第一篇：產品經理必備技能之數據分析

www.tmdps.cn

產品經理必備技能之數據分析

數據分析往往是從文本上反應產品的各類信息。但是，產品經理在做產品的各個階段時不能一味的依靠數據分析。這時就需要我們有精確的數據分析的技能。首先要了解數據分析的三點核心：

1.什么是數據分析？（What）2.為什么數據分析？（Why）3.如何數據分析？(How)

下面我們將以實例的形式重解讀第二個問題和第三個問題。大致分為以下幾步：

第一步：確認數據分析的對象

產品名稱：企查查APP V9.1.8 產品愿景：中國企業信息搜集的綜合體，為投資者、金融相關從業者等提供企業的一站式信息服務。

分析范疇：產品迭代、產品優化、產品分析/驗證

背景概述：自定義。注意，數據指標的制定遠比數據分析過程要重要的多或者說更加富有創造性。

第二步：制定數據分析指標

1.商業模式/盈利方式分析：免費增值模式，先做成流量入口，后期分享流量紅利擴大轉化率。

2.了解產品現狀/定量分析產品 2.1 用戶分析 用戶規模：

用戶群體可大致分為個人、企業，分析個人和企業用戶的人數比例，明確整體分布情況。每月/周/日的新增用戶、流失用戶、回流用戶的比例走勢，選擇恰當的走勢變化渠道；

用戶質量：產品粘性及病毒性的反應，體現在用戶的活躍度上，一般包括，日活躍（DAU）、周活躍（WAU）和月活躍（MAU）； 采用同期群和用戶分類的分析方法，特定用戶群體的特定分析過程，用戶質量也是渠道或營銷活動效果的間接體現，以便后期及時的調整和處理；

用戶質量的標準制定，包括忠誠用戶、聯系活躍用戶、流失用戶等等，為反應不同指標設置特定的用戶質量指標；

2.2 應用分析：

啟動次數，某日/周/月的啟動次數占所選時段總啟動次數的比例，直接反應生活時間成本； 版本分布，對開發和維護的意義非常深刻，展示累計用戶排名前10的各個版本變化趨勢，可以幫助了解每個版本的新增用戶，最新版本的升級情況，目前的哪些版本狀況；

使用情況，統計周期內，一次啟動的使用時長；一天內啟動應用的次數；用統一用戶相鄰兩

www.tmdps.cn

次啟動間隔的時間長度；

設備終端和錯誤分析也是很有必要的；

2.3 行業分析：

a.行業數據可以幫助了解行業內應用的整體水平，各個指標的數據、排名及趨勢，有助于衡量應用的質量和表現；

b.了解行業數據，了解自己的APP在整個行業的水平，通過多個維度對比自己產品與行業平均水平的差異，從而知道產品的不足之處。

業務場景：

1.首頁支持企業名稱、人名、品牌名等信息的模糊查詢，并且在搜索系統之下直接提供四個維度的一級輔助搜索條件。

2.企業信息維度算是一款企業信息服務平臺的資源性優勢，也是一款內容應用的核心模塊。不同類型的用戶對不同類型的信息感興趣的程度各有不同，因此，要記錄和挖掘用戶行為特征數據。

產品分析：

企業信息查詢第一級別的功能是搜索，第二級別的功能是條件搜索；理論上講，后者在搜索的精確程度上要更加有優勢。

數據指標：

1.不同檢索維度的搜索量；

結論：以信息檢索維度的搜索量，選出哪些企業信息搜索維度置于條件搜索中，并決定其分

www.tmdps.cn

布的順序和位置；

2.不同描述維度的查詢量

結論：

a.以信息描述維度查詢次數，區分重要企業信息，量化區分不同信息的關注度和用戶價值； b.交叉分析不同維度的信息，用戶屬性，比如：行業+查詢維度，綜合分析不同特征的用戶群的核心關注點。

c.內容受歡迎程度及需求的迫切程度，面向不同類型的用戶，比如：普通用戶、企業用戶，內容分級、資源分層更好地配合免費增值模式、會員等級產品形態。正對不同用戶特征給予不同的需求滿足形式都是值得嘗試和探索的，單

