作者｜千冰仪

数据产品经理工作做久了，很多同学可能有过这样的困惑：虽然为业务做了很多数据可视化报表、数据接口服务，但个人成就感不足，甚至开始怀疑数据产品工作的价值。企业数据化转型都在提数据驱动，真正做到数据赋能，又要如何破局呢？

一、数据人是如何“沦为”支撑工具的？

1.业务需求应接不暇，留给思考的时间不多了

大数据时代企业追求数据化管理，从过去拍脑袋决策，到用数据说话。互联网企业业务快速变化，产品&运营策略事前分析、事中过程监控、事后复盘总结，都需要数据支持。平均到每个数据产品或数据开发，每周要处理至少5~10个临时取数或报表需求的时候，就很难精力和心思去思考了。看着很忙，但做着很多重复性、低成长的事情。

2.“沉迷”于数据平台，与业务渐行渐远

数据从采集到应用全流程每个环节都会有数据平台或工具来提升加工、应用效率。平台型数据产品常见的问题是花大量的时间在搭建大数据开发套件、数据资产平台、数据应用平台，离业务越来越远，不关心或者无暇关注业务方向。最终只是给用户提供了数据工具产品，用户使用工具解决什么业务场景下的什么问题了解的不多。到头来沦为纯工具型数据产品。

3.安于现状，习惯于轻车熟路，按部就班

遇到过数据报表开发吐槽，每天加班也做不完产品的报表和临时取数需求，看过他取数流程，每个需求来的时候，会跟进业务指标统计口径用订单明细表、流量明细表等不同的表去关联取数。问他为什么不考虑把业务需求梳理一下，搞个通用的数仓模型，这样取数效率不会高一些么？回复是“没时间梳理，临时取数做的多了，数据在哪里取很熟悉，所以不影响”。“人潜意识当中会倾向于选择做会做的、简单的事情，哪怕是枯燥的重复性动作”，就像这位数据同学，新需求来时第一反应是用习惯的方法去处理，而不是考虑有没有更简单、一劳永逸的方法去提升效率，可以有更多的时间去思考如何赋能。

4.业务部门与数据部门供需不匹配

对于产品和运营等业务部门，最期望的是数据部门可以帮他们把指标监控、数据报表、决策建议一条龙全部服务好，而且可以主动帮他们通过数据发现业务问题、挖掘新的业务增长点。而数据部门因为需求多、业务了解深度不够等原因，以满足业务需求为主，能够给出超期望的“赋能”并不多，长此以往，业务、和数据人自身，逐渐就默认成为“支撑”了。遇到过一个报表的数据产品经理，业务提数据报表需求一般是表格的形式，梳理需要的主题、指标、维度，产品经理对接一下统计逻辑，给到报表开发，报表开发基于BI工具，配置出基本上和业务excel表格一致的纯表格“Dashboard”。

避坑指南

1.居安思危，不满足于现状

作为数据人，深陷需求的“泥潭”时，不能躺平，分析当前困境的原因，寻找突破的方法。比如疲于应付各种数据、报表需求时，是否有更高效的工具，是否有更好用的模型？工作得心应手、行云流水时，也要保持危机意识，“我现在做的工作的最大的价值是什么”？“我个人的核心竞争力、不可替代性在哪里？”除了现在的工作，我还可以做哪些事情，帮业务解决什么问题？”，数据产品持续的批判性思考，才有机会做出更多“赋能”的产品。

2.小步慢跑，不积跬步无以至千里

需求是永远做不完的，开发资源不足的问题也会持续存在。想要跳出“支撑需求做不完，赋能没时间”的循环，可以尝试一些“授之以渔”的方法，再忙也要留出时间，做好数据模型、平台工具的基础生产工具的建设。

模型基建：例如，临时取数需求，把业务常提的临时需求分析抽象，做成简答高效的业务宽表，通过简单的查询即可快速拿到数据。

业务培训：很多探索性的取数需求逻辑并不复杂，但是产品和运营会SQL的人不多，所以很大程度依赖数据部门，模型建设完善，给业务定期地进行基础SQL能力的培训，知道数据在哪个表里，通过Select* from table where ** 简单语句，实现自助取数，不仅可以释放数据部门的压力，数据时效也会更快。相比较依赖数据部门排期几天，相信紧急的需求他们也愿意自己动手，取数不求人。

工具建设：工欲善其事必先利其器，将重复的工作抽象成依赖工具、流程去解决，例如，频繁的取数需求可以通过拖拽式的BI工具，业务自助实现；数据可视化报表需求，基于指标管理平台进行指标接口输出，提高指标复用度，减少接口开发成本等。工具建设的必要性判断依据是工具建设花费的成本和工具节省的人力成本是否匹配。

