数据产品经理：实战进阶-笔记
《数据产品经理：实战进阶》
作者 杨楠楠
赞誉
数据产品经理的职业使命
从业务的可持续增长，到企业自身的降本增效，再到建立业务和技术上的竞争壁垒等
前言
数据产品经理的职责是围绕数据构建解决方案，从获取数据的埋点到数据治理，从数据提取到数据可视化，从数字营销到广告，从搜索到千人千面的推荐，从风控到规划，从预测到AI。
1.1.1 数据产品定义
数据产品经理定义
数据产品是一种降低用户使用数据的门槛，并发挥或提高数据价值的产品类型，与之对应的有用户产品和商家产品等。负责设计、维护和优化数据产品的人，我们称其为“数据产品经理”。
数据产品是一种降低用户使用数据的门槛，并发挥或提高数据价值的产品类型，与之对应的有用户产品和商家产品等。负责设计、维护和优化数据产品的人，我们称其为“数据产品经理”。
1.1.2 数据产品组成
一个完整的数据产品通常由采集清洗、计算管理、分析展示和挖掘应用四个部分组成。
数据的价值还体现在与业务结合的挖掘和应用上。通用的业务场景有搜索、推荐、排序和风控四种
1.1.4 数据产品衡量
准确性、及时性、全面性、易用性四个维度来评估数据产品，排列的顺序也
1.2.1 用户数据产品
根据数据来源，可将用户数据产品细分为指数型、统计型和生活型。这三类产品的区别见表1-1。 表1-1 三类用户数据产品的比较 
指数型数据产品的设计精髓是“比较”，通过比较各种关键词在不同区域和不同时间段内的出现频次，形成热度的高低演化。
统计型与指数型产品相比，最大的差别是数据均来自外部采集，然后经过企业内部整理呈现
统计型数据产品的关键是可靠的数据源和数据清洗。
生活型数据产品是收集用户自身数据并进行一定程度的归类、分析与可视化的产品。
1.2.2 商用数据产品
商用数据产品，即由企业或个人开发，提供给外部企业使用的，具备数据采集、计算、存储、展示和分析等功能的产品。
1.2.3 企业数据产品
企业数据产品，由企业自建自用，主要目的是降低员工使用数据的门槛，辅助人员作出决策和提高业务效率。
企业数据产品关注核心在于降低数据使用门槛，利用数据优化业务，从而提高数据资产价值
数据产品不产生数据，只是数据的搬运工，要和非常底层的业务逻辑保持适当距离。
一个完善的企业数据平台应该由技术框架、数据框架和产品框架三部分组成
1.3.1 产品经理能力
核心能力是为需求或问题提供最有效的解决方案
1.3.2 数据专业能力
数据专业能力的核心部分是数据产品设计能力、数据分析能力，如果还有余力，可以再多了解大数据技术架构及数据挖掘算法等方面的基础知识。
数据分析也是数据产品经理有别于其他产品经理的特质能力之一
一些技术相关知识也必不可少，主要是数据仓库、数据采集传输、大数据架构和数据挖掘等方面的基础知识
一个面向主题的（Subject Oriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合
1.4 数据产品经理分类
数据产品经理分为应用型、策略型、平台型三种。应用型主要负责展示分析和挖掘应用环节，目的是在特定的业务场景下，利用已有数据提高业务效率。策略型集中在挖掘应用环节，业务场景聚焦在搜索、推荐、风控的数据策略和模型部分。平台型则比较复杂，一般会负责采集清洗和存储管理两个模块，同时会根据情况抽象提取后两个环节的通用部分，提高企业的使用效率
1.4.1 平台型
核心便是提供一站式/行业性的解决方案，跨部门/职能/层级的沟通合作。对场景的抽象汇总能力、对通用解决方案的设计能力和各种跨越式的沟通能力，这些便是平台型产品经理不可或缺的部分。
1.4.2 应用型
在分析上，就是多维分析、漏斗分析、画像分析等功能；在业务工具上，就是和数据结合较为紧密的用户精细化运营工具、偏数据化的CRM系统等。
1.4.3 策略型
策略型产品经理的定位是针对某个业务场景，如搜索、推荐、排序、风控等常见场景，提供提高业务效率的数据策略。
1.5.1 如何应聘
这才是不要频繁跳槽的核心理由
每段工作经历要尽可能长，至少不能短于一年。时间太短你根本无法在该公司有所沉淀