一、傳統的直銷的商業模式或許有被迭代升級的可能；

小結

產品數據分析意義在于指導產品設計，傳達感性認知背后的理性意義。無論數據分析的結論積極還是負面，都是產品價值映射，作為產品經理，我們必須投以客觀的態度。

如果你喜歡我們的文章，歡迎加入我們。

12.15

第二篇：數據分析對產品經理的重要性

創意互動 設計人生

萊茵教育www.tmdps.cn 開課吧

www.tmdps.cn

數據分析對產品經理的重要性

不會數據分析的產品經理不是一個好的產品汪，萊茵教育表示，數據分析是產品經理吃飯必備的工作，大量的磚家也很樂于在各種社區和公眾號分享他們的數據思維和數據分析方法論。今天我們就探討一下怎么去處理數據分析的后事，數據分析完成之后如何去優化產品迭代。

1、數據的定義很重要

數據是神奇的，同樣的數據，從不同的維度，甚至不同的人眼里，都會看不到不一樣的東西，百分數“123%”,經濟學家可能認為這是本季度GDP的增速，程序猿會把它當成字符編碼。

因此產品經理首先自己得做到經由自己的數據定義是準確無誤的，不管是自己接到的來自團隊、老板的數據需求，還是通過自己分析輸出的數據指標定義都必須說明清楚，不存在歧義，這樣不僅可以減少對其他小伙伴解釋說明的時間，也會避免數據在傳播的過程中失真的問題，數據是嚴謹的，對于它的定義，我們需要去咬文嚼字。

2、我們需要什么指標

虛榮指標和期望指標對我們沒有意義，現在很多的大數據團隊經常會對外發布各種行業報告，包括國家統計局也會按時發布國民經濟報告，從這些報告中傳遞給我們的信息是今年移動用戶數還在繼續增長，某個行業的市場是多少億美元，哪家公司融了多少錢，這些都是虛榮指標，看起來很美，卻不能給我們產品優化帶來任何指導效果;期望指標就是我們內心希望它是不斷增長的，為了我們自己潛藏的目標再去找數據，分析數據。

比如有一天老板需要你用數據證明產品這個月比上個月做的更好，然后你告訴老板你們的注冊用戶數比上個月增加20%。初一看數據在增長，實則可能你們的留存率和日活躍用戶數在大幅度下降。期望指標對外還可以，對于指導產品優化沒有任何價值。

那我們到底需要什么指標?可付諸行動的指標才是我們數據分析應該得到的結果，可付諸行動的指標更多的是一個比率，而不是具體的數字，它應該是和你們產品核心KPI相關的，它應該可以告訴你產品好在哪里或者不好在哪里，國內的直播市場，映客在月活躍用戶數上甩其他平臺幾條街，但是一個可付諸行動的(日活躍用戶數/月活躍用戶數)這個指標卻遠遠

線下學習入口：萊茵教育 線上學習入口：開課吧

創意互動 設計人生

萊茵教育www.tmdps.cn 開課吧

www.tmdps.cn 落后于斗魚TV，說明映客的用戶黏性還不夠，數據指標可以指導映客在追求用戶數量的同時，用戶粘性方面也還有很大的提升空間。

3、怎么把數據和產品優化結合

指標明確之后，我們就需求考慮怎么樣把這些數據指標和產品優化結合起來，換而言之就是我們分析的數據結果需要落地。產品汪估計做的最多的就是競品分析了，我們可能是最先知道競品版本迭代的用戶，我們也會想盡一切手段去了解別人家產品的內部數據，可能別人家產品新上了一個新功能，然后你通過小道消息得知他們的用戶數這段時間在大幅度增長，最后你屁顛屁顛的告訴老板，我們是不是也可以跟風，趕緊做了這個功能。

