产品经理的数据分析能力

刚做完给新入职的产品新人关于数据分析的培训，培训的内容主要是一些分析工具的使用上，目的是为了让这些新人能够尽快的开始看一些产品相关的数据。

回忆起这些年自己的工作经历，始终在数据路线上游走。第一份工作是Business Objects的产品研发，Business Objects是一款BI前端分析工具。作为BI分析工具的研发人员，其实是不需要懂得什么BI应用方面的东西的。接着，做了Business Objects的实施顾问，这个逐渐开始接触到一些用户实际的数据需求，但仍然是停留在工具如何使用的层面给与客户支持。再后来，进入互联网企业的BI部门，密集地接触各种需求，也实际地融入了业务场景，可依然是隔靴搔痒。直到近两年，开始自己作为业务人员和产品经理分析自己的数据。可以说，是完整地走完了整个从技术到业务的进化历程。经历了这个过程，现在的感觉是工具的使用虽然是必不可少的“硬技能”，但是其他的一些“软技能”显得更为重要。

以我现在所处的互联网产品经理的角度来看，下面这些点就是所谓的这些“软技能”。

要有数据驱动的意识

没有数据驱动的意识，就是拍脑袋。脑袋可以拍，有时必须拍，但是万事拍脑袋，显然不靠谱。在我看来，产品的工作可以分为两类，一类是基于数据分析的结果进行的产品优化，这一类自然是数据驱动的。比如搜索产品，从日志中发现bad case，不断地优化搜索逻辑就是一个例子。另一类是基于产品经理直觉和洞察发现的产品机会，这些产品创意虽然不是来源于数据，但是还是得用量化的方法来衡量其成功与否。

所以作为产品经理，必须有看数据的习惯，并且对数据有起码的敏感度。这样，日常看数据的过程可能就能发现一些优化点，之后从数据的变化上来评估优化的效果。另一方面，在出现没有过往数据支撑的新想法的时候，要明确产品的目标和量化的衡量方法。这样即使拍脑袋，也是有章法的。

明确数据分析的目的和量化标准

在分析数据之前，首先非常清楚分析的目的和确定量化的标准。举两个工作中很普通的例子。

作为数据分析师，有产品经理对我说想看看“酒店周末订单的Booking Window（预定日和入住日相差的天数）分布”。先看这句话，似乎已经描述得很清楚了，但是实际操作的时候发现，这个“周末”指的是下单日的周末还是入住日的周末，还是离店日的周末，并没有明确。可见自然语言的表述充满了歧义，平时我们对话中看似已经足够明确的表达在翻译成数据语言的时候就显得含糊不清了。在深入下去想，产品经理为什么想要知道这个“周末订单的Booking Window分布”呢？进一步沟通发现，产品经理是想通过数据来决定一个促销周末入住产品的促销活动应该放在周中哪几天做。这样看来，是不是应该看入住日周末的订单按下单日的Day of Week分布更靠谱点呢？

另一个我自己做产品的例子。有个表单，想去掉其中的一个输入框，因为直觉上，大家都觉得这个用户输入这个框的概率比较低，放在哪儿反而容易引起用户的困惑和错误输入。当时没有数据支持，老大就问，如果看这个数据，输入那个框的用户的比例高于多少，你会决定不去掉这个框。当时我们就拍了一个10%的比例。这个例子想说明的是，在看数据之前，应该事先考虑一个量化的标准，通常是当数据不完全验证直觉时，要确定过了哪条线就应该放弃原来的想法。

注意统计口径

作为网站产品经理，经常会看访问量、订单量之类的数据。任何统计指标，都有各种各样的口径。访问量，是PV、visits还是UV，甚至是entry。订单量，是按下单日期看，还是入住日期，只看有效订单还是所有订单，要不要区分订单类型，要不要限制营销渠道。口径上的一点差别，往往会差之毫厘，谬以千里。说起来，这些都是细节，但实际工作中，设置完条件后数据往往需要“跑”一段时间才能出来，口径上的问题导致数据反复重跑，浪费大量的时间，让人心情沮丧。所以在“跑”数之前，要仔细检查设置的口径是否正确，磨刀不误砍柴工。

验证数据的正确性

再仔细的检查也难免失误，如果不能及时发现数据里的问题，错误的数据可能导致错误的决策。这个损失就不是产品经理的一点时间和工作效率的问题了。

根据以往的经验就可以大概判断一个数据有没有问题。比如一个营销渠道的订单量，以往每天都占25%左右，某天突然升高到40%，是不是很值得怀疑呢？通常不是这个营销渠道的投放策略有变化就是数据有问题。另外，数据之间往往是有关系的，发现流量和转化率都提升了，而订单量在下降，那一定其中至少一个数据有问题嘛。

看数据的时候，要时刻保持怀疑的态度。一旦对数据有疑问，要立即检查取数的过程有没有问题，是否有外部因素导致数据和经验值有较大差异，各个不同的数据之间的逻辑关系是否通。

以上，大概是我理解的产品经理需要具备的一些数据分析能力。数据分析并不能说是产品经理的核心工作，产品经理的大部分精力还是应该集中在产品的方向、规划、设计以及项目的推进上。保持一定的数据敏感度，有明确的分析目的，再加上一些方法保证较高的效率，对于产品经理而言就足够了。