本文由作者?古牧聊數據?于社區發布

開局一張圖

“絕望之谷”+“開悟之坡”的朋友們好～今天古牧君想聊聊自己在數據崗位上走過的路，從數據分析師、到策略產品經理、再到數據產品經理，以及途中的憧憬、現實、困境與思考

---

數據分析師的野望

憧憬：

“讓數據說話”、“用數據講故事”是很多初出茅廬數據分析師的美好愿景，古牧君也不例外。憑借一年數據分析實習生的經歷，雙非院校數學專業的我，成功混入微博。那年微信初露鋒芒，而騰訊微博早已落敗，微博的同事里還不乏清北的學霸......那年，我還不會SQL

現實：

入職之后據我觀察，數據分析師們的日常工作大致入下圖分布

日常監控——公司重要業務和產品的表現好不好？如果出現了異常的波動，快速解釋下是為什么？

效果評估——產品新上線了一個功能/策略，運營新上線了一個活動，需要量化的評估下到底效果好不好？

業務決策——各個業務線的KPI該怎么定？在整個大環境下是該往A方向走還是該往B方向去？

專題研究——不同年齡段的用戶都是怎么使用和看待產品的？哪些因素是用戶留存的關鍵？

哦，還忘了一個最緊急最重要的工作事項：

老板需求——解決各路老板的各種臨時性看數據需求。

比如上午產品總監說為什么這個功能這么少人用？（你自己心里沒點兒B數嘛...），比如下午技術大佬說我這個新策略不可能才這么點兒提升你們是不是算錯了？（就想算出個開心的數唄...），比如晚上快下班了CEO想起來體驗下產品發現有個數據（比如他自己昨天發的某條微博的閱讀量）跟他的直覺不符（wtf？）

困境：

1，“老板，我想做PPT”

記得離職面談的時候我主動提到，感覺最近一年的時間，我的產出主要都是Excel和郵件里直接回復一些數據結果，都很少有PPT。這個現象在我理解，就是產出不成型、不系統、拿不出手

2，SQLboy和查數姑

記得有次加班到深夜，幾個同事之間相互調侃，我們部門雖然叫數據管理部，但好像做的事情更多都是算數啊，改名叫算數中心好了。是的，我們60%+的時間和精力都耗費在各種常規的or臨時的算數上面了，我們是數據時代的流水線工人

3，尷尬的組織架構

隨著越來越多的公司認識到數據的重要性，有一種傾向就是會在所有業務線之下單獨成立一個數據分析部門，這樣做可以在某種程度上避免業務部門既當運動員又當裁判員的情況，也就是自賣自夸偽造效果。

但問題也隨之而來，既然不是自家人，那么肥水就不想流入外人田，高價值的工作內容（如決策建議）自然就不是很想讓獨立的數據分析部門染指。在這種情況下，數據分析師們更多的精力只能發泄在日常數據監控、效果評估和自娛自樂的研究性分析上。

另外一種傾向，就是把分析師們打散安置在各個業務部門中。不過打聽了下，他們的苦惱就是過于貼身、聚焦，導致視野被限制在一個狹小的范圍內。但我總覺得，初級階段的分析師們，還是在業務中會更好些

破局：

1，用機器解放人力

人是肉做的，終究做不了沒得感情的算數機器，機器的事兒，還是應該讓機器來。數據分析師跟數據產品經理，應該是一對好基友，后者將業務理解與分析思路固化到產品上，爭取一勞永逸的解決80%的常規算數需求，讓分析師們有更多精力去做些高自我價值實現的研究和分析

