数据产品回答思路
面试问题思考流程和角度
首先，拿到一个面试题，就像做高考题一样，要系统化地思考这个问题，而不是上来就直接回答，想哪说哪，没有逻辑（俗称产品思维），对于这种情景模拟题，面试官是会允许你思考1~2分钟再回答的，会给你思考和准备的时间。
WARNING千万不能拿到问题就口若悬河，这样会被直接打上不严谨，缺乏思考的标签。
1.审题环节
为什么要问这个问题，面试官问的问题是带着特定的考察点的，就像中学做阅读理解，你的答案命中的出题者设计点越多得分越高，踩点给分嘛。
以这个题目为例，主要考察点：数据分析思路、产品规划设设计能力、数据基础知识（如数据源、数据埋点采集到产品化的流程）、其他软性的逻辑和表达能力、思考的角度、深度等。
2.思考环节
有一本适合产品经理看的书叫《学会提问》，作为回答者，需要针对问题进行分析，麦肯锡咨询顾问芭芭拉·明托在《金字塔原理》中提出，SCQA模型是一个典型的结构化思考和表达的工具。
S：问题的情景
美妆品牌公司的生产部门想要推出新品类（新产品），比如面霜，产品定位的目标消费者是95后年轻女性
C :冲突或矛盾
现在经济大环境不好，试错成本非常高，生产部门不知道该推出什么产品才能热销
Q：问题
是否可以通过大数据、AI的能力，帮助生产部门快速确定推出哪一款产品才能取得成功
A：答案
先跳出问题文字的本身，思考想要成功推出一款新产品，需要具备哪些条件？天时、地利、人和的本质是供需关系。新产品的需求怎么样（市场潜力、用户需求），新产品的供给如何（竞争格局、4P因素（产品、价格、渠道、营销）。对于新产品的决策者，需要从战略到落地执行都能够有数据分析或产品的支持。就像现在很多人创业无门或者失败，主要原因是不了解目前市场缺什么，用户需要什么，怎样才能找到目标用户，把产品成功销售给目标客户。
梳理需要解决的痛点问题如下：
所以，针对怎样推出新产品业务需求，梳理需要解决的痛点问题如下：
（1）市场空间与增长潜力
市场空间是万亿千亿还是几百万的生意，是处于高速增长期，还是已经开始衰退了。如果市场已经萎缩了，不管不顾，还是直接推出新产品，失败的概率极大。所以任何商业的分析，大的前提都是市场方面的战略分析（PEST）
（2）竞争格局怎么样
市场大，增长快，但是现在竞争对手有哪些，各自在什么细分领域有优劣势，知彼知己才能百战不殆。不了解竞对，推出新产品，用户凭什么买你的，价格战现如今已经不香了，现在90后、Z时代购物，融入了很多情怀因素。
（3）用户是谁需求是什么
现在年轻人流行什么面霜？哪些属性的面霜卖的比较好？
（4）产品如何匹配用户需求
95后、年轻用户在哪里，喜欢什么功效、包装、肤质的面霜？他们的购物习惯、消费能力是什么
针对这些具体的问题的解决方案，就是数据产品所需要的功能点，该产品用户侧的核心功能是趋势分析，功能主要包括：
新品推荐
基于业务规则或算法模型，推荐市场空间大、增长潜力快的面霜产品属性，如包装、功效、适用肤质、净含量、成分等，任何智能化的产品都是锦上添花，前期产品迭代需要把基础的分析能力建设好，中长期版本再开始一些规则沉淀或者智能化推荐。因为职责不同，新品引入需要商业分析&战略分析人员大量的分析工作，数据产品本质是工具，提升他们的工作效率，如果直接拿来注意，如果算法推荐不准，带来的决策失误，是谁的锅?
