aest步骤_ABtest主要针对什么产品

1.《三节课策略产品经理》课程笔记

2.每个人都是自己的产品经理和运营负责人，那么运营究竟难在哪里？

3.企业的数据化运营离不开大数据

4.产品运营 | 常用的数据获取方式及特征

5.产品经理应具备的职业心态

6.什么很多的面试要求上，都要求人员掌握数据分析的技能？

7.如何成为一个优秀的产品运营？

。。ISBN:?87111662396

。。文件格式：epub2802031363

。。内容简介。。

这是一部全面讲解数据产品经理核心知识体系的著作。12位作者大多来自国内的知名企业，涉及不同的行业，让本书拥有了更广泛的视角，能帮助读者从不同的角度去了解数据产品经理如何在数据、产品、运营、市场等多个方面产生价值。本书的最终目的是让读者全面了解数据产品经理的工作内容、系统掌握数据产品的核心知识体系，快速实现从入门到进阶的突破。

全书一共11章，重点讲解了数据产品经理应该掌握的11个核心知识点，可以概括为四个部分。

第一部分 基础知识（第1章）

首先介绍了数据产品的定义、组成、分类，其次介绍了数据产品经理的分类和能力模型，最后介绍了数据产品经理的招聘、应聘和面试。

第二部分 通用能力（第2~3章）

讲解了数据产品经理应该具备的数据分析能力和项目运作能力（产品路线图）。

第三部分 数据管理（第4~9章）

依次讲解了数据埋点、数据中台、数据指标体系、A/B测试、数据管理、数据服务等知识点，涵盖数据集、治理、应用、能力输出的整个链条。

第四部分 策略产品（第10~11章）

重点讲解了搜索系统和用户画像等策略产品相关的知识。

。。作者简介。。

杨楠楠

资深数据产品经理，擅长数据分析，为多家世界500强公司提供数据分析服务，能在数据、产品、运营、市场等多个方面发挥数据价值。擅长策略产品，在广告、电商等领域有较多经验，为多家厂商提供流量变现服务。维护有数据产品经理的知乎专栏和社群，本书的合作者全部来自专栏的粉丝。

李凯东

某媒体的大数据负责人，前京东数据中台应用数据平台部负责人、京东商城算法专家委员会核心委员，阿里天池数据科学家。京东研发最高成就奖项“杰出成就奖”获得者，在京东期间曾主导智慧营销，单条产品线GMV增长数十亿；创办京东大数据比赛平台JData，并成功举办全世界最大的单体大数据比赛。有9年创业经历，在社交、电商、O2O等领域有多年经验和深刻见解，公司于2014年以4000万估值被收购。

陈新涛

58转转前数据总监、美团外卖首任数据负责人，拥有多年数据产品及分析经验，擅长带领团队搭建企业级数据中台，以及结合企业战略分析数据并提供增长策略。曾负责从 0 到 1 搭建美团外卖数据平台，其中智能业绩系统为外卖事业部赢得首个美团点评集团大奖。任转转数据总监期间，带领数据产品及分析团队，搭建公司数据中台，为各业务线提供分析支持，并连续两年培养出公司最佳员工，获得高管团队及合作方的高度认可。

萧饭饭

高级数据产品经理，擅长用算法解决业务问题。资深策略产品经理，从0到1负责过完整的搜索、推荐、个性化push及用户画像项目，并持续优化，曾打造亿级DAU产品策略。精通用户增长策略，尤其擅长C端产品的打磨和创新型功能设计，以提升新老留存为路径的增长模式。

胡玉婷

高级数据产品经理。原大数据公司的数据产品经理，在在线教育、内容文娱、电商、大数据等多行业具备丰富的数据产品经验，同时具备丰富的埋点设计和数据集经验。拥有toB应用型数据产品及BI平台型数据产品经验，主导的数据产品大中型公司进行宏微观决策，主导的大数据分析平台服务于亿级用户量进行用户行为分析，toB付费数据产品市场占有额Top2。曾多次受到微软中国及微软美国总部表彰，全球技术项目中国区成员，参与过世界上最大的学生科技大赛中国区运营项目，2015年被美国微软总部表彰为“2014年度优秀MSP”，并长期享有MSDN最高级订阅。

曹畅

资深数据产品经理，曾就职于国内某大型智能语音技术提供商。主要研究企业数据标准建设与数据管理方法论，以及用户行为数据标准。曾主导制定某上市公司子公司的企业数据标准。

谷坤明

TMD互联网公司大数据平台数据产品经理。擅长智能BI类产品，曾提升数千名员工的数据应用效率，实现数据驱动业务发展的目标。擅长“数据服务”类产品，擅长全套指标体系搭建和可视化、服务化API接口的产品方案。拥有较丰富数据可视化经验，深度参与公司一站式数据消费应用平台。

俞京江

某知名地产集团金融事业群产品负责人。有9年互联网金融行业产品设计经验，多年产品团队管理经验，精通金融行业产品的业务流程及功能设计。独立负责过五百亿交易规模的App的版本迭代；独立负责过单日破亿交易额的营销活动，有丰富的用户增长和营销获客实战经验，善于搭建体系化的营销服务管理系统，包括精细化运营平台、自动化营销平台、SCRM等。

赫子敬

次元降维创始人，有8年数据产品和数据分析经验，曾在多家大型企业担任数据负责人，精通全栈数据链路和数据策略。滴滴现代交通安全数据奠基人，2016年帮助滴滴平台将安全事故降低20%，在技术方面实现重大突破；2018年全面负责爱奇艺AI产品线，帮助爱奇艺在内容制作、生产、分发环节全链路应用AI产品，大幅提升业务指标。

贺园

资深数据产品经理，曾在宜信、京东数科等多家知名互联网金融公司从事数据产品相关工作，擅长偏技术类数据产品的设计。曾负责从0到1搭建公司的A/B测试平台，标签和用户画像平台的设计，以及公司级数据资产管理系统的搭建。

刘扬

数据产品专家，曾就职于用友、唯品会，在数据集与埋点、数据ETL、数据建模与分析、数据应用方面均有丰富的实战经验。先后做过搜索、推荐、算法、大数据平台、ABTest系统等不同形态的数据产品。精通SQL，懂Python及主流挖掘算法；擅长基于ABTest的数据驱动理论的价值挖掘和产品落地。

朱诗倩

曾任Google系独角兽公司数据科学产品线负责人，现任世界500强公司科技事业部数据负责人，擅长利用数据驱动业务增长，在集团跨业务板块数字化转型方面有独特经验。在教育、地产、金融领域拥有企业级数据产品和数据营销实战经验，多次完成从0到1产品体系和数据平台搭建。

。。精彩短评。。

#

个人感觉干货很多

#

适合想要了解数据产品的pm从业者，对标签、画像的应用很有帮助，值得一看

#

每个部分写的都比较浅，适合初入门了解

《三节课策略产品经理》课程笔记

s://.atatech.org/articles/174568?spm=ata.13261165.0.0.3ddb7edbDyrCTr

要根据不同的推荐场景，因地制宜的选择合适的评估方法。推荐场景，与推荐内容，展现方式，满足用户需求有关。

推荐的目的：**推荐，目的是快速选出想看的**，需要评分，简介，海报，用户停留时间越长，满意度越低，因为用户选不出；短推荐，目的的让用户在停留时间足够长，多样性新颖性更重要

推荐** 短 商品 新闻 歌曲 个性化信息流feed推荐， 热门推荐，推荐场景有很多

短：用户粘性，浏览时长，短制作方的曝光和生态，是关键考核因素。

TOP-N推荐：展示数量有限，有先后次序，对结果的准确率要求高，因此，推荐结果的前N条点击率CTR（click-through-rate）是常见指标，计算方式为点击/曝光

推荐结果有明显顺序关系的，从上到下展示，需要有位置衰减因素，如NDCG(Normalized Discounted Cumulatie Gain)MRR(Mean Reciprocal Rank)MAP（mean erage precision）。

feed流：常用点击/曝光即曝光点击率来衡量推荐质量，PV点击率（点击量/总 PV）、UV点击率（点击量/总 UV）也是Feed流中常用方法

电商

电商：推荐核心目的是促成交易，推荐带来的交易笔数占总交易的占比，或总交易金额与GMV的比例，是最直接的评价指标

从推荐激发购物者兴趣，到用户完成订单，有漫长的操作链条，所以还可以分解动作以更好的衡量每个环节的效果。例如加购物车率（通过推荐引导的加购物车数量 / 推荐曝光总数），商品详情页阅读率（通过推荐引导进入商品详情页数量 / 推荐曝光总数）等

广告

广告点击、曝光：新闻资讯、短、免费阅读类APP，广告作为主要收入来源，要扩大用户在APP上的停留时间和促进广告点击，因此用户平均停留时长、推荐引导下的成功阅读次数等，作为衡量标准

