产品的工作总是在设计未来的事，除了原型和一堆文档，价值看不见，摸不着，难以量化。那产品经理，到底如何用数据证明自己的价值？
产品经理的工作价值很难衡量。因为，产品经理既不像运营一样，有大量的活动爆发数据可以看到效果和直接经济收益。也不像开发，完成了一个庞大的功能，或者优化页面的多少加载速度。产品的工作总是在设计未来的事，除了原型和一堆文档，价值看不见，摸不着，难以量化。
这就导致在很多公司，产品的存在感太低，其他人认为你就是个画图的，导致工作很被动。老是被业务部门牵着走，老是被动的【接需求】。或者，没什么存在感，汇报时除了-的项目，其他工作往往找不到标准来判断或者总是被认为是【应该的】。在这种情况下，通过强调去自己的作用不但过程艰难，也不容易被人信任。
解决这种问题的最好办法就是证明自己不只是一个画图的，而是产品表现的掌控者。而数据就是产品表现、产品领导能力最好的证明。
下面，我会从四个方面阐述数据如何证明产品经理的价值。
①异常判断
产品数据波动是日常，很多常见情况都会影响到产品表现。（一款视频软件在工作日日比双休日登录用户要减少倍，这是一种常见的情况。）
通常，我们会将重要的数据如转化数据、用户数据、交易数据等进行日常监控。一般来说，这些数据都有固定的波动周期，每个周期内的数据变化应该是趋于稳定的。如果某天数据不再符合预期的稳定变化，也就是我们所说的数据异常。（百度内对用户搜索关键词的第一条答案点击率与前一小时下降%已经是异常问题，这表示用户对搜索结果和品类的丰富度非常不满意。）
判断是否异常一般会从绝对值和比例值来看，若任意一项数据较日常数据上下浮动~倍均可算作数据异常。
②严重性判断
同样是异常情况导致数据波动，不同级别的问题会采取不同的处理方式。一些小异常可能会通过产品迭代的方式弥补，而大的数据异常通常会采用紧急机制，如强行关闭，强行下架，强行结束等方式来阻止损失。（京东块钱的美的烤箱被撸了万件，亏损高达多万，若是负责人能及时从下单数据中心看出异常，尽早处理，也不会带来如此大的损失和用户投诉——不发货。）
判断异常严重性时，通常会用绝对值数据来对比。通常是客单价，单均，UV等具体指标。当此类指标同比浮动倍以上，即可认为存在重大异常。(京东小家电被在优惠券上架后下单量暴涨万件，但客单价只有左右，远远低于平常的元，客单价下降倍。单量暴涨，客单价极低。)
如果数据确实在异常，应该迅速找到导致异常波动的核心问题，定位时间越短，解决成本越低。寻找核心问题的方法就是：猜想——求证。
（）猜想
猜想可能的情况，通常通过两个方向去猜想：
自己维度：包括自家产品的产品设计、技术、运营、用户，从自身角度回顾产品动作、表现以及异常数据。
市场维度：包括竞品和整个市场的大环境。大家同处一个市场，市场的任何变化，竞品的任何产品、运营动作都会影响到自家产品的数据。（下面提供一个具体表格，供大家参考）
产品：由产品功能、流程、新产品导致的异常。例如产品新增了连续包月功能，导致会员充值人数增加，或市场上的某家竞品忽然开了一道与自己产品定位一样的产品线，导致用户流失等。流程可通过分步查看产品流程的漏斗数据，找出问题流程环节。新功能、新产品问题可对比版本查看（有无新功能对应的数据情况）。
技术：由技术实现方式、稳定性、导致的异常。常见情况有接口数据异常，接口稳定性，服务器响应速度，甚至服务器宕机等原因。例如下图中，某安卓平台没有弹出push导致活动页访问率低。
接口类问题可通过不同平台、不同机型的用户对比数据来验证猜想，服务器问题可对比同一时间段往日的服务器数据进行对比。
