优秀的数据产品经理需要掌握哪些技能
一、如何做一个好的数据产品经理?
PD(指产品经理,下同)本身就是在做牛做马,关系圈异常复杂。数据PD也不例外。而且打交道的人更多。以下是我用PPT绘制的数据产品经理关系圈。如果你也做过 数据产品的产品经理(好拗口),相信也有同感。既然要和这么多人打交道,要推动数据产品的上线,数据产品经理自然有着一定的要求。
我的体会如下——也借此去鞭策自己在朝这个方向努力:
1.要极其熟悉公司业务及动向。
所以要了解公司的商业模式、战略、以及业务流程、要考核的各种指标,以及指标背后的业务含义等。这一点,再了解都不够。
2.要了解数据分析。
好的数据PD,即使不做数据PD,也应该是个数据分析师。数据PD的一大要务就是将数据分析做成可复制,可自动运转的系统。虽然有数据分析师们围绕在自己周围,但是自己也要清楚业务的问题,分别要看什么数据,或者当数据出现后,意味着业务出现了什么问题或者会出现什么问题。这一点,要向最好的数据分析师们看齐。
3. 要了解数据仓库及商务智能。
这 两个关键词背后都是庞大的体系,恐怕我短短半年的转岗时间太短,虽然能够对别人讲解一通商务智能产品的架构。嘴里虽然会抛出若干个类似于汇总,钻取,度 量,指标,维度,缓慢变化维,层次,属性,仪表盘等等术语,但是也不支持多几层的知识钻取,遇到异常问题,也不知道该从什么地方分析原因。幸而身边有数据 仓库的同事,可以多多学习。这一点,没有天花板。
而商务智能,做为一门学科,起源于20世纪90年代,它的出发点是帮助用户更好地获取决策信息,最初商务智能的动机是为用户提供自助式的信息获取方式,这 样,用户就可以不用依赖于IT部门去获取定制的报表。(引自《信息仪表盘》一书P41)。而如今,商务智能除了提供信息,更主要的是降低用户获取数据的门 槛,提升数据的实时性等方面。从降低用户获取数据的门槛一个方向,我们就可以做很多事情,比如如何设计信息仪表盘(designing of information dashboard)?如何让数据以更亲和的更直观的方式展示(数据可视化)?如何能够让用户离线访问?如何能够实现警戒数据的主动发送?这一点上,花多少功夫都不多。
4. 要精通数据产品开发流程。数据开发+产品开发。
数据PD的最终目的是要做数据产品。这里要拆开看,其一,数据产品本身也是在线可供用户实现的产品,既然是产品,产品的整套研发思路和普通的产品没有太大区别,用户是谁,他们需求是什么,满足需求需要什么featurelist,每个feature list的资源评估以及优先级如何,产品的生命周期如何?这是产品开发。然后他是个数据产品,意味着这比普通的产品,多了更多的要求。在数据这个内核之外,它需要各种feature list,如订阅,搜索,自定义,短信接口,邮件接口等。但是数据这个内核,也需要一套数据开发流程。
比如:
数据源——是否足够,是否稳定
数据PD需要足够了解目前的业务处理系统建设情况,以及数据源的积累程度,用以判断数据产品的建设时间是否合适。不合适的时机会导致项目组的重复劳动和残缺 的数据产品诞生。数据产品是用以支持监控,分析,决策的,而业务处理系统的定位在于提升工作效率,解放工作人员手脚。业务系统采集的数据未必满足所有分析 需要。比如或许领导要分析大量攀升的退换货的详细原因,而业务系统目前并没有要求用户在申请退换货的时候选择原因或只有输入而非标准化选项,负责退换货出 力的员工也只有在excel里登记原因,而不是录入到系统里。所以可能会导致需求方要看的数据提供不出来,那么数据pd就有必要反向驱动数据源得以采集。
分析模型的设计—— 分析模型的好与不好,其实决定了数据产品的成败。
在 项目中,可以由BI的数据分析师们担纲此职责,也可以由数据PD担纲,更多则由双方一起确认,内容以数据分析师们为主,功能评估及优先级、项目计划和协 调、统筹以数据PD为主。所以数据PD要更加清楚数据分析师们所需要的需求是否能够实现,背后的商业价值如何,并与数据开发、产品开发保持比数据分析师们 更加通畅的合作关系,能够借力进行可行性和资源的评估。
有的时候,我们不是没有数据,而是有了太多的数据,不知道怎么去看。如果只是抛给用户一堆数据,很难想象用户会如何去解读它。以前做交互设计的时候,我们流行一句话:把用户当成傻瓜。