二、数据赋能的定义

赋能，百度百科词面定义是：给谁赋予某种能量，通俗讲就是，你觉得你不能，但我使你能。强调的是“你可能没想到或者没想要”，但是“我主动地帮你想，帮你做到了”。回到数据赋能，则可以理解成，作为数据产品，除了接受业务需求，满足业务诉求外，要提供更多的可以帮助业务优化经营决策、促进用户增长、拉升营收增长的数据能力，或者数据产品工具。

三、数据赋能主要方向

数据、数据产品对于业务决策支撑、产品应用的场景和价值不做赘述，以下主要列举一些数据人可以为业务“赋能”的场景。

1.指标监控预警

不管是业务自身还是数据部门都很难24小时在电脑/手机盯着业务指标是否正常，更多的时候是即使在办公环境也业务的异常也未必能够及时发现。当用户反馈时，在这个时间窗口期可能就已经造成了业务损失了。之前某团外卖发展初期，系统稳定性不断改进提升，但还会时不时地中午吃饭的时候服务器突然宕机。通过对流量预测、波动监控，及时触发电话/短信报警，研发人员第一时间修复，缩短问题发现时差，把业务损失降到最低。另一个场景是，某段时间外卖BD人员工资是按照销售额、订单量等KPI完成度计算奖金，会有BD为了完成业绩，与商家合作下虚假订单，比如一单十几万的情况。此时，数据产品可以通过订单金额超过XX，下单人员是企业内部员工等不同维度的规则进行监控，出现触发报警阈值的订单时，及时推送给纪检、或上一级部门审核。通过指标监控预警，可以帮助业务及时发现问题，或者暴露更多问题，降低或挽回业务损失，从“人找数，到数找人”，是不是很有价值呢。

2.智能分析

管理层、业务部门其实更想要的是最直接的答案，数据是什么，是否正常，哪里异常，应该怎么做。某天大盘DAU同比下降50%，到底是正常的业务现象还是出现了什么问题呢？通常是基于数据可视化产品，选择不同的维度分析，交叉分析，判断是哪个维度有问题，比如先看App、微信等不同平台，看流量在某一平台集中下降，还是大盘整体趋势相同，再拆分渠道、业务线、流量入口等，逐层拆解，分析下来，可能一个小时就过去了。在“数据可视化怎样才有灵魂”一文中有专门讲过数据可视化产品的设计方法，产品设计过程，可以考虑把KPI预测、指标波动自动归因等常用的分析手动融入的产品中，基于产品提供自动化的分析思路。（异常归因可以考虑使用基尼系数模型，评估那几个维度的波动对整体影响最大）

3.竞对策略应对

知彼知己才能百战不殆，互联网早期靠烧钱补贴迅速跑马圈地，有美团、百度、饿了么，滴滴、快的、uber，了解竞对市场行情、竞对策略对自身业务进攻、防守都非常有利。比如同一个景区门票，某豚卖80，某团通过爬虫抓取到竞对的销售价格、优惠补贴策略数据后，形成比价系统，产品运营可以通过活动补贴把价格做到79，虽然只是1块钱的差距，但是对于价格敏感型用户也很有吸引力，而且还会逐步给用户形成“某团比某豚更便宜”的认知。比价系统可以运营手动操作，也可以基于规则，通过接口方式线上自动调整价格，做到“我永远比你低”。

创新业务或者业务扩张开疆扩土时，竞对数据可以把目标更聚焦，行动更高效。比如，某团外卖早期需要扩大供给品类，增加优质头部外卖商家，直接让BD去谈吗？虽然是地推铁军，但是没有目标指引效率也不会高。通过竞对数据的爬取、整合，直接把每个地区的优质目标，形成每天BD待拜访的商家清单，早上上班后第一时间IM推送，BD一天的工作目标就很清晰了。

4.用户画像与精准营销

互联网下半场，流量红利消耗殆尽，一方面是泡沫散去后投资人投资更加理性，没那么多钱可以给到互联网公司去烧钱拉客户，另一方面，现在用户信息过载、产品和服务同质化严重，经常是花了钱也得不到客户，这样导致企业获客成本已经非常昂贵，如何精准的识别目标用户，以及企业用户的行为特征，充分挖掘用户价值，让每一笔钱都掷地有声、好钢用在刀刃上，实现精细化运营，是目前每个企业都在追求的目标。用户是谁，从哪里来，有什么样的特征和习惯，这些用户画像信息的挖掘，对业务决策以及精细化运营的意义重大，绝对可以算得上是数据赋能业务。

