数据帮助产品决策怎么做

‘壹’ 浅谈数据产品管理实践

 近些年来，随着增长黑客、精益化运营、大数据、AI等概念大热，数据产品、数据产品经理曝光率也不断攀升。公司也于2017年初开始推行数据化战略，取得一些成果，上线了数据仓库、数据云平台、数据监控、自动化审批等数据产品。 但什么是数据产品？数据产品如何解决公司业务问题？如何设计有价值的数据产品？数据产品经理需要具备什么能力和特质？本文将围绕数据产品设计开发管理，结合公司一年来做的数据产品，与大家一起探讨分享，以期各位同事了解数据产品的价值和特点，未来更好的利用数据产品和提出更有意义的需求。

1 数据产品的定义
       简单讲，即以数据产品是能帮助用户发挥数据价值去辅助用户决策或行动，以数据为主要自动化产出的产品形态。强调自动化产出是区分类似数据研究咨询公司的咨询报告、手工报表。接下来数据产品又可以进行细化：
       通过用户群体可以分为三类：
企业内部数据产品，如开篇讲到我们公司的BI 、自动化审批、数据监控等；
商业型数据产品，如谷歌的Google Analytics；
用户均可使用，如淘宝指数。

2 数据产品的意义
       当我们推出一个新的产品功能的时候，是否是符合用户预期的，是否是受用户欢迎，我们需要通过数据来说话。 在 Facebook 中，直接汇报给扎克伯克的增长团队就有两个数据团队做数据的采集计算和展示。Facebook 所有数据的监控，以及根据效果持续优化工作都由他们负责。 Facebook对数据驱动的重视程度有一个例子很好说明，曾经一个 VP带领的 30 人团队花了一年时间改版主页，在灰度上线三个月期间因数据表现不佳，直接回滚。 Facebook 通过可量化的数据对新功能进行客观反馈，从而驱动下一步的产品决策。
       彼得.德鲁克有句名言：if you can't measure it, you can't manage it.

3 数据产品如何设计
      关于这个问题我们可以拆解成五步来解答：
     -面向什么用户和场景
     -解决什么问题或带来什么价值
     -分析思路是什么
     -用到什么样的指标
     -怎么组合展现这些指标

1）面向什么用户和场景
       产品设计先要明确面向的用户和场景大家并不陌生，具体到数据产品用户和场景的特点有：
       -不同用户有不同的价值：特别是面向企业内部产品。从数据能产生的价值来看，高层的一个正确的决策可以节省下面无数的成本，不能单纯从产品使用用户数来衡量产品的价值；
       -不同层级用户关心的数据颗粒度不同：产品设计时需时刻记住数据呈现的主次、不同颗粒度的分析以及最细粒度的入口。数据分析本质就是不断细分和追查变化；
       -不同类型的用户使用数据的场景不一样，要围绕这些场景做设计。比如我们分公司分总、团队经理们，工作繁忙且甚少坐班，那么移动化和自动化就很关键。在设计的时候，原则就是通过手机界面展现关键指标，分析结果简要清晰，较少分析功能。而且在某些指标异动时能及时通过手机通知。而办公室的数据分析师，则 PC 界面更多细化分析对比的功能。 即将上线的管理决策系统就充分考虑这些场景，业务线通过手机APP浏览查看并支持指标异动的通知；另一个业务数据监控产品，则将细致的分析呈现在PC界面上。只有充分了解自己的用户和使用场景，保持长期有效的沟通，才能设计出更好用的产品。

2）解决什么问题或带来什么价值
      即明确产品需要满足用户的什么需求，有怎么样的迫切程度和价值。
      首先判断用户的本质需求，可用 Demand/Want/Need 方法分析。用户说来杯可乐（Demand），如果他最需要的是解渴（Want），那么一瓶矿泉水或者宝矿力会更适合他（Need）。
      其次判断需求的价值，基于两点：这个需求满足的是否是核心用户；是否是刚性需求。核心用户衡量公式“人数 * 单用户价值”，我们心里要有“不要为了次要用户的需求去干扰核心用户的正常使用”的观念，更不要因为有些数据产品只有公司几个高管使用而觉得缺乏成就感；刚性需求的判断，可以从需求有无替代方案、发生频率（可以结合何时何地的场景来思考）、持续时间等因素综合考虑。

