阿里巴巴产品专家为你解答7个有关数据策略产品经理的常见问题

原创让创新获得认可将门创投今天

12月19日晚，阿里巴巴产品专家余帅兵来到将门直播间，与大家分享了“如何认知产品经理中的特种兵—数据策略产品经理？”。由于时间关系，嘉宾没来得及当场解答大家的问题。本文是嘉宾专门抽空写的解答帖，希望对大家有所帮助！

获取视频回放+完整pdf>>关注“将门创投”微信公众号，回复“191219”获取下载链接；回复“入群”，申请加入将门技术社群。

Q1：数据策略产品有哪些渠道可以服务于企业B端客户，是我们直接面对企业客户，还是中间有类似方案公司呢？

A：这个问题特别好。大家都知道，在商业画布中，有一个专门的维度就是“渠道通路”，表意的是产品如何交付给你的用户\客户。有别于实体产品的交付形式，数据策略产品面向B端企业客户的交付因为其形态上的差异粗略可以分为两种：

1）直接交付型。已形成成熟的产品系统，有可以适宜用户独立登陆运行的角色、权限、数据展示、策略建议、操作功能等，具备直接对外交付的商业价值，可以由公司的产品运营或者售前团队对外进行商务联系获得外部企业用户使用产品的机会。

例如：以SaaS（Software as a service）软件服务形式进行客户交付。（在我直播中曾提到的数据策略产品成熟度中位于Level-5的阶段）客户按需付费购买产品功能，获得数据增值及策略建议。国内TOP的电商\内容平台基本上都有这样的数据策略产品。

2）间接交付型。当产品系统还未完全成熟（数据策略产品成熟度在Level-5以下的阶段）时，可以通过借由外部的咨询公司或商业化解决方案团队提供一定帮助和牵线，以主题项目case、定制化案例study或者闭门workshop等方式来和特定企业客户展开合作，如果能在合作的实践过程中，从客户这里收获到良好的反馈和产品需求建议，再加以完善形成1）也是没问题的。间接交付型还可以利用API、服务接口+人工售前售后咨询等方式进行服务交付，相对1）可能更加灵活、更加个性化。

Q2：如何通过数据有效指导初创早期产品迭代？

A：对一家早期的初创企业而言，可能面临两种选择，一种是小而美，一种是快快快。前者会更加精耕细作，一开始的目标就只满足特定的用户群体的特定需求，那么对于精细化运营的要求更高，对于数据的采集、清洗加工、技术方案选型、模型建设等等“数据策略产品”前期最吃力最不讨好的工作就很大程度会认真对待，这种创业企业可能是“模型驱动”的，只有跑通了一个数据模型，才会把商业模式基于这个小模型进行扩展。正如我直播中所提到的，这样的初创企业的产品形态，从基因上就天然带着数据策略思维，那只要按照DSPM的工作流往下进行，在数据\算法建模之后，不断通过反复的AB Test对结果加以验证，来执行数据闭环优化即可。而且，这样的氛围、数据理念，应该是从一开始就贯彻在产品经理和运营人员的血液里的。（大家感兴趣可以去关注下面这家便利店是怎么成长的）

>>《无人便利店：传统零售的创新地，人工智能的试炼场》

而对于希望通过高速扩张、以“市场占有率”作为驱动、以快搞用户、快搞钱、快吸引市场注意的“三块”的创业公司来说，他们一开始重视的肯定是地推、销售、推广、营销等一切有助于自己的份额和用户扩大的市场手段，这样的公司未必真的从一开始注重数据的精耕细作。可能并不是特别适合文中所提到的“数据策略产品生命成长周期”的做法。

当然，无论今天初创企业是“小而美”还是“快快快”，数据策略产品的思维模式都是值得借鉴的。

Q3：基于机器学习的定价策略是如何与用户精准匹配的？这个系统对于画像数据的精准度是否有较大的关联性？如何看待可能引发的杀熟舆论风险，如何达到最大利益的前提下，控制此类风险？

A：也是一个特别好的问题。定价策略，其实也是数据策略产品中应用最成熟、最广泛的策略之一。其实业界关于定价理论有许多学派，至今为止也有许多争议。在大数据兴起之前，定价策略在航空公司、酒店管理行业就有着历史悠久的“收益管理”应用，在收益管理中其实用得最多的就是“价格歧视"(price discrimination），虽然英文叫”discrimination“，但其实本质还是在于区分。

