为什么数据产品经常不贴近业务场景？

从业务需求发起，数据探索分析，思路固化，到数据产品落地。可以发现数据价值链路上，数据产品处于最后一个环节（这里是针对更贴近业务价值挖掘的专题型数据产品，而非自助取数工具）。而我们常常更多的停留在最后思路固化下来后，才去承接产品的落地。数据产品经理在这个过程暴露出来的问题主要在于对于分析本身只是一知半解，甚至自己都没有过一次真实的案例分析，所以做出来的产品常常会被抱怨“不好用”。即使自己每天有意识看数，也是停留在有没有异常的，为什么异常的层面。

动手做数据探索分析或许会有帮助：

打个比方，在搜索关键词的换词分析过程中，之前基本都停留看一下哪些词重搜率比较高，这些词用户重搜了哪些其他词。而当我自主去分析时，会思考 “重搜词就是用户的意图吗？” 不一定。至少要把换词后到点击率指标加上，才能知道换词后到意图满足情况进而判断意图情况。另一方面要真正理解重搜背后发生了什么，若能把重搜case展示在看板上，会非常有带入感。

比如，数据上看到用户搜了“网吧”后，20%的人会重搜“电竞酒店”。好像是对电竞酒店一个强诉求。再细看示例，”用户搜索“网吧”，又搜了“电竞酒店”，又搜了“电竞酒店钟点房”。可以更具象知道用户核心诉求还有钟点房。

所以，我越来越意识到，为了更好理解业务，挖掘更多数据价值的场景，打造更贴合业务场景的数据产品，数据产品经理需要深入探索分析的环节。

说到这里，大家肯定会疑问，这样不是抢了BA分析师的的活吗？

BA角色更多完成业务方向决策的分析工作，比如未来信息流的内容供给提升是否通过扶持关键作者来做？而业务还有很多运营分析的工作其实BA同学并没有介入，比如城市运营团队会关注，我需要在哪些城市投入更多资源，然后不同城市具体要做什么动作才能改善现状。又比如一些比较小但又很核心的分析场景：搜索关键词重搜分析是理解用户搜索意图的一个非常重要的分析专题。

1）业务运营过程中的分析专题；即便业务已经在做了，但是业务可能还没有非常明确的分析框架支撑他们的运营动作，你也可以进一步做分析；

2）业务有些探索问题想不清楚，在和你提需求的时候模糊不清，但是目标很清楚。这个时候需要更多探索分析；

3）实验中的数据分析。每天有很多实验在进行，其实ab实验分析是有很多科学细节需要注意的，我们的业务方在一些特殊复杂的实验上，采用的分析方法不一定科学。我们有介入空间。

实践过程中，肯定会遇到很多问题。

1）有些分析只是探索性的分析，现有指标体系不一定能支持；

2）日常接需求，做项目已经花费很多时间了，哪还有精力来做分析工作；

3）即使我有时间做这些事情，产出成果怎么衡量呢；4）我也不是专业的分析师怎么保证分析比较科学？

在回答这些问题之前，还是得强调一下，如果你现在每天处于救火的阶段，肯定是腾不出时间来做分析这件事的。所以，只有当你对目前的工作已经有一定的掌控力，在数据产品建设路上遇到了瓶颈，这个阶段花时间做分析投入产出比会更高。具体策略上：

1）可以与数仓合作，构建一些轻量级的基础模型，把探索中确定的部分先固化下来，减轻探索成本和难度；

2）每周固定一个时段，比如一个晚上的时间，专心做这个分析工作。为未来做投资；

3）分析结果要沉淀成分析报告，一方面与业务侧进行探讨论，优化内容，另一方面可以在组内周会做分享，赢得领导认可。如果有雏形了，甚至可以先落地成轻量级分析工具供业务使用；

4）只能不断看专业书籍学习，才能掌握科学的分析方法。另外多看公司内部的案例分析资料，也可以提升在自己业务场景里的分析思路和科学方法。