一个案例，告诉你数据产品经理与一般产品经理之间的区别

数据产品经理和一般的产品经理有什么不同？笔者认为：一个专业的数据产品经理与一般产品经理区别最大的就是对于数据指标的设计能力。数据产品经理可以通过恰当的数据指标帮助用户更好地解读数据，分析数据。

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？

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，有个别数据调整过。）

不知道你有没有去数在洗车指数这段描述里面涉及了几个参考数据？

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

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。

作者：大林的小白，微信：gzxdqc，百度数据产品经理

本文素材来自互联网