你是否有过这样的体验：

在车险快要过期的前几个月会莫名接到卖车险的电话询问是否要续约；

电话套餐流量快要用完的时候会接到电信电话询问是否升级流量套餐；

看完淘宝的某个扫地机器人后，再浏览今日头条，发现中间穿插了扫地机器人的商品推荐。

这些现象背后是庞大的数据平台系统。数据分析驱动整个产品的前端销售和功能迭代、未来发展方向。

用户画像筛选、用户需求记忆、精细化运营推送、数据循环积累和决策等全部依赖于数据分析的结果，并服务于产品线的战略方向和定位。同时数据埋点和数据调整方向又被产品战略所影响。

优秀的数据分析和数据驱动能力是中高级产品经理在团队和业务管理中专业性的重要体现。

当前产品经理岗位细分越来越多，数据型产品经理的相关文章和书籍也不断火热起来，那么从产品经理的角度，需要掌握哪些数据技能？

产品经理需要掌握的数据技能梳理：

除此之外， BLUES老师也分享了自己对产品总监需要具备的数据分析能力的一些思考。

这些思考也在一定程度上回答了这个问题：站在产品管理者的角度，如何搭建产品数据体系，才能更好的驱动产品战略的发展？

一、建立数据基础平台

基础的数据平台建设工作，包含数据平台建设，数据规范，数据仓库、产品数据规范，产品ID，用户ID，统一SDK等。

很多公司的数据无法有效利用，就是缺乏统一规范，产品数据上报任由开发按照自己的理解和习惯上报，没有标准化的SDK和上报协议，并且数据散落在各个部门产品的服务器，无法构建结构化的数据仓库。

做数据平台的架构，很多人会理解为高大上的技术活，其实整个数据平台价值的体现，需要公司各个部门的配合，例如关键数据指标体系的建立，需要从各个部门业务指标进行提炼，并得到业务部门认可。

常见的关键指标有：DAU、PCU、WAU、MAU、按天留存率(1-30日留存)、累计留存率（7日、14日、30日累计留存率），新增用户，有效新增用户，活跃转化率，付费转化率，收入指标，ARPU人均收入，渠道效果数据等。

下图是腾讯的数据平台架构：

二、统一数据报表，实现可视化

有了数据平台，则需要进行数据指标体系规范，统一定义，统一维度区分，就可以很方便的进行标准化可配置数据报表设计，直观的可视化输出设计，包括行为、收入、性能、质量等多种数据类别。

数据报表的产出以及可视化程度均来自于对业务的深度理解和战略定位，明确产品生命周期中各阶段用户的关键路径和战略方向，才可以找准核心数据指标，从而实现可视化报表的产出。

三、进行产品与运营分析

在建立数据平台和可视化基础上，对已有的用户行为、收入数据等进行各种分析，输出日报、周报、月报、各种专题分析报告。常见的数据分析工作如下：

A/B TEST进行产品分析优化；

运用漏斗模型进行用户触达分析，如TIPS、广告等曝光到活跃的转化；

收入效果监控与分析，包含付费转化率、渠道效果数据等；

业务长期健康度分析，例如从用户流动模型、产品生命周期分析产品成长性和健康度；

营销推广活动的实时反馈；

用户画像也是常见的数据分析方式，包括用户如性别、年龄、行为、收入、兴趣爱好消费行为、上网行为、渠道偏好、行为喜好、生活轨迹与位置等，反映用户各种特征，以达到全面的了解用户，针对性的为用户提供个性化服务的目的，通常每半年做一次用户画像的专题分析。

下图是常见的数据分析思路：

常用分析工具：EXCLE，SPSS，SAS，Enterprise Miner，Clementine，STATISTICA。个人用的比较多的是：EXCEL和SPSS。

四、搭建精细化运营平台

基于数据基础上搭建的精细化运营平台，主要的平台逻辑多数是进行用户细分，商品和服务细分，需求筛选和记忆，通过多种推荐算法的组合优化进行商品和服务的个性化推荐。另外还有针对不同产品生命周期，用户生命周期构建的产品数据运营体系。

用户的云标签系统是构建精细化运营平台的基础，通过多种手段进行用户标签分析，做到内容与商品的精准推荐与分发。

微信精细化运营平台的用户标签系统：

五、学会利用数据产品

广义的数据产品非常多，例如搜索类，天气预报类等等。这里主要讲狭义的数据产品，以BAT三家公司的数据产品为例进行分享。

腾讯：广点通、信鸽

阿里：数据魔方、淘宝情报、淘宝指数、在云端

百度：百度预测、百度统计、百度指数、百度司南、百度精算

中小创业公司尤其需要学会利用多方数据产品来为产品和运营行为服务，更高效的实现数据监测和多维度分析。

六、进行战略分析与决策

战略分析与决策层，更多的是跟很多传统的战略分析、经营分析层面的方法论相似，最大的差异是数据来自于大数据。

有很多企业错误的把“业务运营监控层”和“用户/客户体验优化层”做的事情放在经营分析或者战略分析层来做。

傅志华认为“业务运营监控层”和“用户/客户体验优化层”更多的是通过机器、算法和数据产品来实现的，“战略分析”、“经营分析”更多的是人来实现。很多企业把机器能做的事情交给了人来做，这样导致发现问题的效率较低。

建议是，能用机器做的事情尽量用机器来做好“业务运营监控层”和“用户/客户体验优化层”，在此基础上让人来做人类更擅长的经验分析和战略判断。

在变化极快的互联网领域，在业务的战略方向选择上，数据很难预测业务的大发展方向，如果有人说微信这个大方向是通过数据挖掘和分析研究出来，估计产品经理们会笑了。

从本质上来说，数据在精细化营销和运营中能起到比较好的作用，但在产品策划、广告创意等创意性的事情上，起到的作用较小。不过一旦产品创意出来，就可以通过灰度测试，数据验证效果了。

七、培养管理者数据意识

大数据，很大的一个问题，是产生数据的人、收集数据的人、计算数据的人、应用数据的人，通常是多个角色，甚至多个部门，产生数据断层，因此，很多公司的数据流程都不顺畅，很多数据都没有得到有效的应用。

首先是数据理念提升，公司管理者首先提升数据意识，引入数据人才，建立数据流程，统一数据管理体系，让数据的产生到应用，给个团队目标一致，提升合作效率。

很多人有用数据的需求，但没有养数据的理念和过程，连保存数据的成本都舍不得付出，这样是难以获得高可用数据的。阿里的“存、管、用”是阿里巴巴运营数据的三板斧。

思考，学会关窗口，正如产品界面，需要有焦点意识，聚焦核心问题解决，抓核心指标。

八、避免数据盲点，寻找综合原因

手机客户端的数据物理盲点须尽可能避免。如果是在网页端漏报数据，比较容易补救，如果是在手机客户端漏报数据，补救的成本和难度就非常大，一个客户端升级问题就是数据上报的很大障碍。

避免办法，一是尽可能的想清楚业务衡量指标，二是严格按照数据需求进行数据上报测试。

透过现象看本质的方法，最简单的就是，不断的用逻辑方法将问题进行分解，直到不能分解为止，然后从根本去解决这个问题。联想到以前上过的一门思维课程《问题解决的优势思维》。书中的案例是电商成交额的变化原因分析，需要从UV、浏览转化率、购买转化率、笔单价、人均笔数进行综合诊断，找到根本原因。

CIO之家 微信公众号:imciow