用户画像是基于统计类、预测类、规则类等不同的标签体系，构建用户精细化分层能力。例如五一期间，机票盲盒是OTA行业追捧的明星产品，对于参与盲盒活动的用户，到底来源于哪些渠道，性别、年龄、消费能力如何这些信息的识别，对于流量渠道的投放、产品策略方案设计就很有帮助了。

用户画像的价值不仅是用户群体的识别，更重要的是基于人群精细化分层圈选的能力，构建用户运营、触达的全流程。例如，针对即将流失的用户派发优惠券进行召回，对服务受损的用户进行安抚关怀等。基于DMP平台，实现用户的精细化运营，在渠道拉新、新客留存、老客复购等场景，都可以提供强大的赋能能力。DMP除提供基于产品＆运营经验的人群圈选和触达能力外，还可以通过算法模型的能力，围绕业务目标（拉新、营收等），提供目标人群建议。比如，当你在携程上浏览了很多个酒店都没有下单，突然弹出了一个X元的红包，你是不是很有可能更快下单呢？（业务配置的规则是浏览酒店详情页X次，且无成功订单，则派发红包，红包金额基于你的价格敏感度标签算法计算得出），

5.个性化推荐

恰当的时间给合适的用户推荐合适的商品，是平台和用户双赢的事情，既可以提升用户体验，很快找到目标商品，用户下单意愿提高了，业务量也就增加了。数据赋能离不开算法赋能，基于用户历史浏览行为、用户画像特征、商品画像特征，提供千人千面的算法推荐服务。

6.AI应用

大数据的应用出口之一是AI，通过机器学习算法提升产品智能化的能力。AI的概念并不新，最早能追溯到90年代，但真正发展起来还是得益于计算机算力、大数据发展技术。除了语音识别、人脸识别等生活中的应用场景外，互联网公司常用的场景有：图片优化，例如商品头图的质量会影响用户的点击欲望，靠运营去更新图片一方面耗费人力高，另一方面，运营的审美不一定能够代表大众审美，通过机器学习模型，对图片进行打分，自动确定商品头图。内容审核：点评、短视频平台等UGC平台，内容合法合规的监管关系到企业的生死存亡（内涵段子），所有内容靠人工审核那发布周期就很长，用户体验差。抖音上亿日活，每天生产视频内容数十亿，是怎么那么快审核的，有些“危险动作请勿模仿”“内容可能引起不适”标签如何打的呢？AI技术。即内容发布后，平台基于算法模型对视频内容进行自动审核，识别不了的才会由人工运营审核。

7.用户增长策略

2015年《增长黑客》一书出现后，很多面临增长瓶颈的公司似乎看到了续命的稻草，用户增长产品经理的岗位大受追捧，希望通过用户增长产品经理，为企业挖掘新的增长点。互联网公司里用户增长策略玩的最6的要数某多多，从最初的下沉市场开始，微信群、朋友圈用“帮忙砍一刀”来见证友情、亲情、爱情，到现在的头部电商的后起之秀，用六七年时间实现某宝、某东十几年的沉淀。数据赋能用户增长最核心的思想是，通过数据分析和挖掘找到用户增长的机会点，通过产品和运营策略来刺激用户行为，最终实现用户的增长。有没有相关拼刀刀早期拼团人数为什么是５人？免费领100元红包时，为什么开局99，越到后面每个人拆的红包越小？这些都是基于数据挖掘制定的产品增长策略。增长分析一般的留存是：

确定增长目标，活跃留存，复购，还是分享传播？

基于业务留存拆分用户行为指标体系，以大众点评用户留存为例，用户在平台的行为会包括浏览商家页、浏览推荐菜、写点评、收藏商家、签到等各自行为

相关分析，分析各个指标与留存行为的相关性，确定核心行为

核心行为定量分析，寻找核心行为的“魔法数字”，即当某些行为发生多少次时，用户的留存率趋于稳定

制定激励策略，一般和用户运营或C端产品联动，数据提供分析结论支撑，产品＆运营设计产品流程，比如写过３次点评的用户留存率３２％，且趋于稳定，则激励策略上可以通过积分奖励、礼品激励等不同方式引导用户完成３次点评的行为。

策略复盘，用户增长策略是不断试错过程，不可能所有的策略一上线就行之有效，要持续复盘总结，优化改进。

四、总结

大数据的价值体现在于数据应用，包括数据化决策分析、数据智能应用。作为数据人，除了做好基础的支撑工作外，还要走进业务，了解业务，持续思考如何更好的为业务赋能。这样数据部门才能在公司发挥更大的价值，用数据赋能企业增长，而不仅仅是“成本中心”。

-END-