2
| 本文作者： 人人都是產品經理 | 2016-04-26 16:57 |
編者按：本文作者Heidi格物志
因為我做過交互設計——會畫DEMO；和PD接觸時間長——多少知道PRD怎么寫；又給分析師提過需求——知道數據大概怎么回事……
所以，我就“隨波逐流”成了數據產品的產品經理。
插句后話，以后在晉升面試或者轉崗面試時，當面試官問我怎么就突然從交互設計師轉成數據產品經理時，最早我也是講的隨波逐流的故事……然后被質疑比較嚴重，后來換個說法：Why not?
有這個機會，大家都信任你，又不給你壓力，又能學習到新領域的知識，和新的人打交道，同時還能繼續沿用交互設計的技能知識，Why not? 然后對方就頷首了，所以講故事的角度是多么重要。
說點這段故事中，讓我真正堅定起來的兩句話：
一個老大說：“給你機會去試錯，錯了大不了重頭再來。”
另一個老大說：“設計師盯著皮膚看，產品經理要了解整體的經絡組織和骨骼，更重要的是要知道數據作為血液如何在流通。你有機會深入皮膚之下看一下，再回來看皮膚感覺又不一樣了。”
所以我是帶著這個人體經絡圖的即視感忐忐忑忑接下了數據產品經理這個新的崗位的。
不用別人說，我也知道有兩座大山需要翻：1. 數據 2. 產品經理。
不指導就業，不提供數據分析解決方案，不承諾對任何人都必要有效。根據個人僅有的經驗、心得，我只能：
1. 面向對數據分析、數據產品有興趣但是又有點畏懼的交互設計師、產品經理
2. 希望能夠讓你們“減少對于數據世界的恐懼”，使用數據的語言“順暢溝通”。
還記得你學習游泳的經歷嗎？記得我當時就是怎么都不敢下水。
我的教練告訴我的最有用的一句話是：你會憋氣吧？你試試在淺水區里什么都不要做，松開欄桿，憋住氣，讓自己沉下去。如果你受不了了，反正你一站就站起來了。
我一想，也對，反正淺水區嘛。于是第一次松開了欄桿。
奇怪的事情發生了。我居然不會沉入水底耶~甚至透過泳鏡看別人的腳撲騰撲騰！原來水里的世界沒有那么的可怕！
克服了這個對水的恐懼后，才開始慢慢學習各種動作，開始享受水的樂趣。
數據的世界對于不了解它的人而言，正如這神秘的水一樣。
那么我提供的讓你不怕“水”的心得有：兩個詞、一個立方體、一張流程圖
你準備好了嗎？
先復習一下你可能也聽過的兩句話：
如果你無法量化，那就無法很好管理。
無細分，不分析。
第一句話來自管理大師彼得德魯克，第二句話則是分析界的金玉良言了。
這兩句話里就隱含著我說的這兩個詞。
接下來，再來看一句話：
成交10億人民幣！
肯定沒有人單獨說這樣的話，一般情況，這句話前都要加上一些“定語”，比如“今年截至到7月份，全國蔬菜市場”，或“去年9月，女裝市場”，或“過去N年，東三省豬肉市場”等等。
這些語境里，也隱含著這兩個詞。
再來看一張圖：
這是剛入門時，為了追求PPT的好看，做的一張概念圖。雖然當時還沒有體會到兩個詞的重要，但是從感覺上，我畫了以上的圖，有位前輩說，維度還不夠。
哦，我后來才知道，中間的圈里，我大部分呈現的是度量，而下面的幾個圈，我列了重要的一些維度。至于上面的幾個圈里，應該是呈現的分析專題或功能。
至于你平時有機會接觸到的各種數據可視化，報表，也基本上脫離不了這兩個詞，比如，若你去客服部門分析客戶來電量（下圖僅供演示，非真實場景數據）
你按時間趨勢來看總體來電量。當你發現某個月或某周來電量波動較大，你就需要添加別的“角度”來進一步細分。
你按熱線來細分來電量，看看來電撥打的什么熱線。
當你發現某個熱線來電量波動異常后，你又需要進一步細分，看看此熱線的來電是被什么接起公司承接的……
下面不賣關子了。有些人可能已經猜到了，我要分享的這兩個詞就是：維度+度量。
下圖中，我將重點放到大道至簡幾個字，以及維度+度量上，而維度和度量下面分別放了所在家族的一些其他常用詞匯，我稍后會解釋。
我始終認為在這條路上，我有一個兩詞之師，當我比較迷茫的時候，他就像當時教我游泳的導師一樣，告訴我：你不需要了解那么多，只要了解數據的世界沒有那么復雜，知道有什么維度，看什么度量，然后怎么呈現出來即可。
對，他沒有時間教我別的，也沒有分享過任何文檔給我，只告訴了我這句話，但是讓我受益至今，因為那一刻，就是恍然大悟。所以我現在也分享給你們。
