数据产品经理和一般产品经理有什么区别？

很多朋友咨询我，数据产品经理和一般的产品经理有什么不同？想了很久，没想到一个好的回答。后来看书翻到过一个案例，通过这个案例，来说明一下，数据产品经理和一般产品经理的最大区别是什么？

 

我们先看这几个图，这是我今天在墨迹天气APP里，那个生活指数那块儿，点进去之后的截图：

 

你知道，这几个指数，为什么只有今天、明天和后天三天吗？

 

你应该不会想到下面这个吧~

 

这也不是今天明天和后天，这是昨天今天和明天。

 

在回答这个“为什么只有今天、明天和后天三天吗？”问题之前，我们继续看另外一个指数：

 

呀，今天还涨了。要不是为了写文章，可能还不知道今天涨了。

跑题了……

说正事儿，上证指数是什么意思？又是怎么算出来的呢?

随手百度一下，百度会告诉我们，上证指数和它的计算公式，这里就不写了。估计咱们也没啥耐心看完。

 

我给你讲一个案例，来告诉你，为什么上面那三种图，只有三天？

也用这个案例，告诉你，数据产品经理和一般的产品经理有什么不同。

 

一、洗车指数

 

就用这个案例里面最中间这个：洗车指数，来回答一下。不知道你有没有注意到，洗车指数，这个图，里面有一个解释。

 

上面红色框起来的部分，墨迹有解释的。这个指数啥意思呢？洗车指数是墨迹天气考虑过去一天和未来四天有无雨雪天气，路面是否有积雪和泥水，是否容易使爱车溅上泥水；有无大风和沙尘天气，是否会使您的爱车沾染灰尘；温度是否过低，是否会造成车辆结冰；给广大爱车族提供是否适宜洗车的建议。

（三年前，这段话不长这样。。）

 

不知道，你有没有去数，洗车指数，这段描述里面，涉及了几个参考数据？

 

然后，下面这一段红色的字，APP没给解释。不过，如果你打开墨迹天气，看一看，你能猜得到。

 

洗车指数共分为4级：1级为适宜，2级为较适宜，3级为较不适宜，4级为不适宜。级数越高，就越不适宜洗车。

二、洗车指数出现的背景

 

先介绍一下这个指数出现的背景：

 

2016年4月，国内著名的天气预报APP墨迹天气正式上线了墨迹洗车生活服务功能，这是基于墨迹天气自身的气象能力衍生而来的服务。墨迹洗车提出了“洗车3日内下雨，墨迹天气全额赔”的承诺，这有别于以往的O2O洗车服务。

 

（没想到吧，这个指数上线，当时是要和O2O洗车做竞争，但其实，O2O洗车，上门洗车，用户有需求，但企业成本太高，根本玩不转。价格一高，用户就不来了。自然都死了。）

 

墨迹洗车实时播报洗车指数，用户进入洗车界面后可以随时查看天气情况，并根据天气变化合理地安排洗车时间，从而帮助用户有效避免遭遇“一洗车就下雨”的尴尬。

 

不仅如此，墨迹洗车还为用户提供了洗车后的保障，这种保障不同于保险公司的普通理赔。

 

例如，墨迹洗车提示“适宜洗车”，用户在洗车3日内（含洗车当日）如果遭遇下雨（雪）天气，则墨迹天气将全额赔付用户当次洗车费用，这就类似于一种基于气象数据的保险服务。

 

 

这个指数背后，其实带着企业的商业需求，成本如此之高的一项O2O服务，这个洗车指数又是怎么定义来的？

 

让我们回到2016年，作为一个数据产品经理，你领导给你下了一个任务，我们最近要上线一款O2O洗车产品，运营模式是上面描述的那样子的。你作为数据产品经理，要去设计一个洗车指数，2016年的你，该怎么办？

           

其实，作为一个专业的数据产品经理，你已经想到了一个办法了。

三、洗车指数建立方法

 

1.建立洗车指数等级

一般将洗车指数的等级V设为4个等级：V1～V4，如图所示，其中V1表示适宜洗车，指的是从洗车当日开始计算，可以保证连续3天以上不下雨；V2表示较适宜洗车，指的是可以保证2～3天不下雨；V3表示比较不适宜洗车，只能保证两天不下雨；V4表示不适宜洗车，预估1天内就会下雨。

 

洗车指数等级

 

2.建立影响洗车指数的因素集

因素集就是那些与洗车等级有较大关系的一些因素的集合。

 

通过人为经验得出了以下4个变量会与洗车指数有强相关性：过去12小时天气状况A、未来24小时天气状况B、未来24小时气温C和未来24小时风力D。其中，过去12小时及未来24小时天气现象分类标准如图所示，其中每一列代表不同的影响因素的分类等级，未来24小时天气现象的分类比未来12小时天气现象分类更细一些。

