編輯導語：作為産品經理行業中的一個分支，你了解數據産品的内涵及崗位定義嗎？其實，數據産品的本質是結構化思維，數據産品經理需要利用結構化思維進行數據洞察，挖掘潛藏于數據背後的價值。本篇文章裡，作者對數據産品究竟為何做出了自己的見解，一起來看一下。

本文适合 2 年以上産品經理閱讀食用。本篇文章是本人 6 個月來思考和實踐，希望對于你有用。

當互聯網時代，邁入大數據時代，數據産品作為新型的産品形态出現你我面前。

今天的文章，我想跟産品經理的你，科普“數據産品”。

一、數據産品，是什麼？

對于很多産品經理來說，數據産品是一個很陌生的概念。

數據産品包含兩個關鍵詞：産品和數據，那，什麼是産品？

産品，是企業跟用戶進行價值交換的媒介。

用戶永遠隻關注得到什麼，需要付出什麼，企業關注解決用戶問題，從用戶獲取相等或超出的價值。

怎麼進行他們價值互換？通過産品。

數據産品屬于一種産品類型，它是通過結構化數據，跟用戶進行價值交換的産品。

數據産品和其他類型産品的核心區别，它是通過數據來解決問題。

數據也能解決問題，很反直覺，我們舉個例子：數據看闆。

産品經理日常工作除了按版本交付産品功能之外，還要考慮如何将産品背後的關鍵數據進行提升。

産品經理如何發現産品關鍵數據出現問題呢？

通過數據看闆來解決這個問題。

數據看闆通過将産品數據指标，加上時間、頁面等不同維度，實時動态展示産品數據，協助産品經理衡量新版本上線後數據優劣。

除了數據看闆，我們常聽到大數據分析、數據中台都屬于數據産品。

對一件事件，知其然遠遠不夠，還要知道數據産品的本質。

數據産品的本質是，結構化數據思維，也叫度量。

二、數據産品的本質

什麼是結構化數據思維？

要理解什麼是結構化數據思維，我們先了解什麼是結構化數據。

結構化數據，指通過二維表結構，邏輯描述個體信息的數據。

我們都用過Excel描述過信息，例如我們登記員工信息，我們會在表格羅列，姓名，性别，年齡等，并在字段下方填寫員工的信息。

這樣的結構就是二維表結構，一行數據，就是一個個體信息數據。

結構化數據的好處在于清晰描述個體信息，且方便從數據上發現問題和解決方案。

假如要了解公司男女比例，通過結構化數據，篩選求和，很簡單得出答案。而不是需要一個一個清點公司男女生人數。

結構化數據思維，是指系統思考個體結構，用數據解讀個體特征的思維。

什麼意思？

當遇到問題時，很多人都會陷入解題思維，即遇到問題，直接思考解決方案的思維。就是芒格說的，拿着錘子的人，看啥都像釘子。

解題思維最大的問題在于，我們容易被自己自己現有的工具迷惑，而忽視問題本身的需求，忘了更好地解決問題才是目的，甚至為了使用工具而去制造問題。

如果我們用結構化數據思維，該如何解決問題呢？

結構化數據思維，第一思考，是誰的結構化？即需要找對問題，或需求的主體。

如果我們找錯主體，後續結構化數據做得再成功，無法解決問題。

第二思考，主體結構是怎麼樣？即包含幾個核心特征和非核心特征。

個體結構由核心特征和非核心特征組成。核心特征，是能确定一類用戶的關鍵屬性。

比如性别和身體殘疾度是區分公共廁所的用戶核心特征，所以公共廁所有男女廁所，殘疾人廁所。

如果按年齡設計，就會造成公共廁所使用的混亂和各種問題。

第三思考，個體特征形成二維表結構，填充數據。

當問題或者需求被我們結構化，數據化後，問題的本質繼而被清晰化、簡單化，解決方案就成一件簡單的事情。

三、數據産品的價值

對于非數據産品經理，數據産品的價值在哪裡？它能帶來什麼？有什麼用？

數據産品，有三個關鍵價值：

1. 挖掘問題背後的本質

挖掘問題背後的本質，這一點在數據産品的本質有很好展示，數據産品對于問題的描述，一定是以數據進行輸出結果。

使用數據産品解決問題過程中，我們會不斷被要求對問題的個體進行結構化，數據化，挖掘其真正的本質。

俞軍大佬曾抛出一個問題：“如何讓用戶更多地使用拼車功能？”

如果你是滴滴産品經理，你該如何解決你老闆的問題？

直接上線拼車促銷活動？還是直接将拼車放在滴滴流量最大的入口，增大曝光？

但問題是，我們怎麼判斷自己的方案是正确的？

解題思維帶給我們壞處，往往是解決方案沒有從本質上解決用戶需求，忽略問題背後的陷阱和風險，當冒出問題時，隻能通過打補丁解決，導緻産品功能複雜程度增加和糟糕的産品體驗。