2，用系統思考提前應對老板們的腦洞

一線的從業者們作為某種程度上的體力勞動者，相對老板有天然的劣勢：從大量日常瑣碎體力勞動中解放出來的老板們，有更多的時間、更多的信息去思考。

上帝一思考，人類就發慌。老板們的每一個散點式發問，對毫無思考儲備的我們來說，都是一次降維打擊。

如果日常機器能幫我們釋放一部分勞動力，我們就有更多時間去嘗試思考下老板視角的問題，用一個相對完整的體系去應對老板的散點問題，避免被動挨打、牽著鼻子跑

3，用敏銳的目光避開外行老板

所有老板都有腦洞，但滋養腦洞的基礎大相徑庭。

我們不應該苛求每個老板都是數據出身，但至少可以選擇那些愿意尊重客觀規律、或者秉承“讓專業的人做專業的事”原則的老板。比什么都不懂更可怕的，是以為自己懂；比以為自己懂還要可怕的，是以為自己比專業人士更懂

4，用產品思維讓自己破圈

尤其在做過產品經理后感觸最深，分析師的產出是否有價值、能否落地，最關鍵的就是會不會提問題，畢竟怎么分析問題是跟在提出問題之后的。

能否提一個好問題，一方面是考驗對業務是否熟悉，一方面就是考驗能否跳出自身的思維模式。搞技術的人，或多或少都容易把自己的邏輯搞成自閉環，只在同業的小群體內能互相理解，跳出群體就會有雞同鴨講的感覺，這種就是小邏輯。而我理解的大邏輯，不僅僅是縝密完備的，也應該是樸素易懂的。

能讓大部分人都理解你的邏輯，才能讓邏輯發揮作用，否則就是自我陶醉。能否站在對方的角度思考問題，就是從小邏輯到大邏輯的關鍵

---

策略產品經理的專注

憧憬：

“策略”這個詞很性感，很飄逸，也很難被界定。市面上有各式各樣的策略產品經理，從崗位招聘要求上看，會給人一種大學里做數據建模的感覺，很親切

現實：

策略產品經理的主要任務，就是做策略。雖然策略本身不好定義，但可以跟算法做個對比，在對比中稍微澄清一下。

打個比方：算法好比種菜的，策略好比炒菜的。炒菜的不用知道這個西紅柿是怎么種出來的，那個雞蛋是怎么生出來的，但需要知道西紅柿和雞蛋各自的特點，再根據特點設計菜的炒法。

所以策略可以理解為對算法的應用，既然是應用，就要結合應用場景做個性化適配。好比KFC在中國推出了豆漿油條一樣，背后還是那套標準的餐飲供應管理體系，但在中國就有本土化。有時候，策略也可以是跳脫具體算法之外，因地制宜的設計一個計算邏輯，解決眼下應用場景的具像化問題

在這個階段，我主要做的是品牌廣告方向的策略。背景很簡單，每個投放品牌廣告的客戶，都是很有錢的爸爸，因為窮爸爸們只會錙銖必較的投效果廣告——沒人點擊我就不掏錢。

但品牌廣告爸爸們不一樣，作為大牌，每年都有一定的預算用在培養消費者心智（洗腦），具體形式就是投放一些讓你看了覺得很有意思、并能增加品牌正面認知的廣告，不強求消費者看了就掏錢買的那種。

這類廣告很難衡量效果，但爸爸們也不傻，想讓我花錢，你至少要說清楚：

• 這次廣告要投放給誰看？——找到合適的人

• 這次廣告要在什么渠道來呈現？——在恰當的時機

• 這次廣告主要突出的內容是什么？——說正確的話

為了回答這3個問題，過去傳統的4A廣告公司，就像影視作品里演的那樣（比如《廣告狂人》），通宵徹夜的腦暴、喝酒、抽煙、沉思，只為了靈光乍現的一刻。但現在4A公司和互聯網廣告巨頭們，會強調用數據來驅動投放前的上述決策

以百度為例，它知道很多人在想要購買一個商品之前的心路歷程——搜索內容——把這些數據加以利用，就能避免純創意層面上的撕扯（一千個人心中有一千個哈姆雷特，很難說我的創意就是絕對的好）。