看似你這份數據價值不菲，但是卻忽略了從產品本身出發這個基本原則，否則你的數據可能讓你們產品走彎路甚至走錯路。一方面你需要考慮別人家產品做這個功能的基礎是什么，可能原本別人的用戶在這個部分的轉化率是50%，而你們自己的產品是5%，這樣的結果就是做同樣的事情，別人產品帶來的增益效果讓你傻眼，然后你還去怪技術沒開發好。因此產品經理在數據分析的時候應該是產品導向型的而不是數據導向性的，一切數據都需要基于產品自身。

4、怎快通過數據快速驗證迭代效果

現在互聯網產品永遠都是Beta版，競爭對手不會等你，也沒有機會去不斷大規模試錯。因此我們需要用數據去快速驗證最小可行化產品，因此選擇數據的可預見性和針對性就顯得特別重要，你選擇的數據需要不會受到隨機性的影響，能在時間短和數據量小的情況下驗證假設。

線下學習入口：萊茵教育 線上學習入口：開課吧

第三篇：數據產品經理面試

1.要極其熟悉公司業務及動向。所以要了解公司的商業模式、戰略、以及業務流程、要考核的各種指標，以及指標背后的業務含義等。這一點，再了解都不夠。

2.要了解數據分析。好的數據PD，即使不做數據PD，也應該是個數據分析師。數據PD的一大要務就是將數據分析做成可復制，可自動運轉的系統。雖然有數據分析師們圍繞在自己周圍，但是自己也要清楚業務的問題，分別要看什么數據，或者當數據出現后，意味著業務出現了什么問題或者會出現什么問題。這一點，要向最好的數據分析師們看齊。3.要了解數據倉庫及商務智能。這兩個關鍵詞背后都是龐大的體系，恐怕我短短半年的轉崗時間太短，雖然能夠對別人講解一通商務智能產品的架構。嘴里雖然會拋出若干個類似于匯總，鉆取，度量，指標，維度，緩慢變化維，層次，屬性，儀表盤等等術語，但是也不支持多幾層的知識鉆取，遇到異常問題，也不知道該從什么地方分析原因。幸而身邊有數據倉庫的同事，可以多多學習。這一點，沒有天花板。而商務智能，做為一門學科，起源于20世紀90年代，它的出發點是幫助用戶更好地獲取決策信息，最初商務智能的動機是為用戶提供自助式的信息獲取方式，這樣，用戶就可以不用依賴于IT部門去獲取定制的報表。（引自《信息儀表盤》一書P41）。而如今，商務智能除了提供信息，更主要的是降低用戶獲取數據的門檻，提升數據的實時性等方面。從降低用戶獲取數據的門檻一個方向，我們就可以做很多事情，比如如何設計信息儀表盤（designing of information dashboard）？如何讓數據以更親和的更直觀的方式展示（數據可視化）？如何能夠讓用戶離線訪問？如何能夠實現警戒數據的主動發送？這一點上，花多少功夫都不多。

4.要精通數據產品開發流程。數據開發+產品開發。數據PD的最終目的是要做數據產品。這里要拆開看，其一，數據產品本身也是在線可供用戶實現的產品，既然是產品，產品的整套研發思路和普通的產品沒有太大區別，用戶是誰，他們需求是什么，滿足需求需要什么feature list，每個feature list的資源評估以及優先級如何，產品的生命周期如何？這是產品開發。然后他是個數據產品，意味著這比普通的產品，多了更多的要求。在數據這個內核之外，它需要各種feature list，如訂閱，搜索，自定義，短信接口，郵件接口等。但是數據這個內核，也需要一套數據開發流程。比如：

數據源——是否足夠，是否穩定——數據PD需要足夠了解目前的業務處理系統建設情況，以及數據源的積累程度，用以判斷數據產品的建設時間是否合適。不合適的時機會導致項目組的重復勞動和殘缺的數據產品誕生。數據產品是用以支持監控，分析，決策的，而業務處理系統的定位在于提升工作效率，解放工作人員手腳。業務系統采集的數據未必滿足所有分析需要。比如或許領導要分析大量攀升的退換貨的詳細原因，而業務系統目前并沒有要求用戶在申請退換貨的時候選擇原因或只有輸入而非標準化選項，負責退換貨出力的員工也只有在excel里登記原因，而不是錄入到系統里。所以可能會導致需求方要看的數據提供不出來，那么數據pd就有必要反向驅動數據源得以采集。

