职能篇

一、解释

对业务/运营所提出的问题，结合数据解释产品或功能的核心指标的走势与背后的原因，往往还得细化到多个维度。基于这些解释进行总结或提前预警，保证产品与功能正常运营。

二、验证

对新推出的产品或功能，通过简单的时间/地理/渠道维度的对比或AB Testing，剔除各种噪音，最大化逼近真相，并验证其效果或影响。

三、探索

通过研究内外部数据，验证与探索用户需求与痛点，提供业务/运营上的机会点。

四、传播

基于内外部数据，制作有见地有传播性的图文文章，便于在不同渠道进行传播。

产品篇

一、数据产品界定

以数据为主的自动化产出的产品形态，其中自动化产出用以区分数据研究咨询公司直接输出的数据报表。

从用户群体区分，可以分为三类：

1、企业内部使用的数据产品，如自建BI和推荐系统；

2、针对所有企业推出的商业型数据产品，如Google Analytics和GrowingIO；

3、用户均可使用的Google Trends和淘宝指数等；

二、数据产品需求

实时监控业务/运营数据，抓住问题与增长机会点，持续优化产品或功能效果。

三、数据产品设计

1、面向的用户和场景

（1）不同用户有不同的价值，从数据产生的价值来看，高层的正确决策可以省下无数成本。

（2）不同层级用户关心的数据粒度不一样，需要不断提供下一个颗粒度的分析以及可细化到最细粒度的入口，数据分析本质就是不断细分与追查变化。

（3）不同类型的用户使用数据的场景不一样，需要围绕这些场景做设计。如业务部门的同事，外勤期间需要移动化和自动化数据。

2、产品价值

（1）先判断核心需求，用Demand/Want/Need方法，用户要可乐（Demand），如果没有可乐满足用户，但其实他只是要解渴（Wand），需要的只是一杯喝的（Need）。

（2）后判断需求价值，用PST方法，x轴-用户痛苦程度，y轴-同样痛苦的用户量，z轴-用户愿意承担的成本，三者相乘的结果才是这个需求的价值。

3、分析思路

区别于普通产品经理的核心能力，需明确以下原则：

（1）数据产品设计理念，应从总览到细分，并且不断对比；

（2）总览要提纲挈领，简明扼要，让用户了解当前发生问题的大概方向；

（3）细分应提供足够丰富的维度，且落实可行与业务密切相关；

（4）数据本身没有意义，数据的对比才有意义，数据产品的核心是把这种对比凸显出来；

4、数据准备

基于分析思路，确认数据的完备性，从采集、清洗到聚合，其中采集过程中最常见的问题是无数据埋点，埋点方式出错或埋点数据受特定因素污染。

5、组合展现

常见的数据产品形态有，着重于数据呈现的邮件报表类、可视化报表类、预警预测类、决策分析类；着重于算法的用户标签、匹配规则等。对于可视化报表：

（1）指标设计

明确什么类型的产品适用什么样的指标，如电商核心指标包括订单转化率、订单数、订单金额等，设计时需注意：

a. 逐层拆分，不重不漏，即MECE原则；

b. 确保指标能明确表达含义，为上层的分析思路提供依据；

c. 明确指标定义，统计口径和维度；

（2）指标呈现

a. 同时着重展示指标不超过7个，5个比较合适；

b. 在设计指标的展现时，明确指标之间的主次关系；

c. 为合适的指标选择合适的形式，趋势-曲线图，占比-堆积图，完成率-柱状图，完成率对比-条形图，多个指标交叉-散点图

四、数据产品输出

1、数据前台利用（展示和算法）

（1）前台数据展示，主要通过数据结果影响用户的判断与理解，如墨迹天气建议今天穿衣；

（2）前台列表排序遵循的算法或逻辑，影响用户行为，如淘宝的排序算法；

（3）个性化推荐系统，提升产品价值，如亚马逊的你可能感兴趣的商品；

2、数据后台利用（表格、可视化、预警等）

（1）数据表格，相关部门关心的数据，根据业务发展情况，不同时期有不同的要求；

（2）可视化，相关部门希望看到的数据，能清晰理解数据，并进一步做判断；

（3）数据预警，提醒相关部门看的数据，需要关注的指标需设定警报，用于提醒关注；

3、数据外部引用于对外输出

（1）第三方数据工具，来自于别人的数据，如百度统计、淘宝指数等，需消化并融入自己的系统；

（2）数据对外输出，提供给别人的数据，输出数据给外部合作对象进行查看和引用；

（3）对账，对比别人和自己的数据，防止对方的作弊或错误给自己造成的损失；

以上内容均摘自知乎：数据产品经理是做什么的？