TL;DR 產品經理不需要數據分析的 hardskill，需要的是賦予資料意義的能力。雖然有 hardskill 也無妨，但為了當產品經理，特意去學統計分析軟體、程式語言，頗有本末倒置的味道。就像想教好高中數學卻花時間在學習高等微積分（如果只是用學習調劑身心那倒不錯）
前陣子回學校跟數據分析相關的學生社團分享 PM 相關的工作心得，主題姑且可以被定義成「產品經理工作中會用到的數據分析技能與案例」。(以下附上他們的課後心得)
雖然有心理準備這是一個職場技能相關的社團，但從提問中可以明顯感受到兩件事：一是學生對於想要「擁有」hardskill 的急切程度高的瘋狂，二是學生對於公司想找的人什麼樣的人有偏離現實的投射想像，好像在履歷上寫上 Python / SQL 的技能就獲得 +99 的神裝。
別的產業、別的職位如何如何，我大概也跟那些學生理解的一樣少。但是要做網路業、 產品經理(mid-level 以前)，在我的經驗中這些 hardskill 重要性真的很低。如果排 priority 的話，就是永遠會被捨棄的末流。
不只求職時，擁有 hardskill 被 value 的程度遠不如想像的高；實際 day-to-day 工作中，使用到的頻率都非常低。奉勸各位如果想當 PM，可以把時間放在更重要的事情上。
那位什麼我會認為產品經理不需要數據分析的 hardskill，原因有三：
- 稍有規模的公司，理論上會有專職的數據分析師，協助我們處理撈取資料的問題。就像會有產品設計師，所以我們不用會畫 wireframe、有工程師所以我們不用會寫 code。
有人可能會問，但在跟分析師討論時，難道不需要知道一些先備知識嗎？答案是：要是要，但因為都是一些簡單的概念，所以我們也不需要會計算，所以當場學就好。
比如說：信心水準、p-value（大概就用到這個層級的就夠了）。我聽過敝前司的 Data Analyst 跟 PM 解釋 p-value 就是「這個指標隨實驗進行要貼到天花板或地板，你就看那個斜率怎麼走就好，維持在中間就代表這個實驗無效。」 - 其他公司則通常會導入諸如 amplitude / mixpanel / 神策等，比 Google Analytics 更好用、精巧的數據工具。可以直接幾個點擊之間，就撈出我們想要的數據（還支援各種形式的圖表：cohort / funnel / sankey chart 都是標配而已）。基本上 90% 的情境，都可以不用 SQL 就回答想知道的問題了
- 有人還可能會問，如果是沒有 Data Analyst 又沒有數據工具的公司呢？那坦白說，那我認為也不用指望這些公司會 value 半桶水的數據分析 hardskill。
但是接著可能還會想問：「那還是很常聽到產品經歷要有數據分析的能力，這邊說的「數據分析的能力」又是指什麼？
我個人的想法是，賦予資料「意義」的能力。主要體現在兩個場景下：一、如何設定合適的產品指標；二、如何解讀看到的數據圖表。
一、設定合適的產品指標：
做任何專案長遠來說都是為了讓公司賺更多錢，但不可能用營收來衡量專案的成功與否，因為指標太滯後、也太不敏感了。因此設定「可以精準衡量到專案範疇」的指標才有意義，同樣的，在團隊的成功指標上稍微設定不同，也會引導團隊往完全不同的方向。
舉個例子，這是之前工作發生的狀況：
之前為了讓發文的人可以更快收到回饋，我們做了個專案讓 Dcard 上的文章還沒有留言時，有個 Call to action 可以引導使用者去給予回饋。
如果指標設定為「留言數」就太不敏感了，調整成「第一則留言數」可能更好一點。
可能會有人想説，為何不乾脆把指標設定為「文章發布到收到第一則留言的平均時長」。這個想法確實也不錯。