离线

离线数据集通常很难做到完全细致全面的情况下（例如大量用户的隐式反馈数据很难完整记录，因为性能代价太大）

使用大数据算法竞赛，用静态评估方法计算。

例如在**、电视剧的推荐中，用户 - 物品评分矩阵（User-Item-Rating）就是常用于离线评估，在学术界尤其常见。因为高校、学术界很难接触真实线上环境，用离线评估是比较方便来评估算法好坏的，也算是学术界的无奈吧。

在线

在线评估可以随时进行aest，缺点是，线上环境复杂，会受到其他干扰因素影响，未必能反应推荐算法效果的好坏；一些指标很容易受到攻击和，运营活动也会有干扰；流量占比过小时，数据抖动很大，aest的效果未必能体现真实效果。

离线评估的结果和在线测试的结果可能南辕北辙。离线测下来效果顶呱呱的算法，上线后可能石沉大海一点浪花也看不到。这也恰好证明了正确选择评估方法是多么重要。

推荐的内容如果都来源于平台自身，那么往往只需重点考虑平台关键运营指标最大最优，例如达成更多的交易提升 GMV，或者读者的留存率更高，或者提升整个平台用户的活跃度等就行。

但是比如抖音的内容来自各个发出者，这些人依赖平台推荐，增加曝光率来获利，因此平台要从自身的生态平衡和系统长期健康角度出发，考虑让出一些曝光给长尾UGC或者PGC，避免被顶流占据，同时扶植更多中小内容创作者让生态更加繁荣。这时评价指标要包含内容来源覆盖率，多样性等指标。

研究表明主流的推荐算法（比如协同过滤）都是具有马太效应的，基尼系数用来评测马太效应的强弱的，如果 Gini1 是从初始用户行为中计算出的物品流行度的基尼系数，Gini2 是从推荐列表中计算出的物品流行度的基尼系数，如果 Gini2 > Gini1 则说明推荐算法具有马太效应。

评价指标一定不能只单纯看重点击率、转化率等量化指标，因为如果只用这些指标来优化算法，最终结果一定是低劣内容会充斥着版面，降低整个平台的格调。

在推荐系统评估时大家往往语焉不详的“惊喜度”（Serendipity）、“新颖性”（Novelty）等，往往就是在人性揣测的方面进行探索。

这些指标计算时最大的难点是评价指标偏主观，很难直接使用在线行为计算。一般只能用事后问卷或者用户对内容的评价评分、转发等行为来间接佐证。或者以 7 日或者 N 日留存率等来判断用户对推荐结果整体的满意度。（达观数据 陈运文）

基于用户的整体式评估，会让推荐算法导向满足“大多数人口味”的推荐结果，但这背离了千人千面的个性化的初衷。我们期望社群里不同的人都能通过推荐来形成满意的体验。小众的人群偏好往往会淹没在整体数据中，我们一线的算法工程师经常有体会，就是某个新的推荐算法上线后，看整体指标明显好很多了，但是你的领导 / 客户可能来投诉，说感觉推给他的东西感觉没以前好了。个体和群体经常存在类似的矛盾。某个推荐算法可能对整体有利，但对其中另一类人未必如此。

理想的做法是将其中的人群进行细分，例如电商网站中既有价格敏感型的大众用户，也有追求品质的高端用户。在计算指标时如果划分不同人群来计算，更能体现推荐效果作用后的具体差异。例如我们期望新用户能迅速完成交易并沉淀下来，那么针对这群人的推荐指标，下单率和次日或 7 日留存就非常重要。而针对高端人群的则有所不同。个体的差异性和小众品味要得到更大程度的重视。

在同一个推荐 APP 或产品里，不同位置的推荐需要针对性的设置推荐评价指标。前文中提到的不同位置、不同场景，推荐指标制定规则可以有所不同。例如首页首屏的 banner 推荐（Top-N 推荐），信息流 Feed 推荐，内容详情页下面的（常用 precision-recall 或者 F1-score）来计算。还有在搜索无结果页、购物车页面，退出确认页等等，不同的位置一定需要因地制宜的选择适合的评价指标。

每个指标都有局限性，推荐系统需要平衡很多因素 ( 商业、用户体验、技术实现、资金、人力等 ) ，怎么做好平衡是一种哲学。通常可以把几个因素加权求和来作为整体指标

指标的选择和产品主打定位有关系。例如一个特别强调内容快速新鲜的 APP，那么结果的时效性就应该占更大的权重。而一个强调格调品味的 APP，单篇阅读时长就显得更可贵。而强调社群活跃度的平台，用户对内容的分享率，互动率等，在整体指标中要更突出。（达观数据 陈运文）

在产品运营的不同阶段，倾向性不同指标的选择也应该有所不同。产品上线前期可能要照顾用户体验，大力拓展新用户。当用户量足够多后，可能会侧重商业变现 ( 推荐的付费，在列表中插入较多广告等 ) ，想办法通过推荐让产品尽快盈利。如果是电商类推荐，要细致的考虑用户购买前和购买后的差异，以及标品和非标品的差异。购买前往往可以多推荐同类产品以更好的让用户进行比选。当购买动作完成后，尤其是耐用消费品，再继续推荐就适得其反了。

推荐系统本质上就是让每个消费者满意，这些指标只是从不同的角度来衡量“满意”这件事情的程度高低。在此小结下常见的指标种类，包括如下几种类型：

场景转化类指标 ：曝光点击率，PV 点击率，UV 点击率，UV 转化率，加购物车率，分享率，收藏率，购买率，人均点击个数，CTR，AUC 等

推荐内容质量指标： 结果多样性（Diversity），结果新颖性（Novelty），结果时效性（timeliness），结果信任度 (Confidence& Trust) 等

内容消费满意度指标 ：留存率，停留时长，播放完成率，平均阅读时长，交易量，沉浸度（Engagement），惊喜度 (Serendipity) 等

在同一个推荐场景下，指标不宜过多，因为太多了不利于最终优化决策，把握准每个场景核心发挥的作用的几个推荐指标就行。但也不能只有一个指标，因为过于单一的指标会把推荐算法的优化引入歧途。迷信单一的指标表现好不能说明产品好，而且物极必反，过度优化后的指标虽然上去了，但用户的体验往往会降低。

很多推荐评价指标本身也是脆弱和易受攻击的，一些推荐算法如果严重依赖各类反馈指标来自动优化结果，往往会被恶意利用，所以既要灵活运用推荐评价指标，又不要完全迷信技术指标。因为指标背后体现的是用户的人性。在商业利益和人性之间拿捏到最佳平衡点，是推荐系统开发、以及推荐效果评估的至高境界。

