前言

這陣子看到越來越多原本在資料分析師、資料科學家崗位上有所成績的朋友，都陸續轉換到了產品部門，擔任產品經理，我也是其中一個。隨著市場需求的變化，生成式AI應用的爆發、資料驅動決策的時代來臨，這樣的轉型成為趨勢，我花了一些時間思考背後的原因，發現這種現象其實有許多驅動因素。

從分析師到產品經理的轉換

從資料跨到產品經理的轉職成為趨勢，我發現這種現象有幾個主要的驅動因素：

原因1: 對產品經理的數據能力要求增加

隨著數據在產品開發中的應用變得越來越重要，產品經理需要具備數據分析的基本知識和技能，才能更好地解讀用戶行為並作出正確的決策。這讓具有數據背景的分析師成為產品經理角色的理想候選人。

原因2: 生成式AI 爆發，和AI 有關的核心產品都與資料有關

AI 時代的來臨讓大多數核心產品都依賴於數據和機器學習算法。資料科學家對數據的理解和應用能力使他們能更好地駕馭 AI 驅動的產品開發，這進一步推動了他們向產品經理角色的轉型。

原因3: 資料相關職能分工的專業化

資料團隊的專業化正在加速，資料科學家、資料工程師、分析師各司其職，但所有角色的終極目標都是利用數據產生價值。隨著這一分工的成熟，對於能夠跨越技術與商業之間橋樑的 Data Product Manager 的需求也隨之增加。

資料產品的定義

美國前首席資料科學家 DJ Patil 在他的書《Data Jujitsu: The Art of Turning Data into Product》（2012年）中將資料產品定義為 「一個透過使用資料來實現最終商業目標的產品」 。這一概念強調了資料在產品中扮演的核心角色，資料不僅僅是產品的一部分，而是推動產品達到其最終商業目標的關鍵要素。

例如，Netflix不是一個資料產品，但Netflix的影片選擇頁面可以被視為一個資料產品，因為我看到的影集選擇是根據我先前的觀看數據動態出現的，這樣的資料產品透過分析使用者的行為數據，來達成個人化內容推薦，從而提升了使用者體驗並達成產品的目標。

資料產品的類型

1. 組織內部的資料與基礎建設

• 原始數據（Raw Data）：

這是任何資料產品的基礎。原始數據未經處理，包含了從多個來源收集來的雜亂數據，可能包括使用者行為數據、系統日誌、交易數據等。這些原始數據也可能直接提供給資料需求方，作為一種最基礎的資料產品。

• 衍生數據（Derived Data）：

衍生數據是通過對原始數據進行處理、分析和建模後產生的結果數據，例如：在Data Mart 提供的數據是合併了事實表，並取用比較會使用到的維度來幫助分析。

• Data Warehouse / Data Marts：專門設計來儲存和管理大量數據的基礎建設，為數據分析做充分的準備，是資料驅動決策和即時分析的基礎。

2. 數據儀表板和報告系統

將數據視覺化，並提供互動探索工具，為『組織內部使用者』或是『產品使用者』提供即時的商業洞察與深化使用數據的能力，幫助決策。
例如：公司內部的BI Tool 與儀表板、Google Analytics。

3. 演算法與個人化服務

透過累積的使用者資料訓練的演算法、個人化推薦服務，透過機器學習演算法，根據用戶的歷史數據和偏好，動態調整其使用的產品內容和功能，以提高用戶滿意度和參與度。

• 不雅字句偵測：這類演算法廣泛應用於社交媒體、論壇、評論區等用戶生成內容的場景，用來自動檢測並過濾不適當的內容，保障平台的健康環境。

• 個人化服務：像是推薦系統，根據你過往瀏覽影集的行為數據，能推薦你更高機率會喜歡的個人化內容。
  不知道有沒有人發現過每個人進到Netflix以後，顯示的劇照風格不太一樣，可能是以主角在劇照上的比例、色調的飽和度等等。

歡迎留言和我分享你的Netflix 頁面。

4. 生成式AI 應用

生成式 AI 是近年來迅速發展的領域，所以我將其獨立於一類。

• 自然語言互動介面：AI 聊天機器人透過自然語言處理（NLP）技術與用戶進行互動，以人類的語言來提升產品的互動體驗，支援多國語言翻譯的問題，有效解決用戶問題並提供個性化的建議。這類機器人已經廣泛應用於客戶服務、智能助手和電子商務的應用。

