移動互聯(lián)網(wǎng)剛興起的時(shí)候，整個(gè)市場是不關(guān)注數(shù)據(jù)的，很多公司連產(chǎn)品經(jīng)理都是IT程序員兼的，這一點(diǎn)我是深有體會，直到現(xiàn)在很多公司的數(shù)據(jù)都是集中在IT部門手里，基本上也沒辦法利用起來

?

但隨著行業(yè)從藍(lán)海變成紅海，一些公司因?yàn)閿?shù)據(jù)分析做得好，漸漸帶來了高于行業(yè)的增長，所以大家紛紛開始注重?cái)?shù)據(jù)分析，專業(yè)的IT產(chǎn)品經(jīng)理也成了標(biāo)配。

很多產(chǎn)品經(jīng)理盡管接觸了大量用戶數(shù)據(jù)，卻一直困于怎么用好這些數(shù)據(jù)。其實(shí)，產(chǎn)品經(jīng)理不需要像數(shù)據(jù)分析師那么精通數(shù)據(jù)，做好數(shù)據(jù)分析，只需要以下三步：

一、搭建指標(biāo)庫

一個(gè)功能在埋點(diǎn)前，我們就應(yīng)該搭建好盡可能完善的指標(biāo)庫。

如果等到業(yè)務(wù)要上線了，才發(fā)現(xiàn)數(shù)據(jù)不夠用、缺指標(biāo)，這時(shí)再重提數(shù)據(jù)需求就很麻煩了，讓技術(shù)人員加班加點(diǎn)返工不說，還會增大后期數(shù)據(jù)收集和數(shù)據(jù)處理的難度，耗費(fèi)大量的人力物力，大大降低了反饋效率。

那么如何搭建一個(gè)盡可能完善的指標(biāo)庫呢？

可以嘗試一下指標(biāo)拆解法。簡單來說，就是圍繞著目標(biāo)數(shù)據(jù)，分解成若干子指標(biāo)，再對子指標(biāo)層層拆解，得出具體需要收集的指標(biāo)。

比如京東的指標(biāo)體系就包含了若干細(xì)分指標(biāo)：

?

再對細(xì)分指標(biāo)進(jìn)行層層拆解（下圖是獲客成本指標(biāo)的拆解）：

?

當(dāng)然，指標(biāo)庫不是越詳細(xì)越好。對于不同的產(chǎn)品和業(yè)務(wù)來說，搭建的指標(biāo)庫細(xì)分到什么程度也是不同的，如果指標(biāo)太過詳細(xì)，收集的工作量和數(shù)據(jù)處理難度都比較大。

第二，數(shù)據(jù)清洗

拿到數(shù)據(jù)的方式有兩種，一種是自己給，一種是別人給。

自己給，也就是在自有平臺上收集到的數(shù)據(jù)，得到的數(shù)據(jù)是比較干凈的，不過也會存在一些數(shù)據(jù)不穩(wěn)定和不準(zhǔn)確的問題。

別人給，也就是在外部平臺上獲取的數(shù)據(jù)，這種方式拿到的數(shù)據(jù)就很不干凈，統(tǒng)計(jì)口徑不統(tǒng)一、格式參差不齊、亂碼、缺字段都是常有的事。

?

冗雜甚至錯(cuò)誤的數(shù)據(jù)會影響數(shù)據(jù)分析結(jié)論，進(jìn)而影響產(chǎn)品決策的合理性。因此拿到數(shù)據(jù)后，產(chǎn)品經(jīng)理首先要提高數(shù)據(jù)質(zhì)量，也就是解決數(shù)據(jù)可靠性和穩(wěn)定性的問題，這就需要對收集到的數(shù)據(jù)進(jìn)行數(shù)據(jù)清理。

數(shù)據(jù)清洗簡單說就是糾正數(shù)據(jù)文件中的錯(cuò)誤，如檢查數(shù)據(jù)一致性，處理無效值和缺失值等。那么怎么做數(shù)據(jù)清理呢？

1、建立數(shù)據(jù)的唯一性

簡單來說就是去重。比如同一個(gè)用戶分別在公眾號、APP和網(wǎng)頁上注冊了賬號，但我們只需要一條記錄，這時(shí)就可以通過Excel或sql語句用代碼去重。

?

