起点学院课程

少有人走过的路:分析——策略——产品

2 评论 8517 浏览 33 收藏 23 分钟
15天0基础极速入门数据分析,掌握一套数据分析流程和方法,学完就能写一份数据报告!了解一下>>

编辑导语:工作前每个人对岗位都有自己心中的理解,工作后可能觉得事实不是想象的那样,但岗位是死的,人是活的;不管什么岗位,又一定的能力就能获得最好的结果;本文作者分析了自己在数据岗位上走过的路以及途中的憧憬、现实、困境与思考。

本文记录了我在数据岗位上走过的路,从数据分析师、到策略产品经理、再到数据产品经理,以及途中的憧憬、现实、困境与思考。

一、数据分析师的野望

1. 憧憬

“让数据说话”、“用数据讲故事”是很多初出茅庐数据分析师的美好愿景,我也不例外。

凭借一年数据分析实习生的经历,双非院校数学专业的我,成功混入微博;那年微信初露锋芒,而腾讯微博早已落败,微博的同事里还不乏清北的学霸;那年,我还不会SQL。

2. 现实

入职之后据我观察,数据分析师们的日常工作大致入下图分布:

  1. 日常监控——公司重要业务和产品的表现好不好?如果出现了异常的波动,快速解释下是为什么?
  2. 效果评估——产品新上线了一个功能策略,运营新上线了一个活动,需要量化的评估下到底效果好不好?
  3. 业务决策——各个业务线的KPI该怎么定?在整个大环境下是该往A方向走还是该往B方向去?
  4. 专题研究——不同年龄段的用户都是怎么使用和看待产品的?哪些因素是用户留存的关键?
  5. 老板需求——(最紧急最重要的工作事项)解决各路老板的各种临时性看数据需求,比如上午产品总监说为什么这个功能这么少人用?、比如下午技术大佬说我这个新策略不可能才这么点儿提升你们是不是算错了?(就想算出个开心的数呗)、比如晚上快下班了CEO想起来体验下产品发现有个数据(比如他自己昨天发的某条微博的阅读量)跟他的直觉不符(wtf?)。

3. 困境

1)“老板,我想做PPT”:记得离职面谈的时候我主动提到,感觉最近一年的时间,我的产出主要都是Excel和邮件里直接回复一些数据结果,都很少有PPT。这个现象在我理解,就是产出不成型、不系统、拿不出手。

2)SQLboy和查数姑:记得有次加班到深夜,几个同事之间相互调侃,我们部门虽然叫数据管理部,但好像做的事情更多都是算数啊,改名叫算数中心好了。是的,我们60%+的时间和精力都耗费在各种常规的or临时的算数上面了,我们是数据时代的流水线工人

3)尴尬的组织架构:随着越来越多的公司认识到数据的重要性,有一种倾向就是会在所有业务线之下单独成立一个数据分析部门,这样做可以在某种程度上避免业务部门既当运动员又当裁判员的情况,也就是自卖自夸伪造效果。但问题也随之而来,既然不是自家人,那么肥水就不想流入外人田,高价值的工作内容(如决策建议)自然就不是很想让独立的数据分析部门染指;在这种情况下,数据分析师们更多的精力只能发泄在日常数据监控、效果评估和自娱自乐的研究性分析上。另外一种倾向,就是把分析师们打散安置在各个业务部门中,不过打听了下,他们的苦恼就是过于贴身、聚焦,导致视野被限制在一个狭小的范围内。但我总觉得,初级阶段的分析师们,还是在业务中会更好些。

4. 破局

1)用机器解放人力:人是肉做的,终究做不了没得感情的算数机器,机器的事儿,还是应该让机器来。数据分析师跟数据产品经理,应该是一对好基友,后者将业务理解与分析思路固化到产品上,争取一劳永逸的解决80%的常规算数需求,让分析师们有更多精力去做些高自我价值实现的研究和分析