定義
度量：即Metrics, 指量化的數值。一般都有個名稱，比如網頁瀏覽次數，網頁瀏覽時長，支付寶成交金額等等。
平時，我們一般會叫成“指標”，但是在專業語境，你需要知道，指標和度量還是有些差異，比如某些場合，他們會用指標特指一些經過計算的度量結果，比如拿度量A（網站總瀏覽次數），除以度量B（網站總瀏覽人數），得到一個新的指標（網站人均瀏覽次數），用以衡量網站粘性。但是我建議你平時使用兩者可以通用。
維度：即Dimension。指我們平時看事物的角度。
比如，同樣是網站瀏覽次數（PV），我們可以從日期角度去看，也可以以流量來源去看（來自直接訪問的、來自微博的、來自搜索的等），也可以以新老用戶分群來看。更多的場景是同時以兩個維度的組合去看，比如這樣的圖，就是同時結合了時間、來源兩個維度對網站流量進行分析：
兩者你知道如何清楚區分嗎？
雖然從定義上，你可以看出明顯不同，但是現實中，卻還是有人喜歡亂用——把明明屬于維度的東西寫成“我要看什么指標”，或者喜歡用“我想從收藏人數這個維度去看”，雖然我屬于強迫癥，喜歡幫別人的需求糾錯，被冠以“摳字眼”的名號，但是在這件事情，我一定要摳到底。
而且，你摳清楚了，以后你的世界也清晰很多。
區分的一個方法：維度，一定是有成員值的，且成員值是可以枚舉出來的——不管它有多少，大不了你多花點時間去枚舉，總之是一定可以枚舉的，且會維持一定的穩定性。
比如，日期這個維度，幾月幾號一定是有限的，一年也就365天，如果是年這個維度，也是一樣的。城市這個維度更好理解了吧？
其他你需要了解的
度量：除了指標這個有著略略差異的俗稱外，有時還會遇到衍生指標這個說法，比如拿指標A和指標B做運算得到的指標C就叫做衍生指標。此外，還要注意可累加以及不可累加的度量說法，比如網站UV（獨立訪問用戶數），這個指標就是典型的不可累加的度量：
某網站1月1日UV=100個，1月2日UV=200個，但是這兩天的UV不等于300個，因為1月2日的獨立用戶數里可能包含了1月1日的用戶，所以如果要得到2天的UV，需要重新計算而不能直接相加。而像成交類的金額，不涉及到去重的問題，就叫可累加的度量。
維度
維度的層次：即Level。有些維度是獨立并列的關系，比如城市維度和時間維度。但是有些維度之間有層次關系，比如省份維度和城市維度，行業維度和類目維度，年級維度和班級維度等。
有層次關系的維度，則可用于“鉆取”場景中，先匯總到比較粗的維度，當有需要的時候，可以層層鉆取到更加明細的維度，此時，也會把這些維度叫做某維度類型的不同“粒度”——比如會有一個虛擬的維度類型如地區維度，而把省份、城市、區叫做地區維的粒度。
維度的層次根據不同的需求，可能會鉆取到很細（Details），那就是通常我們說的"明細數據"了。比如分析成交金額時，從行業維度，細分到一級類目乃至葉子類目，最后，鉆取到某個獨立的商品ID（不能再細了），商品ID就是最細小的層次維度。
這么說可能會把你繞暈，那么還是畫個圖吧：
如上圖所示，左列也即維度，不管是國家、省份、城市，都是維度，但因為他們有層次關系，所以，有時會被描述為地區維度的不同粒度或層次（明白了吧）。而右側就是每個維度的維度成員了，有時也被叫成維度值。在可累加的度量中，每一個維度值相加，應該等于上級維度的某成員值總和。比如若城市A只有三個區，這三個區的人口總數應該等于城市A的。
維度的屬性：用以描述維度的一些屬性，比如上圖中“城市”這個維度吧，它可能會有一些屬性特征，比如城市類型：省會城市、地級市、縣級市等，那么有一個分析需求，可能還會按不同城市類型匯總細分。這種情況，維度的屬性會成為分析中的維度。
這時，你可能會明白，平時為什么那么多表單要填寫各種字段，這些字段，都可能是分析時的維度哦~
碼了這么多，休息一下，給你們放張圖：
當時小貝和馬云一碰面，無論在阿里還是網絡上，都出現了一個兩難的問題：到底是選誰當老公呢？（能有這個問題的妹子，你真想多了……），其實這里仔細分析，無非也是涉及到維度和度量兩詞：
維度：人啊。
維度成員：馬云、小貝。
度量：眾位妹子和弟弟們無非就是按自己心目中的算法給兩位成員計算顏值、財富，以及自己心目中的權重，衡量一個綜合指數了……我可不敢隨便填。
