您的位置首页  新兴能源  地热

系统性地讲一下,数据产品经理这个岗位是干啥的?

  • 来源:互联网
  • |
  • 2022-05-13
  • |
  • 0 条评论
  • |
  • |
  • T小字 T大字

系统性地讲一下,数据产品经理这个岗位是干啥的?

编辑导语:数据产品经理做的产品,通常都是围绕数据的生命周期的各类工具。这个岗位具体要做哪些事呢?又需要掌握哪些经验?本文作者根据自身经验,分享了数据产品经理这个岗位,一起来看一下吧。

编辑导语:数据产品经理做的产品,通常都是围绕数据的生命周期的各类工具。这个岗位具体要做哪些事呢?又需要掌握哪些经验?本文作者根据自身经验,分享了数据产品经理这个岗位,一起来看一下吧。

作为一个在数据产品经理行业干了六年,一线摸爬滚打成长起来且带过团队的数据产品经理,试着回答一下这个问题。

01 数据产品经理分类下的产品们都做哪些事

首先为什么会有数据产品经理这么个分类,最主要是为了招聘方便。

数据产品经理做过的产品,通常都是围绕数据的生命周期的各类工具。巧妇难为无米之炊,首先一定要有数,所以首先会有上报采集的工具,比如埋点相关的工具、爬虫相关的工具等。

有了数据就需要将数据进行清洗转换成可供业务直接使用的干净数据,这一类产品通过是围绕满足应用的数据供给来设计的,被使用的数据表现出来就是表、指标或标签,而工具就是用于数据的生产,这包括生产加工的工具,也包括数据治理的工具。

就比如阿里的一站式数据生产平台Dataworks、阿里数据治理工具Dataphin、美团的数据治理工具起源、以及各公司内部比较个性化的用于画像标签加工的工具等。

有了数据那就可以提供给给业务用了,场景通常用在业务前期找机会定目标、中期做监控定位异常后期搞复盘发现规律的各种分析工具,数据能够稳定地表达出来且快快地发现insight是这类产品的基本能力,就比如阿里QuickBI、字节风神、微软PowerBI、亚马逊QuickSight等。

业界也有一些三层一体的一站式产品,比如 Google Analytics就是从流量数据采集到流量分析,神策也是同样提供数据埋点的SDK和埋点管理工具,到最终的用户流量分析活动投放的一站式数据产品,这都是从用户价值出发,为了尽可能让最终用数的人不需要专门的数据研发团队支持的情况下,有数可用。

其次除了做工具,还有一个数据产品经理分支是偏分析和数据内容的建设,能够完善数据分析过程所缺失的数据。

数据分析应用层面不仅需要工具,很重要的还要有数,就好比我们开了个店,里头还得有商品,做内容的产品经理就像店长选购商品,用户的需求恰好能过得到满足,商品本身又都是物美价廉,容易获取的。

打个比方业务要对拉来的新客做销售情况的分析,从而发现拉来新客的质量。

这最基本的需要数据里头有新客的数据、订单的数据才能完成,在分析的过程中可能会有购买的频次、销售的商品分布等等,通常分析工作是前期有个大框架,在实际分析中会根据发现的问题和洞见再追加数据。

可见不能等到需求来了再建数据,而需要产品经理快速跟进业务目标和策略调整做好提前规划,如果做得不够好,会让整个公司的分析效率很低,只能发现浅层次的洞见。

表是原材料,指标和标签则是成品和半成品。通过采集得到的数就是原材料,如果每次只有原材料,用数的人要自己加工才能解决饿的问题,那对于很多人来说吃好不是一件容易的事,为了让更多的人吃好,就需要提供更满足用户需求的食品类型。

作为数据内容的数据产品经理,考虑提供什么形式的数据内容也是很重要的事,比如指标和标签是带业务含义的,基本人人都能懂能用,而表需要会写SQL才能得到数,如果内容不能很好的组合,让业务需要花比较多的时间去找数理数,可能会导致数据只有非常专业的人员才能受用,公司为了做好分析这件事需要花费的人力成本会非常高。