2)用系统思考提前应对老板们的脑洞:一线的从业者们作为某种程度上的体力劳动者,相对老板有天然的劣势:从大量日常琐碎体力劳动中解放出来的老板们,有更多的时间、更多的信息去思考。上帝一思考,人类就发慌。老板们的每一个散点式发问,对毫无思考储备的我们来说,都是一次降维打击。如果日常机器能帮我们释放一部分劳动力,我们就有更多时间去尝试思考下老板视角的问题,用一个相对完整的体系去应对老板的散点问题,避免被动挨打、牵着鼻子跑

3)用敏锐的目光避开外行老板:所有老板都有脑洞,但滋养脑洞的基础大相径庭。我们不应该苛求每个老板都是数据出身,但至少可以选择那些愿意尊重客观规律、或者秉承“让专业的人做专业的事”原则的老板。比什么都不懂更可怕的,是以为自己懂;比以为自己懂还要可怕的,是以为自己比专业人士更懂

4)用产品思维让自己破圈:尤其在做过产品经理后感触最深,分析师的产出是否有价值、能否落地,最关键的就是会不会提问题,毕竟怎么分析问题是跟在提出问题之后的;能否提一个好问题,一方面是考验对业务是否熟悉,一方面就是考验能否跳出自身的思维模式。搞技术的人,或多或少都容易把自己的逻辑搞成自闭环,只在同业的小群体内能互相理解,跳出群体就会有鸡同鸭讲的感觉,这种就是小逻辑,而我理解的大逻辑,不仅仅是缜密完备的,也应该是朴素易懂的。能让大部分人都理解你的逻辑,才能让逻辑发挥作用,否则就是自我陶醉;能否站在对方的角度思考问题,就是从小逻辑到大逻辑的关键。

二、策略产品经理的专注

1. 憧憬

“策略”这个词很性感,很飘逸,也很难被界定。

市面上有各式各样的策略产品经理,从岗位招聘要求上看,会给人一种大学里做数据建模的感觉,很亲切。

2. 现实

策略产品经理的主要任务,就是做策略。

虽然策略本身不好定义,但可以跟算法做个对比,在对比中稍微澄清一下。

打个比方:算法好比种菜的,策略好比炒菜的,炒菜的不用知道这个西红柿是怎么种出来的,那个鸡蛋是怎么生出来的,但需要知道西红柿和鸡蛋各自的特点,再根据特点设计菜的炒法;所以策略可以理解为对算法的应用,既然是应用,就要结合应用场景做个性化适配。

又比如:KFC在中国推出了豆浆油条一样,背后还是那套标准的餐饮供应管理体系,但在中国就有本土化;有时候,策略也可以是跳脱具体算法之外,因地制宜的设计一个计算逻辑,解决眼下应用场景的具像化问题。

在这个阶段,我主要做的是品牌广告方向的策略;背景很简单,每个投放品牌广告的客户,都是很有钱的爸爸,因为穷爸爸们只会锱铢必较的投效果广告——没人点击我就不掏钱。

但品牌广告爸爸们不一样,作为大牌,每年都有一定的预算用在培养消费者心智(洗脑),具体形式就是投放一些让你看了觉得很有意思、并能增加品牌正面认知的广告,不强求消费者看了就掏钱买的那种。

这类广告很难衡量效果,但爸爸们也不傻,想让我花钱,你至少要说清楚:

  1. 这次广告要投放给谁看?——找到合适的人
  2. 这次广告要在什么渠道来呈现?——在恰当的时机
  3. 这次广告主要突出的内容是什么?——说正确的话

为了回答这3个问题,过去传统的4A广告公司,就像影视作品里演的那样(比如《广告狂人》),通宵彻夜的脑暴、喝酒、抽烟、沉思,只为了灵光乍现的一刻;但现在4A公司和互联网广告巨头们,会强调用数据来驱动投放前的上述决策。

以百度为例:它知道很多人在想要购买一个商品之前的心路历程——搜索内容——把这些数据加以利用,就能避免纯创意层面上的撕扯(一千个人心中有一千个哈姆雷特,很难说我的创意就是绝对的好)。策略在这里的核心作用,就是利用数据设计出一个系统性的计算方法,解答上述3个问题。

