"Data is like a flashlight, It can illuminate the truth."
（数据就像手电筒，它可以揭示真相。）
上周，镜同学几乎泡在了数据的海洋里，从各种财务指标的预算优化会议，到业务数据惨不忍睹的经营分析会，再到多名数据产品经理的面试，每一场都是对认知和体力的双重考验。
其实我对上周产品工作最大的感受有两点，也是今天想和大家分享的，即，数据应用思维和澄清问题模型。
老实说，这两者其实是有强关联的，因为在产品工作中应用数据思维会更容易精准定位问题原因，从而找到解决问题的最短路径。
先说第一个：数据应用思维。
其实在这些会议的间隙，镜同学也一直在思考：如何将这些枯燥的数字转化为产品成长的动力？如何把数据思维应用到产品工作，让其成为产品人的认知底座？
数据，这个看似冷冰冰的词汇，其实背后隐藏着巨大的能量和无限的可能性，我在之前的文章也多次分享过37singles关于决策的指南：基于数据，而非凭直觉。
但在现实中，不少产品同学都缺乏数据应用思维。
比如，产品上线之后，很多同学并不会去主动跟进数据并做产品分析，实际上产品同学关注运营数据是非常有必要的，因为产品设计要做到PMF必定需要市场验证和用户反馈，而数据指标是最客观、最直观的体现。
再比如，有些产品同学虽说会主动关注数据，但整体还是偏被动和浅层的，尤其是其关注的数据维度往往简单和随意，没有深刻遵循业务验证和产品迭代的方法论，既无法有效验证产品，又缺乏对业务优化方向的支撑。
举个例子：
前段时间我们APP端更新了智能推荐功能，目的是对多款业务产品做入口转化，某初级产品同学跟进数据后得出结论：该功能上线一周就带来用户增长了30%。
这让他还挺有成就感，还认为自己有数据支撑。
可我们深入了解后才发现，原来该同学对数据极度不敏感，他甚至只是简单过滤出新功能上线前后的用户数量变化，而对用户增长的来源等指标压根就没关注。
事实上呢，我们查看来源才发现大多数增长压根就不是“智能推荐”新功能带来的，而是运营人员通过社群转化来的。
你看，数据就在那摆着，我们往往只需要深入一步就可以验证产品，可仿佛是意识的雷池，中间又隔了千山万水，不敢向前越半步。
不得不承认，现实中还有不少产品同学都只是在翻译需求，他们既缺乏对业务场景的调研深度，又在潜意识里对数据不敏感，更缺乏对数据应用的分析力度。
前天镜同学在星球里分享了一张“产品管理周期图”，较为系统地体现了产品经理的闭环工作方法，也是初级产品同学的进化路径，其中就体现了数据分析对于产品需求的验证和市场决策的闭环价值。
图-↑ 来源于Medium，作者 Ryan Lysne
其实，我更想和大家分享的是这一点，也就是关于产品问题的定位模型，即，如何有效的澄清问题、定位原因，这个思考主要是来源于我上周对数据产品经理的面试。
大家都知道，企业的发展实际是由问题驱动的，从这个角度来说，有效解决产品问题是个体和公司最关键的引擎因子，也是最大的成长公约数。
事实上，分析产品问题离不开数据应用思维，更离不开产品问题的解决模型，就以我上周的面试为例：
首先，仅从该应聘者的简历描述上来看，我感觉该同学的数据分析和应用能力应该很不错，其在项目成果的描述上也写着带来明显的数据增长。
面试交谈中提到他们公司的产品是社区应用，主要为垂直类的C端用户提供内容社区服务，在他对产品进行一系列优化升级后，他们的数据指标得到了全面提升。
于是，我便问了一个问题：假设知乎的活跃用户数据下降了20%，你会怎么解决该问题？
他的回答倒是干脆利落，几乎没有思考便脱口而出：我会增加流量入口的转化设计。
老实说，这个回答没有经过深度思考，当然，多说一句，这也是面试中常见的错误表现，因为缺乏系统性、结构性的回答很容易被贴上“专业性不足”的标签。
图 -↑ 产品大峡谷《择业丨简历丨面试 · 一站式解决方案》
日常工作中，有些同学总是习惯“直面问题”，凭直觉随机给出答案，但却始终没有系统模型，这种拼概率的方法不是解决问题的根本之道，正确答案的找出强依赖对问题的定位分析。