最后，發現兩難的選擇，只能得到一個結論是：左邊的當老公，右邊的當爸爸。
點評：做夢吧您。
總結一下
兩個詞的應用：無論你聽怎么復雜的需求，以及無論你有多么復雜的需求，請有傾向地提煉這兩個詞，因為這是你做數據產品、數據分析或者可視化設計的基礎的基礎：
翻了自己的電腦半天，終于翻出一個不敏感的文檔，供參考，下圖就是移動數據分析中的需求交付模版之一：左側列舉度量，右側標注出此度量需要看的維度，有時還會注明維度之間是否要交叉組合查詢。不展開。
其實本文的精華就在兩個詞之間了。下面您看不看都成。
立方體在數據的世界里叫做Cube。我想為何有立方體這個概念，應該是它很形象地能夠表達出多維的概念，至少有3維，如上圖所示，成交100億的金額，是一個大立方體的總量。如果按季度、行業、地區三個維度來分析，我們可以清楚地知道第三季度A地區女裝行業有多少——也即我用橙色標注的那一個切塊的量，是嗎？
那如果是我要知道B地區女裝行業四季度的成交總和呢？你怎么切給我？
空間感好的同學已經知道怎么切了，你知道嗎？
這只是切塊。我們還可以切片，比如我想要知道B地區所有行業的四個季度的成交總和，怎么切？我想要知道男裝行業所有地區四個季度的成交總和怎么切？
具體怎么切，你們自己意會吧，篇幅有限，不展開。
現實分析場景中，恐怕不只三個維度，比如還要加上銷售部門維度、銷售渠道維度呢~ 那么立方體可就復雜了，空間感差一些的同學，就想想不出來這個立方體什么樣子了吧，事實上，數據開發同學會用雪花模型或者星型模型去建設這些立方體。你只要有這個立方體的概念就可以了……數據分析就是像玩魔方一下，撥弄著這些立方體。
在網上找了一個包含了我剛才說的鉆取、匯總的概念的立方體再給你們感受下，想要詳細學習的同學可以搜索“數據立方體”繼續研究。
我剛才舉的那幾個切塊、切片的案例有毛用啊？
現實生活中，你提需求的時候，不可能讓你畫個立方體吧？是的，我們是以表格的方式去看數據的，比如第一個切塊，是什么表格呢? 站在行業負責人，尤其是女裝負責人的視角，可能是這樣的一個報表：
當然，如果是某地區銷售經理，有可能是這樣的：
所以就有各種數據透視分析的視角。
總結
數據分析就是在撥弄各種數據立方體，你可以切片、切塊、鉆取、匯總，你所玩的魔方每一塊，就是一個具體的度量值，是什么數字，則是多種維度交叉后的結果。
工作實踐中，數據產品經理會考慮做出更加方便易用的“立方體玩法”以供普通用戶使用：
如，在分析客戶來電的自動語音導航服務中，我們就可以按不同的維度去對比看用戶在導航菜單里按鍵量，下圖所示是“按菜單對比”的界面，在“對比按”中可以進行切換其他對比視角。
至于左側的兩個篩選，也即指篩選數據集合（切片或切塊了），比如限定某幾個熱線和菜單去看。
3、一張圖片
了解了維度、度量兩個詞，又有了立方體之概念，讓我們再來看數據是怎么產生，怎么被放到用戶界面上供查詢使用的。
巧婦難為無米之炊。數據不是憑空產生的，當需求方提出想要什么樣的數據分析的時候。
首先要檢視的是，TA需求中涉及到的維度是否確定被采集到？度量的計算成本是否高？比如若一個需求想要分析不同買家分層的留存，買家分層是一個新維度，需求方是按骨灰級、高級、新手等對買家進行分層。且什么叫骨灰級？系統里并未對買家進行打標記，且不同類目的骨灰級算法還不一樣，加上算法定義本身也在磨合。這種情況下，我們應該和需求方一起推動業務系統完成打標，而不是自己接下這個需求，在數據倉庫ETL環節完成。
了解ETL：這個是做數據工作繞不開的術語，E(抽取、清洗)——T（轉換）——L（裝載），抽取是從各個業務系統中抽取所需的數據，然后完成語義層、邏輯層的轉換，比如不同系統中記錄銷售渠道這個維度，有的叫做saleschannel，有的叫做channel，需要轉化為同一個概念。裝載，也可以理解成抽取、清洗、轉換好了，裝載到另外一個空間里，供多維查詢服務應用調用。
當然，則個領域，水很深，我只能簡單描述一下，再深的也擔心大家暈菜了——畢竟本文是寫給非數據人的。
我說了，我無法教你具體復雜的數據分析案例。我希望能夠借助本文和你分享下如何建立起比較專業的數據分析思路——數據產品經理本身也應該可以是優秀的數據分析師。