当你坐飞机时，因为你选择出行的时间不一样，可能早、可能晚，为了对冲掉你购买机票的时间和概率对座位的消耗风险，在机票的定价策略上就会呈现出明显的“时间相关性”。

同样，当你去住酒店时，酒店为了对冲掉你住房间的舒适程度要求，在房间的定价策略上也会特意差异化各种服务要素从而形成明显的“服务相关性”。

在今天的电商行业一样面临“用户细分”、“时间细分”、“其他因素细分”等诸多细分场景，其本质就是因为提出需求的“需求方”不是同质的，所以“供给方”也就是不同质的。

画像（人的画像、商品的画像、场景的画像）特征值越多，参与构建的数据\算法模型可以被”深度刻画“的准确度也相应提高，所以定价策略系统可以认为是和画像数据的精准度呈正相关的。

我们在交付数据的同时，还要意识到：其实今天我们是双面性的，一方面我们作为新用户，享受到了许多大数据所带来的便宜和便利，比如新人首单优惠，新人特价折扣，新人专享权益；一方面我们作为老用户，也可能因为长期累积形成对商品价格敏感度的差别，而导致了被杀熟化对待。正如世界上所有的策略，都难说是正义的策略还是邪恶的策略一样，今天对于使用大数据的公司来说，永远都在和用户进行商业博弈，永远都在寻求“供需曲线”中间那个平衡点，当用户感觉到自己被杀熟时，他会用实际行动逃离，会用脚投票，而最终也会反映在数据上，回流到这些公司的策略系统中，直到下一次的优化。作为数据策略产品经理而言，一定需要培养这样的商业敏感度，要能准确的判断今天你负责的产品，转化率数据、用户增长数据、用户流失数据、毕竟你是离数据和算法模型最近的人，如何防控风险，如何把握用户心理，这是产品经理一生的功课。

Q4：非开发出身的产品可以做好产品经理吗？

A：在直播中其实我分享了关于产品经理的一点经验。有两点我认为特别重要，一个是能够愿意去深耕一件事情，然后持续的保持兴趣和韧劲儿，这是去累积专业度的前提，和自己曾经是什么背景出身关系不大。第二点，是我认为应该有足够的智慧去判断和洞察一个事情的核心问题是什么。这同样需要长时间的积累和项目实践，而不可能是通过一两节课程或者一两期培训就可以获得。能够自如地把以上两点掌握并且交替使用，我相信不论你是不是一个数据策略产品经理，你都拥有判断的智慧，执行的决心，一定能成为好的产品。

Q5：数据策略产品经理如何处理业务产品运营人员与算法策略人员之间你的角色关系？

A：在我定义的数据策略产品经理能力公式中，一个好的数据策略产品经理，对于算法模型的理解，和对于业务策略的理解，我倾向于认为你首先要更加懂得”业务产品运营人员“这个角色和他的目的，要先读懂业务策略。无论你在什么组织，有条件一定要站在离最终用户最近的地方，业务运营人员（不论是行业运营、产品运营、活动运营、商业运营……）它们都是离最终用户最近的一批人，所以作为数据策略产品经理其实核心是能够了解你所服务的业务团队在公司是什么角色、什么定位、产出什么价值、有什么核心目标。

本质上，业务运营人员在使用”商业语言“和客户说话，而算法策略人员在使用”算法语言“和客户说话。就好比，业务原因人员说，我要一个好用的钉子，算法策略人员会说钉子的具体范围是多大，尺寸如何，参数是什么，如何衡量好坏？

而你的角色则要问，为什么我们要一个好用的钉子，它要配合什么工具使用？你用钉子要做什么，做出来以后有什么价值，这个价值怎么体现和交付给客户，交付的过程中你觉得会有什么问题？你还需要钉子在别的地方使用吗？……

看到了吧。数据策略产品经理，要当好一个产品的保姆，首先你得理解业务运营人员的意图，其次你要能够正确翻译业务语言，最终在你理解算法策略语言的框架下，转化成技术语言和算法人员进行沟通，最终完成数据-建模-分析-交付运营-效果检验的闭环。