策略在這里的核心作用，就是利用數據設計出一個系統性的計算方法，解答上述3個問題

上圖就是一個相對完整的解答流程，篇幅限制，今天只舉例其中一個小環節：在消費者眼中，誰是我們的競品？（上圖中競品分析模塊）

上面這個散點圖，是競品分析的傳統做法。以汽車行業舉例，右上角的那個奇駿就是廣告主爸爸的兒子——本品，剩下的那些都是競品，哪個離奇駿最近，哪個就是本品的最大競品。

傳統做法從相似度和爭奪率這2個維度來拆解“競爭”這個概念，試圖量化點與點之間的距離。但有問題，因為相似度和爭奪率是這么計算的：

• 相似度：在一段時間內，既搜過本品也搜過競品的用戶，在搜過本品或搜過競品的總用戶中的比例（本品與競品的交集/本品與競品的并集）

• 爭奪率：在一段時間內，搜索過本品的用戶中，有多少人還搜索過某個競品（本品與競品的交集/本品）

問題1：

如果我事先不輸入任何競品，這個方法就行不通（相似度和爭奪率的核心都是算交集，可你不告訴我跟誰交，我怎么算？）。相當于它無法突破已知的經驗范疇，而我們往往就是需要數據告知一些經驗以外的東西

問題2：

這個方法中，只應用了“重合”這一個特征。然而用戶的搜索行為是一個連續的序列，是有前后順序（先搜A再搜B和先搜B再搜A，不一樣）、有次數多寡（搜了10次A和只搜了1次A，不一樣）、有距離遠近的（剛搜完A就搜B，和搜完A之后又搜了CDE之再搜B，不一樣），這些信息在傳統方法中，都沒有體現出來

問題3：

傳統方法下，誰是競品需要看圖說話。那么問題來了，就拿圖里的逍客和途觀來說，看上去跟奇駿都比較近，到底哪個才是最強勁的競爭對手？

下圖就是對傳統方法的升級嘗試，而且考慮需要向廣告主介紹本次投放決策的理論依據，過程中的策略也需要很高的可解釋性（不是隨便一句基于大數據分析就能忽悠過去的，必須說出個道道來）：

以奇駿為本品，對新策略做一個形象化解釋：當我搜索過包含奇駿的某個關鍵詞之后，如果我緊接著就搜索了逍客（特征=前后順序+間隔位置），而且還搜索了很多次（特征=搜索次數），那么逍客與奇駿的競爭強度就會大大的增加。

怎么樣，是不是很符合直觀的認知？

這個策略不是一個離線的、一次性的計算，它后續落地到一個自動化的產品上。

它的優化空間還很大，比如拿用戶的具體搜索內容來看，“逍客省油么？” vs “逍客4s店在哪兒？”，肯定是后者體現的購買意愿更強，競爭強度也就更強

困境：

很開心在工作的第2～3年做這個崗位，它跟業務不遠，對數據的應用又比較專注。但策略的落地要么是在某個產品上，要么是依托于某個運營活動，我既不是做產品的、也不是做運營的，很難決定這個策略最終落地的形態和效果。

說到底，策略是一個承上啟下的環節，往好了說是樞紐，往壞了說就是上不達天堂、下不接地氣。接地氣的事情我感覺我做過了，我想上天堂

破局：

選擇做一個產品經理，尤其是數據方向的產品經理，可以從最終端的場景反向貫穿整個流程，未嘗不是一個破局的辦法；

又或者，可以橫向去嘗試別的策略方向，比如推薦策略、反作弊策略，這些場景的需求量更大，有更多前輩經驗的積累，不至于出現孤軍奮戰的感覺

---

數據產品經理的開悟

憧憬：

最開始對數據產品經理的期待很樸素——產品經理是不是就可以指使別人干活，自己動動嘴皮子動動腦子就好了？這樣就能有大把的時間花在思考上面，而不是瑣碎的體力勞動上了。

而且還能自己的產品自己做主，從業務端需求的收集、到產品功能的設計、到功能中策略的填充、到最終上線后的運營和效果反饋，想想就很激動！

此處，需要給曾經的自己一個“呵呵”