而数据平台,因为可能本身就要求有一定的使用门槛,所以想成不会互联网的傻瓜不太现实,那么我们就要想成“用户是不懂数据的傻瓜”。他们或许也能通过一串串 数据体悟到什么,但是如果是一条上升的退款率趋势线,或许他们会体悟到更多——毕竟,上和下本身就是直观的。然后再想一下,如果将这条线上加上一条警戒点 的线,他们会知道从什么时候开始数据是异常的。再然后,就要设想,当他发现从7月12日数据上升后,想干什么?他会不会想了解是哪个行业上升了?他会不会 想了解是那个渠道上升了?那么,就要提供行业和渠道的选项或者对比给他。
再然后,当他过问了这个行业的负责人后,负责人想不想再了解是哪个供应商或者哪类商品上升了?那么要如何将这些维度、层次都融合在一起,同时又能将用户非常 方便地去用呢?分析模型的建设至关重要,也可以说,分析模型是前期需求分析的最有价值的产物。分析模型应该会包含几点:
主题的划分:
整块分析会划分成什么主题,比如销售可能会分成销售走势及构成分析,行业排名,商品排名等
度量及指标:
分析主题会涉及到的度量及指标的算法、定义等(这通常会产生一份指标以及维度的定义及描述文档)
维度:
要分别从什么维度去看这些指标和度量,如时间,渠道,这些维度是要筛选还是要对比
钻取:
这些维度本身有没有层次,需要不需要进行钻取,如渠道可钻取到渠道类型,行业可钻取到子行业,商品类目可钻取到商品叶子类目等
输出:
分析需要用何种图表进行展现
数据的ETL开发
数据的清洗,转换,装载流程占用了数据产品开发的大半资源,不规范的数据源会导致这一块的资源更大程度的占用。比如同样是供应商编码,系统之一称为供应商编 码,系统二命名为供货商编码,系统三命名为供应商ID,这三个系统同时是公司的系统,这种情况虽然想起来匪夷所思,但是现实情况却也存在。虽然ETL开发 是DW开发工程师在做,但是作为数据PD,焉能对这些工作缺乏了解,对ETL工程师反馈的问题,缺乏认知,不理解对于项目的潜在风险是什么?而且更多时 侯,当遇到数据不规范,不统一的问题,数据PD需要反向驱动业务系统进行数据规范性建设,无论是功能上,还是驱动直接的使用方——如负责录入数据的行业小 二,建立一套录入规范。这些工作看似和数据PD无关,我们大可以推脱说:那没办法,这是数据源的问题,不是我们功能的问题。但是,用户是有权利选择使用不 使用你的数据产品的,当数据产品提供的数据不值得信赖的话,无疑是自取灭亡。一旦用户对数据不信任,再想挽留他们,是很难的。即使有很多“无能为力”的借 口,我们也不能坐观其变。
前端交互与体验的优化
虽然内容定义好了,但是那么多度量、指标、维度、钻取,如何划分信息层级,如何划分栏目,如何设计用户的行为路径?这些就不是数据分析师们的重要工作范畴。 而是交互设计师?鉴于很多数据产品项目可能会没有交互设计师,所以数据PD应该对内容进行封装,进行信息架构、页面布局以及图表各种功能设计。设计,然后 撰写详细的功能需求文档,交付给产品开发,前端开发以及数据开发,以及前端展现开发四种类型的开发人员。
数据产品的功能描述文档,除了产品开发部分,其他的就是在描述“内容”,即分析模型,除了主题、度量、维度、钻取、筛选、输出图表类型,有些内容还需要详细定义到
“排序方式” 等等细节,这就case by case来看了。
环境,技术,工具
或许做一个普通的产品,你把需求描述清楚,与产品开发工程师确认好可行性,接受资源评估就OK了。但是数据产品,受制于所部署的环境,所选型的工具,如Oracle,IBM的Cogos,以及SQL Server。其他的产品我不知道怎么样,我们用的是Oracle BIEE。那么作为数据PD,是否需要了解BIEE能够提供的功能是哪些呢?看文档,请教别人,不能知其不可而为之。另外,也需要逐渐摸透BIEE的坏脾气,实现不了的功能,无法克服的难点等。这一点,也需要继续了解,继续学习。
二、心得总结篇
下面,谈几点我的心得总结,或许还显得稚嫩,但是自己所得,要远远比看别人文章或者看书得来的深刻,记录下来,以便于后续校验。
1. 数据产品的价值
2. 数据产品的用户
3. 数据产品架构
4. 数据产品风险
5. 数据产品VS业务系统
6. 数据产品项目流程
7. 数据产品交付物
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 2 Pandas数据类型 Pandas 有两种自己独有的基本数据结构。需要注意的是,它固然有着两种数据 ...
