声明：本文来自于微信公众号人人都是产品经理（ID：woshipm），作者：王诗沐，授权站长之家转载发布。

前些日子，人人都是产品经理、起点学院 创始人@老曹问了我一个问题：

你如何看待产品经理的基本功?

今天，我将和大家聊聊这个话题。

除了用户研究和需求分析，产品经理还需要修炼哪些基本功?

在面试产品经理、考察其能力时，我会看重两个方面：一个是基本功，另一个是天赋。

天赋包括洞察能力和商业嗅觉，这对一个出类拔萃的产品经理来说十分重要;而基本功则是产品经理能否做到 80 分的硬性条件。

遗憾的是，相比于程序员群体的编程基本功，产品经理群体中能够练好基本功的比例要小一些。

(这也难怪程序员会“吐槽”产品经理)

产品经理的很多技能都是随经验积累越来越扎实的，它不是一门“玄学”，恰恰相反，它是有规律可循的;经验可以通过不断实践、日积月累得到提升，而经验的提升会逐渐增强产品经理的技能——哪怕天赋差一些，也能够通过努力来获得洞察能力和商业嗅觉(天赋在99%的情况下只是加分项)。

产品经理的基本功除了用户研究和需求分析，还包括数据分析、交互设计、信息架构、UI设计、编程能力(UI设计和编程能力严格来说是可选的，但我认为它们挺有益处的，故而仍放在基本功中)、审美能力、竞品分析等，如图4- 1 所示。

图4-1 产品经理技能树

其中，竞品分析与市场、行业的分析判断一脉相承，而且写起来篇幅较长，以后再单独展开讲;在文中，我们会聊一聊数据分析等基本功。

第一节 数据分析

今日头条系产品为何能快速发展?它们的产品方法论是什么?

从某种程度上讲，今日头条是一家流量运作公司，对流量ROI(投资回报率)的运用纯熟度与效率非常高。

如果我们剖析今日头条系产品的成长路线，会发现一条规律：在今日头条本身拥有很不错的广告变现能力的基础上，今日头条系产品在市场推广上非常舍得花钱——这里的原因就在于它们对流量ROI的掌握非常精细、纯熟。

通过流量分发和广告售卖算法，能保证流入的流量高效变现，从而引入更多的符合ROI指标的流量——这样的流量获取速度会比其他公司快好几个量级;在其他公司正在犹豫的时候，今日头条已经将市场上的红利流量吸走了一大半，然后进一步促进广告变现，获得更多的现金流，从而进入了一个良性循环。

上一家在中国互联网上这么运作流量的公司是阿里巴巴。

这样的流量运作非常依赖强大的数据和算法系统，而这正是今日头条起步和赖以生存的核心能力。

要构建这样的数据和算法系统，需要非常高的数据运用能力和非常好的数据算法意识，而这些都依赖于数据分析的基础;练好这个基本功才有可能拥有好的数据和算法洞察能力，从而构建出一条清晰的数据和算法驱动的发展逻辑。

今日头条系产品的方法论，基本上是构建在数据和算法上的。

并不是说产品经理的世界中只有这么一个有效的方法论，而是在我们拥有基于数据和算法的产品方法后，配合我们对用户和业务的洞察能力、商业嗅觉，就像配上了先进的现代化武器去对付装备很差的军队。

数据和算法本质上极大地提升了产品决策、运营/运作的效率。

在讨论数据分析的基本功之前，我想先分享一些数据和算法意识：

中国互联网已经进入一个获取流量成本很高的时期，尤其是获取一二线城市用户流量的成本很高。

(就算是三四线城市的用户流量，大部分公司因为没有掌握优质渠道，所以获取成本也非常高)

那么，产品只要想增长，不管是同质化的业务还是创新业务，如何高效而低成本地获取流量都是非常重要的问题。

(如果一个创新业务运营得不错，很快就会有竞争对手复制相同或类似的业务进入市场)

在这个时候，效率会成为最重要的因素;在流量获取、流量分发、流量变现这三个阶段，如何通过数据和算法提高效率则是产品负责人需要考虑的非常重要的问题。

这个趋势从 2012 年左右就开始了，到如今仍只有部分头部公司拥有非常好的数据和算法系统来提高运营效率。

而越是头部的公司，数据量级越大，数据和算法系统的效果就越好;这样就会形成强者恒强，而弱者很难追赶的局面。

因此，对每一个有增长诉求的产品来说，尽快掌握这套方法是很关键的。

(即便是刚“出生”不久的小产品，有了这套武器也会更好，因为有思路和方法高效地获取第一波流量)

我在公司内部一直强调，产品经理的基本功非常重要，数据和算法的意识也来自日复一日、年复一年数据分析的应用和积累。

市面上有不少数据分析方面的好书，比如《精益数据分析》，人人都是产品经理也有很多这样的文章，知乎上也有不少数据分析方面的专业人士以及精彩问答，这些书籍和网上的内容能很好地帮助我们学习数据分析技能，强烈推荐大家看。

产品经理不需要成为数据分析方面的专家，但什么时候分析数据、分析哪些数据、如何分析数据、如何用数据辅助决策、如何用数据驱动业务，这些问题是产品经理必须要回答的。

我最早是从Web时代开始做产品的，那时大家都用Alexa、Google Analytics做网站的数据分析，我也学习了UV/PV(独立访客/访问量)、跳出率、停留时长、留存率、漏斗、路径转化等数据分析中的一些基本概念，当时养成的好的数据分析习惯一直保留到现在。

除了看书和学习数据分析技能，还获得了一些数据分析方面的感悟：

1. 不能只看大数据，需要精细化分析

这应该是我最重要的感悟，也是很多产品经理可能缺乏的意识。下面用网易云音乐的两个小案例来说明一下：

网易云音乐的评论非常受用户欢迎，数据表现也非常好;每天评论总数、点赞总数不断增加，领先竞争对手的优势很大。

如果只看这个数据，是否就意味着评论系统已经非常好、不用再进一步优化了呢?

答案是否定的——我们应当更加深入地思考如何用数据评估评论系统。

评论总数和点赞总数可以从宏观方面看到评论系统的量级和质量，但我们还可以问如下问题：

• 超过 100 条评论的歌曲数量占比是多少?

• 评论、点赞数量的分布是怎样的，大量点赞是否集中在少数评论上，还是有长尾效应?

• 新的精彩评论数量占比是多少?被用户浏览过、点赞或回复过的评论数量占比是多少?

• 用户互相回复的比例有多少?

类似这样的问题，实际上是针对评论系统的真实运营状态提问的。

如果大量的评论集中在热门歌曲上，那么这可能是虚假繁荣，即并没有形成一个真正热爱音乐的社区，用户更多的是跟风。

如果大量点赞集中在少数评论上，那么只有少数评论生产者获益，也就是我们常说的马太效应，这对社区的健康发展是很不利的。

新的精彩评论数量占比、被用户浏览过的评论数量占比则是为了看更长尾的评论社区能否形成——UGC的生产与互动覆盖率越高，这个社区的生命力越旺盛。

精细化地分析数据是非常重要的意识。

从一个宏观数据上往下细分更多的数据维度，能让我们真正了解一个业务的真实状态，而不是表面上的情况。这需要耐心、定力和钻研精神，与浮躁、功利的风气格格不入，只有真正沉下心来做产品，才能不断去打磨、培养这个意识。