市场分析：
对应待解决的问题就是帮助生产部门了解现在市场空间是否够大，是告诉增长还是已经衰退，可以从面霜产品GMV及增长率（同比、环比），以及不同属性（肤质、功效等）的面霜市场占比及增速来提供一些数据可视化的展现形式，支持筛选、排序等常用的交互操作。
竞争格局：
现在生意不好做本质就是你能想到的赚钱的方法，别人已经早就做过千百万次了，想要成功，只能尽量找差异化，人无我有，人有我优。所以产品功能上，需要能够支持分析面霜产品主要竞对，各自的销量、增速、用户群体。
用户需求
市场营销理论从4P转向4C核心就是从产品为中心到用户为中心，也就是过去是先有产品，再卖给用户，现在是先有用户需求，再去造产品。所以数据需要具备识别用户需求的能力，比如分析面霜产品不同属性的销量占比、销量增速，挖掘高潜需求空间
用户画像
虽然题目中的目标用户是95后女性群体，但是从产品功能上需要考虑扩展性，所以需要具备针对不同属性面霜产品的用户群体画像，比如：面霜产品的用户性别、年龄、地域、肤质、消费水平（价格带）、购物渠道偏好（线下、电商、直播等）、功效偏好、包装偏好、成分偏好
商品清单
基于市场、竞对数据提供头部或竞对热门商品清单，可以帮助生产部门快速定位具体的竞品，进行跟进。
此外，数据产品需要考虑数据的采集和获取，否则就是无源之水，巧妇难为无米之炊。数据采集、权限管理是数据产品必须要要考虑的因素，而新品效果监控是为了产品上线后进行跟踪监控，形成产品闭环。否则只是提供上新工具，但是上线后，效果如何不知道，就不能进行PDCA的持续迭代。
产品表达的逻辑
介绍产品或者项目时，通用的结构化的逻辑线是：Who、Why、How、What
- Who：产品的核心用户是谁，在什么情况下，遇到了什么问题，提了什么样的需求。
- Why：为什么要做这个产品，业务背景及对应的痛点问题是什么？也就是要能一句话清楚地描述产品地核心定位。
- **How：**针对这些痛点问题，你是怎么做的，头痛不能医脚，需要针对问题（需求），按照优先级重要程度一一给出对应的解决方案。
- **What：**最后才是产品功能，按照用户体验五要素理论，表现层是最后一个层级，所以如果一上来就讲这个产品主要包括：A、B、C功能，就缺少了灵魂和骨架，而且枚举地功能越多，越容易听走神、记不住，一般能够记住地要点为3-5个。
案例
Step 1：问题的澄清和产品用户、定位介绍
您提的这个问题，是想要帮助业务部门构建一个快速辅助决策推出新产品的数据产品/工具。这个数据产品核心用户是业务生产部门，产品定位是为他们日常新品引入提供数据决策能力支持，我们可以先把这个产品叫做：新品趋势洞察。
Step2：待解决的业务问题总结
对于新品引入这个场景来说，需要解决业务部门以下几个问题：
（1）市场环境分析
XXXX
（2）竞争对手分析
XXX
Step3：产品规划及功能介绍
针对需要解决的主要痛点，新品趋势洞察分析将包含新品推荐、市场分析、竞对分析、用户画像、用户需求、商品清单等数据分析能力。
此外，需要通过权限管理控制页面、数据、功能权限，保障数据安全，最后考虑到新品推出后，需要跟进效果来不断优化投入、运营策略，还可以在V2、V3的版本中，增加新品效果分析等功能。
接下来，我将对趋势分析的核心页面做个系统的介绍。
第一个，市场分析主要解决的问题是，核心功能点包括XXX，可以通过XX可视化方式进行呈现；
第二个页面是XX，XXX
Step4：数据获取思路介绍
产品功能规划的同时，要考虑数据的可得、可用情况，例如，可以通过外部数据爬取、内部数据采集、XX等渠道获取产品销量、用户相关的数据，作为后期分析的数据源。
Step5：总结收尾
