►前言：
这个系列终于又更新啦！今天带来的是Product Analyst岗位。首先我们一起来看看不同数据类职位之间的差异。为了帮助大家理解，可以先参考下下面这个图表：
（不过并不是划分岗位的唯一标准，只是较为合理的方法）
那么产品分析师需要什么样的skillset？职业晋升路径又是怎样的？如何细致地准备面试？以及有哪些推荐投递的公司？
►本文内容概览：
☑️能力要求
☑️业务介绍
☑️行业薪资
☑️职业晋升
☑️求职准备
☑️可以投递的公司
☑️面试流程
►能力要求：
在许多公司中，产品分析师这个岗位往往和数据科学大类方向挂钩，跟data analyst有点像，尤其比如Pinterest的product analyst岗实际就对应Meta的data science analyst岗。但是它就更侧重于对于产品feature的了解；还有因为product analyst能跟product manager有时候一起工作，汇报也是给product manager，所以communication skills也会特别的注重。所需技能评分如下：
在Meta，更为对应的title实际被称为Product Growth Analyst (PGA)，工作内容专注于使用数据分析、产品理解、商业分析、SQL、数据可视化来帮助产品最大化增长，不要求申请者的ML能力，但需要一定的数理统计水平。面试更偏向PM岗，更多关注产品思维，增长策略。第一年总工资略低于DSA。
关键词：Data visualization, Product Sense, Growth mindset, Communication, Leadership, Influence.
►业务介绍：
作为产品分析师，在公司的角色对于了解与特定产品或服务相关的客户行为和偏好至关重要。具体的职责通常包括下面的某几项（甚至全部）：
市场研究：进行市场研究以确定消费者的需求、偏好和趋势，涉及从各种来源收集数据，例如分析行业报告等。
用户行为分析：收集和分析有关客户如何与产品或服务互动的数据，包括监控使用模式、进行用户测试和收集反馈以了解用户行为并确定需要改进的地方。
功能分析：评估不同产品功能的性能和采用情况，涉及到要具体分析数据以确定哪些功能受欢迎，哪些功能未得到充分利用，并根据用户反馈和市场趋势识别潜在的增强功能或新功能。
竞争分析：监控和分析竞争对手产品的性能，包括比较功能、定价和用户体验，以确定差异化和改进的机会。
产品性能评估：跟踪与产品具体性能相关的关键指标数据，比如在Apple，对于iPhone，产品分析师可能评估处理器性能、摄像头质量、电池续航时间、操作系统的用户界面等。对于Apple Watch，产品分析师可能评估心率监测的准确性、电池寿命、运动追踪功能等。在Meta，对VR头显设备，产品分析师可能评估图像质量、舒适性、交互性、跟踪精度等。在Amazon，对智能音箱Echo，产品分析师可能评估语音助手的响应速度、音频质量、兼容性、智能家居集成效果等。
生命周期管理：评估产品的生命周期，从引入到最终衰退，涉及确定产品何时达到其饱和点或变得过时，并提供见解以支持有关产品更新、重新设计或停产的决策。
协作与沟通：与跨职能团队（包括产品经理、工程师、设计师和营销团队）协作，分享见解并确保产品方向符合客户需求和市场趋势。
报告和展示：以清晰简洁的方式向利益相关者展示调查结果和建议，可能包括创建报告、仪表板或可视化效果以有效地传达数据驱动的见解。
总体而言，作为产品分析师的角色需要为产品战略提供信息、确定需要改进的领域，并且确保产品满足客户期望，最终都是为了公司产品组合的成功落地做贡献。
►行业薪资：
有时在职位发布中，其实不会看到“产品分析师”这样直接对应的字眼，而是以下job title的一些变体。他们的平均基本工资如下：
Market Research Analyst：60,686 美元
Product Insights Manager：106,601 美元
Product Consultant：68,321 美元
►职业晋升：
产品分析师角色往往能够使职场新人能够在产品营销和管理方面迅速积累丰富的经验。在担任初级产品分析师后，随着工作经验的累积，职业生涯常见的可以晋升的一些角色和对应平均薪酬如下↓
路径链条：
Product Analyst – Senior Product Analyst – Product Sales Manager/Product Manager – Product Director
Product Sales Manager：105,144 美元
Product Manager：102,220 美元
Product Director：161,361 美元
►求职准备：
SQL：
非常重要的技能，因为每个公司都需要用SQL来获取数据、看metrics等等。
学习方式：
Leetcode：easy和medium可以刷2-3遍
SQLzo0：很好的网站，可以练习每一个function
W3School：会具体帮助你了解syntax和function的用法