分析模型的設計—— 分析模型的好與不好，其實決定了數據產品的成敗。

在項目中，可以由BI的數據分析師們擔綱此職責，也可以由數據PD擔綱，更多則由雙方一起確認，內容以數據分析師們為主，功能評估及優先級、項目計劃和協調、統籌以數據PD為主。所以數據PD要更加清楚數據分析師們所需要的需求是否能夠實現，背后的商業價值如何，并與數據開發、產品開發保持比數據分析師們更加通暢的合作關系，能夠借力進行可行性和資源的評估。有的時候，我們不是沒有數據，而是有了太多的數據，不知道怎么去看。如果只是拋給用戶一堆數據，很難想象用戶會如何去解讀它。以前做交互設計的時候，我們流行一句話：把用戶當成傻瓜。

而數據平臺，因為可能本身就要求有一定的使用門檻，所以想成不會互聯網的傻瓜不太現實，那么我們就要想成“用戶是不懂數據的傻瓜”。他們或許也能通過一串串數據體悟到什么，但是如果是一條上升的退款率趨勢線，或許他們會體悟到更多——畢竟，上和下本身就是直觀的。然后再想一下，如果將這條線上加上一條警戒點的線，他們會知道從什么時候開始數據是異常的。再然后，就要設想，當他發現從7月12日數據上升后，想干什么？他會不會想了解是哪個行業上升了？他會不會想了解是那個渠道上升了？那么，就要提供行業和渠道的選項或者對比給他。

再然后，當他過問了這個行業的負責人后，負責人想不想再了解是哪個供應商或者哪類商品上升了？那么要如何將這些維度、層次都融合在一起，同時又能將用戶非常方便地去用呢？分析模型的建設至關重要，也可以說，分析模型是前期需求分析的最有價值的產物。分析模型應該會包含幾點：

? 主題的劃分：整塊分析會劃分成什么主題，比如銷售可能會分成銷售走勢及構成分析，行業排名，商品排名等

度量及指標：分析主題會涉及到的度量及指標的算法、定義等（這通常會產生一份指標以及維度的定義及描述文檔）

維度：要分別從什么維度去看這些指標和度量，如時間，渠道，這些維度是要篩選還是要對比

鉆取：這些維度本身有沒有層次，需要不需要進行鉆取，如渠道可鉆取到渠道類型，行業可鉆取到子行業，商品類目可鉆取到商品葉子類目等 輸出：分析需要用何種圖表進行展現

數據的ETL開發——數據的清洗，轉換，裝載流程占用了數據產品開發的大半資源，不規范的數據源會導致這一塊的資源更大程度的占用。比如同樣是供應商編碼，系統之一稱為供應商編碼，系統二命名為供貨商編碼，系統三命名為供應商ID，這三個系統同時是公司的系統，這種情況雖然想起來匪夷所思，但是現實情況卻也存在。雖然ETL開發是DW開發工程師在做，但是作為數據PD，焉能對這些工作缺乏了解，對ETL工程師反饋的問題，缺乏認知，不理解對于項目的潛在風險是什么？而且更多時侯，當遇到數據不規范，不統一的問題，數據PD需要反向驅動業務系統進行數據規范性建設，無論是功能上，還是驅動直接的使用方——如負責錄入數據的行業小二，建立一套錄入規范。這些工作看似和數據PD無關，我們大可以推脫說：那沒辦法，這是數據源的問題，不是我們功能的問題。但是，用戶是有權利選擇使用不使用你的數據產品的，當數據產品提供的數據不值得信賴的話，無疑是自取滅亡。一旦用戶對數據不信任，再想挽留他們，是很難的。即使有很多“無能為力”的借口,我們也不能坐觀其變。?

?

?