每个人都是自己的产品经理和运营负责人，那么运营究竟难在哪里？

本次课程能学到很多干货和通用方法论，希望之后有机会实践。

以下是策略产品课程的思维导图：

策略无处不在，策略是一种实现目标的手段

例如电商：搜索策略、推荐策略、广告策略、补贴策略、配送策略

策略四要素：待解决问题、输入（影响解决方案的因素）、计算逻辑（将输入转换成输出的规则）、输出（具体解决方案）

策略pm主要关注待解决问题、输入；而策略rd关注计算逻辑，而pm最后要给出结论，效果是否用户想要的。

策略产品经理要努力想象不同人在同一个场景什么样，和适应想不同人不同场景。

策略是 降低成本实现个性化 的手段

1、发现问题：功能： 一个人 相对聚焦的需求；策略： 一群人 更多样和更有统计意义的需求

2、撰写需求：功能：流程和原型表达产品实现效果；策略：逻辑描述和效果示例表达产品实现效果

3、跟进开发评估：功能：更关注结果，验收呈现效果；策略：更多参与过程，多轮评估深入参与开发过程，与策略rd一起发现各要素中的问题

4、上线后效果回归：功能：更快达到理想态；策略：永无止境的产品循环，复杂且受多因素影响

收集用户问题-用户反馈分析-整理撰写需求-落实产品改进

1、收集：自有渠道、外部渠道

2、分析：数据处理-问题整理

数据处理：浏览了解数据内容-删除无效数据-对有效反馈标注理解背后的问题（不是问题、已知问题、未知问题）

局限性：沉默的是大多数，随机、影响面和优先级男判断

小结：每个反馈背后都是一个真实用户的情感表达，以敬畏心态深入分析每个问题。

针对相对稳定的产品，数字性指标收集、观察、字段、实时发现问题的有效手段

搭建：

定义待监控的指标、定义报警规则

1、定义指标

产品框架拆解：白盒效果监控、黑盒策略监控（策略产品、技术监控（功能产品）

2、定义报警（重要程度、波动幅度）

条件：在正常区间外

方式：电话、短信、邮件

#界定波动区间#

数据敏感度：波动是否超越历史波动范围

三西格玛理论：正太分布，u+-3o

#评估指标重要程度#

x=影响程度 y=影响面

效果监控（白盒部分）

搜索案例：用户搜索-看到结果-用户点击/翻页

满足效果

小时级监控：同比上周同期波动>50%短信

天级监控：同比上周同日波动>5%邮件；>20%短信

覆盖情况

小时级监控：同比上周同期波动>5%短信；>20%电话

效果监控（黑盒部分）

*以搜索为例

1、识别策略

理想：覆盖程度、准确程度（机器识别不了）

现实：只能监控「识别到多少」

覆盖率：识别为需求的流量/网页搜索总流量

需求强度分布：强、中、弱需求的比例

*需求=强需求量+中需求量+弱需求量

小时级监控：同比上周同期波动>5%短信；>30%电话

2、检索策略

通过检索结果的质量来衡量

监控指标：相关性打分=每个搜索词对应结果的相关性打分均值

小时级监控：同比上周同期波动>20%短信，50%电话

3、展现策略

监控表现：样式占比、点击率

小时级监控：同比上周同期波动>5%邮件 >20%短信

监控的局限性：

1、精度不高

2、不能直接定位问题

相对人工排查：监控自动、实时、针对效果

使用场景：制定产品接下来的；修正巩固自身方法论

阶段性调研：最能代表产品的全貌，有效指导下阶段

时间节点：

1、接触新产品（方向）：接手某个产品方向的时候

2、周期性回顾：每个月/季度/半年固定周期的回顾

3、不定期回顾：其他需要临时回顾整个产品全貌

通用方法论：

定义理想态-拆解未达理想态的情况-提出解决方案-验证是否解决

1、找到理想态：数字化指标或其他明确标准

2、抽样分析：不到理想态的case分析，统计分类，明确不好的原因

3、优先级判断：汇总所有问题，综合影响面、问题严重程度和解决成本确定优先级，作为接下来的项目

第一步：找到理想态（阶段性产品目标）

复杂情况：百度：搜到了需要的信息（无法用单一指标衡量）

简单情况：滴滴：到达了目的地（订单成交率）

搜索：平台当前能够给出的最佳产品方案

推荐：在候选集合中是否是最佳结果，用户行为指标为发现问题手段

小结：

工具属性产品理想态：帮用户解决问题，单一指标

推荐、搜索等理想态：复杂的情况

第二步：抽样分析明确问题原因

样本们称为case

一、基本步骤

确定调研目标！！！-确定抽样对象-选择抽样方法-确定抽样数量-样本分析标注-整理汇总问题

1、确定调研目标（很重要）

2、确定抽样对象

通过一定规则筛选出的待分析的全量集合

筛选规则：核心指标未达到理想态，可以代表全体用户的行为的最小时间窗口（一天）的全量数据

样本类型：用户个体、行为片段（session）、搜索词、订单

分析滴滴成交问题：全国一周内所有未成交订单抽样

分析美团搜索问题：（复杂情况）一天全量用户session抽样，认为进行筛选

3、选择抽样方式

简单随机抽样

4、选择抽样数量（？）

精度和成本的balance，代表某类样本数量有统计意义

经验值：尽量使代表某问题的样本数量 >=5，或者影响面>=3%

5、样本分析标注（与用户反馈收集类似）

6、整理汇总问题

上下层级：总分关系

同层级之间：相互排斥、不重叠、不遗漏

问题框架不唯一：有初版预设、不断调整直至完善

第三步：优先级判断

1、单位成本的收益(ROI)从大到小

2、ROI相同时，绝对收益较高的优先级高（也要看时长，市场瞬息万变）

3、待解决问题的恶劣程度

项目收益=待解决问题的影响面（通过调研得到直接的拥挤数据）x 解决后体验提升程度 （问题导致的「实际数据指标与理想态指标的差距」）x 预期解决比例（研发给出）

项目成本=通常仅指研发成本

一、简单策略

给出策略规则：基于历史数据给出、参照竞品给出

二、复杂策略

1、从0到1:描述理想态、怎样的输入下要达成怎样的输出效果

2、策略迭代的项目：更多描述策略现状，待解决问题是什么，针对这些问题，理想的输出效果是怎样的

自检清单：

结构：逻辑清晰、层次分明

背景：描述清楚，待解决问题

目标：产品理想态或考核指标

示例：通过示例，让问题更明确和清晰

策略需求文档核心是将策略四要素描述清楚

针对复杂策略，可以跳过计算逻辑这个要素，但需要case示例

策略质量评估：用来说明策略本身的质量

输出结论：该策略的召回率（对问题的解决程度）&准确率（有没有带来其他伤害）有矛盾，希望两者越高越好，按照产品阶段，找平衡点

Diff评估：用户直接感受到产品效果变化是怎样的

diff影响面：用户感知发生变化的比例，通常要小于策略影响面

good：same：bad（g：s：b）：随机抽样有变化的case，站在用户体验角度评估

策略评估：基于理想态找到问题-汇总和抽象问题，提出解决思路or方向-给出结论

有没有解决问题or达成目标：

1、如果有：有没有进一步优化空间、有没有引入新问题、优化/解决手段是什么

2、如果没有：是为什么，如果要达到目标，接下来要做什么

一、项目启动前

第一步：明确预期：产品目标是什么

第二步：指标体系：该目标可以用哪些数据指标来衡量

建立指标体系：

问题和目标是什么：找到核心指标

解决问题和实现目标的关键路径是什么：找到过程指标

新路径伤害了谁：找到观察指标

二、开发上线

全流量上线：评估效果好，仅与本项目有关（实验期同比上一周期变化x%）

小流量上线：项目效果存在一定不确定性时，aest（实验流量比基线变化x%）

注意：抽样方法是否随机；样本集合是否有天然差异。先进行流量空跑，避免问题

三、上线后

第四步：收集第二步中的指标，看是否达到第一步预期

第五步：分析问题产出结论

符合预期：产品循环暂时中止

不合预期：新的产品循环开始

1.0 基于用户分层的推送（活跃、不活跃、iphone、安卓）

2.0 个性化的内容推送

1、收集用户历史行为，建立用户标签，用于内容推荐

2、收集上架和价格变化，作为待推送内容和活动信息，作为待推送内容集合

3、根据用户标签和俄候选内容，生成基于每个用户兴趣的内容

4、设置推送频率，在允许频率内，当某男用户存在可推内容时，自动进行推送

3.0 基于反馈的推荐系统

1、推荐时间纳入推荐控制

2、丰富推荐使用的标签数据

3、每个人的点击行为作为推荐优化的重要依据，不停迭代

小结：

消息推送的效率本质：给合适的用户在合适的时间点发送合适的消息

「合适」最初由pm定义，最终根据数据反馈确定

功能导向性：关个用户的体验

业务导向型：关注多边平台的利益

「功能导向性」

「业务导向型」

需要考虑多个存在显著需求差异，甚至利益冲突的用户群，策略要在多个利益群直接寻找合适解决路径，使群体利益最大化

*所谓双边/多边市场

1、策略框架-分析每个用户：针对每个角色，都是一个功能导向性的策略框架

2、策略框架-建立多边关系：平衡

1）将阶段性目标拆解为与个用户群利益相关的公式，寻求多方利益的最大化。

2）在此过程中，任何一方的退让以边界值为底线。

商品定价策略

买家：低价买商品

卖家：商品售出最高价

边界值：买家购买价格低于心理价位；售价高于成本

1、分析双方利益关系

双方都希望促进交易，矛盾点是价格高低

2、拆解交易过程

背景定义：设卖家只有一件商品

1）卖家作为定价方，商品成本cost是客观数据

2）买家心理价位price是推测数据

3、定义不同目标下的定价策略

出行策略-从0到1

一、各利益体需求

