本文通过形象的比喻和详细的分析，深入探讨了产品经理的职责、挑战以及如何通过数据分析优化产品上架流程，提升用户体验。对于有志于成为或了解产品经理的人来说，这是一篇不容错过的精彩文章。

产品经理是干什么的？

一个比喻形象说明下，产品经理就是互联网行业的“粮食育种专家”，产品经理和技术团队协作通过“基因编码”技术编写某种植物种子各阶段生长的主信息，然后移植到土中培育，经过人工选择和优化最终培育出健壮高产的作物。

01 概述

种子要生长第一步是播种，不丢到土里或其他适宜生长的环境里是无法长出来，无法验证该品种是否优良。

同理互联网各行业繁荣的第一步也是“播种”，只有将“种子”播种到“土”里，才能带来丰收。不同的行业种子不同，播种方式也不同：

1.1. 自动化

对于交通系统而言，无论是地铁、高铁、汽车，销售的车票都是标准化的产品，车票本身的包含的信息属性较少，可以由计算机程序自动完成车票的上架和下架，无需人工干预。

对于搜索引擎，特别是不主导内容创作的业务模块，由自动化程序将互联网存在的各种内容爬取过来，在用户搜索的时候返回，信息的爬取也是自动化完成，无需人工干预。

1.2. 人工

对于商品系统，无论是衣服、食品、家电甚至房源，这些都是非标的产品，商品摆上货架，需要人工完成，并且在商品无法销售时，还需要主动下架。

对于内容平台，知乎、小红书等，平台上提供的知识内容也是非标产品，内容的创作和上架都需要作者主动完成。

1.3. 人工辅助

人工辅助是对人工上架的补充，虽然由于行业的限制，无法完全交给机器自动化完成，但是其中部分的流程是可以交给机器的。

比如：

• 商品信息可以构建词典，协助填充部分商品的属性信息，包括自动生成宣传标题、自动美化风格等。
• 商品的智能客服、物流追踪、自动下架可以由信息系统自动协助完成。

02 电商商品上货架

本文主要展开电商商品的上货架分析，期望通过分析商品上架的效率现状，制定合理的指标，并一步步实现商品上架环节的高效进行。

2.1. 物理世界的商品上架行为

在互联网以前的货架主要是物理货架，包括商场摆货、菜场摆菜等，销售方需要花费大量的时间安排专人理货，并需要定期下架不新鲜的货源。

笔者调研小区的菜篮子工程商贩，他们每次来小区摆摊七八个小时，摆货、收货环节就要花掉四个小时不止，可见商品上架占据日常工作的很大一部分时间。

2.2. 互联网世界的商品上架行为

互联网兴起后，线上商城包括淘宝、京东等成为最新型的货架，在这些平台上的商户需要花费大量的时间处理商品上架的工作，包括文本信息录入、图片制作上传、视频内容上传等。

商品上架效率的高低由两个参与方决定的：商户的信息录入人员和平台的软件产品及配套服务人员。

• 如果信息录入员思路清晰，业务熟练，有耐心，在体验差的平台上也可以完成商品的上架
• 如果平台智能，即使业务不熟练的新手也可以高效完成商品的上架。

这两者其中任一方的功能强大，都能弥补另一方的部分缺陷。

作为推向市场的产品，我们愿意相信产品在实验室环境中已经做了必要的调研和试验，虽然未经过大量客户的直接检验，至少是能够正常完成信息录入。

03 分析目标和思路

大部分平台需要上架的商品种类和字段会很多，我们期望分析当前使用用户在商品上架环节花费的时间情况，挖掘可以改进的空间。

3.1. 用户分群和排序

平台上的商户会很多，各种各样，数据分析第一步，对用户分群并排序，优先关注高优先级用户的需求。

该过程首次启动时，可以使用静态数据作为分群标准，后续随着系统迭代，可以逐步丰富分群指标。

静态的信息，包括商户信息、员工信息、商品信息。

一般的平台可能会先选择以下指标：（实际场景各有不同，本处只是引子）

• 信息完善度：比如工商信息、收款账户等，具体考虑考虑标准根据实际业务场景确定，本文抽象为0-1之间的数字。
• 合同类型：免费用户、付费用户，肯定付费用户的优先级更高。本文抽象为两个类型：免费用户、付费用户。

