數據產品經理工作做久了，很多同學可能有過這樣的困惑：雖然為業務做了很多數據可視化報表、數據接口服務，但個人成就感不足，甚至開始懷疑數據產品工作的價值。企業數據化轉型都在提數據驅動，真正做到數據賦能，又要如何破局呢？

一、數據人是如何“淪為”支撐工具的？

1.業務需求應接不暇，留給思考的時間不多了

大數據時代企業追求數據化管理，從過去拍腦袋決策，到用數據說話?；ヂ摼W企業業務快速變化，產品&運營策略事前分析、事中過程監控、事后復盤總結，都需要數據支持。平均到每個數據產品或數據開發，每周要處理至少5~10個臨時取數或報表需求的時候，就很難精力和心思去思考了?？粗苊?，但做著很多重復性、低成長的事情。

2.“沉迷”于數據平臺，與業務漸行漸遠

數據從采集到應用全流程每個環節都會有數據平臺或工具來提升加工、應用效率。平臺型數據產品常見的問題是花大量的時間在搭建大數據開發套件、數據資產平臺、數據應用平臺，離業務越來越遠，不關心或者無暇關注業務方向。最終只是給用戶提供了數據工具產品，用戶使用工具解決什么業務場景下的什么問題了解的不多。到頭來淪為純工具型數據產品。

3.安于現狀，習慣于輕車熟路，按部就班

遇到過數據報表開發吐槽，每天加班也做不完產品的報表和臨時取數需求，看過他取數流程，每個需求來的時候，會跟進業務指標統計口徑用訂單明細表、流量明細表等不同的表去關聯取數。問他為什么不考慮把業務需求梳理一下，搞個通用的數倉模型，這樣取數效率不會高一些么？回復是“沒時間梳理，臨時取數做的多了，數據在哪里取很熟悉，所以不影響”?！叭藵撘庾R當中會傾向于選擇做會做的、簡單的事情，哪怕是枯燥的重復性動作”，就像這位數據同學，新需求來時第一反應是用習慣的方法去處理，而不是考慮有沒有更簡單、一勞永逸的方法去提升效率，可以有更多的時間去思考如何賦能。

4.業務部門與數據部門供需不匹配

對于產品和運營等業務部門，最期望的是數據部門可以幫他們把指標監控、數據報表、決策建議一條龍全部服務好，而且可以主動幫他們通過數據發現業務問題、挖掘新的業務增長點。而數據部門因為需求多、業務了解深度不夠等原因，以滿足業務需求為主，能夠給出超期望的“賦能”并不多，長此以往，業務、和數據人自身，逐漸就默認成為“支撐”了。遇到過一個報表的數據產品經理，業務提數據報表需求一般是表格的形式，梳理需要的主題、指標、維度，產品經理對接一下統計邏輯，給到報表開發，報表開發基于BI工具，配置出基本上和業務excel表格一致的純表格“Dashboard”。

避坑指南

1.居安思危，不滿足于現狀

作為數據人，深陷需求的“泥潭”時，不能躺平，分析當前困境的原因，尋找突破的方法。比如疲于應付各種數據、報表需求時，是否有更高效的工具，是否有更好用的模型？工作得心應手、行云流水時，也要保持危機意識，“我現在做的工作的最大的價值是什么”？“我個人的核心競爭力、不可替代性在哪里？”除了現在的工作，我還可以做哪些事情，幫業務解決什么問題？”，數據產品持續的批判性思考，才有機會做出更多“賦能”的產品。

2.小步慢跑，不積跬步無以至千里

需求是永遠做不完的，開發資源不足的問題也會持續存在。想要跳出“支撐需求做不完，賦能沒時間”的循環，可以嘗試一些“授之以漁”的方法，再忙也要留出時間，做好數據模型、平臺工具的基礎生產工具的建設。

模型基建：例如，臨時取數需求，把業務常提的臨時需求分析抽象，做成簡答高效的業務寬表，通過簡單的查詢即可快速拿到數據。

業務培訓：很多探索性的取數需求邏輯并不復雜，但是產品和運營會SQL的人不多，所以很大程度依賴數據部門，模型建設完善，給業務定期地進行基礎SQL能力的培訓，知道數據在哪個表里，通過Select* from table where **?簡單語句，實現自助取數，不僅可以釋放數據部門的壓力，數據時效也會更快。相比較依賴數據部門排期幾天，相信緊急的需求他們也愿意自己動手，取數不求人。

工具建設：工欲善其事必先利其器，將重復的工作抽象成依賴工具、流程去解決，例如，頻繁的取數需求可以通過拖拽式的BI工具，業務自助實現；數據可視化報表需求，基于指標管理平臺進行指標接口輸出，提高指標復用度，減少接口開發成本等。工具建設的必要性判斷依據是工具建設花費的成本和工具節省的人力成本是否匹配。