現實：

后來我做過兩類數據產品，一類是延續了在百度的廣告方向，繼續做品牌廣告的投放前決策平臺；另一類是做數據運營平臺，某種程度上，就是BI報表的升級

我也從一個被安排的明明白白、只需要專心搗鼓策略的學生型員工，變成一個家長式的、需要安排好大家的工作、時間被會議切割到支離破碎的社會型員工了。

同時，我的產品也并不能完全由我做主，方向上的事情會有各路老板的意志干預，也會有各路利益方入局博弈，很多時候我能做的，也往往是在妥協中盡量保持初心罷了

但這個崗位給我最大的收獲，就是逼迫我去直面問題的本質——到底哪些人需要這個產品？他們需要用它解決什么問題？我設計的東西到底有沒有解決這些問題？

之前不論是做數據分析，還是策略產品，因為勞動成果很難獨立的對用戶產生影響，所以很少操心去思考那些問題。

反正我分析出了一些結論、做出了若干策略，最終效果好不好，還要取決于產品功能或運營活動的設計。用戶的反饋也很少直接沖著我來，自己可以穩坐后方釣魚臺。但數據產品經理需要走上前線，因為這個崗位的本質是產品，不是數據

就拿做PC端的數據運營平臺舉例，這個平臺的初期目標，就是服務好部門的200多人，快速準確的了解到部門孵化的10來個產品的數據表現。最開始我腦海中只是天然的覺得，之前用過的那些第三方BI報表有缺陷，重展示輕分析。

既然這次是自研平臺，就做些不一樣的。于是乎，有了下面這個東西

它的初衷是：

1，分析體系結構化（指標按照不同業務方向進行歸類）

2，指標卡片化（一段時間范圍內的總量、日均值、波動率）

3，卡片可點擊（點擊后可聯動展示指標的波動分析）

4，內嵌指標波動分析方法（時間的對比+多維度的下鉆，尤其是后者，直接量化定位波動原因）

然而，用戶對上述4個設計初衷的直接反饋是：

1，指標分散，沒法一次性找到所有想要的

2，卡片太大占空間，浪費多余，還不如做成表格能一眼多看到更多指標

3，能意識到可以點擊，但點擊后因為PC端高度限制，只能看到下方的趨勢圖跟著變動，根本注意不到再下面那個指標異動分析表格也在動

4，經介紹說明后能理解異動分析對指標波動的解釋，但理解有門檻

問題很明顯，我把這個數據產品的數據部分看的太重了，忽略了其產品的部分。后來我發現，這也是現階段很多數據產品經理同行的共性，數據>產品，偏離了崗位的本質。

這個數據運營平臺，到底是解決誰的什么問題？思考之后，有了下面這個迭代的版本：

1，用完成的業務流程串聯起零散的指標

2，指標卡片點擊喚起浮層，所有分析展示一屏解決

3，異動分析簡化圖形化，只保留核心概念

4，原有頂部篩選控件位置優化，釋放屏幕縱向空間

迭代的終點還遠遠沒到，后續有機會再專門開篇說下對這類數據運營平臺的想法，尤其是跟AI的結合

困境：

很多時候，數據產品類似一個中臺型的產品。沒有中臺的命，卻有中臺的病。如何兼容各方的個性化需求？如何評價數據產品的價值產出？這些問題既是我的“絕望之谷”，也會是我的“開悟之坡”

破局：

不要讓自己受限，這個限制可能是外界給予的，但更多時候是自己給予的。我的經歷告訴我，崗位是死的，但能力是活的。

數據分析師就只能鉆研各種分析工具、統計模型么？策略產品經理就不能設計下產品的功能么？數據產品經理就只安心做好產品就夠了么？

當你愿意抬頭時，路就會越走越寬。

------正文分割線------

點個“在看”吧

總結

以上是生活随笔為你收集整理的少有人走过的路：分析-策略-产品的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。