3.2. 用户行为定义和分析

分析用户行为，首先要梳理用户动作的数据结构，根据行为动作定义状态事件。动态的信息，核心字段简化为：

• 操作商户、操作人
• 商品编号：用于唯一识别商品
• 商品信息：商品信息内容较多，不同类别的商品要上传的信息数量不同，且会涵盖文字、图片、视频多个维度
• 商品状态：用户的保存和提交动作会导致状态变化。比如保存失败、保存成功、上架失败、上架成功，这些状态都在影响行为的分析。

商品状态变化图为：

实际业务可以再此基础上继续拓展。

04 分析实战

4.1. 信息收集

本文使用的数据都是随机模拟的数据。如需查看完整源代码可以在GitHub中，搜索”ImPmZhang”查看。四张信息表为：

4.2. 定义事件

商户操作上架，从任意选定的时间窗口观察，无非两种情况

• 商品已成功上架
• 商品未成功上架

无论哪种事件，都可能是由多个动作组合产生。所以第一步需要按照商品的维度将多个动作打标签，归为一类。

4.3. 事件编号

将商品已成功上架和未成功上架的N多个房源的N多个动作赋予唯一的编号。

4.4. 数据计算

数据计算关注点为：

• 每个事件占用的总时间、平均时间、动作数量
• 每类事件占用的总时间分布、平均时间分布、动作数量分布。

4.5. 数据可视化

4.5.1. 数据分布对比

图表解释：

• 图表中绿色为“商品已成功上架”事件，横轴表示不同商品成功上架花费的时间，纵轴表示用户数。
• 从图中可知用户最多要花费60个单位的时间才能成功上架，说明上架效率较低，也侧面反映商户认可平台的价值，愿意花时间做上架动作。
• 图表中红色为“商品未成功上架”事件，横轴表示不同商品用户花费的时间，纵轴表示用户数。
• 从图中可知一部分用户花费较少时间操作上架，上架失败后就没有继续操作。

另有一部分用户一直在坚持操作，随着时间的增加可能会变为商品上架成功状态。

从模拟数据中获得信息为：

1. 该平台可能新上线不久，系统还在适应期，系统体验度不好。
2. 平台的用户对平台认可度高，虽然系统难用但是愿意使用，说明这是一个价值风口。
3. 平台从事的行业产品信息复杂，校验严格。

产品经理可以调研上架成功次数多且花费时间多的用户，了解失败原因，针对性提供优化建议。

4.5.2. 数据整体对比

以上三个箱体图分别统计“商品已上架成功”“商品未上架成功”两类事件，每个事件尝试的次数、花费的总时间和平均时间。

从图中可知，“商品已成功上架”事件操作次数比“商品未上架成功”事件操作次数多、花费的总时间也多，但是平均每次花费时间少，说明商品成功上架的商户会集中处理上架问题，不会间隔太久。

4.6.部署实时监控系统

部署实施系统的目标是将上述分析实时化，通过动态系统可以动态观察指标变化，管理层可以通过该指标明确业务重点，并考核实际成果，提高效率。

此处指标为：平均上架花费时间、平均操作次数。

05 数据可应用方向

5.1.商户奖惩机制干预

上架效率高低，由两个变量决定：操作人和平台系统。

对商户的干预是分析本公司不同员工的操作效率。通过区分表现优异或表现较差的员工，采取奖惩机制。

5.2. 平台产品体验优化

如果整体的效率较低，说明不是人力所能为，需要平台着重从技术上解决问题。