京公网安备 11010802034615号
经营许可证编号:京B2-20210330

【核心关键词】埋点、产品、互联网、数据库、决策、数据分析、产品经理、商业模式、移动互联网、指标体系、运营模块、大数据平台、数据仓库、数据指标、业务系统、业务需求、业务目标、系统数据
【专访摘要】本次 CDA 持证专访邀请到头部保险集团 IT 产品经理杨迅,他解析了数据仓库 / 大数据平台 / 数据中台的本质区别,按 B 端 / C 端 / 数据产品三类划分产品经理的数据分析技能要求,讲解了保险行业从地推到数字化与大健康生态的转型逻辑,分享了数据埋点的设计方法与实操经验,为数据产品与业务产品从业者提供了体系化认知。
【主持人】大家好,今天 CDA 持证人专访邀请到杨迅,目前就职于国内某头部保险集团任 IT 产品经理,欢迎简单介绍自己。
【嘉宾】大家好,我叫杨迅,2020 年毕业于北京交通大学,目前在泰康保险集团任产品经理,负责运营模块产品设计工作。
【主持人】介绍一下你负责的产品类型。
【嘉宾】我们主要做数据仓库产品,行业内也叫大数据平台、数据中台,本质都是数据仓库 —— 面向主题、集成、相对稳定、反映历史变化的数据集合,支持管理决策。
【嘉宾】在基础概念上用分布式技术,支持海量数据就是大数据;通用上层数据应用就是平台;在底层稳定前提下支持前台灵活业务需求就是中台。最本质都是数据仓库。
【嘉宾】我们的产品主要解决内部问题:把各业务系统数据采集到一起,做跨业务跨系统分析;作为数据中枢提供标准安全接口,打破数据烟囱,提升系统对接效率,释放数据价值。
【主持人】产品经理会数据分析,属于赋能还是必备?
【嘉宾】产品经理类型多、业务差异大,数据分析能力要求不同,按视角可分为三类:普通 B 端产品、C 端产品、数据产品。
【嘉宾】普通 B 端产品面向企业 / 内部用户,量少,更适合和核心用户沟通梳理流程,数据分析要求低,掌握 Excel 基础即可。
【嘉宾】C 端产品用户广,必须持续做用户行为分析、构建用户画像,需求与迭代多基于数据,需要掌握趋势、预测、聚类等方法,使用 SPSS、Python、R 等工具。
【嘉宾】数据产品直接和数据打交道,要求最高:除基础分析能力,还要掌握 SQL/NoSQL 数据库、主流大数据平台架构与原理。如果把数据比作鱼,数据分析是捕鱼,数据产品经理是制作渔网和鱼竿。
【嘉宾】按 CDA 级别来看:普通 B 端产品,Level 1 一半必备、一半赋能;C 端产品,Level 1 全部必备,更高阶为赋能;数据产品,Level 1 全部 + Level 2 部分为必备,更高阶为赋能。
【主持人】产品岗位平时用到哪些数据分析方法与工具?
【嘉宾】我的数据分析主要服务产品设计。数仓建设中频繁使用数据库了解数据源结构,用维度建模分类管理主题数据;搭建运营指标体系时,熟悉图表类型与场景,设计逻辑化指标组合,用仪表盘呈现支撑决策。
【嘉宾】最常用工具是 Excel,偶尔用 Python 或 SPSS 做数据处理与复杂统计图表。
【主持人】保险行业以前大街发传单,现在很少见,业务发生变化了吗?
【嘉宾】国内保险 90 年代开始起步,早期无经验,把保险当普通商品无差别推销,难以匹配真实需求,大众不理解,印象不好。
【嘉宾】变化来自三方面:第一,客户需求变化,人们理解保险是风险管理工具,不是普通商品,出现保险经纪人量身定制,比地推更精准。
【嘉宾】第二,行业商业模式创新,公司从纯保险转向大健康生态,布局高端养老社区与医院,推出保单换入住权的模式,服务高净值人群,广告更精准。
【嘉宾】第三,移动互联网浪潮,服务线上化,公司成立泰康在线做互联网保险,销售阵地从线下转到线上。三者共同带来行业变化。
【主持人】如何做好数据埋点?
【嘉宾】埋点工具不是越复杂越好,要看场景。商业化埋点工具功能强,但成本高、约束多;内部 B 端系统通常只需要功能使用率、页面访问等基础指标,复杂工具不划算。
【嘉宾】我们基于日志平台 + ETL + 仪表盘自建轻量埋点工具,前端封装监听函数,页面按规范命名即可实现埋点,几乎无额外开发量,低成本高效率。
【嘉宾】做好埋点三步法:第一,从产品目标出发确定埋点目标,明确要衡量的行为与转化;第二,围绕目标搭建指标组合,单一指标无法完整说明问题;第三,用数据结果反哺埋点设计,持续迭代优化。
【主持人】作为数据方向产品经理,有什么想吐槽的?
【嘉宾】我觉得遇到问题优先反求诸己,积极乐观面对,吐槽代表无能为力。年轻阶段应以输入为主,多听多看多学多做,少吐槽,保持学习心态最重要。
【主持人】心态很重要,还是要多学习。感谢杨迅参加专访,本期采访到此结束,再见。
【嘉宾】再见。

数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12在数据分析日常工作中,Excel数据筛选是数据清洗、数据提取、样本筛选的核心基础操作。传统Excel手动筛选、函数筛选方式,面对多 ...
2026-08-12 很多数据分析师精通Excel函数和数据透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么 ...
2026-08-12在数据分析、统计建模、数据挖掘与商业调研过程中,原始数据往往无法做到绝对干净规整。受系统故障、人工录入失误、设备误差、突 ...
2026-08-11在数据分析工作中,聚类分析是典型的无监督学习方法,核心作用是依据数据自身的多维特征,将相似样本自动划分为若干类别,实现“ ...
2026-08-11 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-11AB实验是互联网产品迭代、营销优化、功能升级的核心科学验证手段,通过流量随机分组、对照组与实验组对比,科学验证策略、功能、 ...
2026-08-10在MySQL数据库优化中,索引是提升查询效率、降低数据库IO开销、优化系统性能的核心手段。普通单列索引仅适配简单查询场景,面对 ...
2026-08-10 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-08-10在数字化市场调研体系中,大数据与小数据是两类核心调研数据形态,分别对应海量行为统计与精准样本深度调研。行业普遍存在认知误 ...
2026-08-07数据透视表是Excel、WPS中最核心的数据分析工具,凭借快速汇总、分组统计、动态筛选的优势,被广泛应用于销量统计、业绩复盘、数 ...
2026-08-07 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-08-07在商品销量、市场需求、营收规模等业务数据中,季节性波动是最普遍、最核心的数据特征。零售快消、食品餐饮、家电服饰、电商行业 ...
2026-08-06在流量红利消退、市场竞争白热化的商业环境中,传统依托经验、跟风投放、广撒网式的营销模式,逐渐暴露出成本高、精准度低、转化 ...
2026-08-06