二、數據賦能的定義

賦能，百度百科詞面定義是：給誰賦予某種能量，通俗講就是，你覺得你不能，但我使你能。強調的是“你可能沒想到或者沒想要”，但是“我主動地幫你想，幫你做到了”?；氐綌祿x能，則可以理解成，作為數據產品，除了接受業務需求，滿足業務訴求外，要提供更多的可以幫助業務優化經營決策、促進用戶增長、拉升營收增長的數據能力，或者數據產品工具。

三、數據賦能主要方向

數據、數據產品對于業務決策支撐、產品應用的場景和價值不做贅述，以下主要列舉一些數據人可以為業務“賦能”的場景。

1.指標監控預警

不管是業務自身還是數據部門都很難24小時在電腦/手機盯著業務指標是否正常，更多的時候是即使在辦公環境也業務的異常也未必能夠及時發現。當用戶反饋時，在這個時間窗口期可能就已經造成了業務損失了。之前某團外賣發展初期，系統穩定性不斷改進提升，但還會時不時地中午吃飯的時候服務器突然宕機。通過對流量預測、波動監控，及時觸發電話/短信報警，研發人員第一時間修復，縮短問題發現時差，把業務損失降到最低。另一個場景是，某段時間外賣BD人員工資是按照銷售額、訂單量等KPI完成度計算獎金，會有BD為了完成業績，與商家合作下虛假訂單，比如一單十幾萬的情況。此時，數據產品可以通過訂單金額超過XX，下單人員是企業內部員工等不同維度的規則進行監控，出現觸發報警閾值的訂單時，及時推送給紀檢、或上一級部門審核。通過指標監控預警，可以幫助業務及時發現問題，或者暴露更多問題，降低或挽回業務損失，從“人找數，到數找人”，是不是很有價值呢。

2.智能分析

管理層、業務部門其實更想要的是最直接的答案，數據是什么，是否正常，哪里異常，應該怎么做。某天大盤DAU同比下降50%，到底是正常的業務現象還是出現了什么問題呢？通常是基于數據可視化產品，選擇不同的維度分析，交叉分析，判斷是哪個維度有問題，比如先看App、微信等不同平臺，看流量在某一平臺集中下降，還是大盤整體趨勢相同，再拆分渠道、業務線、流量入口等，逐層拆解，分析下來，可能一個小時就過去了。在“數據可視化怎樣才有靈魂”一文中有專門講過數據可視化產品的設計方法，產品設計過程，可以考慮把KPI預測、指標波動自動歸因等常用的分析手動融入的產品中，基于產品提供自動化的分析思路。（異常歸因可以考慮使用基尼系數模型，評估那幾個維度的波動對整體影響最大）

3.競對策略應對

知彼知己才能百戰不殆，互聯網早期靠燒錢補貼迅速跑馬圈地，有美團、百度、餓了么，滴滴、快的、uber，了解競對市場行情、競對策略對自身業務進攻、防守都非常有利。比如同一個景區門票，某豚賣80，某團通過爬蟲抓取到競對的銷售價格、優惠補貼策略數據后，形成比價系統，產品運營可以通過活動補貼把價格做到79，雖然只是1塊錢的差距，但是對于價格敏感型用戶也很有吸引力，而且還會逐步給用戶形成“某團比某豚更便宜”的認知。比價系統可以運營手動操作，也可以基于規則，通過接口方式線上自動調整價格，做到“我永遠比你低”。

創新業務或者業務擴張開疆擴土時，競對數據可以把目標更聚焦，行動更高效。比如，某團外賣早期需要擴大供給品類，增加優質頭部外賣商家，直接讓BD去談嗎？雖然是地推鐵軍，但是沒有目標指引效率也不會高。通過競對數據的爬取、整合，直接把每個地區的優質目標，形成每天BD待拜訪的商家清單，早上上班后第一時間IM推送，BD一天的工作目標就很清晰了。

4.用戶畫像與精準營銷

互聯網下半場，流量紅利消耗殆盡，一方面是泡沫散去后投資人投資更加理性，沒那么多錢可以給到互聯網公司去燒錢拉客戶，另一方面，現在用戶信息過載、產品和服務同質化嚴重，經常是花了錢也得不到客戶，這樣導致企業獲客成本已經非常昂貴，如何精準的識別目標用戶，以及企業用戶的行為特征，充分挖掘用戶價值，讓每一筆錢都擲地有聲、好鋼用在刀刃上，實現精細化運營，是目前每個企業都在追求的目標。用戶是誰，從哪里來，有什么樣的特征和習慣，這些用戶畫像信息的挖掘，對業務決策以及精細化運營的意義重大，絕對可以算得上是數據賦能業務。