? 前端交互與體驗的優化——雖然內容定義好了，但是那么多度量、指標、維度、鉆取，如何劃分信息層級，如何劃分欄目，如何設計用戶的行為路徑？這些就不是數據分析師們的重要工作范疇。而是交互設計師？鑒于很多數據產品項目可能會沒有交互設計師，所以數據PD應該對內容進行封裝，進行信息架構、頁面布局以及圖表各種功能設計。設計，然后撰寫詳細的功能需求文檔，交付給產品開發，前端開發以及數據開發，以及前端展現開發四種類型的開發人員。

數據產品的功能描述文檔，除了產品開發部分，其他的就是在描述“內容”，即分析模型，除了主題、度量、維度、鉆取、篩選、輸出圖表類型，有些內容還需要詳細定義到 “排序方式” 等等細節，這就case by case來看了。

環境，技術，工具——或許做一個普通的產品，你把需求描述清楚，與產品開發工程師確認好可行性，接受資源評估就OK了。但是數據產品，受制于所部署的環境，所選型的工具，如Oracle，IBM的Cogos，以及SQL Server。其他的產品我不知道怎么樣，我們用的是Oracle BIEE。那么作為數據PD，是否需要了解BIEE能夠提供的功能是哪些呢？看文檔，請教別人，不能知其不可而為之。另外，也需要逐漸摸透BIEE的壞脾氣，實現不了的功能，無法克服的難點等。這一點，也需要繼續了解，繼續學習。數據產品項目流程

第四篇：數據產品經理崗位職責標準模板

數據產品經理崗位職責標準模板

1、App所有模塊的數據分析，探索及用戶數據分析和挖掘，提出產品需求;撰寫高質量的產品需求文檔，完成各環節進行把關，確保產品質量、項目進度。

2、進行數據平臺的搭建優化;負責數據相關系統前后端平臺及產品規劃、需求調研、設計與分析

3、依據不斷挖掘新的用戶屬性數據產生創新的應用，提供數據分析支持以改進產品需求、策略和推廣方式;

4、例行監控負責的產品并分析，建立起與用戶的聯系，收集用戶反饋，通過數據分析與競品分析，完成相關競品調研分析工作，進行產品策略的調整并升級產品功能;

5、參與業務產品運營過程，制定指標并參與模型設計分析，為產品優化和運營提供支持;

數據產品經理崗位職責(二)

1、負責公司電商網站的用戶運營/活動策劃推廣/商品和渠道運營等產品線的需求工作，深入了解業務，優化用戶體系，為業務增長負責;

2、分析業務部門與用戶需求，對同類產品市場資料的收集與分析，進行可行性分析及設計;

3、將用戶需求轉化為可實現的產品功能，輸出產品文檔;

4、協調內外部資源，負責需求跟進和落地。

數據產品經理崗位職責(三)

1.負責【TalkingData品牌廣告價值分析】的產品規劃，設計以及產品生命周期管理;

2.迎接海量移動設備數據基礎之上的數據產品設計的挑戰(___億+日活，___億+月活);

3.對公司交給產品任務能有有效的執行(PRD、產品交互原型、業務流程圖梳理);

4.對行業競品及趨勢有獨立的調研，確定產品信息架構建議;

5.對產品進行交互設計和用戶體驗優化的執行;

數據產品經理崗位職責(四)

1、負責綜合空間數據管理的c/s與b/s產品分析、產品設計;

2、負責空間數據資源體系規劃與建設、沉淀數據思路、逐步推進各種數據類型落地;

3、配合做好項目相關的技術支持、產品測試、客戶交流、進度協調、資料整合等相關工作。

數據產品經理崗位職責(五)

1.負責數據采集、加工、分析、呈現全流程的機制建設和產品設計;

2.了解大數據一站式平臺功能組成部分，負責整個項目的平臺搭建、項目推進、開發上線;

3.產品數據生產引入、數據加工處理、數據應用實踐，以及策略的產品搭建、落地和上線;協調并跟進項目進展情況，保證項目上線;