上图就是一个相对完整的解答流程,篇幅限制,今天只举例其中一个小环节:在消费者眼中,谁是我们的竞品?(上图中竞品分析模块)

上面这个散点图,是竞品分析的传统做法。

以汽车行业举例,右上角的那个奇骏就是广告主爸爸的儿子——本品,剩下的那些都是竞品,哪个离奇骏最近,哪个就是本品的最大竞品。

传统做法从相似度和争夺率这2个维度来拆解“竞争”这个概念,试图量化点与点之间的距离。

但有问题,因为相似度和争夺率是这么计算的:

  1. 相似度:在一段时间内,既搜过本品也搜过竞品的用户,在搜过本品或搜过竞品的总用户中的比例(本品与竞品的交集/本品与竞品的并集)。
  2. 争夺率:在一段时间内,搜索过本品的用户中,有多少人还搜索过某个竞品(本品与竞品的交集/本品)。

问题1:如果我事先不输入任何竞品,这个方法就行不通(相似度和争夺率的核心都是算交集,可你不告诉我跟谁交,我怎么算?)。相当于它无法突破已知的经验范畴,而我们往往就是需要数据告知一些经验以外的东西。

问题2:这个方法中,只应用了“重合”这一个特征;然而用户的搜索行为是一个连续的序列,是有前后顺序(先搜A再搜B和先搜B再搜A,不一样)、有次数多寡(搜了10次A和只搜了1次A,不一样)、有距离远近的(刚搜完A就搜B,和搜完A之后又搜了CDE之再搜B,不一样),这些信息在传统方法中,都没有体现出来。

问题3:传统方法下,谁是竞品需要看图说话;那么问题来了,就拿图里的逍客和途观来说,看上去跟奇骏都比较近,到底哪个才是最强劲的竞争对手?

下图就是对传统方法的升级尝试,而且考虑需要向广告主介绍本次投放决策的理论依据,过程中的策略也需要很高的可解释性:

以奇骏为本品,对新策略做一个形象化解释:当我搜索过包含奇骏的某个关键词之后,如果我紧接着就搜索了逍客(特征=前后顺序+间隔位置),而且还搜索了很多次(特征=搜索次数),那么逍客与奇骏的竞争强度就会大大的增加。

怎么样,是不是很符合直观的认知?

这个策略不是一个离线的、一次性的计算,它后续落地到一个自动化的产品上。

它的优化空间还很大,比如拿用户的具体搜索内容来看,“逍客省油么?” VS “逍客4s店在哪儿?”,肯定是后者体现的购买意愿更强,竞争强度也就更强。

3. 困境

很开心在工作的第2~3年做这个岗位,它跟业务不远,对数据的应用又比较专注。

但策略的落地要么是在某个产品上,要么是依托于某个运营活动,我既不是做产品的、也不是做运营的,很难决定这个策略最终落地的形态和效果。

说到底,策略是一个承上启下的环节,往好了说是枢纽,往坏了说就是上不达天堂、下不接地气,接地气的事情我感觉我做过了,我想上天堂。

4. 破局

选择做一个产品经理,尤其是数据方向的产品经理,可以从最终端的场景反向贯穿整个流程,未尝不是一个破局的办法;

又或者,可以横向去尝试别的策略方向,比如推荐策略、反作弊策略,这些场景的需求量更大,有更多前辈经验的积累,不至于出现孤军奋战的感觉。

三、数据产品经理的开悟

1. 憧憬

最开始对数据产品经理的期待很朴素——产品经理是不是就可以指使别人干活,自己动动嘴皮子动动脑子就好了?

