CDA数据分析师

CDA数据分析师

考试报名
考试报名
考试内容
考试大纲
在线客服
返回顶部

保险行业 | 数据产品经理助力企业转型,数字化成核心竞争力

2022-09-20

主持人:大家好,我们又见面了,今天CDA持证人专访我们邀请到杨迅,杨迅目前就职于国内某头部保险集团任IT产品经理,欢迎杨迅,可以简单介绍下自己。

杨迅:大家好,我叫杨迅。2020年毕业于北京交通大学,目前我的工作内容主要是负责运营模块的一些产品设计工作。


问题1

我们就直接进入今天的采访主题,可以介绍下这个你在日常工作中负责的是什么类型的产品吗?


杨迅:

我们做的是一款数据仓库产品,当然行业同类型产品也有叫大数据平台、数据中台等名称的。这些其实是为了强调其产品在技术或业务等方面的特点而起的别名,本质上都是数据仓库,是一种面向主题的、集成的、相对稳定的、反应历史变化的数据集合,用于支持管理决策。

在这个基本概念之上,运用一些分布式的技术使其能支持处理的数据量达到一定程度时便是大数据,建设一些通用的上层数据应用便是平台,能够在维持底层系统数据稳定的前提下支持前台灵活多变的业务需求便是中台,但最本质的东西还是一样的。

我们因为是内部产品,也没起什么好听的名称,主要是解决我们内部的一些实际问题。将各个业务系统的数据采集到一起,可以进行一些复杂的跨业务跨系统的数据统计工作。同时作为一个数据中枢,提供标准安全的数据接口,有效提高了各业务系统间数据对接的效率。打破系统间的数据烟囱,让数据充分流动起来后,数据的价值也会得到进一步发挥。

 

问题2

这么强大的功能,产品竟然没有名字,我们暂且就叫数据中台吧,那么你作为产品经理会数据分析技能,你觉的是属于“赋能”还是必备呢?


杨迅:

产品经理有很多种类型,涉及到的业务种类繁多,数据分析技能的高低也差距很大,所以这个问题通过简单的二选一来回答恐怕很难准确描述。

我认为从对数据分析技能的要求的视角来看,产品经理可以大概分为三类:普通的 B 端产品、C 端产品、数据产品。

一般的 B 端产品面对的是企业客户或者就是自己公司内部。然而用户量有限,一般难以进行有效的用户行为分析,更高效直接的做法是和一些核心的用户代表进行深入沟通,了解其业务流程以形成产品解决方案,收集其使用意见来改进和优化产品。这类产品经理对数据分析技能的要求较低,能掌握 Excel 的一些基本使用技巧就够用了。

第二类是 C 端产品,C 端产品往往用户范围较广,如果不频繁的进行用户数据分析,很可能过一段时间连自己的用户是谁都不知道了。所以对 C 端产品来说,收集用户的行为数据,进行多维度的数据分析,是了解其用户群并生成用户画像的重要手段。很大一部分产品需求、改进意见也都是基于此得出的。所以这类产品就需要掌握一些较复杂的数据分析方法了,比如趋势分析、预测、聚类等,工具的话可以用SPSSPythonR 等。

第三类就是数据产品了。因为这类产品的业务本身就是与数据打交道,所以自然对数据的处理、分析和理解能力要求都相对更高。相比于其他产品经理,数据产品除了需要具备基本的数据分析能力外,还需要对主流的 SQL NoSQL 数据库的使用有所掌握,对常见的大数据平台架构及其原理有所了解。如果把数据比做鱼,把数据分析能力比做捕鱼能力的话,数据产品经理在做的事情可能更像是制作渔网或鱼竿。

至于说是赋能还是必备,如果按咱 CDA 的能力级别作为参考标准的话,

我认为对于普通 B 端产品来说,Level 1中有大概一半的内容属于必备,其它的内容属于赋能;

对于 C 端产品来说,Level 1 全部属于必备,往上了属于赋能;

对于数据产品来说,Level 1 全部以及 Level 2 中部分内容属于必备,其它属于赋能。

当然我这样粗略的将产品经理分为三大类肯定也存在很多不严谨的地方,也不排除一些特殊情况对数据分析能力有着更高的要求。以上只是基于我的了解进行的一个大概的归纳,谨供大家批判和参考。

 

主持人:那我是不是可以这么理解,就是CDA Level 1是一个数据分析师的必备技能了。

杨迅:基本上可以这么理解。

 

问题3

作为产品岗位平时工作中用到的数据分析方法有哪些?需要借助哪些工具?


