如何成为数据型产品经理
產品經理的概念在不斷泛化。近些年來，隨著互聯網行業的發展，越來越多的企業意識到了大數據和精細化運營的重要性，為了更好地挖掘數據的價值，指導業務的優化和發展，數據產品經理應運而生，他們基于數據分析方法發現問題，并提煉關鍵要素，設計產品來實現商業價值。這篇文章主要是對數據型產品經理進行拆解細分，探尋在AAA教育學習有哪些細節。
?
一、?業務分析類：
1.杜邦分析法
杜邦分析法目前主要用于財務領域，通過財務比率的關系來分析財務狀況，其核心要點是將一個大的問題拆分為更小粒度的指標，以此了解問題出在了哪兒，從而對癥下藥。
以電商行業為例，GMV（網站成交金額）是考核業績最直觀的指標，當GMV同比或環比出現下滑時候，需要找到影響GMV的因素并逐一拆解。
?
?
GMV下降如果是因下單用戶減少所造成的，那么是訪客數（流量）減少了，還是轉化率下降了呢？如果是訪客數減少了，那是因為自然流量減少了，還是因為營銷流量不足？
如果是自然流量下降的話，可能需要在用戶運營和產品運營端發力，如果是營銷流量不足，那么可以通過營銷活動或者站外引流的形式增加曝光量。
同樣，如果是轉化率的問題，那么需要對用戶進行細分，針對不同階段的用戶采取不同的運營策略，關于用戶的部分，這里不做贅述，有興趣的朋友可以關注后面的文章。
最后，如果是因為客單價不高，那么需要進行定價及促銷的方案優化，比如識別具有GMV提升潛力的商品進行定價優化，評估當前促銷的ROI，針對選品、力度和促銷形式進行優化。同時通過關聯商品的推薦或商品套裝促銷的形式，激發用戶購買多件商品，也可以有效提高客單價。
?
2.同比熱力圖分析法
同比熱力圖分析法這個名稱是我自己造的，其實無非是把各個業務線的同比數據放到一起進行比較，這樣能更為直觀地了解各個業務的狀況。
?
構建一張同比熱力圖大致需要三步：
第一步，按照杜邦分析法將核心問題進行拆解，這里仍以電商為例，我們將GMV拆成了流量、轉化率、商品均價和人均購買量，即GMV=流量*轉化率*商品均價*人均購買量；
第二步，計算每個業務各項指標的同比數據；
第三步，針對每一項指標，對比各業務的同比高低并設定顏色漸變的條件格式，以上圖中的轉化率同比為例，業務5轉化率同比最高，為深橙底色，業務3轉化率同比最低且為負值，因此設定為藍色底色加紅色字體。
?
通過同比熱力圖的分析，首先，可以通過縱向對比了解業務自身的同比趨勢，其次，可以通過橫向對比了解自身在同類業務中的位置，此外，還可以綜合分析GMV等核心指標變動的原因。
除了電商業務的分析以外，同比熱力圖同樣適用于互聯網產品數據指標的監控及分析，該分析方法的關鍵點在于拆解核心指標，在本文后面的產品運營類方法中將會介紹相關指標的拆解方法。
?
3.類BCG矩陣
BCG矩陣大家都非常熟悉了，以市場占有率和增長率為軸，將坐標系劃分為四個象限，用于判斷各項業務所處的位置。
這里想講的并非傳統的BCG矩陣，而是BCG矩陣的變陣，或者叫類BCG矩陣。根據不同的業務場景和業務需求，我們可以將任意兩個指標作為坐標軸，從而把各類業務或者用戶劃分為不同的類型。
比如可以以品牌GMV增長率和占有率構建坐標系，來分析各品牌的狀況，從而幫助業務方了解到哪些品牌是未來的明星品牌，可以重點發力，哪些品牌處于弱勢且增長匱乏，需要優化品牌內的產品布局。
除此之外，我們還可以根據以下場景構建類BCG矩陣：
1）分析商品引流能力和轉化率：流量份額-轉化率
2）分析商品對毛利/GMV的貢獻：毛利率-銷售額
3）基于RFM分析用戶的價值：訪問頻率-消費金額
?