如果我們用數據産品，該如何解決這個問題呢？

整體分三步走：找個體 ➡️ 抓特征 ➡️ 填數據。

第一，要找到問題中的個體。

如何讓用戶更多地使用拼車功能？那麼：這個問題中用戶是誰？

要知道用戶是誰，我們可以從需求側推導用戶，打車核心需求是更快、更舒服抵達目的地。

與打車相反的是，公共交通。因為價格便宜，但時間長，下上車區域固定。

到這裡，目标用戶浮出水面，拼車用戶是依舊使用公共交通，但不想使用公共交通，又想低成本出行的用戶。

第二，抓取個體的特征。

拼車用戶有 2 個核心特征：價格和時間。對價格不同敏感程度和時間不同敏感程度，會形成多種用戶類型。

通過核心特征抓住核心用戶，用非核心特征豐富核心用戶，比如性别、年齡、打車地點等，形成一個結構化數據表格。

第三，補充個體數據。

個體數據可以從存量用戶中提取，如果沒有或存量用戶數量太少，可以對核心類型用戶做用戶調研獲取數據。

核心用戶可能會分出很多類型，所以需要統計各個用戶量的占比，以此篩選出我們P0-P1級别的用戶，作為種子用戶。

問題可以通過到數據描述時，這個問題本質變成：“通過什麼方案可以使敏感價格xxxxx類型的用戶嘗試使用或者持續使用拼車功能？”

挖掘到問題本質，問題随之變簡單了，解決方案同樣變簡單，對解決方案正确性，就有了判斷，才有把握能解決俞軍大佬的問題。

2. 不确定性的問題定量成确定性的問題

數據産品的價值，不單單在于它在追求問題本質，而且它能将不确定性的問題定量成确定性的問題。

在俞軍大佬的問題裡，“如何讓用戶更多地使用拼車功能”，這是一個典型的不确定性的問題。

這樣的不确定性問題，在我們日常工作，企業決策都會遇到。例如：如何快速增長？如何完成KPI？等等。

基于不确定性問題思考的解決方案，能否解決問題，也是不确定性的。

解決方案結果的不确定性，大概率沒法有效解決問題，持續浪費公司資源，解決新的問題，這對産品經理後續發展是不利的。

如果我們解決方案複雜，大部分情況下，是我們沒有找到真正的需求或問題。

通過數據産品，我們可以确定真正的問題時，将不确定性的問題定量成确定性問題。

例如：如何讓用戶更多地使用拼車功能？通過數據産品思維，我們可以定量成：

1. 通過什麼方案可以使白領A類型的用戶嘗試使用拼車功能？
2. 通過什麼方案可以使大學生B類型的用戶持續使用拼車功能？
3. ·······

當不确定性問題可以定量成确定性問題時，意味問題簡單化、結構化、數據化，從而解決方案也變得簡單、可控。

3. 産品經理未來的核心競争力

看到問題或者需求，每個産品經理都會輸出解決方案。

核心的區别，是能不能解決問題或需求，以及解決方案的效率高低。

所以，能否快速找對問題，然後發現問題本質，成了解決方案關鍵因素。

擁有數據産品思維，就是我們和其他産品經理的差異化。在解決問題上，與解題思維的産品經理相比，我們擁有優勢。

我們不斷使用數據産品思維去解決遇到問題，積累的經驗和效率會成為我們天然的護城河，别人很難複制。

通過差異化 優勢 護城河，數據産品成為了我們核心競争力。是我們自身能力一項資産。

這項資産可以在未來，幫助我們在職業發展中獲取優勢，且不容易被時代淘汰。

四、數據産品的核心三要素

數據産品由核心三要素組成，即：指标、維度、口徑。

1. 指标

數據産品的第一個核心要素，叫指标。指标是構建數據産品的線。

指标，是指個體可量化衡量的客觀标準。

個體的标準分為兩類，主觀标準和客觀标準，主觀标無法充當指标，因為主觀标準在每個人的量化值不一樣。

比如顔值，一個人顔值在1000個人可能就有1000中數值，無法形成一緻認知。

客觀标準，客觀存在，不以主觀意志而改變，可定性定量的标準。比如身高，一個人身高180cm，不管多少人，都能形成一緻認知。

客觀标準，又分為定性客觀标準，和定量客觀标準。

定性客觀标準，指通過非量化可定義的客觀标準，比如性别、學校等。定量客觀标準，指可量化的客觀标準，比如身高、體重等。

指标，是指定量客觀标準，定性客觀标準，我們常用作維度使用。

為什麼？

因為數據産品的核心是結構化數據，能夠進行數據加工，結合模型，輸出結果。

定性客觀标準，并不能進行數據加工計算，所以指标必須是定量客觀标準。

比如：性别無法做指标，男女兩個值無法運算，但是男性人數，女性人數是輸出可運算的數值，所以男性人數/女生人數是指标。

掌握指标概念，是我們通過數據，描述個體或問題的關鍵之一，而另一關鍵，是找對指标。

數據産品其中一個重要作用，是提供決策分析判斷，找錯指标，找少指标，或過多指标，都會給數據産品帶來決策判斷錯誤的風險。

• 找錯指标，我們對問題認知從開始就是錯誤的，後續的判斷也是錯誤，解決方案自然無法解決問題，浪費公司資源。
• 找少指标，會使我們視野變得狹隘，沒有辦法全面看清問題，對問題認知是片面，解決方案也隻能解決部分問題，後續引發的問題，需要通過不斷打補丁，來解決引發問題。
• 過多指标，雖然讓我們全面看待問題，但将問題邊界擴大化，問題邊界擴大化會帶來2個問題：迷惑我們看清解決問題核心關鍵點，以及對擴大化問題，解決資源的投入産出比不佳。