用戶畫像是基于統計類、預測類、規則類等不同的標簽體系，構建用戶精細化分層能力。例如五一期間，機票盲盒是OTA行業追捧的明星產品，對于參與盲盒活動的用戶，到底來源于哪些渠道，性別、年齡、消費能力如何這些信息的識別，對于流量渠道的投放、產品策略方案設計就很有幫助了。

用戶畫像的價值不僅是用戶群體的識別，更重要的是基于人群精細化分層圈選的能力，構建用戶運營、觸達的全流程。例如，針對即將流失的用戶派發優惠券進行召回，對服務受損的用戶進行安撫關懷等?；贒MP平臺，實現用戶的精細化運營，在渠道拉新、新客留存、老客復購等場景，都可以提供強大的賦能能力。DMP除提供基于產品＆運營經驗的人群圈選和觸達能力外，還可以通過算法模型的能力，圍繞業務目標（拉新、營收等），提供目標人群建議。比如，當你在攜程上瀏覽了很多個酒店都沒有下單，突然彈出了一個X元的紅包，你是不是很有可能更快下單呢？（業務配置的規則是瀏覽酒店詳情頁X次，且無成功訂單，則派發紅包，紅包金額基于你的價格敏感度標簽算法計算得出），

5.個性化推薦

恰當的時間給合適的用戶推薦合適的商品，是平臺和用戶雙贏的事情，既可以提升用戶體驗，很快找到目標商品，用戶下單意愿提高了，業務量也就增加了。數據賦能離不開算法賦能，基于用戶歷史瀏覽行為、用戶畫像特征、商品畫像特征，提供千人千面的算法推薦服務。

6.AI應用

大數據的應用出口之一是AI，通過機器學習算法提升產品智能化的能力。AI的概念并不新，最早能追溯到90年代，但真正發展起來還是得益于計算機算力、大數據發展技術。除了語音識別、人臉識別等生活中的應用場景外，互聯網公司常用的場景有：圖片優化，例如商品頭圖的質量會影響用戶的點擊欲望，靠運營去更新圖片一方面耗費人力高，另一方面，運營的審美不一定能夠代表大眾審美，通過機器學習模型，對圖片進行打分，自動確定商品頭圖。內容審核：點評、短視頻平臺等UGC平臺，內容合法合規的監管關系到企業的生死存亡（內涵段子），所有內容靠人工審核那發布周期就很長，用戶體驗差。抖音上億日活，每天生產視頻內容數十億，是怎么那么快審核的，有些“危險動作請勿模仿”“內容可能引起不適”標簽如何打的呢？AI技術。即內容發布后，平臺基于算法模型對視頻內容進行自動審核，識別不了的才會由人工運營審核。

7.用戶增長策略

2015年《增長黑客》一書出現后，很多面臨增長瓶頸的公司似乎看到了續命的稻草，用戶增長產品經理的崗位大受追捧，希望通過用戶增長產品經理，為企業挖掘新的增長點?；ヂ摼W公司里用戶增長策略玩的最6的要數某多多，從最初的下沉市場開始，微信群、朋友圈用“幫忙砍一刀”來見證友情、親情、愛情，到現在的頭部電商的后起之秀，用六七年時間實現某寶、某東十幾年的沉淀。數據賦能用戶增長最核心的思想是，通過數據分析和挖掘找到用戶增長的機會點，通過產品和運營策略來刺激用戶行為，最終實現用戶的增長。有沒有相關拼刀刀早期拼團人數為什么是５人？免費領100元紅包時，為什么開局99，越到后面每個人拆的紅包越小？這些都是基于數據挖掘制定的產品增長策略。增長分析一般的留存是：

確定增長目標，活躍留存，復購，還是分享傳播？

基于業務留存拆分用戶行為指標體系，以大眾點評用戶留存為例，用戶在平臺的行為會包括瀏覽商家頁、瀏覽推薦菜、寫點評、收藏商家、簽到等各自行為

相關分析，分析各個指標與留存行為的相關性，確定核心行為

核心行為定量分析，尋找核心行為的“魔法數字”，即當某些行為發生多少次時，用戶的留存率趨于穩定

制定激勵策略，一般和用戶運營或C端產品聯動，數據提供分析結論支撐，產品＆運營設計產品流程，比如寫過３次點評的用戶留存率３２％，且趨于穩定，則激勵策略上可以通過積分獎勵、禮品激勵等不同方式引導用戶完成３次點評的行為。

策略復盤，用戶增長策略是不斷試錯過程，不可能所有的策略一上線就行之有效，要持續復盤總結，優化改進。

四、總結

大數據的價值體現在于數據應用，包括數據化決策分析、數據智能應用。作為數據人，除了做好基礎的支撐工作外，還要走進業務，了解業務，持續思考如何更好的為業務賦能。這樣數據部門才能在公司發揮更大的價值，用數據賦能企業增長，而不僅僅是“成本中心”。