总结下来，想要为业务部门构建一款辅助新品推出决策的数据产品，需要从业务场景、分析流程、要解决的痛点角度，进行数据产品功能的规划和设计，同时需要考虑数据获取、数据安全等问题。有了初步方案后，可以和业务进行评审确认，最终推动产品进入开发排期流程。
以上是我的设计思路，谢谢。
必问问题
你为什么做产品经理，为什么想要选择数据产品经理？
TIP个人能力+经历+行业展望
1.个人能力：
我具备较强的数据理解力和结构化分析能力，擅长从数据中提取关键信息，抽象成指标体系和业务洞察。比如说我在学校期间有参加过4次建模比赛，积累了丰富的数据分析经验。
同时，我善于沟通，比如说我曾经主导过3个比赛项目，在这其中需要和前后端、算法进行沟通协作。这有利于实际的跨部门沟通，可以把业务需求准确地转化为数据需求，并推动数据资产的建设与落地。
这种对业务和数据的双向理解能力，非常符合BI数据产品经理对“业务理解+数据能力”并重的要求。
3.行业展望：
2. 介绍一下你自己吧： 我具备扎实的数据理解能力和良好的结构化思考习惯，对数据驱动业务增长有浓厚的兴趣。
在过往的项目经历中，我参与了数据指标体系搭建、用户行为数据分析等工作，熟悉从需求调研、数据建模、报表开发到数据可视化落地的完整流程。同时，在与数据开发、业务团队的跨部门协作中，我积累了较强的需求挖掘、数据梳理和项目推进能力。
我选择BI数据产品经理这个方向，是因为我认为未来企业对数据驱动决策的依赖会越来越深，BI作为数据到业务价值的重要连接器，既需要懂数据也需要懂业务，这正好契合了我的能力结构和职业规划。
接下来，我希望能继续深耕BI方向，不断提升自己在数据建模、指标体系优化、可视化体验设计等方面的专业能力，帮助业务更好地用数据提升决策效率和竞争力。
3.介绍一下你做过的项目吧。你在这个项目遇到最大的问题/困难是什么，你是如何解决的。
那我来简要介绍诈骗终结者项目，这个项目是我在参加中国软件杯中完成的项目，
- **市场背景：**前涉诈电信案件频发，目前电信网络诈骗的作案手法从电话、短信转向利用APP等网络工具，约占整体案发量的70%。
- **目标用户：**涉诈相关案件办案员。
- **痛点：**集中解决目前大部分软件存在的apk解析信息繁杂、难以理解；无法较好存档；没有相关通联分析的问题。
- **功能：**提出apk静动态相结合分析、威胁情报通联分析、基于大语言模型的apk解析文档解读、apk文档导出、黑白名单库的功能，方便办案人员进行案件存档。
遇到的最大困难：
在完成这个项目的过程中，我们主要困难有两个，一点是时间安排方面的，另外一点则在于数据收集方面。
- 时间安排方面，因为我们的比赛时间相对紧迫，7/19要完成的赛题，我们组从7/1才组好队。所以我们面临的是十分紧迫的技术选择以及开发时间。那么对于这一点，我们项目主要调研了行业白皮书以及相关论文，比较快的完成了技术选择；在功能开发方面，我们主要是选择了排优先级的方式（主要考量投入、产出）完成了优先级的安排；此外我们还使用了notion进行项目排期，以顺利推荐项目完成。
- 对于数据收集方面，由于模型训练需要，我们需要收集一定的黑白名单信息进行apk检测模型训练。
- 那么一般的白名单软件相对来说是比较好收集的，通过爬虫的方式就可以进行收集。
- 遇到的最大问题是黑灰产APP的数据收集困难。这类APP分布隐蔽、不公开发布，且更新频繁，单纯依靠传统应用市场爬虫很难获取到有效样本。
- 我们还设计了社交渠道爬取机制，在灰产常用传播渠道（如论坛、社交群组、分享盘）上，结合关键词、特征爬取策略，自动化抓取潜在黑灰产应用，并结合现有特征库进行初步筛选。