找對指标，隻需要2步：

第一，找到問題的核心個體，盡可能羅列個體相關的指标，直至想不到為止。

這個過程，我們盡可能獲取指标，以解決「找少指标」帶來的問題，同時将指标的選擇範圍擴大，讓我們擁有更多選項提供選擇，更好的視野來審視問題。

第二，按特定邏輯梳理指标，砍掉多餘指标。

第一步羅列所有指标并不都可以用，而太多指标會迷惑我們看清問題，所以我們要砍掉多餘的指标。

特定邏輯，指具體的業務場景，或者系統流程、業務流程等，與邏輯不符合的指标，直接砍掉，保留相關指标。

通過這一步，避免了「找錯指标」和「過多指标」帶來的問題，給我們找對指标提供依據。

當我們找對了指标，我們需要給它加上另一個核心元素：維度。

2. 維度

數據産品的第二個核心元素，是維度，維度是構建數據産品的面。

維度，指度量個體的可定義描述性信息的屬性，而可定義描述性信息，是指規範化術語信息，比如性别和男女，城市和廣州，上海等城市值。

維度和指标都是度量個體客觀标準，兩者區别在于指标用于運算，所以必須是可量化客觀标準，維度用于描述，是我們度量個體的角度，通常采用可定義客觀标準。

我們通過一個例子來加深理解，「4 月 9 日上海新增本土确診病例 1006 例、無症狀感染者 23937 例。」

在案例裡，新增本土确診病例，無症狀感染者是指标，因為它們都是用數值量化表示的标準，能夠作為後續運算。

城市，日期是維度，上海，4月9日都是規劃化術語信息，且屬于客觀标準，任何人對于維度值不會有歧義。

維度，對于數據産品有什麼作用呢？

在數據裡，字段是點，把字段串起來的指标是線，如果隻有點線，我們在度量個體時，永遠隻有一面，像盲人摸象，摸到什麼就是什麼。

維度可以将指标組建成面，而且不同的維度就是不同的面，多個維度組合，我們将會看到一個立體的個體，或者問題。

比如公司的銷售情況，如果我們隻看指标，隻是一個個數值，我們不能看出發展好壞，怎麼辦？

加維度，加時間維度，我們可以看到不同季度，年份銷售情況，以及漲跌，加地區維度，我們可以看到不同地區銷售情況，以及對比。

當視角可以多維度度量個體時，産品經理的眼睛就能看到問題的本質，好的解決方案并不難輸出。

3. 口徑

數據産品的第三個核心元素，是口徑。口徑是構建數據産品的體。

口徑是統計學的用語，在數據産品上，是指取數邏輯，即依據什麼維度，選擇什麼指标，用數據描述度量個體。

口徑是将度量個體通過維度和指标組合，形成标準化數據輸出，讓上下遊産品達成統一，是數據産品基礎形态。

舉個簡單例子：假設你要托七大姨，八大姑找對象，你應該怎麼做？

你要輸出擇偶标準給七大姨八大姑，比如：

• 車=1輛；
• 房=1個；
• 婚育=未婚未育；
• 工資= 10000 ；
• 身高=175cm；
• 區域 = 老家；
• ·····

車、房、工資、身高都是指标，婚育、區域是維度，通過指标和維度組成的擇偶标準是口徑。

當我們将清晰的擇偶标準輸出給七大姨，八大姑，她們可以快速尋找合适的對象。反之，類似下方案例：

作為口徑輸出，不清晰，七大姨八大姑無法知道擇偶标準，自然很難幫我們找到對象。

這是數據産品的解決問題的方式。這也是數據産品能輔助用戶進行決策的原因。

将複雜的問題，通過數據産品，簡化成是否符合标準，符合執行，不符合放棄，協助用戶快速決策。

五、最後的話

文章很長，我們總結一下：

1）數據産品是通過結構化數據，跟用戶進行價值交換的産品。

2）數據産品的本質是結構化數據思維，也叫度量。

3）結構化數據思維的價值，在于

• 挖掘問題的本質；
• 将把不确定性的問題定量成确定性的問題；
• 成為産品經理的未來核心競争力。

4）數據産品核心組成要素是：指标、維度、口徑。

普通的産品思維拆解業務的邏輯關系，數據産品思維通過數據解構業務，再反向輸出标準，解決問題。

數據産品思維洞察問題的根本，在于它用結構化數據思維來思考真正的問題。

感謝你看到這裡，希望本文對你，有億丢丢幫助。

作者：曉東同學，練習時長 3 年的産品練習生，希望和大家一起探索産品的價值，可用性，可行性；公衆号：在地球的産品筆記

本文由 @曉東同學 原創發布于人人都是産品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部