• 自動生成內容：透過深度學習、大型語言模型，如 ChatGPT 和 DALL·E，自動生成文字、圖像和音訊等內容，被廣泛應用於文案創作、內容生成。

5. 軟體結合硬體

生成式AI 的爆發，結合硬體的應用，有別於軟體的應用服務，像是無人化廚房、自動駕駛汽車、人形機器人，這些產品的核心是透過數據分析和機器學習來提升自動化和智能化，並幫助人類解決更日常的生活問題。

像是 Tesla 日前發表的無人計程車、人形機器人，都即將進入市場挑戰既有服務者。

新興的職業：Data Product Manager

隨著市場對資料產品的需求增加，專注於資料產品的產品經理（Data Product Manager，簡稱 DPM）職缺越來越多。這是一個非常值得資料分析師或科學家轉型的領域，能夠幫助他們從「技術」的角度轉向「價值」的角度看待數據，也很鼓勵目前是分析師的你，多方嘗試轉換到 Data PM，透過打造資料產品創造具體的商業影響。

DPM的主要職責

1. 結合商業洞察、透過資料倉儲和分析工具來推動產品開發
2. 開發資料管道和數據倉儲策略，為資料分析做好準備
3. 分析產品數據，設計並執行各種A/B測試
4. 分析統計結果，並將其轉化為實際的洞察
5. 應用資料科學與工程方法來打造個人化的產品體驗
6. 打造生成式AI產品功能

如何成為一個 Data Product Manager

1. 把本系列看完，也歡迎來找我交流（誤

這系列一路寫到這邊，才發現這系列特別適合想轉職 Data Product Manager的你來看，主題真的是寫得不夠吸引人，應該改成 『2024最性感的新職業：資料產品經理的30天養成計畫』 才對！！！

2. 了解公司對資料產品的價值目標

每個公司對資料產品的需求不同，你需要確保自己理解資料在該組織中扮演的角色，並知道如何利用這些資料來幫助公司達成業務目標。這包括如何將數據驅動的決策轉化為實際的產品增長、效率提升或用戶體驗改善。

3. 了解資料需求的複雜性

你必須能夠辨識出哪些是簡單的報表需求，哪些則需要更高深的資料分析和演算法支援，這樣才能優先處理高影響力的專案。

4. 了解資料服務的基礎建設與開發生命週期

資料產品開發涉及到複雜的基礎設施，包括資料收集、清理、存儲和分析工具。要成為 DPM，必須了解資料管道的全過程，從資料的收集（ETL過程）到最終的資料產品交付，並能夠與資料工程師、資料科學家有效協作。你需要了解如何設計可擴展的資料基礎設施，保證資料的可用性和可靠性，並能夠管理資料產品的開發週期，確保產品能夠按時交付並符合業務需求。

5. 掌握資料相關技術

雖然你不一定要成為每個技術領域的專家，但你需要對關鍵技術有深入的了解，以便能夠有效與技術團隊合作，並做出資料驅動的決策。以下是一些需要掌握的核心技術：

• SQL：作為資料管理的基礎，SQL 能夠幫助你查詢、操作和分析資料集，是每個 DPM 必備的技能之一。
• 產品成長：瞭解產品成長模型（如 AARRR 模型），能幫助你更好地評估資料如何推動產品增長，並為資料產品制定正確的策略。
• 統計學習：基礎統計學和資料分析是理解數據模式、檢驗假設和做出數據驅動決策的基礎。
• 機器學習與深度學習：這些技術是現代資料產品的核心。理解基本的機器學習算法（如回歸分析、決策樹、隨機森林等），以及深度學習技術（如神經網絡），能幫助你評估資料科學家的工作，並協助產品中的智能化功能設計。

6. 強化自己的情商與溝通能力

除了技術和數據的知識外，DPM 還需要具備卓越的溝通和協作能力。你需要能夠跨部門合作，與技術團隊、業務團隊以及高層管理者保持良好的溝通。高情商幫助你在與不同背景的團隊成員合作時，能夠有效管理期望、協調衝突並推動專案順利進行。

此外，你還需要將複雜的技術概念轉化為簡單易懂的語言，讓非技術背景的利益相關者理解資料產品的價值，並能夠根據數據提供的洞察做出更好的決策。

小結

轉型為 Data Product Manager 是從事資料相關工作的你，透過打造產品、創造更大商業價值的一個可能，這不僅需要強大的技術背景，還需要對市場需求和產品價值的深刻理解，對資料的價值有全面理解後，DPM 能夠將技術和商業目標結合，透過資料洞察幫助產品實現公司的長期成長。

但我看到DPM 職缺出現的時候，說真的我想起了 Data Unicorn 這夢幻神獸終於具現化了嗎？