陈晓东：从0到1 什么是数据产品

当互联网时代，迈入大数据时代，数据产品作为新型的产品形态出现你我面前。

今天的文章，我想跟产品经理的你，科普”数据产品“。

01

数据产品，是什么？

对于很多产品经理来说，数据产品是一个很陌生的概念。

数据产品包含两个关键词：产品和数据，那，什么是产品？

产品，是企业跟用户进行价值交换的媒介。

用户永远只关注得到什么，需要付出什么，企业关注解决用户问题，从用户获取相等或超出的价值。

怎么进行他们价值互换？通过产品。

数据产品属于一种产品类型，它是通过结构化数据，跟用户进行价值交换的产品。

数据产品和其他类型产品的核心区别，它是通过数据来解决问题。

数据也能解决问题，很反直觉，我们举个例子：数据看板。

产品经理日常工作除了按版本交付产品功能之外，还要考虑如何将产品背后的关键数据进行提升。

产品经理如何发现产品关键数据出现问题呢？

通过数据看板来解决这个问题。

数据看板通过将产品数据指标，加上时间，页面等不同维度，实时动态展示产品数据，协助产品经理衡量新版本上线后数据优劣。

除了数据看板，我们常听到大数据分析，数据中台都属于数据产品。

对一件事件，知其然远远不够，还要知道数据产品的本质。

数据产品的本质是，结构化数据思维，也叫度量。

02

数据产品的本质

什么是结构化数据思维？

要理解什么是结构化数据思维，我们先了解什么是结构化数据。

结构化数据，指通过二维表结构，逻辑描述个体信息的数据。

我们都用过Excel描述过信息，例如我们登记员工信息，我们会在表格罗列，姓名，性别，年龄等，并在字段下方填写员工的信息。

这样的结构就是二维表结构，一行数据，就是一个个体信息数据。

结构化数据的好处在于清晰描述个体信息，且方便从数据上发现问题和解决方案。

假如要了解公司男女比例，通过结构化数据，筛选求和，很简单得出答案。而不是需要一个一个清点公司男女生人数。

结构化数据思维，是指系统思考个体结构，用数据解读个体特征的思维。

什么意思？

当遇到问题时，很多人都会陷入解题思维，即遇到问题，直接思考解决方案的思维。就是芒格说的，拿着锤子的人，看啥都像钉子。

解题思维最大的问题在于，我们容易被自己自己现有的工具迷惑，而忽视问题本身的需求，忘了更好地解决问题才是目的，甚至为了使用工具而去制造问题。

如果我们用结构化数据思维，该如何解决问题呢？

结构化数据思维，第一思考，是谁的结构化？即需要找对问题，或需求的主体。

如果我们找错主体，后续结构化数据做得再成功，无法解决问题。

第二思考，主体结构是怎么样？即包含几个核心特征和非核心特征。

个体结构由核心特征和非核心特征组成。核心特征，是能确定一类用户的关键属性。

比如性别和身体残疾度是区分公共厕所的用户核心特征，所以公共厕所有男女厕所，残疾人厕所。

如果按年龄设计，就会造成公共厕所使用的混乱和各种问题。

第三思考，个体特征形成二维表结构，填充数据。

当问题或者需求被我们结构化，数据化后，问题的本质继而被清晰化，简单化，解决方案就成一件简单的事情。

03

数据产品的价值

对于非数据产品经理，数据产品的价值在哪里？它能带来什么？有什么用？

数据产品，有三个关键价值：

1. 挖掘问题背后的本质

挖掘问题背后的本质，这一点在数据产品的本质有很好展示，数据产品对于问题的描述，一定是以数据进行输出结果。

使用数据产品解决问题过程中，我们会不断被要求对问题的个体进行结构化，数据化，挖掘其真正的本质。

俞军大佬曾抛出一个问题：”如何让用户更多地使用拼车功能？”

如果你是滴滴产品经理，你该如何解决你老板的问题？

直接上线拼车促销活动？还是直接将拼车放在滴滴流量最大的入口，增大曝光？

但问题是，我们怎么判断自己的方案是正确的？

解题思维带给我们坏处，往往是解决方案没有从本质上解决用户需求，忽略问题背后的陷阱和风险，当冒出问题时，只能通过打补丁解决，导致产品功能复杂程度增加和糟糕的产品体验。