4.你这个项目有上线吗？数据从哪里来的，你是如何收集数据的。
“我们通过问卷星和技术社群发放问卷，共回收200多份有效样本。问卷设计了针对操作体验的痛点问题，发现有68%的用户反馈操作复杂，52%的用户反馈报告术语理解困难。这些数据通过多选题统计得出，并结合后续竞品分析进一步印证了用户痛点的普遍性。”
5.你这里的数据指标是如何确定的，是如何计算的？如何计算用户满意度。。
清醒派：
| 指标类别 | 指标名称 | 指标定义 | 计算方法参考 |
|---|---|---|---|
| 用户调研指标 | 检测准确性差异率 | 用户反馈疲劳检测产品存在识别不准确的问题比例 | 不准确反馈人数 ÷ 总调查人数 × 100% |
| 用户调研指标 | 干扰性反馈率 | 用户反馈提示干扰性太强的问题比例 | 反馈干扰过强人数 ÷ 总调查人数 × 100% |
| 用户调研指标 | 干预效果差反馈率 | 用户反馈现有干预措施无效的比例 | 反馈干预无效人数 ÷ 总调查人数 × 100% |
| 用户调研指标 | 用户接受度 | 愿意使用疲劳检测产品的用户比例 | 愿意使用人数 ÷ 总调查人数 × 100% |
| 用户调研指标 | 使用场景认知度 | 用户识别主要适用场景（如长途驾驶）的比例 | 指定场景用户人数 ÷ 总调查人数 × 100% |
| 用户调研指标 | 提醒方式偏好比例 | 用户对不同提醒方式（声音、震动等）的偏好占比 | 各提醒方式选择人数 ÷ 总调查人数 × 100% |
| 用户调研指标 | 干预内容偏好比例 | 用户偏好不同干预内容（音乐、冷风等）的占比 | 各干预方式选择人数 ÷ 总调查人数 × 100% |
| 产品体验指标 | 检测延迟时间 | 系统从疲劳状态发生到提醒的响应时间 | 平均响应时长（秒） |
| 产品体验指标 | 误报率（False Positive Rate） | 正常状态被错误识别为疲劳的比例 | 误报次数 ÷ 总检测次数 × 100% |
| 产品体验指标 | 漏报率（False Negative Rate） | 疲劳状态未被识别的比例 | 漏报次数 ÷ 总疲劳事件数 × 100% |
| 产品体验指标 | 干预生效率 | 干预后成功改善疲劳状态的比例 | 成功干预事件数 ÷ 总干预事件数 × 100% |
| 项目推进指标 | 版本迭代次数 | 产品正式发布前的迭代轮数 | 记录每次功能或体验版本更新数量 |
| 项目推进指标 | 需求评审次数 | 围绕需求召开评审会议的次数 | 记录正式评审会数量 |
如何判定是否存在疲劳：
标准化测评法+人工标注+脑电设备
我们在实验阶段收集了部分真实驾驶视频，并通过人工标注（如打哈欠、闭眼时长、头部动作）+被试自评量表（KSS 1-9分）+脑电设备三重确认，构建了疲劳事件 Ground Truth 数据集，作为后续计算误报率、漏报率的依据。
| 分值 | 描述 |
|---|---|
| 1 | 极度清醒，非常警觉 |
| 2 | 清醒 |
| 3 | 有点清醒 |
| 4 | 稍微有点困倦 |
| 5 | 有点困倦，不是很清醒 |
| 6 | 有困意，偶尔闭眼 |
| 7 | 困倦，容易闭眼 |
| 8 | 非常困倦，挣扎着保持睁眼 |
| 9 | 极度困倦，几乎无法保持清醒 |
| 指标 | 定义 | 公式 |
|---|---|---|
| 误报率（FPR） | 正常状态被系统误判为疲劳的比例 | 误报次数 ÷ 总检测次数 × 100% |
| 漏报率（FNR） | 疲劳状态未被系统检测到的比例 | 漏报次数 ÷ 总疲劳事件数 × 100% |