杨迅:

因为不是专业的数据分析岗位,所以平时工作中偶尔进行的一些数据相关工作主要还是服务于产品设计的。

在数仓建设过程中,需要频繁使用各种数据库,以了解数据源的结构和形态,需要运用维度建模的技术对各主题数据进行分类和管理;

在搭建运营模块的指标体系的过程中,需要运用数据展现技术,熟悉各种类型图表的特点和适用场景,设计富有逻辑的指标组合,选择合适的数据展现形式,最终将结果呈现在数据仪表盘上,以支持管理决策。

最常用到的工具还是 Excel,偶尔也会用到 Python spss 进行一些简单的数据处理或较复杂的统计图表的呈现。

 

问题4

之前关于保险行业给我的感觉是在大街上发传单,大家见了都是躲着走,发传单这种现在基本上看不到,我们的业务是发生了变化吗?是什么原因做出了这样的变化?


杨迅:

其实国内的保险业是从上世纪90年代左右逐渐活跃起来的,从那时候开始逐步走进大众的视野。包括我们公司在内的很多保险公司都是那段时间成立的。刚开始嘛,也没有沉淀下来什么好的经验和方法,那就是把保险当做普通商品一样无差别推销,这样就很难准确的匹配到用户的真实需求。再者大部分人对保险也缺乏了解,只是让我交钱,没有让我感觉到我实际得到了什么,所以容易产生保险是骗钱的错觉。我觉的这就是您刚刚说的那种对保险业固有印象产生的原因。

接下来说一下变化,随着二三十年的发展,越来越多的人更加了解保险,保险其实跟普通的消费性商品不一样,保险的本质是一种用于管理风险的金融工具。不同于普通商品的买或不买是取决于你是否喜欢,保险的买或不买更多的是取决于一个人的风险偏好和实际需要。所以会出现更多的保险经纪人的角色,来为客户量身选择一套最合适的保险组合。相较于传统代理人那种地推式的销售模式,显然经纪人的模式更能满足用户的需求。这是导致业务发生变化的一个方面,体现在客户需求发生变化。

第二方面是在这么长的时间里行业本身也在不断的思考和探索,寻找更好的商业模式。从一开始简单的模仿和学习西方的模式,到最近几年的主动创新,行业的形态和销售模式本身也在不断发生着变化。像我们公司最先提出的努力打造『长寿、健康、财富』的三大闭环,由传统的纯保险业务转向构建大健康生态体系的商业模式。目前为止我们的高端养老社区和医院已经布局了全国26个城市,处于行业领先地位。这种养老社区的商业模式简单来说就是你签一个名叫『幸福有约』的保单,就可以获得养老社区的入住权。拿北京的燕园来说,幸福有约最便宜的是一单200万。所以从这个方面来看,有时候我们感觉看到的保险广告越来越少了,不是因为保险公司不做广告了,而是更具有针对性了。像我这种就还得努努力才有可能收到幸福有约的广告。

第三方面也是我认为影响效果最明显的一个因素,就是从一零年左右开始的这股移动互联网的浪潮。在移动互联网的发展趋势下,不仅是保险业,各行各业的服务模式都在迅速地发生着变化,各大传统企业也都在寻求数字化转型,以适应这股时代潮流。人们越来越倾向于把各种服务集中于手机上办理,打车、购物、点外卖、移动支付以及近两年的数字化政务平台的普及,让很多原来线下的事情搬到了线上。我们公司也在15年成立了泰康在线子公司,专门负责互联网保险业务。所以从这个方面看是因为阵地发生了变化,从大街上转移到了网络上。

总的来说就是以上三方面原因吧。一是随着人们对保险理解的加深,需求发生了变化;二是行业自身对商业模式的探索导致供给发生了变化;三是由于互联网的发展使需求与供给之间的连接发生了变化。以上三点原因共同导致了目前这样的结果。

 

问题5

分析的很透彻, 刚才提到互联网的发展使需求与供给之间的链接发生变化,你觉得如何才能做好数据埋点?


