2022-11-03人工智能36

产品经理学习流程

我在进行无引导初学情况下，我先以 自己的认知（ 我认为数据分析是一项"技能"，加分项）去进行学习，在第一次的梳理中，我认为学习各类函数、分析法、图表切分法是最重要的学习切入点，但是在短时间内，统计学，高等数学为零基础的我无法迅速理解很多知识，于是我开始改变学习方式，首先将学习思路缕清，我的职业是产品经理，我的目的是在需求分析中以数据为引导，帮助自己做出有依据、有预测的理智判断，所以选择学习数据分析，但是在数据分析中，产品经理更需要在业务层进行深入研究，而不是将展示作为重点学习。

而我现在的认知，数据分析更大的作用就是找问题并解决问题，它能使得产品经理在工作中形成闭环，所以对于产品经理而言，学习数据分析的时候，重心点要放在分析指标，为需求做好埋点，根据指标数据去分析用户行为，优化产品细节，提升产品转化。展示可以学BI，快速上手及出图。

将此思路以条件满足方式去展示或许更能浅显易懂


for(int 业务目的 = 0；i

但是在知乎中，可以经常看见有前辈去说到，数据分析师的工作流程，若是我们所处环境中，未能遇见一位数据分析师，那么数据分析这份工作便落到了我们自己的头上（ 其实就是没这号人或者他们没空，而我们赶时间，只能自己干的情况下）.....................emmmm那我们得好好说说这个情况

数据分析流程（学习）

咱就说看看数据分析师的工作流程巴！

数据分析流程（学习）

数据分析流程

1、清晰目标（与需求方进行多维度分析，才能保证数据来源完整）

咱们在进行数据分析之前，一定是收到了需求发来的信号，可能是从秃头leader那，也可能是从板板（boss）那儿，需求来源方向有很多，同样优化方向也不一样，这个时候咱们肯定要分蛋糕了，实际情况中，产品经理对优先级的划分向来都是以危险感（轻重缓急）来决定先干哪个需求，但是阿so认为吧，干需求就像是打鸟，怎样才能一石二鸟呢，解决哪一个问题才能解决关联的问题呢？毕竟急也没用，所以在决定需求之前，要先和各部门好好聊聊，他要解决什么问题，我们不妨和他一起想想办法，所以干需求是为了解决商业问题，而非纯粹干需求哦。

2、获取数据（在本地或外地平台中获取直接或间接数据）

在确定需求后，要解决数据问题。如果我们想解决问题，我们必须看看问题的哪一部分。这就像帮派问题，内斗或外债，无论是外债还是内斗。我们必须尽可能地收集竞争产品中可用的信息，并分析我们在关键竞争业务中数据转化率和交易率成败的原因，以扭转局面。因此，数据源必须在对业务有足够了解和分析的前提下完成，否则数据源的问题会影响后续判断，导致虚无。

[En]

After deciding on the demand, it is necessary to solve the problem of data. if we want to solve the problem, we have to see which part of the problem lies. This is like a gang problem, infighting or foreign debt, whether it is foreign debt or infighting. We have to collect the information available in the competitive products as far as possible, and analyze the reasons for the success or failure of our data conversion rate and transaction rate in the key competitive business, so as to reverse the situation. Therefore, the data source must be completed on the premise of sufficient understanding and analysis of the business, otherwise the problem of the data source will affect the follow-up judgment and lead to nothingness.

3、数据处理（对获取数据进行检测、审核，预防风险数据）

数据处理也可以称为数据清理环节，清理对象多为外来数据。由于一些不可避免的原因，数据源中会夹杂着杂乱的数据，也就是脏数据，如果数据审核不严，就会影响数据结果，导致最终判断错误，所以在数据分析的过程中，我们也可以看到一个人是否专业、严谨、严谨。对于我们这些刚刚进入职场的人来说，这一点也非常重要。

[En]

Data processing can also be called data cleaning link, and most of the cleaning objects are foreign data. due to some inevitable reasons, the data source will be mixed with messy data, that is, dirty data, if the data is not strictly audited, it will affect the data results and lead to final judgment errors, so we can also see whether a person is professional, rigorous and rigorous in the process of data analysis. For those of us who have just entered the workplace, this is also very important to pay attention to.

4、数据分析（对清洗后的数据进行多维度、深度分析，解决业务问题）

整理数据后，结果也将浮出水面。我们怎样才能解决这个问题呢？我们需要一起看看问题的根源。虽然我们只需要满足条件就可以实现目标，但总会有一些不可避免的错误，比如增加了下载率但没有扎根用户粘性，虽然登录率增加了，但环比降低了。有必要对各种数据不同时期的不同对象进行比较。

[En]

After sorting out the data, the results will also surface. How can we solve the problem? we need to look at the source of the problem together. Although we only need to meet the conditions to achieve the goal, there will always be some inevitable mistakes, such as increasing the download rate but not taking root in the user stickiness and although the login rate has increased, the ring ratio has decreased. It is necessary to compare different objects in different periods of all kinds of data.

5、数据可视化（将复杂，繁重的数据以图表形式简化，高效沟通与展示）

在与各部门工作人员沟通时，尽量做到简洁、高效、直截了当，避免原意、繁琐等问题，也省去了很多不必要的环节，数据可视化还能展现一个产品经理的沟通技巧、数据分析师的专业技能。

[En]

When communicating with the staff of various departments, try to be concise, efficient and straightforward, prevent the original meaning, heavy complexity and other problems, but also save a lot of unnecessary links, data visualization can also show the communication skills of a product manager, the professional skills of data analysts.

6、上线实施（需求优化后进行指标埋点，需要对前后数据进行同比，更好的检测是否优化有效）

在需求上线之前，我们需要重新分析指标，做好精准的分析，新老指标缺一不可，需要验证业务之间的关联性，便于后续优化。

[En]

Before the demand goes online, we need to re-analyze the indicators and do a good job of accurate analysis, both new and old indicators are indispensable, and we need to verify the relevance between businesses to facilitate follow-up optimization.