Q6-1：通过什么方式让产品研发团队完全理解产品设想？

Q6-2：数据策略产品的实际价值如何衡量和阐述，尤其在立项之初，做到让上层足够重视，业务人员足够配合，技术人员足够理解？

Q6-3：一个合格的数据策略产品经理对于技术（编程、算法）的理解应该到什么程度？优秀的数据策略产品经理在项目或者产品打造过程中更关注那些方面？

A：其实以上三个问题，本质都是一样的，对于数据策略产品经理，在一个完整的项目周期内如何扮演好自己的角色。

我曾有个形容——数据策略产品经理，其实就是产品经理中的”特种兵“，这个并不是没来由的。特种兵的素质：能够适应各种环境，目标感强、执行力出色、具有复杂环境下的优先级定义和判断能力，有良好的身体和头脑素质在逆境中的单兵作战能力，也有高度灵活的机动性和团队协作精神。一个优秀的数据策略产品经理，也当是如此。

项目上线之初，其实是基础建设阶段，在这个阶段，先观察分析，不要着急做结论。要开始从商业环境中去识别细分用户，并和业务团队一起主动去解析用户需求，这就是最早期的业务策略理解。你多大程度上能还原出一个真实的用户，能够口述出一个真实的User story，能够向第一次听你演讲的人讲清楚这个故事的前因后果，是谁，在什么时间，做了什么事，这个事有什么问题，有什么好处，只有当你自己能够深刻理解业务策略的时候，你所提出的产品设想，才叫做“问渠那得清如许，为有源头活水来”，才能让产品研发团队去理解，这不是空中楼阁，也不是办公室自嗨，这就是“复杂环境下的优先级定义和判断能力”。

在立项之后，面对的任务就是持续和业务人员、技术人员配合，并且择机将关键信息和进度同步管理层。这个环节是要拿数据说话了，需要解决的问题，都会经历一个从“定性”到“定量”的过程，从数据采集、数据加工和清洗、数据存储、数据取用、数据分析、数据可视化、算法目标定义、算法模型理解、算法建模过程、算法模型输出，这10个步骤，基本构成了立项之后一个数据策略产品经理要经历的环节。关于重视、关于配合、关于理解，背后都是大家彼此围绕着项目最初所定义的问题和优先级，用数据来反复确认和校准现状，用模型来尝试预测和估计未来。当然，这个过程要始终定义好自己的角色，不是一个全知全能的万金油，也不要过度沉迷于技术细节和算法实施上，因为，你的时间精力有限，把每一个沟通点和结果点盯准了，确保大家都在一个频道内进行同义交流（这就是对数据\算法建模的理解，能有助于减少语言歧义性。比如：算法同学一般都会对置信度、敏感度、训练、区间、引擎等概念比较敏感，而技术同学则会对模型、结构、流程、接口等概念比较敏感），确保项目方向和进度。

在上线之后，对于算法结果的有效性要多加重视，尤其是效果评估的验证方法更是马虎不得，这也是要深入算法结果的环节。毕竟，项目的成败和好坏，往往取决于最终的“有效因素变化控制下”的结果，是否比预期更好，是否有显著而真实的提升。我们往往发现，数据产品经理最难把关的其实是算法结果，并且隐约倾向于去认为这个算法结果是偏向好的结果，而非坏的结果。千万要注意：克制一下自己的感性情绪，而不要想当然的预设算法结果一定会好。一个合格的数据策略产品经理，必须要有数据复盘意识，要能够关注一个事情做了之后，用户是如何看待，有什么反馈和结论的。

Q7：能分享一下数据策略产品经理的学习路径吗？

A：这里有一个不知道是否准确的学习路径可以参考：（仅数据\算法层面）

数据库开发基础知识→取数及统计分析→ 数据可视化→算法模型的分类和优缺点主要理解→效果评估的方法。

其实我也并非从职业生涯的第一天开始就认知到什么是数据策略产品经理，这个完全是自己在不断的工作实践中自我打磨出来形成的认知和方法论，并且大概率是一个永远不会停止更新的认知和方法论。毕竟，数据策略产品经理没有公开的定义它应该是什么样子，也就很难谈到有标准化的学习路径（至少我认为自己还不够资格来规划学习路径），但我是强烈建议对数据产品经理职位角色感兴趣的同学，先要建立起对商业世界问题的追查和深思能力——为什么？因为我们每天都在真实的商业环境里，我们自己的角色就是用户、买家、消费者、供给者，平常到我们不会深思背后的商业逻辑到底是什么。但作为一名数据策略产品经理，可以通过批判性思维\辩证法，不断的追查一个问题作为现象背后的原因是什么。