那么，面对产品问题，我们应该如何有效地进行澄清和定位分析呢？
去年我收藏过一篇产品文章，那是Netflix的数据科学家的产品面试复盘，它和我们今天讨论的话题很接近，我特意把它从布满灰尘的notion中翻出，加上镜同学的思考，分享给大家一个敏捷版（低配版）的产品问题定位模型，供大家参考。
简单来说，就是分六步来澄清问题，我们以上述面试问题为例来解释下：
①定义产品（Define Product）
澄清问题的第一步是定义产品，如，这个产品是干什么的？业务场景是什么？目标客户是谁？能为客户带来什么价值？
首先，我们应和面试官确认知乎的产品定位，谈下自己对知乎产品的认知，也防止理解偏差，这是着手进行全面问题分析的第一步。
回答参考：
如，根据我的理解，知乎是一个高质量的问答平台和知识分享社区，他的用户群体包括行业专家、学者、专业人士以及普通公众，内容覆盖广泛的话题，如科学、技术、文化、商业、教育、健康等，旨在为用户提供问题解决平台，我这样理解对吗？
②透视指标（Metrics）
第二步是对产品指标进行反问和确认，即，围绕产品问题和一系列指标进行根本原因分析（RCA），通过追问来澄清问题，验证原因。
接着，我们应对面试官提到的知乎数据指标进行透视分析，论证指标描述的正确，确认双方对定义没有偏差。
这点其实很重要，不仅仅是问题分析，日常沟通也是如此，多说一句，我周五还在知识星球里分享了一本书，感兴趣的同学也可以在“文末扫码下载查看”，相信对你的产品提升很有帮助。
回答参考：
如，活跃用户是指日活还是月活？活跃用户的定义是什么？下降20%是指多久发生的？数据真实有效吗？使用的数据分析平台有没有bug？
③分析用户资料（User Profile）
第三步是分析用户，即，了解用户的资料信息，确认用户画像，确认是否产生特殊影响。
回答参考：
如，请问知乎这些下降的活跃用户数据分布如何？他们的基础资料是什么？他们来自特定的年龄群体、行业领域吗？
④询问持续时间(Time Duration)
第四步可以确认问题发生的时间，寻找问题可能的线索，这点对于定位问题也很关键，因为有些问题和时间关联度很大。
回答参考：
如，知乎这个活跃指标下降的问题是近期才出现的吗？还是已经持续了一段时间？这是一个逐渐发生的变化吗？
⑤问题发生位置(Location)
第五步则可以对问题发生的地点进行确认，以便快速、准确的排除干扰项。
回答参考：
如，知乎活跃用户下降发生的地点是全国性的吗？还是说只是某个省区监测到数据下滑？
⑥产品形态/平台( Platform)
最后一步可以对问题发生的形态进行确认，即，该产品问题是否发生在特定的产品形态上，如，安卓/IOS/Web端等。
回答参考：
如，知乎这个指标下降是全平台活跃用户都下降了，还是只在移动端有下降？是在安卓端，还是只在IOS端？
你看，如果按照这六步来进行问题分析，更容易澄清问题、定位问题的原因。
当然，澄清问题之后还需要围绕内外部因素、用户完整体验旅程进行产品分析，那是系统的问题解决模型，今天就不展开讲了，感兴趣的同学可以先关注社群和星球。
但不管如何，问题的分析始终是第一步，其实不仅在产品面试的场景中有用，在各类数据相关的产品问题时都可以参考该模型进行分析。
事实上，该Netflix数据科学家甚至还将其归纳为“PMTL”模型，即，Product Manager's True Love，中文也可以直译为“产品真爱模型”，:)。
图-↑ 来源于Medium，作者及参考链接：Bharati Gehani
最后，在产品经理的征途上，数据是我们的罗盘，解决问题是我们的使命，而问题模型则是我们的航海图。
数据的价值在于其能够被衡量和解读，从而指导我们航向正确的决策港湾。
面对数据的海洋，咱们其实需要以PMTL模型——Product Managers True Love（产品经理的真爱）——为指引，找准方法从而不断向上突破、快速成长。
希望本文对你有参考。