如果我们用数据产品，该如何解决这个问题呢？

整体分三步走：找个体 ➡️ 抓特征 ➡️ 填数据。

第一，要找到问题中的个体。

如何让用户更多地使用拼车功能？那么：这个问题中用户是谁？

要知道用户是谁，我们可以从需求侧推导用户，打车核心需求是更快，更舒服抵达目的地。

与打车相反的是，公共交通。因为价格便宜，但时间长，下上车区域固定。

到这里，目标用户浮出水面，拼车用户是依旧使用公共交通，但不想使用公共交通，又想低成本出行的用户。

第二，抓取个体的特征。

拼车用户有 2 个核心特征：价格和时间。对价格不同敏感程度和时间不同敏感程度，会形成多种用户类型。

通过核心特征抓住核心用户，用非核心特征丰富核心用户，比如性别，年龄，打车地点等，形成一个结构化数据表格。

第三，补充个体数据。

个体数据可以从存量用户中提取，如果没有或存量用户数量太少，可以对核心类型用户做用户调研获取数据。

核心用户可能会分出很多类型，所以需要统计各个用户量的占比，以此筛选出我们P0-P1级别的用户，作为种子用户。

问题可以通过到数据描述时，这个问题本质变成：”通过什么方案可以使敏感价格xxxxx类型的用户尝试使用或者持续使用拼车功能？”