還有一種情況，比如用戶通過三種方式注冊留下的數(shù)據(jù)不完全一樣，該怎么辦？

這時(shí)我們想留下來的，一定是最權(quán)威的那條。比如APP是用戶通過手機(jī)號注冊的，網(wǎng)頁端和微信公眾號端是通過微信授權(quán)登錄的，這時(shí)我們一般需要保留手機(jī)號；再比如APP上注冊信息顯示性別“男”，微信注冊信息顯示“女”，我們可以選擇相信微信注冊信息。

總之，建立數(shù)據(jù)的唯一性，要做到兩點(diǎn)，一是去重，二是盡量采用權(quán)威渠道獲取的信息

2、建立數(shù)據(jù)的完整性。

簡單來說就是查漏補(bǔ)缺。比如收集到的數(shù)據(jù)中缺少某些用戶的重要指標(biāo)，如性別、年齡、地區(qū)。

這種情況一般不太多，我們可以通過用戶的其他信息進(jìn)行推算補(bǔ)全，比如可以通過姓名、身份證號等信息推斷出TA的性別、年齡、籍貫等。如果實(shí)在無法補(bǔ)上，就應(yīng)該放棄這條數(shù)據(jù)，避免造成冗余。

3、建立數(shù)據(jù)的合法性

簡單來說就是校驗(yàn)出錯(cuò)信息。比如成年人的體重不可能只有5公斤，性別不能是數(shù)字等。

這種情況會影響數(shù)據(jù)的準(zhǔn)確性，我們需要設(shè)置一套規(guī)則，對數(shù)據(jù)進(jìn)行校驗(yàn)過濾。如果覺得用Excel和SQL太復(fù)雜，也可以試試像FineBI這樣專業(yè)的數(shù)據(jù)分析工具，僅需要鼠標(biāo)拖拽和點(diǎn)擊就能實(shí)現(xiàn)復(fù)雜的數(shù)據(jù)處理。

比如對字段直接添加條件過濾或者公式過濾：

?

比如通過左右合并的功能將多個(gè)數(shù)據(jù)表進(jìn)行關(guān)聯(lián)分析

?

第三、數(shù)據(jù)分析

產(chǎn)品經(jīng)理的工作日常，就是不斷基于用戶需求進(jìn)行新一輪的產(chǎn)品設(shè)計(jì)。而數(shù)據(jù)分析是了解用戶需求的重要手段，可以說，數(shù)據(jù)分析貫穿了整個(gè)產(chǎn)品設(shè)計(jì)過程。

產(chǎn)品經(jīng)理要想做好數(shù)據(jù)分析，在方法論和工具方面都要儲備相關(guān)知識。

在方法論層面，要不斷精進(jìn)各種分析方法，如RFM模型、AARRR模型、流量分析、轉(zhuǎn)化分析、留存分析、可視化分析、對比分析。

工具層面，如果掌握FineBI這樣的數(shù)據(jù)分析工具，無需編程，僅用鼠標(biāo)，也能輕松進(jìn)行數(shù)據(jù)處理和數(shù)據(jù)可視化，大大提高數(shù)據(jù)分析效率。

比如遇到用戶體驗(yàn)這樣非常抽象的概念時(shí)，我們就可以通過FineBI很輕易地制作出詞云進(jìn)行分析：

?

比如使用AARRR模型進(jìn)行用戶運(yùn)營分析時(shí)，也是僅需要鼠標(biāo)拖拽就能完成，簡單直觀，一目了然：

?

用好數(shù)據(jù)是每一位產(chǎn)品經(jīng)理的必修課，搭建完善的指標(biāo)庫、學(xué)會數(shù)據(jù)清洗和數(shù)據(jù)分析是三門基本功。

要想用好數(shù)據(jù)，需要對數(shù)據(jù)有足夠的敏銳度，也需要精進(jìn)各種分析方法，當(dāng)然要想做好數(shù)據(jù)分析，也離不開一款好用的工具。

最后，大家想要FineBI工具的，私信我“BI”就能獲得！

總結(jié)

以上是生活随笔為你收集整理的要是不会用数据，算什么IT产品经理？的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。