4.-充分理解平臺相關業務，為業務增長和用戶體驗提升提供數據服務支持。

第五篇：互聯網產品經理的必備利器(關于數據分析)

互聯網產品經理的必備利器

但凡上過招聘網，不小心點開過產品經理招聘啟事的人都不難發現，只要是個叫得上名的企業，在招聘這一崗位時，技能要求中都會有這么一條：“對數字敏感，有很強的數據分析能力”，數據分析技能對于產品經理的重要性便可見一斑了。

顯然，這里所說的數字和數據，不是指我們每月銀行卡里面多出來的那個，而是產品的數據，其中包括行業整體數據、網站運營數據、用戶數據、廣告投放/轉化率數據、業務/產品銷售量數據、產品投入/收益數據等等，所有這些數據構成的縮合指標，將決定一個產品經理的業績評定—當然，最終反映出來的，可能就是個人銀行卡里的數字。

在數據指標是很科學的體系的情況下，數據分析得出的結論確實比主觀的臆斷會更具有確定性和說服力。

那么，產品經理在管理一個互聯網產品時，到底需要關注哪些數據呢？

一般來說，我們主要關注的有以下幾個方面：

1.網站流量數據。比如訪問量、點擊量、瀏覽量、轉化率、停留時間等等。以上是基礎的指標，但結合到幾十萬網頁還有不同來源、不同時間的時候，就是非常復雜數據體系了。2.網站用戶數據。比如用戶人口的屬性特征：年齡、性別、行業、職位、地區等等；另外，還有用戶行為特征：登錄次數、注冊數、注銷數、點擊數、收藏數、操作數、訂購量等等。

3.訪談數據。可能有些公司會做一些調查問卷，如果能夠按照統計學規范設計成量表，那么這種訪談數據也是很有價值的。一般的統計就能從里面了解不少信息，如果問卷設計合理，還可以利用多元統計的方法進一步挖掘更深入的信息。

4.財務數據。比如總銷售額、毛利、純利潤、成本、廣告投放額等。產品是不是賺錢，能賺多少錢，是一個產品經理關注的重點，也是追求的目標。5.外部來源數據：行業市場份額、競爭對手數據等。

6.搜索引擎數據：搜索引擎來源比例、SEM流量所占比例、搜索關鍵詞以及各個關鍵詞產生的PV值等。

以上這些數據，是我們經常需要經常用到的，具體在使用的時候，還可能需要根據產品性質不同，KPI不同和職責不同，來選擇不同的數據類型，因為市場部和BD和老板所看的數據都是不一樣的。

對于一個產品經理來說，他不只需要像一個市場分析者或者財務分析者一樣了解數據結果，更要通過這些數據的積累和經驗進行更加細化的分析和研究，從而了解用戶是如何創造出這些數據的，以及為什么創造出這樣的數據。只有做到了這些，才能將繁瑣枯燥的數字轉化為運營能力的提升。

那產品經理如何才能做好數據分析呢？

首先，要擁有一個好的統計系統，沒有好的數據來源，再強的分析能力，也沒有用武之地。現在互聯網上提供很多，如CNZZ，當然也可以根據產品情況有針對性地進行自主開發；

其次，要持續關注數據的變化，最好有專人負責數據匯總和解讀。運營數據分析是一個數據持續積累和研究的過程，越多越細致的數據，越能從中獲得有價值的分析結果。

第三，要定出產品的主要考核指標，并進行定期的周度、月度、季度、或者某一個特別事件的專項數據分析，從而了解一個階段內的發展過程，了解發展趨勢；

第四，需要采用一些圖表，以增強數據的可讀性。有時候，再好的語言和文字，也不如一張圖表來得簡潔明了。

最后，除了自己的產品外，我們還需要時刻關注行業數據的變化，以及中國整體網民對同類型產品的偏好度、用戶屬性和變化情況。目前也有很多第三方公司提供這類報告，比如艾瑞、CNNIC等。

總而言之，數據分析是一個過程漫長，事務繁雜的工作，但只要你對它保持足夠的重視程度，堅持不懈地去做，卻可能有意外的收獲。