杨迅:

说到埋点,我们去年刚做了一个简单的埋点工具。其实公司是有采购像 TalkingData、神策这类商业化的埋点系统的。这类系统的特点是功能很强大,同时伴随产生的一个问题就是埋点成本更高了。因为你系统想要进行更多维度更复杂的分析,那么意味着你埋点的时候就需要提供更多的信息,还有更多的规范和约束。这也是某种守恒定律吧,要的越多就要付出的越多。我用过一段时间神策,埋点工作本身在迭代中确实会占用不少时间,有时候甚至需要安排整个迭代去为之前没做埋点或没做好埋点的页面进行埋点。然后我们很多内部的 ToB 系统其实没有复杂的埋点数据分析需求,更多的是关注一下功能的使用率、页面访问情况等最基本的数据指标。用神策又麻烦又贵,所以我们去年基于日志平台、ETL、数据仪表盘这套东西自己建了一个埋点工具,将我们封装好的监听函数配置到前端服务里,后面只需要将页面标签按我们定好的一套规范来命名,就可以实现埋点,基本不会产生额外开发量。后来很多原本没埋点的内部系统也开始埋点了。

因为提到埋点所以上面简单说了一下埋点工具,不一定是功能越复杂越好,也要看具体需求场景的,功能复杂与埋点便利是不可兼得的。而关于如何为自己的系统做好数据埋点这个问题,我觉的还是得从产品目标出发。

在产品目标指导下形成埋点目标。比如一个电商产品,你某个功能的目标是让用户更多的点开商品详情页、更多的下单付款,那么你的埋点是不是就得能体现有多少用户点开详情了、多少用户付款了,最好还能通过埋点数据分析出来后续如何改进产品能提高付款率。这就是你埋点的目标。

然后在埋点目标的指导下开始进行埋点设计。这就涉及到一些搭建指标体系的技巧了,最核心的原则是要知道『所有的指标都是片面的』,围绕一个业务目标可能需要多方面的多个数据指标形成一个指标组合,才能较为完整的反应实际情况。单纯的某一个指标往往难以产生足够的说服力。

最后就是产生埋点数据后,根据需要进行有效的数据分析,在使用数据的过程中发现埋点设计的问题并持续改进。如果这三步都做好了,我认为数据埋点这部分工作基本上就算做好了。

 

问题6

最后一个问题了,作为一名数据分析产品经理,你有没有最想吐槽的?


杨迅:

坦白说我一时确实想不起来有什么要吐槽的,我觉的遇到问题时优先要反求诸己吧,看看有什么是自己可以改变的,积极乐观的去面对各种问题,这样可能才是一种更加有效的解决问题的思路。吐槽只会给人一种无能为力的感觉。

而且本次有幸受邀来参加咱这个交流,大言不惭的说了很多,内心已经感到很惭愧了,更加想不起来要吐槽什么了。我觉的年轻的时候还是要以输入为主,多听多看多学多做,少吐槽~

 

结语:

今天的采访是目前为止采访时间最长的了,聊得很开心,杨迅作为IT产品经理结合自己的工作内容分享了自己的经验,在公司里也经历了产品的多次迭代,业务模式的变迁,甚至与客户的链接都发生了变化,还开辟了新的子公司专门来对接,这里无疑不是互联网起了巨大的推动作用,再一次感谢杨迅来参加CDA持证人专访,我们下期再见!

完 谢谢观看