洗车指数影响因素分类标准

 

 

3.确定各影响因素的权重

根据历史经验数据和相关分析，得出各影响因素变量与洗车指数的相关性，图中的值就是每天记录的4个变量和洗车指数的历史数据，通过相关分析计算得出的相关系数矩阵。其中行和列的名称是一样的，自身与自身的相关系数即为1，因此矩阵的对角线上的相关系数都为1。

 

洗车指数与影响因素变量的相关系数矩阵

 

根据图中可以看出，未来24小时天气状况B与洗车指数V的相关性最强，即R=0.879；未来24小时风力D与洗车指数V的相关系数为R=0.463；未来24小时气温C与洗车指数V的相关系数为R=-0.578，呈负相关，即气温越高越不适宜洗车；过去12小时天气状况A与洗车指数V之间的相关系数为R=0.066，即对洗车指数的影响很小。

权重a不是一个固定数列，不同的天气状况会选择不同的权重，根据上述结果，设定a=（A，B，C，D）权值=（0.1，0.38，0.2，0.32），权值之和等于1。

（需要注意的是，这个a，是人为定义的，用相关性作为参考。）

 

4.确定各影响因素对等级模糊子集的隶属度

根据各因素与洗车指数的相关性大小，初步人为确定各影响因素对洗车等级模糊子集的隶属度。

过去12小时天气状况不同级别天气对评判集的隶属度如下图，其中每一行代表在某种天气状况下（如A1）人为经验判定出适宜洗车、较适宜洗车、较不适宜洗车和不适宜洗车这4种洗车等级的权值，每一行的权值加起来等于1。

同理，未来24小时天气状况不同级别对评判集的隶属度，未来24小时气温各级别对评判集隶属度，未来24小时风力对评判集隶属度。

 

过去12小时天气状况隶属度

 

未来24小时天气状况隶属度

 

未来24小时气温隶属度

 

未来24小时风力隶属度

 

 

假设：现在需要判断在北京的某一天是否适宜洗车，则首先要了解当天的天气状况。具体天气情况如图所示，当天天气组合为（A2，B1，C3，D1），根据上面四个图表中的数据，天气组合中各影响因素对应哪一个级别，就取哪一行数据，因此得到矩阵R如下：

 

北京洗车当天的天气状况

 

 

5.计算综合评判

在之前的步骤里，已经求出了a与R，计算综合评判B=a*R，具体采用先取最小值再取最大值的算法。a*R的具体计算步骤如下。

 

（1）将a1与R中第一列的第一个数据比较，取最小值；将a2和第一列的第二个数据比较，取最小值；a3和第一列的第三个数据比较，取最小值；将a4和第一列的第四个数据比较，取最小值；获得新的数据集E1=（e11，e12，e13，e14），最后在这4个数据中取最大值，即为e1i。

 

（2）将a1与第二列的第一个数据比较，取最小值；将a2与第二列的第二个数据比较，取最小值；将a3与第二列的第三个数据比较，取最小值；将a4与第二列的第四个数据比较，取最小值；获得数据集E2=（e21，e22，e23，e24），在这4个数据中取最大值，即为e2i。

 

（3）以此类推，最后获得一组数据B=（e1i，e2i，e3i，e4i），代表对4个评判等级的隶属度，哪个值最大，就说明对哪个等级隶属度最高。

 

以北京的天气为例，具体计算步骤如下：

确认各影响因素权重a=（0.1，0.38，0.2，0.32），根据北京天气状况获取矩阵R如下：

 

计算综合评判B如下：

将a中第一个数字和R中第一列的第一个数字比较，取最小值，即0.1；

将a中第二个数字和R中第一列的第二个数字比较，取最小值，即0.35；

将a中第三个数字和R中第一列的第三个数字比较，取最小值，即0.2；

将a中第四个数字和R中第一列的第四个数字比较，取最小值，即0.2。

在（0.1，0.35，0.2，0.2）数列中取最大值0.35，以此类推得B=（0.35，0.38，0.1，0.1）。因为这4个数加和不为1，因此需要进行归一化，归一化得到B'=（37.6%，40.9%，10.8%，10.8%）。B'中最大值为40.9%，因此较适宜洗车，洗车级别为2级。

 

在上述的模糊综合评判过程中，建立单因素评判矩阵R和确定权重分配a，是两项关键的工作，没有统一的格式可以遵循，一般采用统计实验或专家评分等方法求出。

 

有的时候用户不是没有数据，而是有太多的数据，不知道怎么去看，不知道如何解读它们，这个时候需要数据产品经理设计恰当的数据指标以供用户分析。

数据指标的设计最考验一名数据产品经理的能力，也是数据产品经理有别于一般产品经理的方面。

-End-

觉得有启发，点个在看，转给朋友们