将数据作为思考和决策基础的思考方式，主要围绕数据的生命周期，可以拆解为这几个问题：数据从哪里来，如果进行处理，如何挖掘价值。以下介绍数据思维在不同的公司场景下的数据思维具体应用。

中大型公司场景

数据从哪里来：以自有业务系统或各种端（比如客户端）的数据采集为主。

如何进行处理：通常以搭建企业级数据平台为主，设计到数据建模，平台搭建，数据标准化治理等内容。

如何挖掘价值：基于场景和主题的分析报告，数据看板，数据指标，用户画像，模型构建等。

比如一家在线零售企业想要提高其销售额和客户满意度。可以采用数据思维来分析其客户的购物行为和偏好，以制定更有效的销售策略。

• 收集大量的数据，例如客户的购买历史、浏览历史、搜索历史等。

• 基于平台化的数据平台搭建，完成数据的清洗和建模，分析这些数据了解客户的购买偏好、购买频率、购买时间等，以及客户对于不同类别产品的兴趣和需求。

• 使用机器学习和人工智能算法来对这些数据进行分析和预测。通过算法可以识别出潜在的购买群体和产品趋势，并预测客户的未来购买行为和需求。

基于这些分析和预测，该在线零售企业可以实施更有针对性的销售策略。例如向客户发送个性化的推荐邮件和广告，展示与客户购买历史和兴趣相关的产品，并提供优惠券和促销活动来刺激购买。同时也在网站上增加了搜索和过滤功能，以更好地满足客户的购物需求和偏好。

数据服务公司场景

数据从哪里来：第三方合作，爬虫，项目过程中的数据沉淀，数据生产过程中的数据沉淀。

如何进行处理：通常基于数据集市层的数据输出，搭建底层的数据仓库。

如何挖掘价值：围绕数据 API 的搭建和 API 的管理（比如鉴权、统计等）。

比如一家专注于空间地理信息方面数据的公司，提供基于位置提供客流信息和用户画像信息的数据服务，基本的流程有：

• 构建基于人群流动的数据集，基于位置的标准化的数据集。

• 围绕业务数据输出内容，比如根据自定义位置获得对应的人群访问热力数据，搭建数据集市层输出数据

• 通过统一的数据服务管理平台维护 API 的基本信息和迭代信息，同时通过数据的安全校验，调用统计管理封装之后，对外提供数据查询服务。

商业思维

现在几乎全社会都在重视数据和讨论数据，笔者觉得可以从两个视角来谈，商业问题，商业价值。

商业问题：数据可以解决什么？

优化产品和服务：通过搜集来的用户访问情况，了解用户对产品的使用情况和反馈。比如 ToC 端产品，通过开发埋点和埋点系统，可以了解用户在不同页面中的用户访问量，通过用户的屏幕浏览坐标的搜集，绘制用户在产品页面中的访问热力，就可以分析出用户对产品的具体哪些设计感兴趣，进而优化产品。同样的也可以设计 NPS（Net Promoter Score 净值推荐），了解用户对产品的整体或产品的某些功能细节的评分，进而可以作为已上线内容的评价指标，或者指导后续产品的优化改进方向。

提升生产效率：这方面特别针对有流程化协作场景，比如汽车方面是一个比较讲究完整供应链的行业，从原材料→生产商→组装厂→4S 店，且每一步都存在一定的生产周期，了解每一个环节中的数据情况，就可以方便的看到运营流程的效率问题和成本问题，进而可以通过数据分析优化运营成本和控制成本。同时如果流程优化达到一定程度，数据分析的过程甚至可以整合进生产流程中，实时的决策和控制生产的过程。

商业价值：数据如何变现？

营销与广告：这个可能是数据在应用和变现最大的一种方式，大的媒体平台或者第三方数据营销公司，都会提供完整的商业数据服务：用户洞察→人群圈选→广告与推广→效果分析。同样的商业变现的模式需要较强的数据和媒体资源的整合能力，但对于用户量及 MAU（Monthly Active User 月活跃用户），DAU（Daily Active User 日活跃用户）还可以的公司，是可以自建一套广告与营销的体系，主要是 DSP（Demand-Side Platform 需求方平台）和 SSP（Supply-Side Platform 供应方平台）的搭建以及媒体商务合作，具体的细节内容这里就不过多展开了。

数据服务：这部分一般有两种具体的商业模式，一种是一次性的商业数据合同，比如说有提供企业信息数据的公司，有提供用户访问点的数据公司。还有一种方式是数据 API（Application Programming Interface）的方式提供调用的服务方式，如近期大火的 OpenAI 公司，执行的就是一种 MaaS（Model as a Service）模型，将大模型 Chat-GPT 能力开放给全世界。

其实数据价值还有很多，比如决策支持，将数据结合 GIS 图层做面向 ToG 的地图可视化，将数据+大数据技术和 AI+业务需求打包的解决方案等等。

总的来说，数据的商业作用主要体现在效率和价值，即通过数据发现流程中的问题，并通过问题的解决达到提高生产运转效率的问题，或者就是通过数据本身和数据洞察来直接商业变现。

以上是作者认为的，作为数据产品经理需要具备的三大底层思维，如果你有新的想法，欢迎交流讨论。

本篇文章脑图结构：