运营：由运营活动进行导致的异常，常见情况有运营活动开始，结束，爆发，导致的数据激增或极降。运营活动可通过活动页的访问率、转化率以及开始和结束访问率进行大致推断。市场运营活动可观测竞争对手是否有运营活动，以及运营活动的火爆程度进行预估和猜想。
用户：由于用户的自身属性、市场环境的客观变化决定。常见情况有：随着用户年龄增加，离开平台的数据量增高，或由于季节原因，出行的用户变少等。用户原因可通过淡旺季、客户类型、客户区域位置、客户年龄等不同客户类型的转化率梳理进行大致推断。
（）求证
对猜测的原因进行验证，必须找到能支撑猜测成立的数据。若是找不到证据，说明猜测错误，重新猜测，直到找到问题和证据为止。（下图是某一活动落地页UV低，通过猜想-验证，最终找到问题的过程）
针对现有用户的数据分析，通常会让开发者发现产品增长模式甚至更改产品核心价值。一些预想的功能上线了，你发现用户根本不是按照你预想的方式去用，此时可能蕴含着产品发展机遇。
通过梳理平台资深用户的行为数据，从而发现产品增长机会或产品核心价值的传递方式。tinder在获取早期用户时遇到了etsy没有遇到的挑战——人们只对附近的约会对象感兴趣。tinder团队做出了一个聪明的决定，既然用户是区域性的，那么增长也应该是区域性的。（ps：竟然不觉得这是一个问题去解决掉，反而顺应这个问题发展）
于是他们决定先锁定大学的社团，吸引他们成为用户，这个做法不仅提供了早期用户，帮助他们把tinder打造成一个高颜值约会对象的聚集地；社团的孩子回去向他们的兄弟姐妹们推荐tinder，忽然之间，tinder像病毒一样传播开来。
youtube更不同寻常，期初youtube只是一个视频约会网站，之后创始人发现，用户上传视频并不是为了找对象，而是为了分享各种各样的视频，于是youtube摇身一变，变成了一个大型视频网站。
①版本预测
领导者都有一个共性，可以预测市场形式。产品经理每次更新，都要在上线前对上线结果，运营指标，核心指标等进行预测。对于产品表现进行回归，是要分析没达到原因和是否能改进或直接停止。
通常使用的公式为，改动点 + 改动点描述+没有此改动前的处理方法+此改动造成的收益（数字化）。例如，本次新增会议室预定功能，可查看会议室状态+在线预定会议室。没有此功能前用户需要去前台登记，并询问预订人员，会造成时间浪费和会议室空闲。此新功能可节省使用者%的时间。
②异常预测
风险预防永远比补救风险成本低。产品经理需要对产品的异常情况进行预测，并设置保护/熔断机制。
通常对产品进行埋点统计，并设置警报值，超过警报值即通知负责人。百度关键词点击率浮动%时，会通过短信通知负责人，超过%即会通过电话通知负责人。月号所发生的美股跌停，暂停交易也是为了保护市场不崩溃所设置的熔断机制。
①具体问题
数字能更明显的看出问题解决的效果，也是方案好坏的最好依据。
对比上线前后的核心数据，利用数据去证明策略的正确性，很容易看出方案的效果。例如，上线评价提醒功能，已收货未评价的用户点击返回时，页面会弹出评价提示。该功能上线后天，周评价率上升%，评价书上升条。
②清理一类用户
在任何产品中，都有钻空子的坏用户。例如：闲鱼平台的骗子，交友平台的酒托，社交平台发广告。为了维护社区环境，我们必须清除这一类用户。
通过对现有坏用户的从数据分析，进行标签标记，将多个标签聚集的用户进行风险控制。
例如：对现在有社交平台的酒托进行分析，发现其：总是主动加好友，一次加好友数量超过个，加好友时间间隔不超过一分钟，加了好友总是主动发消息和定位，个人信息缺失，使用同一网络号段，同一局域网，定位地点集中在几个地区等。针对这边标签聚合的用户进行限制、或封号等，可以解决小部分坏用户，保证大部分用户的利益。
简单小结：回到最初的的痛点——产品经理没有存在感，数据可以帮助我们证明以下价值，增强产品把控力。