每段工作经历要尽可能长，至少不能短于一年。时间太短你根本无法在该公司有所沉淀
1.5.2 如何招聘
数据产品经理的核心职责是利用企业数据资产发挥价值，包括降低使用门槛和管理数据资产等，而分析师的核心职责是结合具体业务问题交付对应的报告和建议，进而解决问题
1.6.2 数据产品经理面试案例
·这家公司的文化有哪些特点？比较欢迎什么类型的员工加入团队？ ·这个岗位为什么会开放出来？这个部门的人员设置是怎样的？
第2章 数据分析方法论
要想驱动业务，需要有专业的数据分析框架和完整的产品思维框架，两者缺一不可。
2.2 有价值的数据结论
“ 以终为始”思维是一种反向思维方式，就是从最终的结果出发，反向分析过程或原因，寻找关键因素或对策，采取相应策略，从而达成结果或解决问题。
2.2.1 什么是有价值的数据结论
正常来说，有用的结论就有两种：增加收益和减少损失（下文用“增减思路”替代）。如果一个数据不能帮助你得到上述结论中的任何一个，说明这个数据价值不够大，不应放在你输出的结论中。
2.2.2 怎样得到有价值的数据结论
·增加收入； ·增强体验； ·增加用户参与感； ·增加转化率。
·减少用户操作的步骤； ·减少用户投诉失败的概率； ·减少用户收到损坏物品的概率； ·减少公司的人工空闲时间； ·减少作弊，降低损失。
2.3.1 全链路分析
全链路分析是指对全链路的每个节点进行分析和研究，它是一种非常重要的分析思路，也是对产品经理而言最重要的思路
3.2.6 数据反馈
产品经理需要不断找到那些真正重要的需求，找不到也不要盲目投入，而应该挖掘更重要的需求，所以确定优先级是非常有效的方法。
4.1 数据埋点概述
埋点技术就是一种常见的采集这些数据的技术。
4.1.1 什么是埋点
埋点技术是一种数据采集技术，特指针对用户行为或时间进行捕获、处理和上报的相关技术及其实施过程。
4.1.2 埋点的意义
数据产生价值的前提是数据源可信任，而埋点的意义就是解决数据源可靠性的问题。
4.1.3 埋点的类型
Web埋点、App埋点和接口埋点
App埋点是埋点价值的升华，也是大数据时代挖掘数据价值的起点。
4.2.1 目标收集
一个是用户信息（包含浏览器信息），一个是目标及事件
目标收集有一个很好的简单要义：谁对什么做了什么
只有能够产生业务意义的事件及相关信息才需要上报
以UI设计为底、以业务价值为依据、以事件为起点、以“要义”为目标进行埋点，就可以保证目标收集的必要和全面。
5.1.3 中台是一种企业战略
其次，数据仓库并不是数据中台的必需品
企业战略是一个自上而下的整体性规划过程，是对企业各种战略的统称。战略层出不穷，但是都是对企业的谋略，都是对企业整体性、长期性、基本性问题的计谋。
数据中台战略是在企业的全域范围内，以业务为目标的数据价值最大化，而中台战略就是企业的资源价值最大化。
5.1.4 中台是战略下的组织协同
一个比较好的数据中台组织结构至少应该包含企业的唯一数据仓库层、唯一的数据指标体系共享层、公共数据营销层。只有这样才能完成数据价值最大化的战略目标。在中台的战略下，非统一的数据中台组织结构都是不合适的组织结构
5.2.1 统一指标平台
统计口径是指统计数据所采用的标准，即进行数据统计的具体内涵（项目内容）
5.2.2 统一标签平台
统一标签平台的意义：全域的统一标签平台可以最大可能地进行数据打通，为公司的降本增效、营销增长和价值发现等服务提供最基础的数据支撑。
5.2.5 数据中台产品的产品思维
数据中台产品的产品思维 这里总结一下数据中台的产品需要具备的产品思维，具体如下。 ·统一。打破烟囱式的开发，建立统一的产品，所以狭隘的、部门利益驱动的思考都是需要克服的。 ·标准。中台就是一个建立标准的地方，需要各条业务线在同一个标准下发展。当然，标准需要尊重业务。 ·分层。数据开发遵从分层原则，在数据中台内部不再出现穿透所有组织层的开发方式。 ·共享。开发不再是为了自己的利益驱动，而是为了整个公司的数据价值最大化，所以从项目开始的时候就需要以服务为目标。 ·价值驱动。产品的价值要以给公司带来的价值作为评价标准。