但實務上會遇到的問題是，實驗組與控制組的變因是「看留言區時會不會顯示 call to action」。言下之意，分組是依照看文章 & 留言的人，而不是依照發文的人。所以真的把「文章發布到收到第一則留言的平均時長」拉出來看的話，數據上會沒有辦法反應兩組變因的差距。（這邊很有意思可能需要思考一下，但其實不是太重要 ^_^）
再舉個淺顯的例子，發生在我剛工作的第一年：
在 PM 例會上，有個 PM 提到 CEO 希望可以提高付款率，說我們的付款率停在 7 成很久了。而應該要提升付款率、還是提升付款人數，這兩個看似類似的問題，卻可以引導到完全不同的方向。
提升付款率是相較防守的做法，因為要做的是在既有的 pool 裡面，瞄準那些不會付款的客群，試著讓他們付款；但提升付款人數的做法則相較進攻，因為付款的人數可以不只是既有客群，更可以拓展到新的 pool。
二、解讀看到的數據圖表：
如同上述，在做產品的過程中我們會看不同的指標，而看懂指標的變化背後的原因，才能夠應用資料說出好的故事，實際上創造影響力。我們需要一些基於資料做推論、假說的能力：
再舉例來說，也是發生在我工作第一年時的故事：
- 某天 App 發布新版本之後，我看了一下 dashboard 上各種指標的狀況，發現註冊率掉了
- 先分版本看，看是不是新版的問題？是，新版註冊率較低（註冊數 / App 啟動人數）
- 看分子：註冊數 by 註冊方式，看有哪一個管道掉特別多嗎？沒有
- 看分母：App 啟動人數有變多。檢查看看是不是都是 iOS（因為 iOS 版本更新速度較快）
- 確定原因出在 iOS App 啟動人數變多了，那這個變多是正常還是異常？初判異常，可能是 bug
- 回去確認這次上版的調整中，有沒有任何跟這個數字有關修正？有，是修復數據工具上 data tracking 長期資料上的錯誤
- 再判「如果 App 啟動人數飆升正常」那有沒有數據佐證？
- 檢查 App 啟動人數中，平台為 [未知] 用戶是否下降？是。
結案：研判是修復 bug 後，app 啟動原本平台為 [未知] 的用戶，被歸戶了。註冊率下降是回歸原本的狀態。
在這個例子裡面，每次要往下一步推進找資料、找證據之前，心中都要有自己對於數據的解讀，假說。這個過程就是我想說的「解讀數據資料的能力」。
小結
賦予資料「意義」的能力很抽象，總是不好講清楚，所以常常被人概括為「邏輯思考」的能力。但是這個「邏輯思考」是一個黑盒子各自表述，哪些工作不用邏輯思考呢？這樣回答「當 PM 需要具備哪些能力」實在不是太負責，可以說沒有指導性可言。
以上用幾個具體的例子以管窺天，雖然講的都是皮毛而已，但應該足夠清晰的解釋 PM 所需要的數據能力不是 SQL / Python / R 的 hardskill，而是一些更難以一言蔽之的「賦予資料意義的能力」。
雖然網路上很多 PM 如何學會數據分析的文章，也是手把手的描述 N 個步驟，即便把過程中的方法描述的再詳細，沒有看到具體案例之前，我想那種憑空猜想的幽靈是不會消失的。那種文章我自己認為比較像是寫給有一定程度經驗的人來看的。
補個後記
在分享當天，有個反覆以不同方式被提到問題是「PM 需要哪些數據分析知識、技能，才能做好數據分析、跟 Data analyst / Data Scientist 溝通」。
而我則是，我停頓了 3 秒（以示我認真思考過），然後斬釘截鐵的說「不用」。
雖然我後來有再補上「我工作中是會用到一些 SQL 啦，但那個程度是只要花兩個禮拜學就差不多。」
但社團幹部們似乎有點坐立不安與微詞。才發現原來是因為這堂是這個數據分析社團第一場社課，目的是為了讓大家有整個學期好好學習 data skillset 的動力。
只能說，找錯人分享了啦，哈哈哈。