Datacamp ：作为入门是挺不错的材料，会把一个SQL project 从头到尾讲透彻
Data Science & Machine Learning
Coursera：推荐Andrew NG经典的ML课程，基本每个模型都讲得比较到位
The Elements of Statistical Learning An Introduction to Statistical Learning（必看小黄书）
Stats：
Brilliant：对于练习stats是不错的平台。
Datacamp：对于统计分布和experimentation帮助很大。
ML CaseMedium: 各大科技公司都在这里有blog，有非常多质量超高的文章，内容种类繁多，结构不明确，学习前需要一定的筛选。
Coursera: 大部分网课网站都有一些关于DS/ML case的课程。
Udacity AB testing: 谷歌员工开发，最好的免费AB测试课无之一，信息量爆炸多，每句话都要仔细听，即使学了好几遍也感觉都是新的一样，唯一问题是结构有点乱要有耐心 ，最后的大作业请认真做完。
Data masked: 面试材料里有40道答案详细的产品题，题型非常适合DS面试，缺点要300刀很贵，可以考虑多人一起买。
产品理解：
Stellarpeers: 官推的产品学习blog，48个产品面试题，48个教科书级别答案，metrics，execution类题目必看，其他可以略看。
Data-Informed Product Building: 红杉的产品圣经，现在出了39篇文章，质量无与伦比就是内容过多，每篇都值得做读书笔记。
总体学习时长和难度来说，产品>SQL>ML>统计，然后面试中SQL和统计的容错率是最低的。
►可以投递的公司：
选择你喜欢的产品
和很多算法类数据科学岗位不同，PA岗位的技术性偏低，但是对产品的理解要求高。因此在考虑可以投递的公司的时候，首先是要看大家对于这个产品本身有多少，尽量进入值得深耕的产品赛道。比如有的同学喜欢社交网络这种2c的产品，那就去meta。那有的同学希望多研究2b类型的产品，那也有可能会去一家saas公司做数分。总体来说2C的PA机会多于2B类产品。
PA在这家公司里的比重较大
比如对于一个30人的产品团队，如果配备有1-2名PA，那就说明在这家公司里PA的价值被重视，从而管理层愿意去培养一个足够大的PA团队去支持产品决策。相反，如果一家公司给30人的产品团队几乎不配备PA，那要不然说明业务本身不需要太多数据分析，要么说明这家公司对PA完全不重视。重视PA的公司主要好处就是对于PA的要求正确并且清晰。PA本身的职级体系的完善也可以让职场的你一步一步有机成长。
PA在这家公司里天花板高
这可能需要一些内部询问或者linkedin research。我们希望看到的是PA的大老板和很多DS，或者Eng的大老板们平起平坐。这就说明PA在整个公司有话语权，并且作为个体你有足够的向上空间去成长。我们不希望看到的是PA团队report给别的role或者function比如engineer。这种情况PA向上成长空间低，话语权少，会变成一个做杂活的team。
有完善并且庞大的数据集的公司
其实很多情况下这就是大公司，而非中小型甚至创业公司。原因是作为小公司没有完善并且庞大数据集的时候，PA很难真正发挥出优势从而被迫事实转型做数据工程师的工作。
综上所述，PA最好的发展路线是去一家重视PA的中大型2C类产品公司。适合投递的公司包括：Meta, Airbnb, Uber/DoorDash, ByteDance, Linkedin, Google, Pinterest, Instacart, 各类知名fintech等。
►面试流程：
1. HR phone call：简单SQL，简单product，介绍面试流程，简单behavior。
2. 电面：SQL，产品案例分析一轮45-60分钟。
3. Onsite：SQL, 和三轮产品理解和数据分析，每轮30mins。
一般都是两轮到三轮after coding assessment，数据科学大类相关的product analyst面试的考点大多是sql, python data manipulation, product sense, statistics, behavioral questions加一些很少的machine learning。
Product Sense很多都是以metrics作为驱动来考interviewee。比如：如果公司想推出一个新feature，可以用什么metric来做AB testing？如果某个metric moved, how will you investigate等等。根据不同公司的industry, product case的答题思路也不一样。比如Uber, Lyft就是two-side markets with both rider and driver; streaming platforms就更care about users的用户体验。