3）分析思路是什么
      明确问题后应该通过什么样的思路进行分析？需要明确以下原则：
      -数据产品经理要有数据分析能力，才能更好创造更大的数据价值；
      -数据产品设计理念，应从总览到细分，多维度不断对比；
      -数据产品的总览页面设计应提纲挈领、简明扼要、主次分明，帮助用户快速定位了解重要信息数据和重要异常问题，而不是浸泡在无序繁复的数据细节之中；
      -数据的细分应该提供足够丰富的维度便于分析。每次细分必须带着指标下去，所有分析的结果必须可以落实到动作执行，并与业务紧密相关；
      -数据本身没有意义，数据的对比才有意义。数据产品的核心就是凸显对比，这点是数据产品经理的差异化能力，同时要求甚高（如下图业务数据监控产品）。既需要丰富的产品设计经验，也需要深刻的业务理解能力和数据分析能力。

4）用到什么样的指标
      分析思路需要相应的数据支撑，需要确认数据准确完备，包括需要哪些数据指标、数据来源和字段等。在确认的过程要注意以下两点:
     -数据的完备性需要提前明确所有的数据是否已经准备完全。数据的采集，清洗和聚合工作是数据准备环节的核心内容。如果需要的数据没有及时采集或没有经过清洗，会让整个工期增加极大的风险。
     -数据的准确性在很多时候临到使用，才发现这个埋点的方式一直都是错误的，或者发现这个指标计算的方法没有把某种因素排除掉。原因多是部门众多口径繁杂，缺乏统一数据定义和质量监控管理。 公司为了治理这个问题，专门由数据分析中心牵头，产品与业务部分参与梳理。与此同时，为了更好的采集数据的完备和准确，我们在数据采集埋点的方案选择上也积极求变，与优秀的第三方数据服务商神策数据合作。

5）怎么组合展现这些指标
      关于数据产品用怎样的产品形态组合展示指标，常见的数据产品形态有着重于数据呈现，比如邮件报表类、可视化报表类、预警预测类、决策分析类等；着重于算法类的，比如用户画像、匹配规则等。
这里探讨一下着重数据呈现的产品形态设计思路：
      -指标的设计，首先需要明确什么类型的产品适用什么样的指标，如项目核心的订单转化率，放款金额，逾期率等。
逐层拆分，不重不漏。如将逾期分析拆成逾期率、逾期笔数、逾期金额，各节点也可以往下细分出逾期分布，不同的产品、不同的城市还会拥有不同的逾期表现，一层层往下分拆；
确保指标能明确表达含义，为上层的分析思路提供依据；
明确指标定义，统计口径和维度；
      -指标的呈现，即数据可视化。它不仅是UI设计师的工作，对数据产品经理也提出很高要求。因为它涉及到别人怎么去理解和使用你的产品。一方面需要持续阅读相关专业的书籍，另一方面，需要观察学习足够多的优秀数据产品。具体到数据的可视化图表设计上，一些经验有趋势用曲线图，占比趋势用堆积图，完成率用柱状图，完成率对比用条形图，多个指标交叉作用散点图。根据不同指标选择其合适的形式。

4 数据产品对数据产品经理有怎样的要求
       前面讲关于数据产品设计，那么如何确保按正确的符合企业需要的数据产品顺利的设计开发上线呢？即数据产品经理需要具备哪些能力才能胜任，概括的讲有以下四个方面的能力模型：
      -数据分析的能力：要懂分析，不然就会变成一个只出报表的传话筒，要懂数据的产生逻辑，要能建立一个业务模块的数据指标体系，不然，出来的东西会比较乱，可能迟迟上不了线；
      -数据展现的能力，即可视化的能力；
      -商业模型的理解能力：商业理论要了解，才能给抽象成报表和分析页面，而不同的商业理论适用于不同的企业和企业不同的阶段，除了保持商业理论的持续学习更新，还需要结合企业实际情况选择执行；
      - 一般产品经理的能力如需求分析调研、逻辑沟通、快速学习等能力；
       除了对能力有专门的要求，数据产品设计开发过程中，数据指标梳理是一件非常繁琐的事情，另外在进行数据分析，在一大堆数据里刨来刨去，很可能半天也没有结果，这样就需要数据产品经理的性格能沉下心，能耐得住寂寞和有些枯燥的工作，所以对数据产品经理比一般产品经理有一些不同的性格要求。比如一般产品经理要求会玩，性格外向活跃，而数据产品经理表现的就会偏沉稳和内敛。

      从数据产品经理的能力模型可以看出，既要懂数据，懂产品，又要懂商业，还有性格，要求相当高。公司2017年初启动数据化战略，由此可见，数据产品经理团队的组建是一件有挑战性的工作，在火热的数据人才市场，于去年8月完成组建工作。全面的数据产品经理难求，但我们力求形成全面而富有战斗力的团队，作出优秀的产品

‘贰’ 企业如何利用大数据决策

企业可以利用大数据来提高决策的准确性和效率。这里有几种利用大数据进行决策的方法:

• 数据挖掘: 企业可以使用大数据挖掘技术来发现隐藏在数据中的规律和关系。这些规律和关系可以帮助企业更好地了解市场趋势和客户需求，并且可以用来预测未来市场趋势。

• 可视化分析: 企业可以使用大数据可视化工具来分析数据，这样可以帮助企业更好地理解数据的意义。

• 预测分析: 企业可以使用大数据预测分析技术来预测未来的市场趋势和需求。这样可以帮助企业更好地规划未来的业务策略。

• 决策支持系统: 企业可以使用大数据决策支持系统来帮助决策者更好地利用数据进行决策。这种系统可以帮助决策者更好地了解数据，并且可以提供建议来帮助决策。

这些方法都需要大量的数据支持，需要对数据进行清洗，处理和建模，并且需要一系列技术支持，如：数据挖掘、机器学习、数据可视化等。

重要的是，企业在利用大数据进行决策时，要结合业务场景和需求来进行选择性地使用这些方法，并且要确保数据的准确性和可靠性。

此外，在利用大数据进行决策时，企业还需要注意以下几点:

• 数据安全: 企业要确保数据的安全性和隐私性。

• 数据治理: 企业要建立数据治理体系，确保数据的准确性和可靠性。

• 人才培养: 企业要培养大数据人才，提高员工的数据分析能力。

• 数据和业务融合: 企业要将大数据与业务融合，使大数据成为企业决策的重要依据。

‘叁’ 如何做出正确的产品组合决策

对大多数企业来说，开发资源是极其宝贵并稀缺，因此不能浪费在错误的项目上。但企业的开发管道中的很多项目都是不容易成功的，或者项目在市场商业化中失败（表现不佳）或者在产品发布之前被叫停，一般[张乐飞1] 七个概念中只有一个能真正地取得商业化的成功。因此，项目选择（选择正确项目进行投资的能力）就成为企业领导者团队为了达到在有限的开发支出下最大化产出率的目的而要完成的一项重要任务，此时就需要产品组合投资管理委员会做出决策。

产品组合管理审查委员会是首要的决策管理机构，包括对现有产品、开发中的产品，以及处在各个计划阶段项目的投资进行指导和优化。更重要的是这个委员会对于所有产品投资拥有最高的批准和否决权。图7-16所示的是一个典型的跨部门产品组合投资管理委员会的构造。注意这个构造与第1章中提到的跨职能产品团队结构相似，他们之间的区别在于级别高低，产品组合投资管理委员会是由高级业务领导者构成的。

图7-16 产品组合投资管理委员会

这个由高管组成的产品组合投资委员会负责跨产品和跨职能的整体决策，尤其是对于各个产品和产品项目的资金分配问题。理论上讲，这个委员会应该要对在其职权范围内产品线上工作的跨职能产品团队起到监管作用。要充分发挥产品组合投资管理委员会的作用，委员会的成员就需要经常沟通互动，同时也与他们所监管的跨职能产品团队经常沟通。在做出产品组合相关决策前，委员会需要对目前状况以及需要做什么进行仔细分析，从而帮助公司实现战略目标。具体成一些需要讨论决策的问题如下。

Ø 应该取消开发中的产品吗？

Ø 应该对一款成熟产品进行升级吗？

Ø 应该对市场份额增长进行投资吗？

Ø 是否应该为某个产品线的成本控制进行投资？

Ø 是否应该提升产品品牌在某个区域内的认可度进行投资？

Ø 是否应该对其他市场组合元素进行投资，如新的分销渠道，或者更多的广告和推广？

Ø 是否应该投资更多元化的产品，以此来最小化我们在某一产品类别中所面临的风险？

Ø 是否应该叫停某些产品？

为了让产品组合投资管理委员会对产品线进行可行和有效的审查，就需要有可用的方式来获得详细的项目和产品数据。获得这些数据最高效的方法是企业拥有完整的数据管理体系，可以随时从系统中获取信息（如7.3小节所讲述的数据指标），包括一些其他辅助的数据来源。数据可以帮助委员会将那些可能进入企业的产品业务可视化。同时，这个方法也能帮助委员会衡量一些将要打分的决策标准，从而找到对产品投资可能的最佳方案。

最后产品组合投资管理委员会需要做出行动。然而，即时有了正确的数据和工具，委员会也经常没能做出合理的决定。有些委员会将资金分配给一些表现并非出类拔萃的项目，而有些项目，他们发现了问题却没有及时叫停；还有一些委员会拒绝将资金分配给那些需要改进的产品项目；还有很多委员会被那些看起来高增长的，比如30%增速的项目所吸引，但后来发现事实并非如此而非常失望。我想说的是，即使是有了数据，产品组合的决策也始终都是个挑战。