通常表在各个公司都是默认形式,如何做好指标和标签供应并不是一件简单的事。

所以数据产品经理通常是有两类,一种是建设数据内容,二种是建设数据工具。如果是业务比较复杂的大厂,数据产品经理会分属于业务和中台团队。

大部分在业务的数据产品核心职能是第一种,必须业务提供够用好用的数据,辅以在分析应用层会做一些让业务更好用数的工具,几乎不会涉及到采集加工处理的工具。

而大部分在中台的数据产品主要职责是第二种,在数据生命周期的不同阶段提供各种工具,让数据能更高效的运转起来。

02 为什么产品分类对于招聘很有帮助

不都是产品经理么,为什么招聘数据产品经理,会优先看做过数据产品的候选人呢?

数据最终是要被用起来的,数据用的爽不爽,指的查起来能快则快,质量要高别总对数,知道数在哪别到处问等等。

数据要查得快和数据量及存储引擎有很大的关系。为了让数据快快地查出来,通常会将数据按照业务场景(又称之为主题)组织放到OLAP引擎里头,而一些没有组合在一起的数据,则可以通过放在Hive引擎的明细宽表里进行查询,这时查询结果需要等一等,具体等多久这和数据量以及机器资源量有很大的关系,当前还没有一个引擎能把所有的数据装在一起还查的快。

这其中就是空间换时间,时间换空间的平衡,大量的数据研发工程师就是在不断的倒腾优化数据组合。

数据出错了,或是不一致了,除了不小心写的Bug或是发生故障,更大的可能性是开发ETL逻辑写错了不自知,比如有一个DAU的指标,这个DAU应该从哪个表什么逻辑来取?假设研发在开发的时候不是那么清楚,稍微产生一丢丢的逻辑偏差都会导致用的数据是错误的,这种错误在初次上线即使可以避免,在指标更新的时候也很难确保每次都是理解没有偏差的。

豪不夸张,对数依然是很多公司在做业务分析时花费最大精力的事,可见高质量供给这个事还是个有很大提升空间的事。

回到让数据查起来能快则快,质量要高别总对数,知道数在哪别到处问这个极度合理的用数需求,要做好这件事,意味着数据产品经理需要对存储数据的引擎有足够的了解,掌握一定的数据建模理论和数据测试方法,这也是为什么数据产品经理招聘的时候,只会招有相关经验的数据产品经理,通常大厂也会选择从校招培养。

大厂从校招培养,也是有原因,因为能满足大厂需求的数据产品经理并不多,原因是数据产品的方案选择和数据量有很大的关系,比如小厂的数据全部都放在mysql就解决了从从流量到供给到交易的分析,数据完全不需要多份存储,随查随用,完全没有接触过查询慢了队列调配的问题。

指标管理功能也只是把指标定义清楚,根本不会涉猎所谓的动态选表这种复杂的逻辑,照搬经验只会是灾难。

03 数据产品要掌握什么技能呢

这个话题在上面已经略有涉猎,这里我还是稍微再展开说一说吧。

要成为一个好的数据产品,需要有扎实的数据专业知识,还需要有通用的产品经理技能。这两者缺一不可。都说产品经理是一个低门槛的事,但其实数据产品经理并不是。如果这些技能表现出明显的不足,通常在1-2年就会遇到瓶颈。

1. 数据专业技能

扎实的数据专业知识,就是数据采集、加工到应用全链路的一些知识,这些知识可以在做的过程中积累,比如行业常见的数据引擎以及特性、数据建模方法、会写SQL,掌握一些基础的分析方法和技巧。

这些知识通常学校都不会教,所以能成为好的数据产品的人通常都会很强的学习能力,或者很强的交友能力,我认识的很多数据产品经理快速补齐这块能力都是因为找了研发男朋友/女朋友手把手教会的。

2. 产品通用技能

通用的产品经理技能,好的产品经理通常是逻辑能力很强,能看到问题的本质,这里我推荐大家看一本书《学会提问》,这本书能够帮助你提升看到现象理解事情本质的技巧,以及最好了解一些经济学的知识,经济学除了帮助我们很好的理解世界之外,还有一个非常重要的基础是tradeoff的能力。

产品方案的好坏其实是取舍来的,就像我们看任何一款产品,功能都是可以继续完善的,为什么当前只有这些功能?