但是，关键在于实际环境下 ——系统检测结果是客观的（基于摄像头、模型输出）； “真实状态”怎么确定就成了问题。
后期视频复核+KSS量表辅助
- 全程录像，疲劳检测系统打出结果。
- 赛后找专业标注员回放视频，根据表情、闭眼、打哈欠、驾驶异常判断疲劳事件。
- 以人工审核结果作为真值。
- 优点：准确；缺点：费时费力，主观性也存在。
6.有没有参考什么技术白皮书
2023-2029年全球与中国疲劳驾驶预警系统市场深度调研与发展趋势分析报告
数据产品经理-xhs
数据采集方法
一、内部主动采集
1、数据库查询
2、日志收集
3、传感器收集
二、内部被动采集
1、ETL（estract，transformer，load）
三、外部主动采集
1、调查文件
2、网络爬虫
3、公开数据集
四、外部被动采集
1、外部数据源合作
2、公开数据集
埋点的方式
- 代码埋点：代码埋点是指在代码中手动添加埋点代码，通过监控用户行为事件，收集用户数据。这种方式需要开发人员配合，一般适用于网站或应用开发过程中。代码埋点也称自定义埋点。
- 优点：灵活性高，准确。缺点是维护难。
- 举例:在电商网站中，可以在商品详情页的购买按钮处添加一个点击事件的埋点，记录用户点击了该按钮的时间、位置和商品信息等数据。
- 可视化埋点：可视化埋点是指通过可视化工具，如GoogleAnalytics、Mixpanel、Amplitude等，在页面上选择需要埋点的元素，即可自动生成代码，并收集相应的数据。
- 可视化埋点是较多产商、自研轮子兵家必争之地，希望通过可视化埋点平台为业务提供一站式埋点方案。
- 优点是标准化程度高，缺点是不灵活，覆盖场景有限。
- 举例:在SaaS平台中，可以使用GoogleAnalytics等工具，在注册页面的“提交”按钮处添加一个点击事件的埋点，记录用户的注册行为、来源渠道和注册成功率等数据。
- 无埋点：无埋点（全埋点）是指通过前端技术，自动收集用户的行为数据，无需手动添加埋点代码。
- 这种方式适用于简单的数据采集需求，例如页面停留时间、滚动深度、搜索关键词等数据。
- 适用于简单的数据采集，在实际业务上用的不多。
- 一是因为数据上报量级大，二是因为存储成本大，在降本增效大前提下，几乎没有用武之地。
- 举例:在新闻网站中，可以使用无埋点技术收集用户的页面停留时间、点击量和滚动深度等数据，了解用户对不同新闻类型和内容的兴趣和喜好。 第一种:自己公司研发在产品中注入代码统计并搭建起相应的后台查询。 第二种:第三方统计工具，如友盟、神策、Talkingdata、GrowinglO等。
埋点设计
1、如何设计埋点需求
- **确定目标:**首先明确为什么要进行埋点，是为了分析用户行为、优化产品功能还是为了评估活动效果等。
- **梳理需求:**根据目标，梳理出需要哪些数据来支持分析。
2、设计埋点原则
- **全：**埋点数据要尽量全面，不要遗漏关键的用户行为或事件。
- **细：**埋点的颗粒度要细，尽量到具体事件，以便后期进行深入的数据分析。
- **时：**埋点和数据记录、更新要及时、实时，以反映用户行为的最新动态。
3、设计埋点文档
- **梳理产品结构和业务流程：**明确产品的核心功能和业务流程，找出关键的用户行为或事件。
- **确定关键指标：**基于产品目标和需求，确定需要监控的关键指标，如用户活跃度、转化率等。
- **设计埋点框架：**基于产品功能的路径转化和重要指标链路，设计出可供记录的埋点框架。
数据报表产品经理
接到业务部门的一个报表需求时，你的处理流程是什么？ 考察点：业务需求沟通、数据口径梳理、数据分析思路、产品工作流程。