建立分析框架：了解業務、以及業務想要什么（目標）。
提交數據需求: 根據你的訪談、梳理，得到業務流程、業務愿景以及目標，那么就可以和需求方共同確認“看什么”以及“怎么看”。好的數據產品經理或者數據分析師，永遠不是坐等需求方提出他要看什么度量和維度，而是要引導對方看更合適的東西以回答他關于目標是否達成的問題。
進行數據分析：使用多種維度，進行總體的、細分的、多維的分析，當發現問題時，能夠使用這些維度的組合幫助用戶找到影響原因。
一切都基于你有多了解業務：
下圖是幾年前的老圖了，左側是業務流程圖，右側是概念中的數字體系示意（可視化是為了更好和需求方溝通）。
PPT里因為存在具體業務的案例，不便分享，到此為止吧。如果有時間的話，我還是會編脫離具體業務的案例的……
左側就是度量分類和度量，從標注了顏色底色開始的就是維度了，標了顏色的也即此指標需要被計算到所需的維度，灰色的表示不需要，黃色和綠色（以及上面的數字1、2），表示優先級不同，黃色的當然是高優先級了。比如黃色上我寫的數字應該是1,也即第一優先級。
實際上，依據不同的場景，當然可以有很多簡化，比如無需標注優先級之類的。
此外，還需要單獨提供維度和度量的詳細口徑定義說明表格，這時最好和分析師一起，詳細進行確認。
你提的需求不管是做成報表、還是做成具體可視化的界面，總之如果已經開發出來了，就來玩魔方吧。只是報表有可能你得導出來在EXCEL里玩魔方。（即使是可視化的界面，也依賴于對方設計得是否易用）
最簡單的分析是逐級鉆取，如：
復雜的則需要多維交叉：
比如，當分析某個APP的Active users, 當我已經鎖定某個省份有問題的時候，我們既可以繼續鉆取到城市去明曉細節，又可以交叉到品牌，看不同省份間品牌偏好的問題。比如是否小城市中安卓品牌的人更加活躍。
1、 Detail頁面的設計師被追責，怎么應對？
某日，負責搜索結果頁（LIST）的設計師來找商品詳情頁（Detail），他好容易做了LIST頁面的改版，而且結果也確實喜人，從List頁面到Detail頁面的轉化率確實提升了（比如原來100萬的人來到List頁面，只有40萬繼續點擊到Detail,改版后，變成了50萬）。但是不幸的是，總體從List到訂單的轉化率卻沒有提升，反而下降了。
請問，如果你是Detail的分析師，如何和List的分析師一起想辦法分析什么原因？
2、掛羊頭賣狗肉的Banner，怎么用數據證明其反而有害無益？
有時為了爆眼球效應，你的老板會要求你做個華而不實的banner,比如明明活動頁（Landing Page）里都是一些屌絲產品，卻偏偏在banner上用屌絲的價格放一些高大上的產品圖片。想要吸引人點擊進去。而確實點擊效果很好！過去放鳳姐一晚，100個人里只有5個人點，現在放了林志玲一晚，100個人居然有99個人點擊。老板很高興，而且確實成交額似乎是比過去略微高那么一點點了。現在，除了用道德說辭說服老板不要這么做，還有別的方式嗎？
最后，分享給各位的心得是：
你現在也知道，數據本身需要經過分析師的定義、數據源系統的采集、數據開發的開發以及展現設計，任何一個環節，可能會產出錯誤的數據，所以數據本身未必100%靠譜。
此外，數據的解讀，需要保持謹慎批判之心。比如同樣是小明語文得了59分，如果你不了解上下文以及歷史趨勢的話，會認為小明沒考好，有的人甚至會得出小明語文不好的結論。而要是了解他上個季度每次語文考試都只有30多分，又會得出小明雖然語文不好但是明顯進步了。而要是了解到這個班級平均分數只有49分，你又會覺得小明簡直太贊了！所以，單純的一個數字本身沒有任何意義，要窺一斑，更要知全貌。
此外，數據會被有心計的故意利用，而向你呈現部分事實（他不是在彎曲事實，而是只呈現對他有利的一面），數據本身有那么多維度以及層次，導致解讀的方式完全可以被利用。
所以，要記得我本文的最后提點：
對于產品經理和分析師來講，最針對的是我們基于對于業務的深入理解而產生的直覺。不要盲目被數據拉著走。只有有較好的直覺，我們才能有更合理的假設，有了這個合理的假設，才能夠更好解讀數據以及提數據的需求。而不是在各種數據的海洋里玩數據的游戲而浪費時間。
雷峰網特約稿件，未經授權禁止轉載。詳情見轉載須知。