挖掘到问题本质，问题随之变简单了，解决方案同样变简单，对解决方案正确性，就有了判断，才有把握能解决俞军大佬的问题。

2. 不确定性的问题定量成确定性的问题

数据产品的价值，不单单在于它在追求问题本质，而且它能将不确定性的问题定量成确定性的问题。

在俞军大佬的问题里，”如何让用户更多地使用拼车功能？”，这是一个典型的不确定性的问题。

这样的不确定性问题，在我们日常工作，企业决策都会遇到。例如：如何快速增长？如何完成KPI？等等。

基于不确定性问题思考的解决方案，能否解决问题，也是不确定性的。

解决方案结果的不确定性，大概率没法有效解决问题，持续浪费公司资源，解决新的问题，这对产品经理后续发展是不利的。

如果我们解决方案复杂，大部分情况下，是我们没有找到真正的需求或问题。

通过数据产品，我们可以确定真正的问题时，将不确定性的问题定量成确定性问题。

例如：如何让用户更多地使用拼车功能？通过数据产品思维，我们可以定量成：

1. 通过什么方案可以使白领A类型的用户尝试使用拼车功能？
2. 通过什么方案可以使大学生B类型的用户持续使用拼车功能？
3. ·······

当不确定性问题可以定量成确定性问题时，意味问题简单化，结构化，数据化，从而解决方案也变得简单，可控。

3. 产品经理未来的核心竞争力

看到问题或者需求，每个产品经理都会输出解决方案。

核心的区别，是能不能解决问题或需求，以及解决方案的效率高低。

所以，能否快速找对问题，然后发现问题本质，成了解决方案关键因素。

拥有数据产品思维，就是我们和其他产品经理的差异化。在解决问题上，与解题思维的产品经理相比，我们拥有优势。

我们不断使用数据产品思维去解决遇到问题，积累的经验和效率会成为我们天然的护城河，别人很难复制。

通过差异化+优势+护城河，数据产品成为了我们核心竞争力。是我们自身能力一项资产。

这项资产可以在未来，帮助我们在职业发展中获取优势，且不容易被时代淘汰。

04

数据产品的核心三要素

数据产品由核心三要素组成，即：指标，维度，口径。

1. 指标

数据产品的第一个核心要素，叫指标。指标是构建数据产品的线。

指标，是指个体可量化衡量的客观标准。

个体的标准分为两类，主观标准和客观标准，主观标无法充当指标，因为主观标准在每个人的量化值不一样。

比如颜值，一个人颜值在1000个人可能就有1000中数值，无法形成一致认知。

客观标准，客观存在，不以主观意志而改变，可定性定量的标准。比如身高，一个人身高180cm，不管多少人，都能形成一致认知。

客观标准，又分为定性客观标准，和定量客观标准。

定性客观标准，指通过非量化可定义的客观标准，比如性别，学校等。定量客观标准，指可量化的客观标准，比如身高，体重等。

指标，是指定量客观标准，定性客观标准，我们常用作维度使用。

为什么？

因为数据产品的核心是结构化数据，能够进行数据加工，结合模型，输出结果。

定性客观标准，并不能进行数据加工计算，所以指标必须是定量客观标准。

比如：性别无法做指标，男女两个值无法运算，但是男性人数，女性人数是输出可运算的数值，所以男性人数/女生人数是指标。

掌握指标概念，是我们通过数据，描述个体或问题的关键之一，而另一关键，是找对指标。

数据产品其中一个重要作用，是提供决策分析判断，找错指标，找少指标，或过多指标，都会给数据产品带来决策判断错误的风险。

找错指标，我们对问题认知从开始就是错误的，后续的判断也是错误，解决方案自然无法解决问题，浪费公司资源。

找少指标，会使我们视野变得狭隘，没有办法全面看清问题，对问题认知是片面，解决方案也只能解决部分问题，后续引发的问题，需要通过不断打补丁，来解决引发问题。

过多指标，虽然让我们全面看待问题，但将问题边界扩大化，问题边界扩大化会带来2个问题：迷惑我们看清解决问题核心关键点，以及对扩大化问题，解决资源的投入产出比不佳。

找对指标，只需要2步：

第一，找到问题的核心个体，尽可能罗列个体相关的指标，直至想不到为止。

这个过程，我们尽可能获取指标，以解决「找少指标」带来的问题，同时将指标的选择范围扩大，让我们拥有更多选项提供选择，更好的视野来审视问题。

第二，按特定逻辑梳理指标，砍掉多余指标。

第一步罗列所有指标并不都可以用，而太多指标会迷惑我们看清问题，所以我们要砍掉多余的指标。

特定逻辑，指具体的业务场景，或者系统流程，业务流程等，与逻辑不符合的指标，直接砍掉，保留相关指标。

通过这一步，避免了「找错指标」和「过多指标」带来的问题，给我们找对指标提供依据。

当我们找对了指标，我们需要给它加上另一个核心元素：维度。

2. 维度

数据产品的第二个核心元素，是维度，维度是构建数据产品的面。

维度，指度量个体的可定义描述性信息的属性，而可定义描述性信息，是指规范化术语信息，比如性别和男女，城市和广州，上海等城市值。

维度和指标都是度量个体客观标准，两者区别在于指标用于运算，所以必须是可量化客观标准，维度用于描述，是我们度量个体的角度，通常采用可定义客观标准。

我们通过一个例子来加深理解，「 4 月 9 日上海新增本土确诊病例 1006 例、无症状感染者 23937 例。」

在案例里，新增本土确诊病例，无症状感染者是指标，因为它们都是用数值量化表示的标准，能够作为后续运算。

城市，日期是维度，上海，4月9日都是规划化术语信息，且属于客观标准，任何人对于维度值不会有歧义。

维度，对于数据产品有什么作用呢？

在数据里，字段是点，把字段串起来的指标是线，如果只有点线，我们在度量个体时，永远只有一面，像盲人摸象，摸到什么就是什么。

维度可以将指标组建成面，而且不同的维度就是不同的面，多个维度组合，我们将会看到一个立体的个体，或者问题。

比如公司的销售情况，如果我们只看指标，只是一个个数值，我们不能看出发展好坏，怎么办？

加维度，加时间维度，我们可以看到不同季度，年份销售情况，以及涨跌，加地区维度，我们可以看到不同地区销售情况，以及对比。

当视角可以多维度度量个体时，产品经理的眼睛就能看到问题的本质，好的解决方案并不难输出。

3.口径

数据产品的第三个核心元素，是口径。口径是构建数据产品的体。

口径是统计学的用语，在数据产品上，是指取数逻辑，即依据什么维度，选择什么指标，用数据描述度量个体。

口径是将度量个体通过维度和指标组合，形成标准化数据输出，让上下游产品达成统一，是数据产品基础形态。

举个简单例子：假设你要托七大姨，八大姑找对象，你应该怎么做？

你要输出择偶标准给七大姨八大姑，比如：

• 车=1辆；
• 房=1个；
• 婚育=未婚未育；
• 工资= 10000+；
• 身高=175cm；
• 区域 = 老家；
• ·····

车，房，工资，身高都是指标，婚育，区域是维度，通过指标和维度组成的择偶标准是口径。

当我们将清晰的择偶标准输出给七大姨，八大姑，她们可以快速寻找合适的对象。反之，类似下方案例：

作为口径输出，不清晰，七大姨八大姑无法知道择偶标准，自然很难帮我们找到对象。

这是数据产品的解决问题的方式。这也是数据产品能辅助用户进行决策的原因。

将复杂的问题，通过数据产品，简化成是否符合标准，符合执行，不符合放弃，协助用户快速决策。

05

最后的话

1. 数据产品是通过结构化数据，跟用户进行价值交换的产品。
2. 数据产品的本质是结构化数据思维，也叫度量。
3. 结构化数据思维的价值，在于
4. 挖掘问题的本质；
5. 将把不确定性的问题定量成确定性的问题；
6. 成为产品经理的未来核心竞争力。
7. 数据产品核心组成要素是：指标，维度，口径。

普通的产品思维拆解业务的逻辑关系，数据产品思维通过数据解构业务，再反向输出标准，解决问题。

数据产品思维洞察问题的根本，在于它用结构化数据思维来思考真正的问题。

作者：陈晓东 探索产品的价值、可用性、可行性。