结合过去的项目经验，你是怎么构建指标体系的 考察点：指标体系建设、数据分析思路
针对指标口径不统一的问题，你是怎么解决的 考察点：指标体系落地流程规范建立、数据产品的统筹协调能力
过去的可视化产品中，都用过哪些图表类型，XX图使用场景是什么？ 考察点：可视化图表特征及的适用场景
常见的埋点方案有哪些，优劣势是什么 考察点：埋点数据采集基础理论，App&小程序数据可视化分析和埋点密切相关
举一个你做过的数据可视化产品支持业务决策的例子 考察点：考察是只是被动的完成报表需求还是会主动思考，数据报表如何辅助业务决策
业务部门的XX指标下降了，你会如何分析？ 考察点：数据分析思路，以及分析思路和数据报表产品的整合能力
过去做过最成功/最失败的一个数据可视化产品，为什么？ 考察点：产品思考/总结能力
基于XX场景，设计一个可视化分析产品（Dashboard），你会怎么做，可以画草图示意 考察点：情景模拟，给定新的场景考察产品规划、需求分析、数据可视化分析产品的综合处理流程，是否可以举一反三
你认为数据报表需求的PRD文档需要具备哪些要素，才能和开发更有效地沟通和合作？ 考察点：PRD文档结构
你们现在前端用的是什么可视化组件，数据查询响应性能是多长时间？查的是什么数据库？ 考察点：除了产品本身之外，是否关注技术实现，了解一些基础的概念和适用场景
用户行为分析类的产品了解哪些？优劣势是什么？ 考察点：产品经验，用户行为分析，对行业关注度，竞品分析
1. 接到业务部门一个报表需求时，处理流程？
答题结构：
需求理解 ➔ 口径梳理 ➔ 数据源确认 ➔ 设计方案 ➔ 开发联动 ➔ 验收上线 ➔ 持续迭代
参考回答：
- 需求阶段：先与业务充分沟通，理解【业务目标】和【使用场景】。不是只听需求，要问”为什么要这张表”，“关键指标是什么”。
- 口径阶段：梳理所有指标定义，和业务、数据侧确认统一口径。
- 数据源阶段：确认数据来源、字段是否齐全，必要时协调数据建设。
- 方案阶段：初步设计表格、图表形式（Sketch草图），与业务评审。
- 开发联动：写清楚PRD，特别是口径定义、交互逻辑。
- 验收上线：对照需求验收，做一轮数据核对。
- 迭代反馈：根据实际使用反馈进行优化。
2. 结合项目经验，如何构建指标体系？
答题结构：
业务目标拆解 ➔ 核心指标识别 ➔ 指标分层 ➔ 定义标准化口径 ➔ 指标归档管理
参考回答：
- 从业务目标出发（如增长、转化、活跃），向下拆分指标（漏斗、层级）。
- 按照主指标（核心业务结果）➔ 辅助指标（过程监控）➔ 诊断指标（问题定位）分层。
- 指标要有统一定义（维度、统计周期、口径公式）。
- 指标需要建档（指标管理平台/文档管理），后续便于沉淀复用。
3. 指标口径不统一怎么解决？
答题结构：
问题识别 ➔ 组织专项梳理 ➔ 制定标准文档 ➔ 推动上线共用 ➔ 持续监控
参考回答：
- 先收集具体口径不一的地方（字段定义？计算逻辑？时间归属？）。
- 组织业务+数据多方开会，明确一套统一口径。
- 把统一后的口径输出为《指标字典》《数据口径手册》。
- 数据报表、API统一接入标准口径。
- 后续新报表、新功能开发也要强制引用标准口径。
4. 可视化产品用过哪些图表？XX图适合什么场景？
答题结构：
列举常见图表 ➔ 结合场景举例
参考回答示例：
- 折线图（趋势变化，常用于日活、GMV走势）
- 柱状图（对比，适合多产品/地区销售额比较）
- 饼图（占比，适合份额展示，但不适合多项对比）
- 堆叠柱状图（结构变化，例如各渠道流量组成）