2024-11-01《Python数据分析极简入门》 第2节 1 Pandas简介 说好开始学Python,怎么到了Pandas? 前面说过,既然定义为极简入门,我们只抓 ...
2024-10-31在当今数据驱动的世界中,数据科学与工程专业的重要性愈发凸显。无论是推动技术进步,还是在商业决策中提供精准分析,这一专业都 ...
2024-10-30在当今信息爆炸的时代,数据已成为企业决策和战略制定的核心资源。爬虫工程师因此成为数据获取和挖掘的关键角色。本文将详细介绍 ...
2024-10-30在当今数据驱动的世界中,数据分析是揭示商业洞察和推动决策的核心力量。选择合适的数据分析工具对于数据专业人士而言至关重要。 ...
2024-10-30能源企业在全球经济和环境保护双重压力下,正面临前所未有的挑战与机遇。数字化转型作为应对这些挑战的关键手段,正在深刻变革传 ...
2024-10-30近年来,随着数据科学的逐步发展,Python语言的使用率也越来越高,不仅可以做数据处理,网页开发,更是数据科学、机器学习、深度 ...
2024-10-30大数据分析师证书 针对不同知识,掌握程度的要求分为【领会】、【熟知】、【应用】三个级别,考生应按照不同知识要求进行学习。 ...
2024-10-30《Python数据分析极简入门》 附:Anaconda安装教程 注:分Windows系统下安装和MacOS系统安装 1. Windows系统下安装 第一步清华大 ...
2024-10-29拥抱数据分析的世界 - 成为一名数据分析工程师是一个充满挑战和机遇的职业选择。要成功地进入这个领域,你需要掌握一系列关键技 ...
2024-10-28降本增效:管理战略的关键 企业管理中的降本增效不仅是一项重要的战略举措,更是激发竞争力、提高盈利能力的关键。这一理念在当 ...
2024-10-28企业数字化是指利用数字技术和信息化手段,对企业的各个方面进行改造和优化,以提升生产效率、服务质量和市场竞争力的过程。实现 ...
2024-10-28数据科学专业毕业后,毕业生可以选择从事多种不同的岗位和领域。数据科学是一个快速发展且广泛应用的领域,毕业生在企业、学术界 ...
2024-10-28学习数据科学与大数据技术是当今职业发展中至关重要的一环。从基础到高级,以下是一些建议的课程路径: 基础课程: Python编程 ...
2024-10-28在信息技术和数据科学领域,数据架构师扮演着至关重要的角色。他们负责设计和管理企业中复杂的数据基础设施,以支持数据驱动的决 ...
2024-10-28进入21世纪以来,随着信息技术的迅猛发展,大数据已经成为全球最具影响力的技术之一,并成为企业数字化转型的核心驱动力。大数据 ...
2024-10-28随着科技的迅猛发展,数字化转型已成为现代企业保持竞争力和推动增长的关键战略之一。数字化不仅仅是技术的应用,它代表着一种全 ...
2024-10-28银行业正处于一个前所未有的数字化转型时期。在数字经济的驱动下,金融科技如大数据、人工智能、生物识别、物联网和云计算等技术 ...
2024-10-28数据分析可视化是一门艺术与科学相结合的技术,其主要目标是将复杂的数据变得更易于理解和分析。通过将数据以图表的形式呈现,我 ...
2024-10-28数据分析师在现代信息密集型的商业世界中扮演着至关重要的角色。他们通过专业的技能和敏锐的商业洞察力,帮助企业从大量数据中提 ...
2024-10-28