5.3.1 定战略
利弊
因为急于完成中台的搭建，并且经常来源于上级的KPI及业绩压力，导致制订不切实际的排期。
以业务为主导的利弊
然而的确有些公司是由业务部门来主导中台建设的，而且往往会让业绩压力影响中台的建设排期。这样会使技术部门根据目标和排期开发，而不是按照正常的技术架构进行设计
然而的确有些公司是由业务部门来主导中台建设的，而且往往会让业绩压力影响中台的建设排期。这样会使技术部门根据目标和排期开发，而不是按照正常的技术架构进行设计
需要额外的人手
数据中台是个一把手工程，必须由公司最高决策者对整体负责，并且在技术及业务的整体参与下制订路线图、收益预期及实施时间计划
5.3.2 改组织
数据中台的早期是做统一，中期是做共享，长远是做服务
数据中台的位置
数据中台应该拥有企业所有数据的管理权，也不应该隶属于任何技术部门，而是直接向CTO或者CEO汇报的独立技术线。
数据中台应该拥有企业所有数据的管理权，也不应该隶属于任何技术部门，而是直接向CTO或者CEO汇报的独立技术线。
数据中台的组织架构是业务分层和能力独立的结合结构。一般数据中台由三层组成，分别是负责基础架构的部门，负责指标、口径和标签的部门以及负责数据驱动业务的系统开发部门。独立的能力一般指的是NLP能力、图像识别能力等。
5.3.4 做统一
数据中台的统一要做到3个唯一和4个统一：唯一的数据源，唯一的ETL，唯一的数据资产管理；统一的集市，统一的指标，统一的口径，统一的标签。
5.3.6 业务评价下的数据中台
1.是否影响了现有业务 建数据中台不应该一刀切，不能影响现有重要项目的进展。
2.能否在业务域内快速使用数据
数据中台的数据应该是共建且共享的，让业务域内的数据在业务内充分产生价值才是数据中台的落地点。
3.能否一站式解决数据驱动的运营
4.是否有多维度的效果反馈
在前期基础建设阶段，对于成本的节省和数据业务的瘦身整合是数据中台的评价指标；而在中期之后，业务部门的主观满意度、业务部门的营销活动次数和效果增长的客观指标才是数据中台真正的评价指标。
5.3.7 黄埔军校式的数据中台
数据中台战略，并不是让中台越来越臃肿，而是让中台越来越厚实
第6章 数据指标体系
数据产品经理既要完成数据体系设计，让原本无序或庞杂的数据变得“规矩”，又要根据业务场景的变化不断调整项目内容，推进项目进度，推进数据指标体系的建设与迭代。数据指标体系的规划是平台型数据产品经理必备的能力，这也是数据产品经理有别于其他产品经理和数据分析师的方面。
6.2.2 数据指标的类型
App客户端的基本埋点数据指标如下。 ·启动用户数：当日有过启动行为的用户数，也称为日活（DAU），通过UID排重。 ·新增用户数：当日为历史首次启动的用户数，通过UID排重。 ·启动次数：当日启动页的展示量，不排重。 ·某页页面访问量：当日某页面的流量次数，即该页PV。 ·平均使用时长：日使用时长的均值，即全部用户的日使用时长/总活跃用户数，技术进行数据清洗时需排除小于0或大于1440分钟（24小时）的脏数据。 ·平均日启动次数：用户一天内启动应用的次数，即总启动次数/活跃用户数。 ·次日启动留存：当日启动的用户在次日再次启动的用户数中所占的百分比。 ·次日新增留存：当日新增的用户在次日再次启动的用户数中所占的百分比。 ·标的物被浏览数：当日用户浏览标的物的总数，通过标的物ID排重。 ·拉活新增用户数：当日通过deeplink（深度链接）进入App的新增用户数，通过UID排重。 ·签到人数：当日点击签到的人数，通过UID排重。 ·某按钮/Banner/入口点击人数：当日该页某按钮/Banner/入口点击的人数，通过UID排重。