乘客：希望最近的司机接单（等待时间最短）

司机：希望最挣钱的订单（接驾时间短、距离更长、更不堵车）

二、定义每个利益体的边界值

乘客：最长等待时间最长是x分钟

司机：接受的最远接驾距离是x km

三、寻找平衡公式

1、分析双方利益关系

双方希望促成交易，矛盾是咩个人都渴望最优质的匹配对象

2、定义撮合规则

阶段性目标：成交率最大（更偏向乘客利益），每一时刻订单被最大程度的消化

撮合方案：接近最大，避免宕机

出行策略-从1到N

1、想保证乘客个人的最大价值，但是当一个人打20次车后，就是一个群体，以平台为中心的撮合系统能保护整个群体的利益。

2、机器指派比人更理性，人会因为心情或主观判断导致决策失误没接到单，机器指派整体来说是效果最佳的。

策略在增长中的应用

增长：「更有效率的杠杠」

杠杠：通过额外的投入获得更多的回报（超出自然趋势增长）

效率：更低成本/更快速度/更精准的定向

实现增长的流程：触达-认知-转化

不做精细化策略的原因：

1、数据量不够，对用户了解不够

2、外部因素变化大

3、自身能力不足

策略在风控中的应用

「风控」=最小成本的避免伤害

避免伤害：

1）对平台的伤害：刷补贴、欺诈、损坏单车

2）对用户的伤害（延伸到平台）：内容垃圾信息

最小成本：大多数风控策略都会给平台/用户造成额外成本

1）期望给用户增加更多限制

2）在高风险倾向选择更严格的策略

3）任何高召回的策略存在一定概率的误伤

核心思路：

降低「者」的收益：滴滴取消司机的补贴

提高「者」的成本（降低相对利益）

例子：「出行平台司机刷单问题」的反策略进化（提高成本）

抓：区分正常、不正常、异常行为，按照用户使用流程分析

1、定义正常行为

2、定义不正常行为

3、定义异常行为

风控的基础在数据

惩：

1、定义处罚的规则

2、及时止损

在线策略：该异常可以实时召回，偏事前阻止

离线策略：通过需要一定的时间窗口来收集数据，偏事后惩罚

策略在数据上的应用

「应用驱动」

支持核心业务：比如搜索推荐的对象，考虑覆盖率、时效性、可用性等

支持增长：比如用户分层、兴趣标签。考虑覆盖率、准确率等

支持风控：比如行为数据、设备数据。考虑覆盖率、可用性等

数据是一切策略的基础！

企业的数据化运营离不开大数据

我最近受邀进了一位朋友的学习社群，然后发现年轻的朋友们都非常热衷各种「跨学科学习」、「能力提升」，于是有些观点不吐不快，就写篇短文抒发一下吧。1你就是自己的产品经理和运营者前段时间，王慧文发表了这样一番言论，他说：不同的职业序列不仅是一个技能问题，还是一种价值观问题，一种人生观问题，一种理念问题。并且拿产品经理举例子：产品经理不是一种技能，产品经理是关于正确思考方法、沟通方法、工作方法等所有正确方法的一个集合，不见得一定要在产品经理这个岗位上学产品经理的东西，产品经理这些正确的东西对所有的岗位都是有效的。你具备这些正确方法之后，无论干什么岗位，都具备了速成的能力。其实运营也同样如此。我见过很多大学生，他们很困惑自己是不是适合做互联网，是不是适合「运营」这个岗位，其实「运营」不是一个岗位，它是一种思维方式。如果你的思维方式很「运营」，你会发现，我们每个人都是一位运营负责人，我们负责运营的是自己的人生。换句话说，每个人都是一款产品，而你自己既是这款产品的产品经理，也是这款产品的运营负责人。你人生的每一步，都来源于你自己的选择，选择的结果成就了每个阶段的你。拿我来说：我的第一次主动选择是在高考填志愿，我选择了音乐教育，那对于这个选择来说，基本上就决定了大学毕业我的最优选择是去学校做音乐老师；而如果我放弃做老师，就要做另一种职业选择。而事实是，我的第二次主动选择，就是毕业之后是否选择留在省内做老师，还是选择去省外追我女朋友。我选择去了去省外，这就意味着我基本放弃了音乐教师这条路径，也意味着我必须进行第三次选择，选择职业发展方向。因为我不会骑自行车，不愿意面对30岁后可能还在一线的职业风险，于是第三次选择，我就在快消品销售和网站编辑之间选择了网站编辑，即便在2005年，没有人知道互联网行业的未来是什么样子。因为这第三次选择，我就进入了在当时一片迷雾的互联网，现在回头看，这个选择是正确的，因为后来的10多年，互联网在国内蓬勃发展，我算是早期吃到红利的那拨人。后来的无数次选择，最终让我成为了在互联网运营领域的一个IP。但你必须要知道，每一次的选择都有得也有失，在选择的当下，是无法评价得失本身的重量的，而得失最后会在一个它认为恰当的时机呈现给你。整个过程，和产品打磨及运营推进的过程极其相似：持续根据市场需求迭代改进，通过数据来反馈决策是否合理与正确。也就是说，任何运营决策和运营动作，在获得数据反馈之前，都可能是错误的。恰如我们不同阶段对于自己的发展和与之匹配的动作，有可能也是脱节的一样。2信息噪音会带来需求失真昨晚在直播的时候，有同学提出：「做管理很累，有没有一直做专家的路径可以作为职业发展的选择道路？」坦率地说：没有。并且这类问题其实在80分的俱乐部里都已经属于聊得要几乎要包浆的问题了。至于说为什么晋升管理对任何职业来说，都是唯一路径，我不想赘述，但是我很想探讨这种观点背后的形成原因。早些年，很多人都在提倡「终身学习」，终身学习有错吗？没有错，不管是作为自然人还是作为职场人，终身学习都是一种必需的理念；但是学习的方式多种多样，有人习惯通过课程学习，有人习惯通过教材学习，有人习惯通过和别人聊天学习，还有人习惯通过看**、玩游戏学习。但是，在此之前，你必须搞清楚，你为什么而学习？要搞清楚，你学习要获得什么？要想明白，学习的目标是什么？在产品运营的逻辑中，我们一般讨论的是：目标、、路径三要素。学习也是同理。譬如：我的目标是通过学习，提升自己对行业的理解（目标生成）。有哪些方法，可以帮助我实现快速学习（路径分析）？设说，有三种学习路径：第一，找公司内具有行业经验、了解公司发展历程的人，去和他们聊天，问你关心的问题；（要禀赋：掌握公司内部谁是真正的资深从业者并与之建立关系）第二，从市场公开的分析报告、调研结果去做梳理；（要禀赋：足够充分和准确的信息与资料来源及自身具备收集相关信息进行整理、归纳的能力）第三，去找行业内的相关优秀课程和内容，主动进行学习。（要禀赋：足够专业和优秀的内容查找能力和筛选能力、内化他人知识体系的学习能力）那么，选哪一种路径，都是和你自身已经具备的能力密切相关的。社交能力强的人会选择第一种路径；总结归纳能力强的人会选第二种路径；而坚定信仰行业知识是可沉淀标准化的人会选第三种路径。这是人之常情，而「路径依赖」就会是它的副产品。3掌握足量信息的人才能正确长大如同运营要正确完成运营决策、方案设计、贯彻执行都需要有足量的信息作为输入来源一样，只有掌握了足量信息的人，才能有机会正确长大自己希望长成的样子。譬如说，我们要提升用户的活跃，那么我们就需要知道，在产品中，是什么功能还是哪个版块，让用户爱不释手。爱不释手是表象，爱不释手的原因才是运营需要掌握的核心。是需求特别刚性，且市场上没有竞争对手？还是内容本身极大丰富做到了人有我优？又或者是活动舍得给奖励，用户乐此不疲？如何去验证这些设，那么就需要找用户聊天、重复类似动作复现，或者去做ABtest目的就是要帮助这些设可以被实证或者伪证。说白了，如果没有足够的信息输入，所有的决策和动作就都会变成拍脑袋，但如果你并不知道核心的关键在这里，那么大概率就变成了业务本身是否有问题，进而越走越偏离目标。拿买菜这件事儿来说吧。同样用叮咚买菜，我可能会无脑下单，但是亮嫂会发现叮咚打折的规律，于是买同样的菜，她永远比我更便宜，甚至她的行为会导致叮咚买菜对她的账号做了风控，不让她去买更便宜的菜，于是亮嫂就来问我要手机号去建新账号，继续用她发现的规律去买便宜的菜——即便我和她说，你要是一直利用你发现的规律，平台可能会持续对你使用的账号做限制，然而亮嫂不care。为什么会有这样的差异？核心问题就在于信息的获取，不同的人的信息获取渠道是有差异的，而人们的知识结构和背景又决定了在处理这些获取的信息的方式方法上也会有差异的，进而在对于信息本身的使用上产生了更大的差异。体现在不同的人身上，就会看到不同的现象，带来不同的结果。那如果在职场发展中，你和你的同事同时听到了老板对某个业务的评价，你们都得出了一个相同的结论：老板对这个业务的现状不满意。但是接下来你们对这件事儿有不同的判断，你认为老板会放弃这个业务，于是想尽办法不去碰这摊子事儿，而你的同事结合老板这几年不停在强调的战略方向，得出「老板非常需要有人能把这个业务做起来」于是主动请缨。最后业务还是失败了但是由于老板非常认可这位同事在业务中体现出来的战略视野和坚定的执行力，提拔了他，而你，因为远离老板的视线，就算你比那位同事在具体事务的处理能力上更强，甚至更有远见卓识，你也永远不会被老板提拔。你说这种结果，是因为具体的能力上你不如别人，还是看待问题的视角你没有他人深刻，又或者是对于信息收集的不全面导致你判断失误造成的呢？而如果你要对自我进行调整与改进，切入点又究竟应该是什么呢？所以我一直强调的是：具体的能力本身的强化，其实没有大家想得那么重要，但是对于信息渠道的扩展、信息获取范围的扩张，是永远要放在首要问题思考的战略问题。说完，期待对你有所帮助。

产品运营 | 常用的数据获取方式及特征

企业的数据化运营离不开大数据

在这个技术推陈出新的时代，人们的生活无时不在产生数据，这些数据产来自于于各行各业，自从在互联网时代大数据概念提出后，人们发现自己手中的数据不再毫无用处，通过强大的技术手段，无形的数据可转化为有形资产。所以在这个大数据的时代，得数据者得天下!

