AI时代屹立不倒：产品数据分析师如何成为不可替代的角色

作者供图

#引言

我在数据行业已经深耕四年有余。在此期间，我亲眼目睹了这个角色所经历的地震级变革。

过去，在筛选数据分析师候选人时，更容易分辨出谁具备胜任工作的技术能力，谁不具备。如今，几乎每个人都能通过数据分析师面试的前几轮。

借助AI，那些实践经验很少的候选人也能精准地构建仪表盘和编写SQL查询——这些曾经需要数年才能掌握的技能。因此，雇主的期望也随之改变，资深经验和领域专业知识几乎成了硬性要求。

此外，不同技术角色之间的界限正变得模糊，资深资历正成为先决条件。员工被期望在更短的时间内承担更多项目、学习更多技能、产出更多成果。然而，这并非全是坏消息。

根据我在该领域的从业经验，我相信有一类特定的数据分析师不仅能在AI革命中生存下来，更能蓬勃发展，立于不败之地。

那就是……

产品数据分析师

在本文中，你将了解到：

• 什么是产品数据分析师
• 产品数据分析师与传统数据分析师的区别
• 成为一名产品数据分析师所需的技能
• 我在大型科技公司担任产品数据分析师的亲身经历

本文的视频版本，请观看：

#什么是产品数据分析师？

为了说明产品数据分析师与普通数据分析师的区别，让我们来看看两种角色专业人士的“典型一天”。

//传统数据分析师的一天

布莱恩是一名传统的数据分析师。他获得了一个入门级职位，目前在这个岗位上已经工作了一年。

以下是布莱恩的工作内容：

• 用SQL提取去年的销售数据，并据此构建仪表盘
• 识别过去3个月内停止与公司交易的客户群体
• 通过整合来自组织客户关系管理系统和营销渠道的数据，找出上周转化率下降15%的原因

这类角色通常需要掌握SQL、Excel、构建仪表盘和一些编程技能。我的第一份数据分析师工作就要求我完成完全类似的任务。这当然不容易。但AI正在降低从事这些工作的门槛。

上述提到的每一项任务，都可以使用像Cursor、Claude和ChatGPT这样的AI工具更快地完成。

由于布莱恩大量使用AI工具，他有时开始感觉自己更像一个提示工程师，而非数据分析师。布莱恩的雇主意识到，由于新的AI工具，布莱恩的工作可以更快完成。因此，他们停止招聘其他数据分析师，转而让布莱恩完成所有的数据分析项目。虽然布莱恩工作稳定，并且得益于AI成为了更高效的分析师，但他有时觉得自己的职责与去年相比变化不大。他没有在职业阶梯上攀升，也没有获得晋升。

更重要的是，布莱恩希望学习更多技能，增加知识的深度，而不仅仅是使用AI更快地完成同样的工作。布莱恩走的是传统数据分析师的道路。这并非坏事，但只需重新定位自己并学习一些额外技能，他就能更快地晋升并赚取更多收入。为此，布莱恩必须将AI视为杠杆，而非竞争对手。

//产品数据分析师的一天

莎拉是一家社交媒体公司的产品数据分析师。

以下是她的工作日常：

• 莎拉与负责构建“Reels”短视频功能的团队合作，了解为什么特定地区的创作者不太愿意使用此功能。然后，她与设计团队合作构建新功能来弥合这一差距。
• 她参与一个新的“创作者助推”功能项目，旨在了解在平台上助推新创作者是否能带来更好的创作者留存率，同时不影响用户参与度。为此，她进行A/B测试。（剧透预警：这类分析并不简单。结果很少是直截了当的，向利益相关者解释起来甚至更加困难）。
• 莎拉还参加产品评审会议，挑战领导层的假设：例如，副总裁假设用户想要更长的视频，而莎拉需要用实际的行为数据来反驳这一点，这些数据显示注意力在约35秒后开始下降。

你注意到布莱恩和莎拉工作的区别了吗？

莎拉的工作在技术上不一定比布莱恩的更复杂。两位专业人士都拥有相同的技术技能组合；他们都懂SQL，会编写Excel公式，并能构建仪表盘。

他们工作最大的区别在于，莎拉对产品决策有更大的影响力。如果新的“创作者助推”功能上线，公司因此赚了100万美元，那么莎拉就直接为超过一百万美元的产品收入做出了贡献。

因此，她对公司具有很高的价值，很容易获得晋升，薪资涨幅也更高。

#如何成为一名产品数据分析师？

我曾担任过传统和产品数据分析师两种角色。在我职业生涯的前两年，我是一名传统的数据分析师。而现在，我是一名产品数据分析师。

成为一名传统数据分析师需要以下技能：

• Excel
• SQL
• 一些编程技能（最好是Python）
• 数据可视化
• 统计学

要成为一名产品数据分析师，你需要在核心数据分析技能之上学习以下内容：

//技能一：A/B测试与实验设计

你可能听说过A/B测试。如果你有一个网站，想知道蓝色按钮还是绿色按钮能获得更多点击——你只需要进行A/B测试。

首先，选择访问你网站的一部分用户作为样本，然后随机将他们分成两组。一组会看到绿色按钮，另一组会看到蓝色按钮，哪个按钮获得的每用户点击次数更高，哪个就会被采用。

上面的例子是进行A/B测试最简单的方式。

实验设计涉及的内容远不止这些，比如确保你选择的分组具有相同的分布，以及确保你的A/B测试具有足够的统计功效。

在我的产品数据分析师面试中，我被问到了大量问题，多亏了Udacity免费的A/B测试入门课程，我才能够回答出来。

//技能二：定义产品指标

产品分析师与传统数据分析师所做的另一件不同的事情是定义成功指标。

为了理解这涉及什么，让我们考虑前面提到的新“创作者助推”功能。当你助推新创作者时，通常会让他们更想在平台上发布内容，从而提高留存率。这种提高的留存率正是像TikTok和YouTube这样的平台所希望的，因为它能让用户在他们的平台上停留更长时间。