派生指标也是比较常用的数据指标。 ·累计用户数：历史新增用户数叠加，前一日累计用户数+今日新增用户数。 ·7日平均新增用户：T-7日至T-1日每日新增用户的平均值，即7日新增用户的总和/7。 ·7日平均次日留存率：T-7日至T-1日次日留存率的平均值，即次日留存率的总和/7。 ·7日平均日使用时长：T-7日至T-1日用户每日使用时长的平均值，即7日使用时长的总和/7。 ·7日平均活跃用户：T-7日至T-1日每日活跃用户的平均值，即7日活跃用户的总和/7。 ·周活（WAU）：近7日活跃用户的总和，通过UID排重。 ·月活（MAU）：近一个月活跃用户的总和，通过UID排重（以自然月计算）。
常用业务数据指标 下面是常用的业务数据指标及其具体定义。 ·充值用户：当日充值的用户数。 ·充值额度：当日用户充值的总金额（元）。 ·消费总用户：当日消费的用户数（包括真钱、代金券消费）。 ·消费真钱用户：当日消费真钱的用户数。 ·消费真钱：当日用户消费的真钱的总金额（元）。 ·充值次数：当日用户充值的总次数。 ·首充人数：当日第一次充值的用户数。 ·首充金额：当日第一次充值的用户充值的总金额（元）。 ·赠送代金券：当日赠送给通过相应充值方式充值的用户的代金券。 ·消费次数：当日用户在相应消费额度范围内的消费次数。 ·消费用户：当日在相应消费额度范围内的消费用户数。
会员人数页面 ·累计会员人数：历史累计至今开通过会员的总人数。 ·有效会员人数：当日会员仍在有效期内的人数。 ·当日购买会员人数：当日产生购买行为的人数，即新开通人数+老会员续费人数。 ·新开通人数：未曾开通过会员的用户在当日首次开通的人数。 ·老会员续费人数：曾开通过会员的用户在当日续费或再次开通的人数。 ·当日会员失效人数：当日会员有效期到期的人数。 ·当日复购人数：当日该会员类型有效期到期的用户中再次购买会员的人数（含任意会员类型）。 ·当日复购率：当日复购人数/当日会员失效人数。
会员收益页面 ·累计会员收益：历史累计至今的会员收益总额（单位：元）。 ·当日会员收益：当日开通会员的收益总额，即新开通会员收益+老会员续费收益（单位：元）。 ·新开通会员收益：未曾开通过会员的用户在当日首次开通会员的收益总额（单位：元）。 ·老会员续费收益：曾开通过会员的用户在当日续费或再次开通的收益总额（单位：元）。 ·ARPU值：当日人均会员收益，即当日会员总收益/当日购买人数。
会员赠送页面 ·赠送VIP人数：当日赠送VIP的总人数，包含新手礼包、会员奖品、手动赠送等非消费产生的VIP。 ·赠送VIP失效人数：当日内有效期到期的赠送VIP人数。 ·赠送VIP在失效当日购买人数：有效期在当日到期的赠送VIP的人中购买会员的人数（含任意会员类型）。 ·赠送VIP在失效7日内购买人数：有效期在7日内到期的赠送VIP的人中购买会员的人数（含任意会员类型）。
6.4.1 电子商务
·日活跃用户数（DAU）：当日使用App的用户数，通过UID排重。 ·访问次数/浏览量（PV)：当日用户访问App/页面的总次数，不排重。 ·注册用户数：当日新增的注册用户数，通过UID排重。 ·购买转化率：当日用户从登录到最终支付订单的转化率。 ·订单量：周期内用户支付订单数量。 ·订单总额（GMV)：周期内用户支付订单金额的总和。 ·客单价：支付订单的平均金额，周期内支付订单的总额/订单量。 ·复购率：周期内用户重复购买的比例。
·全站跳出率：当日用户访问App直接跳走的比例。 ·平均访问量：当日用户每次浏览页面数量的平均值。 ·当前在线人数：15分钟内在线的用户数，通过UID排重。 ·页面停留时长：用户在当前页面停留的总时长，离开该页面的时间点减去来到当前页面的时间点。 ·订单城市榜单：周期内全国范围内用户支付订单数量排在前几位的城市。 ·订单商品榜单：周期内全量商品的订单量位于前列的商品ID。 ·加购转化率：当日将产品添加到购物车的用户数占当日总用户数的比例。 ·成交转化率：当日支付订单成功的总用户数/当日总用户数。
6.4.2 内容文娱