那么对于一个企业来说如何让大数据发挥出价值，推动企业业绩的增长呢？

对于面向用户的企业来说，如何利用大数据现在的玩法应该是比较清楚了。简单来说就是以用户和业务为核心，对用户的相关维度进行数据挖掘，构建用户和业务的属性和特征库，服务业务需求。具体再实施过程中还需要重点考虑以下问题：

1.以用户和业务为核心，以思路为重点，以数据挖掘技术为

企业使用大数据的目的是解决问题(说白了就是赚钱)，赚钱的方法就是跟自己的business model密切相关的，也就是我们通常说的业务。在这个过程中大数据技术只是一个手段，是帮助我们解决业务问题的。所以说在大数据技术选型和架构的时候，一定要搞清楚自己的业务模式，不能别人用什么架构就跟着用，别人挖掘什么就跟风挖。

2.小步快跑，快速迭代，持续优化

千万别想着一次就搞出个大新闻，在互联网领域永远是beta版的，只要这次比上次好就行了。大数据的思想就是把现实世界中的现象用数学的形式表示出来，分析和挖掘这些现象之间的关系，并且能够定位到哪些群体具备哪些特征，哪些特征会影响企业的盈利。所以很多问题并没有或者需要严谨的数学证明，我们重点关注的是关联关系而不是因果关系。

在大数据时代，ABtest是非常重要的，很多现象是不需要理论证明的，ABtest会告诉我们该怎么改进产品，哪些产品的哪些特征更受用户欢迎。

3.用户的反馈很重要，要积极调动用户的参与度

传统的调动用户参与度的方式就是发优惠券或者促销券。这种方法在有些情况下是有效的，有些情况下可能需要更深入的了解用户的需求，例如用户为什么来我们这个平台?为什么流失了?举个例子来说吧，对于有些用户来说你给他发了10块钱优惠券，但是他没有买的需求或者找不到他想买的东西，那么他不会因为这10块钱的优惠券去制造一个需求。或者有些用户可能比较有钱，每次买东西都是大手笔，你给他10块钱优惠券可能他根本看不上。用户细分模型可以帮助我们针对不同的用户群体用不同的调动用户参与的方式。

大数据是帮助我们补充行业知识的一种重要的方式。现在越来越多的行业是数据驱动的，那么这个行业的很多行业知识都是通过大数据挖掘出来的。而获取这些数据的主要方式就是用户的行为和对运营动作反馈的挖掘，这也是未来以数据为核心的企业的价值所在。

4.从运营驱动到数据驱动

关于谁来主导大数据服务用户这个需求，其实有很多的使用场景。例如一个推荐系统由产品经理来主导比较合适;对于一个数据化运营系统，那么从事运营或者市场相关的人员来主导会是比较合适的。对于很多大公司来说，慢慢会发展出专门从事数据驱动业务的部门和人员，例如我们经常提到的Data Scientist的概念。

5.业务人员和数据挖掘人员的密切配合

这个也是我们大部分公司经常遇到的一个问题：做业务的不太懂技术或者数据，做数据挖掘的对业务又不是特别了解，目前社会上最缺的就是既懂业务又懂技术的。如何把数据挖掘的结果应用到业务中是个比较难的问题，我们常说没有数据是无价值的，只是要找到它发挥价值的地方。因为数据挖掘的结果往往表现出的是用户在某一方面的属性或者特征，那么在实际业务中用户的行为往往受到多个因素的影响，所以在把数据挖掘的结果推广到具体的业务过程中要和业务方密切合作，找到合适的促销方式、展位、文案、刺激手段、效果评估方法等。

大数据的范畴内我们应该把用户还原成一个人，而不要割裂的看他的某些行为，而要把这些行为和他的社会学属性、生活背景、活动时间、地点、气候因素和应用上下文联系起来。目前的大数据Ecosystem没有一个很好的BI工具，给对应的分析师或者挖掘工程师带来了很大的难度。

6.与客户的沟通方式(运营手段)很重要

现在社会大家都很忙碌，像过去那种通过call center给用户打电话推销的方式的效果越来越差，因为用户很忙碌的时候是不希望被打扰的。那么异步通信的需求就比较强烈，典型的应用就是微信，可以很好的利用碎片时间，那么对于企业营销来说也是非常好的通道。同样对于企业给用户的各种促销或者运营手段的时机也会比较重要，而且不同兴趣偏好的用户的浏览和购买时间最好也要区别对待。

同时运营活动设计的巧妙程度、文案和展位比大数据技术可能会发挥更重要的作用。听过一个真实的例子，某公司的推荐系统在模型完全没有改变的情况下只是改了下展位的位置，导致最后的下单率有明显的提升。

7.大数据带来的价值如何衡量

企业养了一个大数据团队，那么对这样的团队怎么衡量他们带来的价值呢?例如天猫双十一的交易额有350亿，那么这350亿中有多少是通过大数据来提升的?

大数据的短期回报是精准营销，而从长期的角度来看对于一个企业或者平台来说更重要的是客户关系维护，增加用户的粘性和购买力，从而使得用户很难迁移到其他平台上，那么对于你这个企业来说就有点类似于垄断了，就属于躺着都赚钱了(就像现在的可口可乐、宝洁类似的公司)。所以说大数据的价值可以在产品的各个层次得到体现，而具体价值的衡量也要因不同的业务模式而有所不同。同时大数据也帮助企业更好的理解这个行业，建立起行业的壁垒，从而更好的支撑管理者的决策。

产品经理应具备的职业心态

? 提出任何一个产品的idea或者解决某个需求，都离不开用户，用户是需求之源，而了解用户的需求，提高使用体验的第一步，必定离不开对用户的研究。而与用户接触的过程就是需求集的过程。

首先最常见的就是直接面向用户的。例如，用户访谈，用户调研，用户的主动触达。CPO（call per order）是衡量一个电子商务网站流程是否合理，是否将服务贯彻全面的一个指标，CPO的降低将直接代表了运营策略的正确，可以逐渐推广学习。当然这些指标还有多种叫法，比如feedback，客服进线之类的。

? 这样直接面向用户的，对于客户的需求集虽然可以帮助我们直接定位到用户目前的需求，以及他们使用我们产品发现的badcase，可以帮助我们快速的止损，但是这种集方式，在整合用户的反馈，过滤清洗掉用户的无效需求的时候，必然将耗费大量人力，而对于互联网行业来说，这显然是不太划算的。

? 相对于典型的传统行业来说，互联网产品的研发生命周期更短，研发管理更精简。例如一款新型汽车的研发过程中，评审点是以百来计数的，而互联网行业的一个典型的产品研发，一般只有几十个不到的评审点。而且盈利模式也更为多元化。互联网、软件产品大多是为使用产品的终端用户所做，通常是面对的是海量的用户，所以就产生了下一种用户需求的数据获取方式“直接面向大数据”。

例如中常用的“埋点统计”，埋点是网站分析的一种常用的数据集方法，数据埋点是一种良好的私有化部署数据集方式，埋点统计的数据集，可以简化理解为对于某个操作的标记累加。用微博来理解，可以在用户对内容点赞的时候进行一个标记，再在用户对微博转发的时候进行一个标记，通过对两种数据指标的对比，根据两个数据的匹配度来判断出哪一中类型的优质内容的传播更广一点，用户群体更活跃。但“手动埋点”工程量极大，极容易出错误，对于工程师来说是个很难过的事情。