我们就拿熟悉的微信吧,为什么新开的公众号没有留言功能,这是基于什么样的思考和取舍得来的,大家可以试着想想,发现问题看到本质学会取舍找到最优解法这是产品很重要的技能。

数据产品经理的通用技能和B端产品经理会比较类似,这也是我在做招聘的时候,会从B端产品经理的简历中挑选候选人,这在于他们也需要非常强的逻辑能力、结构化思维能力,表现出来就是有能力将复杂流程梳理清楚,通过流程的梳理有助于还原事物的本质并进行改善。

3. 数据产品经理有什么需要注意的

数据产品经理有一个需要特别注意的点,就是关注你的用户是怎么用你的产品,以及多用你的产品,成为最了解你产品的人。

这个问题在数据产品经理面前实在不是一个简单的问题。造成这个问题的原因是,数据的生命周期很长,很多环节的工具离最终用数的场景又比较远,甚至产品经理都不一定具备用好自己产品的全部技能。

关于关注你的用户是怎么用你的产品,这个我给出的实践建议是往上看两层,往下看两层。

比如你做画像标签平台,向下要了解生产过程你要了解画像标签是怎么生产出来的;向上要看画像标签是怎么用的,沉淀到画像平台的标签是什么,以及画像标签都用来做什么。

为什么要做到两层呢?我举个画像标签生产工具的例子,假设你只了解存了什么标签,那你会是一个能生产标签的工具;如果你了解标签用在哪,那会是一个有好的标签服务的工具。

比如有人在工具里上线了一个标签是“在直播间唱过国歌的用户”,如果你去了解一下场景,可能会发现在两会期间这样的行为是被禁止的,那你就考虑为标签建立更靠谱的质量保障的能力,也因为有了你这个恰到好处的考虑,会减少了很多特殊时期的运维工作量,有这样的循环,你会对你的产品有更深的理解。

04 数据产品经理的发展可以有哪些方向

我们上面说到B端数据产品经理是可以转到数据产品是很有优势的,那数据产品经理如果想转型又有哪些方向可以试试呢?

如果还想继续发挥出数据知识的专业技能,以下两个方面都是可以试一试的:

1)客户拓宽

同类产品从服务内部用户扩宽到服务更多的外部用户,当你的客户涉及到外部客户的时候,判断逻辑就不仅仅是需求的合理性,当遇到大客户和小客户的需求产生冲突要如何满足时,做出的判断通常会涉及到公司产品走向和商业的盈亏。

这些问题都是只服务一个客户不会遇到的,比如在公司内部做数据分析工具和做QuickBI、风神、Fine Report那肯定是不一样的。

现在消费互联网积累的产品经验完全可以在产业互联网发挥出来。产品互联网在中国还没有彻底爆发,我之间写过一篇《以Salesforce的发展看Saas中美发展差异 》,中国的产业互联网的时代早晚会爆发,数据要素越来越重要,这绝对是数据产品经理非常好的机会,保持敏锐谨慎辨识。

2)用户场景的拓宽

比如面向公司内部做商家经营分析,和直接提供给做面向商家经营分析的工具,就像面向商家的阿里的生意参谋,需要站在商家的角度看投入产出,商家在使用这个工具的时候都会算一笔账,他使用这个工具会带来什么样的收益,这和内部用户也是不一样的,商家需要生意参谋得真的能帮他带来销售业绩的提升,这可能是在直播期间能够发现最适合的商品组合。

如果你对文中哪个内容感兴趣也欢迎留言,我可以展开来讲讲。对于未来有哪些发展方向,我本身想的并不是实践得来,欢迎交流。

本文由 @Yuki 发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

肉的部首 http://www.cityruyi.com/lm-4/lm-1/13105.html
免责声明:本站所有信息均搜集自互联网,并不代表本站观点,本站不对其真实合法性负责。如有信息侵犯了您的权益,请告知,本站将立刻处理。联系QQ:1640731186
TAGS标签更多>>