- 散点图（相关性，比如用户活跃度 vs 留存率）
- 漏斗图（转化流程分析，如注册➔下单➔支付）
- 地图（地理分布，门店覆盖率、各省市流量）
5. 常见埋点方案有哪些，优劣势是什么？
答题结构：
分类介绍 ➔ 优缺点分析
参考回答：
- 全埋点（无须提前埋字段，前端事件全采集，优点灵活，缺点数据量大，后端压力大）
- 手动埋点（开发指定上报什么字段，优点精准，缺点开发量大且灵活性差）
- 可视化埋点（拖拽式在页面上绑定事件，优点快速上线、灵活修改，缺点兼容性和准确率问题）
6. 举一个数据可视化支持业务决策的例子
答题结构：
背景 ➔ 行动 ➔ 结果
参考：
- 背景：曾支持运营部门优化拉新渠道。
- 行动：搭建了渠道拉新漏斗Dashboard（拉新曝光-点击-注册-次日活跃）。
- 结果：快速发现某广告渠道注册率异常低，及时调整预算，提升整体注册转化率15%。
7. 业务部门XX指标下降，怎么分析？
答题结构：
确认指标下降情况 ➔ 构建分析框架 ➔ 拆解维度验证 ➔ 定位问题
参考步骤：
- 先确认指标下降的真实程度（数据异常？统计口径变化？）。
- 按时间、地域、渠道、用户分群多维度拆分。
- 结合业务节点（如促销活动变化）找出关键影响因素。
- 最后形成【问题归因】➔【解决建议】。
8. 最成功/失败的可视化产品？
答题结构：
项目背景 ➔ 做法/失误 ➔ 结果 ➔ 经验总结
参考：
- 成功例子：做过一次智能监控仪表盘，提前预警业务异常，提升处理效率。
- 失败例子：早期版本过于复杂，图表太多，用户体验差，后来简化为关键指标卡片+趋势图。
9. 设计一个可视化Dashboard，怎么做？
答题结构：
理解场景需求 ➔ 确定核心指标 ➔ 设计布局 ➔ 绘制草图
比如给一个“电商销售分析”场景，可以设计：
- 顶部：总GMV、订单数、客单价卡片
- 中部：GMV趋势（折线图）、渠道构成（堆叠柱状图）
- 底部：地域分布（地图）、商品Top10（表格）
- ➔ 草图简单划分区块即可。
（如果你需要，我可以帮你画一个示例草图）
10. 数据报表需求PRD要素有哪些？
答题结构：
基本信息 ➔ 核心指标定义 ➔ 交互设计 ➔ 数据口径与来源 ➔ 权限与发布要求
参考要素：
- 需求背景、业务目标
- 指标清单与详细定义
- 报表结构（页面布局、图表类型）
- 交互说明（筛选器、下钻、导出等功能）
- 数据源说明、刷新频率
- 权限控制需求（哪些人可以看）
- 验收标准
11. 你们前端用什么可视化组件？查询性能？数据库？
答题思路：
前端组件库 ➔ 响应性能指标 ➔ 数据库类型
示例回答：
- 前端常用组件有 ECharts、AntV G2/G2Plot、Highcharts。
- 响应性能一般控制在3s以内（常规查询），复杂大盘数据通过缓存或异步加载优化。
- 数据库使用MySQL、ClickHouse（用于大数据量场景）。
- 用户行为分析类产品了解哪些？优劣势？
答题结构：
列举常见产品 ➔ 简单比较优缺点
参考回答：
- 友盟+（基础功能全，适合中小应用，集成方便）
- 神策分析（自定义事件强大，灵活，但集成成本高）
- GrowingIO（无埋点分析，快速，适合产品早期验证，但数据粒度有限）
- Mixpanel（国外产品，分析漏斗强，但本地化一般）
产品通用能力
- 让你设计一个XX产品，你会怎么做？ 考察点：新需求处理的流程与方法论
- 举一个你过去做需求挖掘或者转化业务需求的例子 考察点：分析和转化，而不是单纯完成业务需求，突出你做的转化
- 你是怎么对需求的优先级进行管理的 考察点：需求管理与优先级判断
数据分析能力