·新增用户：当日该渠道中历史首次启动的用户数。 ·新增留存：当日新增的用户中，在次日再次启动的用户所占的百分比。 ·启动用户：当日启动过的用户数，根据UID排重。 ·启动留存：当日启动的用户中，在次日再次启动的用户所占的百分比。 ·新用户阅读人数：当日新增用户中阅读图书的用户数，根据UID排重。 ·阅读图书数：当日用户阅读的总图书数，根据DID排重。 ·阅读章节/新闻数：当日用户阅读的总章节数/总新闻条数。 ·新用户人均阅读章节数：当日新增用户阅读的平均章节数。 ·用户使用时长：当日用户在App内浏览的总时长（单位：分钟）。 ·播放作品数：当日用户播放的总作品数，根据作品ID排重。 ·播放作品次数：当日用户播放作品的总次数，不需要排重。 ·播放集数：当日所有作品的播放总集数。 ·充值人数：当日进行充值的用户数。 ·充值金额：当日用户充值的总金额。 ·充值转化率：当日充值人数/启动用户数。 ·充值ARPU：当日充值金额/启动用户数。
·用户阅读行为：日活跃用户数（DAU）、新增用户数、收藏加入书架数、阅读图书数、次日留存、周留存、月留存、充值人数。 ·用户浏览行为：主页面曝光、主页面版块曝光、主页面核心按钮点击、二级页面曝光、二级页面按钮点击、末级页面曝光。 3）其他参考指标：ARPU值、核心页面曝光、核心按钮点击、广告曝光数、广告点击数、广告请求数、播放作品数、播放作品次数、播放集数。
6.4.3 在线教育
·每月活跃用户数（月活，MAU）：当月使用App的用户数，通过UID排重。 ·课程销售量：当日课程的销售总量。 ·课程购买用户数：当日购买课程的用户数，通过UID排重。 ·课程销售总额：当日课程的销售总额（单位：元）。 ·各课程销售页预览量：当日用户浏览各课程预售页的总次数，不排重。 ·课程销量：当日课程被购买的次数。 ·课程付费转化率：周期内用户购买课程流程中各步骤的转化率。 ·试听引导成单率：周期内用户通过试听引导后支付订单的转化率。 ·各课程退课订单总金额：周期内各个课程被退单的订单总金额。 ·学习任务完成情况：用户最终完成任务的总次数。 ·课程学习完成程度：用户在学习过程中完成各步骤的转化率。 ·各课程人均学习时长：用户学习课程的总时长/学习的用户数。 ·各等级学员学习时长分布：各难度等级学员的学习时长分布。 ·退课率：用户退课次数占购买课程次数的百分比。
7.1 A/B测试简介
A/B测试，也叫A/B试验、对比试验，是一种将试验对象随机分组并针对不同组对象给予不同的变量刺激，然后采集试验数据，运用统计学上的假设检验来判断不同变量对试验效果的影响是否显著的科学试验方法。A/B测试并不是只能有两组试验，ABC测试、甚至是ABCD…N测试，这些都可以称作A/B测试。
11.1.1 用户画像的基本概念
用户画像是一个标签树的结构，这个标签树是多层级、多维度组织的，设计的时候将末级标签作为最细粒度的刻画维度，末级标签对应的标签值就是用户信息在维度下的属性，标签值会通过采集、挖掘等方式计算生成。
11.1.2 标签的类型
示例：偏好类标签是典型代表，包括产品偏好、具体功能偏好、内容兴趣偏好等。除此之外，敏感度标签也是典型代表，包括优惠敏感度、低价敏感度、活动敏感度等。文本数据的利用在微博、豆瓣等社区社交型产品中较多见，如需要对用户发表的状态和评论信息进行挖掘，输出对应的标签属性。
示例：用户流失预测是典型的预测型标签，利用用户生命周期的相关特征，预测用户流失概率，对于高风险用户及时采取召回策略。
11.2.1 用户画像从0到1的构建思路
一个好的标签树结构要满足两个条件：高概括性和强延展性
高概括性意味着结构体系能够很好地包含一个用户的基本属性和产品交互的相关行为，同时对于业务重点单独强调，没有遗漏；强延展性意味着结构全面的同时也有一定的抽象概括能力，保证新增的标签可以很好地找到对应的分类，整个体系不会过于收敛局限。
画像通常从8个维度组织标签，分别为基本属性、平台属性、行为属性、产品偏好、兴趣偏好、敏感度、消费属性、用户生命周期及用户价值
[插图]
1.基本属性 基本属性是指一个用户的基本社会属性和变更频率低的平台特征，例如真实社会年龄、性别、婚姻状况、昵称、号码、账号、IBS等标签。这些标签类型多为直采型，可从用户基本信息表中直接获取，不需要统计或者算法挖掘。 示例：社会性别_女。
2.平台属性 平台属性是用户在平台上表现出的基本属性特征，是利用用户行为进行算法挖掘，标识用户真实属性的标签。