但是……什么算作新创作者？是发布了第一个视频的人？还是在平台上发布了5个视频的人？

此外，在创作者通过该计划获得初始助推后，如果后续帖子获得的参与度远低于预期怎么办？这会导致未来更高的流失率吗？从长远来看，这实际上比根本不发布该功能更糟糕吗？

同样，作为社交媒体平台，也必须考虑观看者的参与度。如果观看者因为对推荐新创作者不感兴趣而减少使用平台怎么办？

产品数据分析师在创建成功指标时需要综合考虑所有这些因素。为了衡量像这样的新功能的成功与否，产品分析师可以决定创建多个成功指标，例如：

• 短期创作者留存率
• 长期创作者留存率
• 观看者参与率

在产品数据分析师面试中，通常会给你提供一个像我上面说明的用例。然后，面试官会问你为此用例定义什么成功指标以及原因。

要学习指标定义的技能，我推荐以下资源：

• 这个关于如何定义产品成功指标的一小时长视频。
• Amplitude上这篇关于定义成功指标最佳实践的文章。

//技能三：事件追踪

假设你已经定义了一个成功指标。对于这个新的“创作者助推”功能，你的成功指标是创作者留存率。

现在，你需要数据来实际创建这个指标，使用诸如创作者上传和点击等应用事件。你通常会用SQL来构建指标。然而，有时你可能想追踪一个指标，却发现你所需的事件目前没有被捕获。

例如，如果你的平台目前没有追踪“上传”事件，你就无法知道创作者上传内容的频率。由于你没有捕获这个事件，你就无法构建出你的成功指标（创作者留存率）。然后，你需要与工程团队合作，并向他们解释必须捕获哪些事件，以便你能有效地追踪产品的成功。

要了解更多关于事件追踪的知识，我建议阅读这篇文章。

//技能四：应用统计学

这是数据分析师已经具备的一项技能。

作为产品数据分析师，你的重点必须放在使用编程工具应用统计概念上。

以下技能与产品数据分析师的角色最为相关：

• 假设检验。
• 统计显著性：统计显著性与实际显著性的区别、效应量、p值。
• 因果推断基础（混杂因素、处理效应）。
• 辛普森悖论和选择偏差。

可汗学院是学习这些概念的好地方；只需输入主题名称并观看视频教程。我通常从可汗学院这样的网站学习一个主题背后的理论。然后，我会去ChatGPT，让AI平台教我如何在真实数据集上实际应用该统计概念。

#在哪里可以找到产品数据分析师的工作？

Facebook、亚马逊、苹果、Netflix和谷歌（FAANG）以及其他大型科技公司雇佣了大量的产品数据分析师，因为他们每天都会发布新功能并进行A/B测试。

Meta通常有“数据科学家，产品分析”或“产品分析师”等职位。这些工作的薪酬在24.9万到38.2万美元之间，而传统的数据分析师职位的薪酬在18万到28.2万美元之间。这是一个相当大的薪资差距，也说明了产品数据分析师的需求有多大。

除了FAANG，你还应该关注：

• 构建面向用户产品的快速增长型初创公司。
• 电子商务公司。
• 金融科技和医疗科技公司。

此外，公司在制定数据相关职位名称方面并不擅长。在数据领域，一个单一的职位名称可能意味着多种不同的工作内容。

事实上，我见过公司用以下职位名称招聘产品数据分析师：

• 产品数据分析师。
• 产品分析师
• 产品数据科学家
• 数据科学家，产品分析
• 分析经理（产品方向）
• 增长分析师

有些公司只会发布“数据分析师”或“数据科学家”的职位，而实际上，这是一个产品数据分析师的角色。我建议阅读数据职位的职位描述，以了解它是否是面向产品的工作。

通常，产品数据分析师职位的职位描述会提到诸如“与产品经理协作”、“A/B测试”、“与跨职能团队合作”以及分析“产品指标”等关键词。

#核心要点

我们在本文中涵盖了很多内容。具体来说，我们了解到：

• 产品数据分析师角色包含哪些内容
• 为什么你应该成为产品数据分析师
• 如何学习成为产品数据分析师所需的技能
• 在哪里可以找到产品数据分析师的工作

请记住，AI正在以超乎你想象的速度改变我们的工作方式。在这个时代，你必须用与AI互补而非竞争的技能来提升自己的市场竞争力。这正是产品数据分析师的用武之地。

由于这些专业人士为公司的底线贡献了如此多的直接价值，他们的工作往往更稳定，薪资更高，晋升速度也比普通的数据分析师职位更快。