- 举一个利用数据分析促进产品改进的例子 考察点：数据思维，数据分析思路
项目管理能力
- 为了保证项目按时上线，你会通过哪些手段来管理开发进度？ 考察点：项目管理能力
- 过去项目中，最大的需求变更是什么，你是怎么处理的 考察点：变更管理，流程控制
学习意愿与方法
- 行业里面的数据产品最熟悉的是那几个？ 考察点：行业关注度
- 最近数据圈发生的XX事情，你怎么看，如ChatGPT对数据产品经理有什么影响 考察点：主动接受新事物的意愿
- 你一般通过什么方式学习数据产品经理相关的知识 考察点：学习方法与态度
沟通与逻辑表达
- 你和业务或开发团队最严重的冲突是什么问题，你是怎么处理的？ 考察点：冲突处理，沟通协调
- 说一说你做过最成功或者失败的一个产品/项目？ 考察点：表达条例与逻辑性，注意使用STAR原则
【数据分析能力】
1. 举一个利用数据分析促进产品改进的例子
- 考察点：有没有通过数据发现问题/机会、提出并落地优化方案。
- 回答建议框架：
- S（背景）：什么产品？什么问题？什么业务场景？
- T（任务）：你要解决什么问题？想提升哪个指标？
- A（行动）：用什么数据分析方法？比如漏斗分析、留存分析、A/B测试等。
- R（结果）：产品指标提升了多少？最终成效如何？
【项目管理能力】
1. 为了保证项目按时上线，你会通过哪些手段来管理开发进度？
- 考察点：项目管理工具与方法论，比如甘特图、里程碑管理、每日站会、看板管理。
- 回答建议框架：
- 制定详细里程碑计划（时间节点、责任人）
- 每周同步（站会/日报/周报）
- 风险预警机制（进度延期预警，资源冲突预警）
- 版本控制（分阶段交付，确保小步快跑）
2. 过去项目中，最大的需求变更是什么，你是怎么处理的？
- 考察点：如何面对变更（Scope Creep），有没有通过流程控制。
- 回答建议框架：
- 变更来源（业务变化？市场变化？）
- 如何评估影响（需求影响点、开发影响点、时间影响）
- 如何协商（重新排期？资源调整？分阶段上线？）
- 记录（需求变更文档、变更审批流程）
【学习意愿与方法】
1. 行业里面的数据产品最熟悉的是那几个？
- 考察点：了解什么样的数据产品，侧面看行业视野。
- 回答建议框架：
- 列举2-3个（比如：DataV、Looker、Tableau、GrowingIO、神策分析）
- 简单讲一下各自特点
2. 最近数据圈发生的XX事情，你怎么看，比如ChatGPT对数据产品经理有什么影响？
- 考察点：能否结合新趋势做思考。
- 回答建议框架：
- 事实描述（例如：AI辅助数据分析兴起，AutoBI、智能洞察等）
- 对数据产品经理的影响（例如：更重建模与决策引导，轻纯报表搬运）
3. 你一般通过什么方式学习数据产品经理相关的知识？
- 考察点：有没有主动学习习惯。
- 回答建议框架：
- 自学方式（看行业报告、实战练习、阅读经典书籍如《数据之美》、《精益数据分析》）
- 社区学习（知乎、微信公众号、行业社群）
- 课程学习（网易云课堂、Coursera数据分析、AICamp系列）
【沟通与逻辑表达】
1. 你和业务或开发团队最严重的冲突是什么问题，你是怎么处理的？
- 考察点：冲突管理能力。
- 回答建议框架：
- 冲突是什么（比如需求优先级不同、开发量评估不一致）
- 你的处理方式（明确需求背景，站在对方角度沟通，找中间解）
- 最后达成的共识
2. 说一说你做过最成功或者失败的一个产品/项目？
- 考察点：逻辑表达，是否能用STAR讲清楚。
- 回答建议框架：
- S（背景）
- T（目标）
- A（行动）
- R（结果）