? 在运营策划中常用的方法的还有ABtest和灰度，根据数据来判断新策略是否值得深化推广。对同一个群体制定两种策略，通过两种策略的不同表现数据来对比判断哪个策略更优。例如B站为了让我们更好的投入内容中，可以根据使用的平均使用时长来判断哪种策略更好。A组用新策略，B组用旧策略，对于两种策略的平均使用时长数据的集，可以很明显的看出哪一种策略更为优化，而对于互联网软件行业这种DAU（日活跃用户数量）很大的产品。10%产出的数据就非常有代表性了，这10%就相当于与已经灰度上线了，找到了用户的核心需求，完成了新策略的灰度上线，再经过ABtest的数据，最后得到更好的一种策略，将10%进行逐步的放量，逐渐达到使用的覆盖率100%，最终实现整个策略的温水煮青蛙式上线，非常的稳定，这个过程可以称为灰度放量（阶段性放量）。

什么很多的面试要求上，都要求人员掌握数据分析的技能？

产品经理应具备的职业心态

　产品经理需要考虑目标用户特征、竞争产品、产品是否符合公司的业务模式等等诸多因素。一般而言，产品经理管理的是一个或者多个有形产品。下面为大家带来产品经理应具备的职业心态，快来看看吧。

　前提条件

　(1)必须基于兴趣

　产品经理是一个非常消耗人意志力的职位，所以只有浓厚的兴趣支撑可以给我们提供源源不断的动力。无论我们做什么，如果没有兴趣，很容易会枯燥，也会很轻易的放弃。

　(2)不要做伸手党

　产品经理是一个主动思考型的角色，无论是工作中还是学习中，都是其他人在等着我们出方案、出原型、出需求，然后才开始执行。对于这样主动型角色，我们要从方方面面养成一个主动的思维，所以我们不要做伸手党，凡事自己去挖掘和寻找解决方案或答案。

　心理学家Ericsson的研究发现：决定伟大水平和一般水平的关键因素既不是天赋，也不是经验，而是“刻意练习”的程度。

　这也是为什么优秀的人会越来越优秀，而普通的人一直普通。因为优秀的人都有一个惯性般的路径依赖，基于这个路径会习惯性的学习和掌握更多知识，而普通人则会习惯性无助，最具有代表的就是习惯性伸手，而非主动思考和探索。

　在我踏入互联网行业的时候，当时还是RSS很流行的时期，因为浓厚的兴趣和尝新的习惯，所以我对互联网信息有着饥渴般的渴望，因此通过RSS订阅了很多科技类博客和各大互联网公司的UED博客，每天像吃饭一样准时阅读相关的动态和资讯。

　最开始是每篇都看，如果文章中有不了解的名词或知识点，我就会通过搜索引擎寻找答案，后来积累到一定阶段后，有了知识沉淀就开始通过标题和评论来吸收新知识。其实有时候某些文章的营养可能全在评论里，评论中带给我们的第三视角的观点，精彩程度往往能超越了文章本身。

　目前我订阅的RSS源每天有上千篇文章，能够让我不会错过任何新鲜事和营养文，虽然文章数量很多，但是经过多年的习惯养成，我已经能够从标题和摘要就能判断一篇文章的价值，并且消化他们也越来越不需要太多精力了，因为我已经养了路径依赖般的习惯，像吃饭一样轻松。

　我这个习惯保证了我不断阅读新资讯、吸收新知识，并且养成了利用搜索引擎查找更多有价值的信息，还能顺藤摸瓜的了解和扩充自己的知识面。我的职业转折点也是因为这个习惯，让我发现了一个新的知识名词，当时我做的并不是伸手党，而是先自己主动探索，先看看自己能不能搞清楚。于是我利用搜索引擎开始挖掘这个知识的内容，顺藤摸瓜了解到了这个名词背后的相关知识，甚至挖掘了一个行业领域的用户需求，做出了一个成功的产品(现已被收购)。

　对于一个领域的新人来说，在还没有掌握一些方式方法的时候，不做伸手党可能会非常耗时间，特别是在时间紧张的情况下。但是我觉得，这更应该不做伸手党，而是先尝试自己探知和寻找方案，慢慢培养自己查询资料的技巧。比如在搜索引擎中查找、在Wiki、BBS、知识问答等垂直类产品中查找。

　知识是单一的，但是经验是彼此相互连接的知识，是点状的知识组织成网状的解决方案。没有点状的方方面面知识的积累，就不可能形成网状的相互关联和相关效应的经验方案。虽然主动探索会在某些情况下比较耗时间，但是在探索的过程中我们能够积累很多周边的知识点，无所谓我们在这个过程中学到了什么知识，也无所谓这些知识在以后能否派上用场，或者能派上哪些用场，这些实际上并不重要，因为本质上最重要的'是培养我们这种思维方式，这其实逐步是培养我们逻辑思维的过程。

　通常做伸手党的人都是不知道怎么去挖掘和寻找问题答案的方法，所以在下一章节中，我会分享一些我总结的技巧方法。

　(3)务实，不浮夸

　由于互联网是一个快速发展的行业，加上工作和社会环境的影响，很容易导致从业人员浮躁起来，无论是产品规划还是职业规划，最常见的浮躁现象就是急于求成。

　产品经理是一个天性就务实的职位，就像盖房子一样，是一砖一瓦的盖起来，不能浮夸、不能偷工减料。这一点是和程序员非常像的，程序是一行一行代码写出来的，功能实现的代码不能少一个字符，少了就会出现bug，也不能多，太多就浮肿，容易导致程序崩溃。

　(4)不能做懒人

　产品经理不是坐班白领，不能安排完任务之后就坐着不动了，这样执行过程中一定会出现需求走样。在工作中我们需要时刻和团队成员沟通，即时跟进产品进度，确保产品在执行的过程中是按我们规划的需求和意图落实的。

　所以在团队中，并不是所有人都像产品经理这样对产品有一个全局的了解。很多时候设计或技术，他们并不太清楚产品经理定义的功能和体验的出发点是什么样的，特别是不要给一个线框原型就觉得设计或技术就明白了需求，所以除了在需求执行前的讲解和沟通之外，产品经理至少在需求执行的过程中保持1~2次的中途跟进，这样可以了解到产品进度，也确保产品需求的执行没有出现偏差，如果遇到偏差也可以即时调整。

　工作心态

　要做好产品经理，除了要具备上边所说的4个前提条件外，还要具备下边要说的4种心态。

　(1)需要工作外的努力

　无论产品还是说其他工作，想要进步仅仅靠工作中积累是不够的，除了日常工作外，我们还需要更多其他方式的努力。产品经理是主动思考创作类的职位，需要我们有很多综合知识，不仅要懂产品，还要懂运营、懂市场、懂营销，懂的越多对工作越有利，在产品规划和设计的时候就考虑的更全面、更完善。

　所以工作之外，我们不能懒，必须身兼数职的去接触、去学习、去积累，还要关注互联网资讯、了解产品形态，研究各类产品模式，不断丰富自己的视野，特别是千变万化的互联网行业，每天都在变化，每天都要关注和学习。

　(2)受得了委屈和挫折

　很多新人可能抱着一腔热血，像打鸡血一样为公司奋斗，但是最终鸡血却洒了一地，倍感挫折和委屈。这种感觉来自方方面面，比如给公司提的方案被否定、比如和同事沟通不顺、比如设计的产品功能或原型被打回重做。这个时候新人可能就会感觉到很委屈很受挫。

　作为一个职场老人，我告诉大家，这样的感觉是没有什么大惊小怪的，无论是产品工作还是其他职业的工作，受挫是很正常的事。本身产品经理就是一个创作类职位，工作中构思的方案或功能，不一定符合所有人的观点。另外如果作为一名职场新人，在没有太多工作经验的情况下，提出的方案很有可能会缺少全面的考虑，在细节或市场层面上，可能不具备可行性。也有可能提出的方案确实是一个不错的想法，但是可能新人还没有学会更好的沟通技巧，在方案宣讲的时候导致听者理解偏差。原因可能有很多种，最主要的就是新人还没有掌握更多经验知识，还没有能力支撑起一个论点的确立，受挫也就成了很常见的情况，然而这也是帮助我们成长的方式。

　无论是职场新人还是有职场经验的人转型过来的，只要是第一次做产品经理，那都是新入门。由于新入门的人在行业认知和工作经验方面都很少，公司为了降低出错率，所以很多时候会让新人做一些周边杂事。比如只让新人画产品原型，这个时候新人也很容易感觉到委屈，很容易会这样抱怨：我是来做产品经理的，是策划和规划产品的，不是来画原型的。

　但是换个角度想想，作为新入门的产品经理，在工作的前一两年实际上是职业投入期，也就是学习期，我们需要花时间和精力去学习和积累职业知识，等我们经验丰富了之后，才是收益期，那个时候我们才有更多话语权，策划方案或者说问题的时候也能说到点子上，所以在学习期最主要的就是有没有学习的机会，至于学习机会，很多时候公司已经给我们了，只是我们没有意识到。

　(3)善于挖掘性的思考

　如果我们养成了挖掘性的思考习惯，那么很多时候，我们就会主动的多角度的想问题。比如方案被否定，我们挖掘性的思考更深层次的含意，是不是我们写的不够好，那么我们就去请教哪里不好，然后研究并完善这方面的缺点;再比如被否定是因为在沟通中没有讲清楚方案，那么我们就去研究怎么改进自己的沟通技巧。

　经常见到新人抱怨在工作中没有学习的机会，但是实际上工作给了机会，只是我们没有换个角度去看待问题，所以没有意识到。比如工作单一只是画产品原型，如果挖掘性的思考一下，问问自己画原型是简单的工作吗?有没有难度?很多人可能会觉得画产品原型就是一个工匠，没有实际意义，但是换个角度想想，画原型也是产品设计，我们设计的原型是最好的吗?原型里需要体现的比如SEO、用户体验，这些考虑进去了吗?用户体验的交互设计是符合用户习惯的吗?为什么这个按钮放在这边，而不是那边，如果放在那边可以吗?影响体验吗?这些东西我们考虑过吗?