这样就能有大把的时间花在思考上面,而不是琐碎的体力劳动上了,而且还能自己的产品自己做主,从业务端需求的收集、到产品功能的设计、到功能中策略的填充、到最终上线后的运营和效果反馈,想想就很激动!此处,需要给曾经的自己一个“呵呵”。

2. 现实

后来我做过两类数据产品:

  • 一类是延续了在百度的广告方向,继续做品牌广告的投放前决策平台;
  • 另一类是做数据运营平台,某种程度上,就是BI报表的升级。

我也从一个被安排的明明白白、只需要专心捣鼓策略的学生型员工,变成一个家长式的、需要安排好大家的工作、时间被会议切割到支离破碎的社会型员工了。

同时,我的产品也并不能完全由我做主,方向上的事情会有各路老板的意志干预,也会有各路利益方入局博弈,很多时候我能做的,也往往是在妥协中尽量保持初心罢了。

但这个岗位给我最大的收获,就是逼迫我去直面问题的本质——到底哪些人需要这个产品?他们需要用它解决什么问题?我设计的东西到底有没有解决这些问题?

之前不论是做数据分析,还是策略产品,因为劳动成果很难独立的对用户产生影响,所以很少操心去思考那些问题。

反正我分析出了一些结论、做出了若干策略,最终效果好不好,还要取决于产品功能或运营活动的设计。

用户的反馈也很少直接冲着我来,自己可以稳坐后方钓鱼台。但数据产品经理需要走上前线,因为这个岗位的本质是产品,不是数据。

就拿做PC端的数据运营平台举例:这个平台的初期目标,就是服务好部门的200多人,快速准确的了解到部门孵化的10来个产品的数据表现。

最开始我脑海中只是天然的觉得,之前用过的那些第三方BI报表有缺陷,重展示轻分析;既然这次是自研平台,就做些不一样的,于是乎,有了下面这个东西:

它的初衷是:

  1. 分析体系结构化(指标按照不同业务方向进行归类);
  2. 指标卡片化(一段时间范围内的总量、日均值、波动率);
  3. 卡片可点击(点击后可联动展示指标的波动分析);
  4. 内嵌指标波动分析方法(时间的对比+多维度的下钻,尤其是后者,直接量化定位波动原因);

然而,用户对上述4个设计初衷的直接反馈是:

  1. 指标分散,没法一次性找到所有想要的;
  2. 卡片太大占空间,浪费多余,还不如做成表格能一眼多看到更多指标;
  3. 能意识到可以点击,但点击后因为PC端高度限制,只能看到下方的趋势图跟着变动,根本注意不到再下面那个指标异动分析表格也在动;
  4. 经介绍说明后能理解异动分析对指标波动的解释,但理解有门槛;

问题很明显,我把这个数据产品的数据部分看的太重了,忽略了其产品的部分。

后来我发现,这也是现阶段很多数据产品经理同行的共性,数据>产品,偏离了岗位的本质。

这个数据运营平台,到底是解决谁的什么问题?

思考之后,有了下面这个迭代的版本:

  1. 用完成的业务流程串联起零散的指标;
  2. 指标卡片点击唤起浮层,所有分析展示一屏解决;
  3. 异动分析简化图形化,只保留核心概念;
  4. 原有顶部筛选控件位置优化,释放屏幕纵向空间;

迭代的终点还远远没到,后续有机会再专门开篇说下对这类数据运营平台的想法,尤其是跟AI的结合。

3. 困境

很多时候,数据产品类似一个中台型的产品。

没有中台的命,却有中台的病;如何兼容各方的个性化需求?如何评价数据产品的价值产出?这些问题既是我的“绝望之谷”,也会是我的“开悟之坡”。

4. 破局

不要让自己受限,这个限制可能是外界给予的,但更多时候是自己给予的。

我的经历告诉我,岗位是死的,但能力是活的。

数据分析师就只能钻研各种分析工具、统计模型么?策略产品经理就不能设计下产品的功能么?数据产品经理就只安心做好产品就够了么?

当你愿意抬头时,路就会越走越宽。

 

作者:古牧聊数据,公众号:古牧聊数据

本文由 @古牧聊数据 原创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

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
起点学院课程
评论
评论请登录
  1. 大佬牛皮,数据分析师的3个出路:数据产品经理。策略产品经理。增长产品经理。

    我也是转数据产品经理了,

    回复
  2. 1、BAT出来做数据,还是惯性线上,电商数据的长项
    2、细分行业专业厚度+大数据,或中台,,不是就是“技术”耍流氓

    回复