按照上述方法，大家可以根據需求大開腦洞，按照一定標準對研究對象進行分類分析。
二、?用戶分析類
1. TGI指數
在分析用戶時，通常的做法是將目標用戶進行分類，然后對比各類用戶與總體之間的差異性，TGI指數提供了一個很好的方法，來反映各類用戶群體在特定研究范圍(如地理區域、人口統計、媒體偏好等)內的強勢或弱勢。
TGI指數=用戶分類中具有某一特征的群體所占比例/總體中具有相同特征的群體所占比例*100。
比如在分析用戶的年齡段時，可以通過TGI指數對比各用戶分類與總體在各年齡段的差異，設用戶分類1中16-25歲的用戶占比為4%，而總體中16-25歲的用戶占比為8.3%，那么用戶分類1在16-25歲用戶中的TGI指數為4%/8.3%*100=48。依照這一方法，我們可以對各類用戶在各年齡段的TGI指數進行對比。
所以，在分析用戶畫像時，需要根據場景進行用戶分類，并對比各類用戶與總體間的差異，這樣才能保證分析結果的可信性和適用性，而TGI指數就是很好的對比指標。?
?
2.?LRFMC模型
RFM模型是客戶關系管理中最常用的模型，但這一模型還不夠完善，比如對于M(Money)，即消費金額相等的兩個用戶而言，一個是注冊兩年的老用戶，一個是剛注冊的新用戶，對于企業來說，這兩個用戶的類型和價值就完全不同，因此我們需要更全面的模型。
?
LRFMC模型提供了一個更完整的視角，能更全面地了解一個用戶的特征，LRFMC各個維度的釋義如下：
L(lifetime):代表從用戶第一次消費算起, 至今的時間，代表了與用戶建立關系的時間長度，也反映了用戶可能的活躍總時間。
?
-
R(Recency) :代表用戶最近一次消費至今的時間長度，反映了用戶當前的活躍狀態。
-
F(Frequency) :代表用戶在一定時間內的消費頻率，反映了用戶的忠誠度。
-
M(Monetary) :代表用戶在一定時間內的消費金額，反映了用戶的購買能力。
-
C(CostRatio):代表用戶在一定時間內消費的折扣系數，反映了用戶對促銷的偏好性。
?
以去哪兒的業務為例，通過LRFMC模型可以綜合分析用戶的習慣偏好和當前狀態，從而指導精準營銷方案的實施。
?
-
L(lifetime):用戶來多久了？
-
R(Recency) :用戶最近是否有消費，如果來了很長時間都未消費，是否需要進行喚醒？
-
F(Frequency) :用戶出行的頻率如何，如果是固定周期出行，是否應該進行復購提醒？
-
M(Monetary) :用戶的消費金額是多少，是單價高（購買頭等艙），還是頻次高？
-
C(CostRatio):用戶對折扣的偏好如何，是為用戶增加權益還是降價促銷？
三、產品運營類
產品運營是一個長期的過程，需要定期對產品的使用數據進行監控，以便發現問題，從而確定運營的方向，同時也可以用于評估運營的效果。
產品運營的常用指標如下：
1）使用廣度：總用戶數，月活
2）使用深度：每人每天平均瀏覽次數，平均訪問時長
3）使用粘性：人均使用天數???
4）綜合指標：月訪問時長=月活*人均使用天數*每人每天平均瀏覽次數*平均訪問時長
產品所處階段不同，運營的側重點也會有所不同。在產品初期，核心的工作是拉新，應該更加關注產品的使用廣度，而產品的中后期，應該更加注重使用深度和使用粘性的提升。
對于不同的產品也需根據產品的性質來確定核心指標，比如，對于社交類產品，使用廣度和使用粘性至關重要，而對于一些中臺分析類產品，提升使用深度和使用粘性更有意義。
四、結語
在一款數據產品誕生前，應該是先有數據，再有分析，然后才是產品，分析的廣度和深度直接決定了產品的定位和價值。如果是做一款數據報表類的產品，那么需要了解核心指標，并建立綜合指標的評估體系，如果是做一款分析決策類產品，那么還需要基于業務需求，將現有數據指標進行解構再重構。
希望本篇文章對大家有所幫助。AAA教育，“全能+”人才孵化品牌，與你有夢想一起實現。
總結
以上是生活随笔為你收集整理的如何成为数据型产品经理的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 产品经理应该如何设计面包屑原理
- 下一篇： 用户画像|产品经理应该如何定位用户