‘肆’ 为什么企业需要数据来做出更好的决策

在生活的几乎每一个领域，我们正越来越多地产生越来越多的数据，而企业发现的最有价值的用途之一是帮助他们做出更好的决策。

这种情况一直在发生，而且可能是一个人工过程——例如，花时间审查求职者的“领英”资料，以帮助做出更好的招聘决定。或者确定我们产品受欢迎的市场，以锁定销售资源。然而，最令人兴奋的数据应用是自动化的，用于解决企业所面临的大问题。例如，当UPS开始使用位置数据和交通信息，结合人工智能其送货卡车网络制定路线时，大量节省了燃料和工资成本，并极大地减少了其能源足迹。同样，包括亚马逊和沃尔玛在内的零售商利用客户的购买 历史 来预测客户想要购买的产品，而且准确度越来越高。“网飞”纯粹从用户使用其服务的方式来了解他们，了解他们喜欢什么内容，什么会让他们关闭，以便让他们对其服务着迷。这些都是自动发生的，不需要任何人类员工动一根手指头。

更加明智的决策意味着做出最有可能帮助公司实现其目标的决策。传统上，决策背后的驱动力是企业领导人的经验和直觉。而不幸的是，这也是90%的小企业和初创企业失败这一令人不安的统计数字背后的主要原因之一。当然，经验和直觉是有价值的，但研究证实，基于数据（而不是直觉或经验）做出决定的企业，其盈利的可能性要大19倍。

这有很多原因，其中一个最大的原因是世界在变化，客户的期望和行为也在变化。而我们自己的个人信仰和想法，则往往不会改变。也就是说，一旦我们找到了有效的东西，我们就不会期望它停止工作。我们不能总是相信我们会有足够的思想和远见来预测每一个可能出现的破坏性事件或竞争者，并将我们的世界颠覆。想想Blockbuster Video拒绝了收购“网飞”的机会，甚至雅虎也拒绝了以100万美元收购谷歌PageRank算法的机会。

在这两个案例中，以及每天都在发生的更多案例中，做出了错误的决定，因为企业领导人（具有良好业绩记录的成功人士，他们将自己的公司带到了新的成功高度）根据自己的直觉和经验做出了决定。

数据驱动的组织

今天，大多数公司都声称在某种程度上是数据驱动的——这是一个非常时髦的说法。但我相信很多人在他们的职业生涯中都有过这样的经历：在一家公司工作时，它说自己是数据驱动的，但只有当数据恰好与领导层的信念或直觉一致时，它才是真正的数据驱动！我相信这一点。

成为真正的数据驱动意味着在做决策时将数据作为唯一的真理点。这意味着所有的决策，从有关战略和目标的高层决策，到涉及个别客户或员工的问题。

有四个关键领域，数据可以帮助做出更好的决定。它们是：

与客户、市场和竞争对手有关的决策——这涉及到尽可能多地了解你的客户是谁，以及他们可以有哪些选择。这就是像亚马逊、沃尔玛和乐购这样的公司如何了解如何向特定的人宣传特定的产品，应该如何定价以使企业具有竞争力，以及随着世界的变化和人们在生活中的不同阶段，习惯会如何变化。在这里，数据意味着我们可以更有效地满足客户的期望，并领先于竞争对手。

与财务有关的决策——这是一个企业着眼于销售趋势、现金流循环、收入预测和股价走势，以便围绕预算编制和成本节约措施做出决策。在这里，以数据为导向意味着更准确、更有效地平衡账目和推动增长。

与内部运营有关的决策——这是UPS等公司通过自动规划其送货路线来提高效率的地方，制造商通过使用人工智能优化机器和流程的运行来降低成本（并增加利润），实现预测性维护等范式--提前知道何时会发生故障和需要维修，以尽量减少停机时间，并计划分配更换和备件。在这里，以数据为导向意味着减少浪费和降低运营成本。

与你的员工有关的决定——确保你有合适的员工来完成你需要他们做的工作，确保他们在所有需要的方面得到支持，并为他们的时间提供足够的补偿，使他们不会受到诱惑离开你去找竞争对手，带走他们所有的技能和专业知识。谷歌就是一个很好的例子，它开始从他们的数据中了解其经理人的不同素质如何影响他们团队的表现。通过使用数据，他们能够确定管理人员的八个核心素质，包括 "是一个好教练"和 "对团队有明确的愿景"，这些素质与成功的团队相关联。这有助于他们对谁应该被提拔到管理岗位做出更好的决定。