3.行为属性 行为属性记录的是用户的全部单点行为。用户的单点行为有很多，包括启动、登录、浏览、点击、加车、下单等，而且结合不同的产品、不同的模块交互、不同的时间窗选取，行为就更加复杂了，要想全面梳理，可以按照“产品×功能模块×用户单点行为×时间”四大要素来组织。
4.产品偏好 产品偏好是对用户使用某些产品、产品核心功能或者其他渠道的偏好程度的刻画，属于挖掘型标签，其中产品的选取可以包括自家产品、竞品；功能和渠道既包括站内产品功能，也包括push、短信、开屏、弹窗等几大运营和产品法宝。 示例：搜索模块偏好、直接竞品_京东偏好、短信偏好。
5.兴趣偏好 兴趣偏好是用户画像内非常重要的维度，以电商产品为例，用户对商品的喜爱程度是用户最终的信息之一，兴趣偏好是对用户和物品之间的关系进行深度刻画的重要标签，其中最典型的是品牌偏好、类目偏好和标签偏好。 示例：品牌偏好_优衣库_0.91、类目偏好_美妆_0.80、标签偏好_红色_0.70。
作为消费者，要反推荐系统，要让系统天天给你发优惠券
6.敏感度 在做营销活动时，我们留意到有些用户不需要优惠也会下单，而有些用户一定要有优惠券刺激才会下单，而且优惠券的额度会影响其下单的金额。这种情况下，如何识别出对优惠敏感的用户并为其发放合理券额的优惠券，保证优惠券不浪费，从而使促销活动的ROI最大？其中一个很重要的标签就是用户的敏感度标签。敏感度代表用户对平台活动或者优惠的敏感程度，也是典型的挖掘类标签。 示例：热点敏感度、折扣敏感度。
6.敏感度 在做营销活动时，我们留意到有些用户不需要优惠也会下单，而有些用户一定要有优惠券刺激才会下单，而且优惠券的额度会影响其下单的金额。这种情况下，如何识别出对优惠敏感的用户并为其发放合理券额的优惠券，保证优惠券不浪费，从而使促销活动的ROI最大？其中一个很重要的标签就是用户的敏感度标签。敏感度代表用户对平台活动或者优惠的敏感程度，也是典型的挖掘类标签。 示例：热点敏感度、折扣敏感度。
7.消费属性 无论是电商、内容还是其他领域，公司的目标最终都是收益，所以消费属性往往作为一个单独的维度重点刻画。消费属性既包括统计型标签——消费频次、消费金额、最近一次消费时间等，也包括挖掘型标签——消费能力和消费意愿，还包括敏感度标签——优惠促销敏感度、活动敏感度、新品敏感度、爆款敏感度等。
8.用户生命周期及用户价值 用户生命周期是用户运营的重要法典，一个用户从进入产品到离开，通常会经历“新手”“成长”“成熟”“衰退”“流失”这5个典型阶段，每个阶段对用户的运营都存在策略差异，画像在其中的作用是明确标记用户所处生命周期的阶段，便于后续业务人员落地。
后记 一个老数据人的杂谈
去大厂还是去小厂的问题。对于绝大部分职位，我始终建议如果可以，一定要去大厂，而且大厂是可以通过努力获得机会的。但是对于数据产品经理这个职位，由于上面提到的原因，直接进入大厂是很难的事情。所以对于非策略产品经理想转型策略产品经理的人士来说，可以考虑从小厂进入，积累经验，然后进入大厂。同时，现在很多传统厂商在进行互联网转型，比如vivo和OPPO这样的手机厂商，再比如龙湖和富力这样的房地产商，它们都在挖掘数据在自己产业中的价值，这个时候进入这些公司，积累经验，以后再去互联网大厂，也是一个很不错的选择。
初级数据产品经理
初级阶段需要学习的是数据仓库相关内容，建议领域内的工作时长为2年以内。指标和报表相关内容，建议领域内的工作时长为1年左右。同时积累一些数据基础处理能力，优先推荐用Excel操作。要能够独立完成数据分析报告。
中级数据产品经理
中级阶段需要学习的是增长类的策略，而且需要深耕，所以一般需要2~3年时间，在一个垂直领域走到中级阶段。在这个阶段，要对搜索、推荐及广告有一定的了解。要建立自己的分析体系和增长方法论。
高级数据产品经理
高级阶段需要学习的是行业级的思维模式，深入了解推荐和搜索等架构的原理，可以给出行业级的解决方案，能够进行数据产品的梯队建设。
点评
good
使用 小悦记 导出 | 2021年4月9日