　所以如果我们挖掘性思考一下，就算画原型也是一个非常有学习的工作内容，像SEO、用户体验，这些都有专门的职位，是一门学科知识，通过画原型，可以让我们接触和实践这方面的知识，难道不是一个学习的机会吗?而且画原型十分考验产品经理的业务理解能力，因为原型是将业务需求转化为产品方案的一种方式，如果领悟错误的话，画出来的原型也不会正确。

　所以无论是策划方案，还是工作或学习，我们需要放平心态，静下心来挖掘性的思考一下，换个角度去感受一下思路。

　(4)别想着混日子

　通过上面的几个篇章介绍之后，大家应该很清楚产品经理的工作性质了，这是一个主动型岗位，工作内容也是探索未知的性质，所以他不是一个流水线的工作岗位，非常不适合混日子的人担任。

　产品经理就像火车头，一旦你敷衍或者不动，那么火车的车厢立马能够表现出来，也就是立体现在整个团队的工作节奏和产品层面上，所以在这个职位上就别想着混日子了。

　产品经理沟通技巧

　作为一个沟通纽带，产品经理在日常工作中总是扮演各个部门之间协调者的角色。就我自己的工作经验来说，一个项目的前前后后往往包括这样几个阶段：

　1.项目提出与规划。需要与Leader以及相关产品同事一起决定产品的形态、明确核心功能和目标人群、划分项目周期和各部门之间的分工。期间伴随着项目的前期调研（功能需求性验证、必要的数据集等）以及竞品分析等工作。

　2.项目设计与开发。产品经理完成产品需求文档、制作产品原型。根据分工配置，交互设计师、视觉设计师、研发工程师依次同步跟进。期间产品经理负责人员、协调以及各项沟通，并且根据需要及时调整产品方向。

　3.项目测试与验证。当项目初步完成后，进行内部测试与范围性外部测试（ABtest），期间伴随着Bug修复和细节调整。在Btest过程中对产品模式进行验证，及时调整策略。

　4.项目上线，运营与维护。项目正式上线，产品运营、维护以及及时进行版本迭代。

　这么多的流程，产品经理需要和多少方面进行沟通？

　我将同事们大概分成四个部分：Leader、产品设计、研发和运营。

　Leader，上传下达的核心。

　好的Leader是一个项目成功的一半。这里的好，特指个人魅力和决策力，前者能够凝聚团队，而后者则可以提供持续的执行力并且保证项目方向靠谱可行。在与Leader沟通的过程中，明确产品需求是非常重要的，我强烈建议所有的沟通之后都要以文档的形式确定下来，包括产品的功能和定位等。误区常常发生在仅仅凭借口头沟通，需要用的时候才想起来靠记忆去回忆，往往导致信息传递错误。

　而在其他环节，产品经理也需要按时、及时地向Leader汇报项目进度，准确引入决策。如果Leader对技术和产品有想当的经验，可以和他一起讨论；如果他对某一方面不是很了解，则客观地将介绍清楚。

　产品设计，理性和感性的碰撞。

　其实我写这篇文章的来源，就是最近工作中与设计师们的交流。我自己在团队中除了产品经理，还承担交互设计的工作，对接视觉设计师。来回接触了三四个设计师，生为理工科出身的我在与艺术相关专业同事的沟通中发生了不少的碰撞，也收获了不少的经验。理工科思维行事更注重流程，相对来说比较死板，一个功能是什么样是前期就已经决定的，工作应该按照规划来推进；但是设计师不同，他们的工作需要创意、更具灵性，而优秀的设计师本身也是如此。因此在沟通中，经常发生这样的情况：设计师将原型稿完全修改，增加了很多炫酷的效果和设计风格，甚至在我看来影响了功能和交互易用性。刚开始处理这样的情况，我们互相不理解，设计师认为我太死板，原型沉闷并且没有创意，而我则认为视觉设计不应该掩盖功能和易用性的需求。另一方面，我们常常互相纠结于自己所在乎的方面，设计师会对一个按钮的样式与摆放思考整整一个晚上（而我认为早就差不多了），而相反地我觉得某一处需要突出，设计师却觉得这里已经是最完美的呈现。

　怎么解决这些问题？我的技巧有两点。

　首先，以产品本身为探讨核心。这要求我们遵循产品文档，事先就确定好设计的重点以及脉络。在动手之前，就应该先说清楚哪些方面是必须要注重的、哪些方面又是需要创意和发挥的。在沟通过程中，万万不能因为话不投机转而互相抱怨，互相指责（我就在之前发生过与设计师互相争执的情况，非常不应该），项目本事才是团队合作的动力和目标。

　其次，尊重互相的专业和思想。现在工作时，设计师提出了一个创意设计，如果我觉得不应该放在这里位置，我不会直接地否定，而会『建议』设计师保留这个设计但是挪到其他更适合的位置。创意对设计师而言非常重要，也非常值得珍视，对设计创意的否定经常激发矛盾，让设计师感觉努力被白费。

　所以，做好前期规划，做好中期沟通，做好后期反馈，可以大大减少设计师返工的概率，可以让合作双方互相理解。

　研发工程师，GEEK的世界。

　我真的很庆幸自己在某种程度上『文理兼备』，尤其是当我刚刚和设计师讨论完扁平化和项目VI之后，马上打开另一个窗口和研发同事谈论服务器接口和安卓兼容性。研发工程师以解决问题为最终目的，他们在乎的是，通过什么方式去完成，以及工作量有多少。在工作中，我充分信任团队的工程师，提出合理可行的需求并完全交给他们去做。另一方面，当他们遇到困难，我也可以一起投入解决，或者申请调度。因此我真的很不同意之前文章中一些朋友的评论，认为产品经理不需要多么深入技术，认为这样会离用户越来越远。我们面向的绝不仅仅是用户，还有整个项目团队。

　和研发工程师沟通时，要注意效率和调理。我自己做开发的时候经常遇到其他人够来沟通，但是讲了五分钟都没有说明白具体要做的是什么，或者明明在讨论这个问题，中途总是摇摆到其他东西上，这样效率真的太低了。一句话能说清楚的事，马上打好腹稿敲定清楚，沟通简单流畅，不然磨磨唧唧真的很让人烦躁。

　运营团队，产品的指导老师。

　都说产品经理和研发工程师是产品的父母，他们、创造了产品。而运营则是产品的指导老师，他帮助产品发扬优点、改正缺点，教会产品如何吸引用户、如何与对手竞争，当产品出现了问题，还要及时和家长反馈。

　我一直相信，产品本身优秀严谨，是对运营最大的尊重。已经不记得多少次做运营的朋友向我抱怨，某个产品说实话连他自己也不想用，怎么做推广？因此把产品做精做好，运营才有料可做，才有动力去把产品带大带好。

　在和运营团队沟通时，我更注重数据和方案。根据运营数据以及运营方案来观察当前产品的状况是最直接可靠的两个方法。就像你的孩子往往在闯祸、或是某次考试成绩（数据）特别差的时候，才会被叫家长，而我需要和老师分析孩子问题的出处，取合理的措施去纠正这些问题。

;

如何成为一个优秀的产品运营？

什么是数据分析？数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。简单来说，就是通过数据解决任何业务问题。

一个业务人员最重要的能力不是你会什么技能，具备什么知识，而是能解决问题，解决问题的前提是发现问题，数据分析恰好可以完成发现问题解决问题的使命。

在日益研究的招聘环境下，不管你是正要进入互联网产品、运营等业务岗位的在校生，还是1-5 年经验的运营、产品、营销、新媒体等从业者，数据分析能力已经是用人单位对业务人员的重要考核点。

今年疫情影响下，相比传统金融行业求职的一片哀嚎，技术类起薪确实比较香，根据2019年首届数据科学理学硕士毕业生就业报告，毕业生平均薪资达到了27w，主要集中在互联网、金融科技、量化领域。

随着大数据技术逐渐渗透到各行各业，数据科学人才将迎来一波红利。而对于本科非理工背景，又想在工作中将业务和技术结合起来的同学来说，数据分析(包含大数据类)无疑是不错的选择。

今天就给大家分享一下几个热门行业数据分析岗位的基本情况：

互联网

互联网代表：阿里、腾讯、百度、京东、字节跳动、拼多多、滴滴、美团、shopee（新加坡) 等

1）难度系数：☆☆☆☆☆

2）技能要求：

给大家看看腾讯的数据分析岗位要求

结合之前的面试经验，互联网数据分析的技能包括：

a. 精通SQL，最好是Hive-sql

b. 熟悉统计学理论：统计性描述以及推断性统计，ABtest几乎是面试必考的了

c.机器学习，这部分也需要简单准备一下，像逻辑回归、决策树、随机森林、SVM、xgboost等基础的机器模型，当然python的基础也是要会的

d.对业务的认知，数据分析最重要的目的是要支撑到业务的落地，因此对业务的认知才是数据分析的出发点，对于应届生来说，如果有实习经验那是最好的了，对业务思维的认知就会更加深刻，如果没有实习，那就得多了解一些理论知识了，比如产品领域的海盗模型、用户行为分析等，甚至可以用一些咨询case练习的结构化思维来强化这方面的分析能力

3）薪资水平

数据分析的薪资一般是介于产品岗和开发/算法岗之间，不同互联网公司的数分岗起薪在22w-30w+不等。

银行金融科技

金融科技代表：中国银行、建设银行、工商银行、交通银行、招商银行、平安银行等技术类管培生招人，其科技子公司（如：建信金融科技）也招人

1）难度系数：☆☆☆，银行历年都是校招大户，这些年随着信息技术发展，金融科技相关专业的岗位开放如雨后春笋。当然，银行技术岗相对互联网的技术难度系数较低，之前有个段子来自某拿了建行科技类职位offer的同学，“笔试不会，面试吹水，就这么拿了offer"。如下是2019年春招建行的招聘，多地分行的“技术类专项人才”需求达到三位数。

好进 + 起薪不低 + 业绩压力小 + 失业风险低，它不香吗？

2）岗位要求：

以建行信科大数据方向岗位职责为例：

银行科技类岗位的技能主要有两个特点：

一是技能要求，部分数据岗更偏数据开发一些，日常工作可能和数据建设、数据平台打交道；

二是分配方式，可能会统招统分，例如数据岗可能不细分具体的数据岗位（如：数据开发/分析/挖掘等），进去之后可能会分配到业务部门，也可能分配到中后台部门。

3）薪资水平

这个和银行本身属性有关，国有银行的的金融科技岗起薪不算太高，但工作强度小、好（单位租房、交通补贴、餐饮补贴、不需要996等）；股份制银行的金融科技，如招银科技，工作强度不亚于互联网，当然薪资也不比互联网低。

券商基金

券商基金代表：南方基金、嘉实基金、中金、九坤、宽德、一众券商等

在这个类别里主要有两类，一类是金融机构里的数据工程师，另一类是金融工程类。数据工程师做的事情跟传统的数据开发工程师相似，薪资也没有显著优势，所以这里就着重讲讲金融工程岗位。

1）难度，☆☆☆☆☆，金融工程岗位也是这几年的抢手货。之所以说数据分析和金融工程有关联，主要是目前的数据分析类专业一般是由理工学院和经管学院联合办学，学生对机器学习/深度学习以及金融知识都有所涉猎。而最近几年，使用人工智能进行量化因子挖掘以及选股策略构建在业界变得火热起来，无论是卖方还是买方都在进行这方面的尝试，因此数据科学专业的毕业生也有了进入量化领域的机会。但是难点在于，金融工程专业的毕业生在此方面也十分精通，且拥有更加全面的金融知识，因此竞争也是比较激烈。

2)岗位要求：

这是华夏基金的金融数据挖掘工程师岗位：

所需能力，主要是三点：

a.必须精通一门编程语言，Python/MATLAB/C++；

b.有金融数据分析的能力；

c. 熟练掌握统计模型及机器学习模型，懂原理、能调包实现，最好能建模

3）薪资水平

券商基金的薪资基本无上限，看个人绩效拿奖金，底薪大多20w上下

事业单位系

事业单位代表：上交所技术、深交所金融科技、深圳市/区及其研究院

1）难度：不太好评估，身边的样本较少，技术难度可能低于互联网，但是由于招聘名额也较少，所以实际竞争比其实不低，同时也会比较关注学历背景

2）薪资水平：基本和公务员齐平，一线城市的公务员和事业单位待遇都不低，加班和失业的机会也比较少，可以说是性价比较高的一份工作，不说了，就两个字，羡慕。

一、什么是产品运营？理解产品运营之前，要先理解什么产品。产品有两种含义：一种是商品服务，满足市场需求的提供物；另一种是产品功能，需要产品经理和研发去设计开发，比如APP和其中的功能模块。本文要说的是后者，产品运营负责某个产品模块或功能的运营，具备通过产品手段提升运营效率的能力。产品运营需要的能力模型有：同理心、逻辑思维、业务分析和沟通协作等能力。产品运营和其他运营岗的联系和区别：联系：运营的底层逻辑是共通的。如我前文所说：运营是以实现用户和利润规模增长为目标，通过传递用户价值建立稳定关系的过程。需要经历明确目标、分析业务、策略制定和执行落地4个阶段。区别：产品运营相比其他运营，最特殊的地方在于，运营策略的落地高度依赖产品功能。二、为什么要掌握产品运营的能力？一是产研贯穿互联网业务的始终。互联网公司的业务主要在线上，无论是解决问题或者探索机会，都要用到产品手段。举个例子：互联网公司的用户大多留存在APP里，运营在APP端开展工作就需要使用和优化APP相关的产品功能。二是运营要想做大做强，就必须掌握产品运营的能力。相比人工运营，产品运营能规模化、精细化、持续稳定的运营用户，能产出更大的业务价值。举例：人服比是指单个业务人员一定时间内，能同时服务的用户数量。在线教育行业里销售的人服比是400/月，社群运营的人服比是4000/月，运营动作需要人工维系。而产品运营可以运营APP内所有活跃用户，量级是通常是100万乃至1000万以上，运营动作由产品自动完成。三、如何做好产品运营？产品运营通过运营、新增或优化产品功能来驱动业务增长。1.产品运营的工作流程包括业务分析、洞察机会、排列优先级和测试迭代4步。说2个测试迭代的常用方法：MVP和ABtest。MVP是指最小可行化产品，在效果未知的情形下，设计能满足主要功能需求的最小产品进行测试，验证有效后再规模化。这有助于快速测试验证，减少成本投入。ABtest是指对比测试，将测试对象分成多个样本，控制单一变量，来对比不同变量的效果差异，将测试效果更好的样本组再复制。2.产品功能上线需要经历3个阶段1）产品运营梳理业务需求提给产品经理；2）产品经理输出产品需求文档（PRD）后组织评审；3）研发进行开发、测试和上线。3.产品运营核心能力提出一个好需求的能力。好的需求意味着产研做完后，能给业务带来可观收益，产研投入产出比高。结合自身的业务实践和经验积累，再参照我此前说的业务分析方法，已经具备提出好需求的条件了。剩下的事是把需求跟产研说清楚。4.如何跟产研提需求？需求内容以文档形式提交，口头沟通作为补充，好处有：1）减少沟通成本，让产研先对需求有初步了解，再当面沟通讨论；2）口头沟通内容容易遗忘，需用文字记录、确认和跟进；3）工作留痕，便于检查和复盘。产品需求需包括背景、目标和需求3部分内容。背景主要说明业务近况，以及需求产生的原因。目标说明需求收益，以及预期上线时间。最重要是写清楚需求部分的内容。需求部分务必详实，做到不遗漏，因为产品经理会严格按照该部分内容产出产品文档。有些好的产品经理会帮你全面考虑，排查遗漏点、问题和风险，但还是自己先审慎思考更为保险。如果一个文档包含多个需求，或一个需求包含若干个子项，建议需求部分以表格形式呈现，包含需求名称、具体内容、优先级和备注四列。需求名称用短句概括，具体内容细致说明，优先级按P0、P1、P2排列（数字越小越高优，可注明预期上线时间），备注里写不确定、待讨论或待补充的内容。5.产品运营的经验教训1）产品上线前和上线后，一定要自己去走流程验收；2）尽量不要在节日前一天上线，比如周五；3）产品和数据需求要一并提交，否则会出现上线后看不到数据的问题。