数据分析师 → 产品经理
大厂稀缺岗：data-informed PM。你已有数据敏感度 + 业务思维，AI 帮你补用户研究 + 设计 sense 两个缺口。4-8 月内转概率 70%+。
现实数据
| AI 之前 | AI 之后 | |
|---|---|---|
| 用户研究入门 | 需要泡半年 | AI 帮整理访谈 + 学方法论 · 2 月 |
| PRD 写作 | 反复返工 | 1 天 · AI 帮 outline + 补漏 |
| 设计 sense | 跟设计师泡 1 年 | AI 帮看 wireframe / 学设计原则 |
| 分析师转 PM 成功率 | 30%（内转） | 60-75%（内转 + AI 补） |
你的资产负债表
✓ 资产
- SQL / 数据指标 / A/B test · PM 必修课你已通关
- 对业务的数字直觉 · 比设计师转 PM 强 5×
- 跟 PM 协作过 · 不用从零学游戏规则
- "用数据说话"的纪律 · 这是大厂 PM 最稀缺的
⚠ 缺口
- 用户研究 · 访谈 / 同理心 / 定性洞察
- 设计 sense · 看 wireframe 能不能指出问题
- 需求拆解 · 从模糊业务到清晰 PRD
- 跨部门沟通 · 分析师通常一个人，PM 是多线协调
5 阶段时间线
STAGE 1
Month 1
用户研究入门
你最大缺口 · 数据告诉你"有 30% 流失"，但不告诉你"为什么"
- 读 5 本核心书速通："The Mom Test" / "Continuous Discovery Habits" 等
- 做 10 个用户访谈（你产品的真实用户）· AI 帮转写 + 提炼
- 把访谈洞察跟数据交叉验证 · 这是 data-informed PM 的核心动作
STAGE 2
Month 2
第一份 PRD（基于数据洞察）
用你强项做敲门砖：从数据 insight 起手的 PRD
- 选一个你"用数据发现的机会"
- 写 PRD：背景（数据）/ 用户故事（访谈支撑）/ 方案 / 指标
- 给现 PM review · 收反馈调整
- AI 帮你查"漏 case"和"边界条件"
STAGE 3
Month 3-4
跟 PM 一起做项目
"shadowing" + 主动接小 feature
- 跟产品同事申请：我帮你做 X feature 的 PM 工作
- 跑完整 cycle：发现 → 验证 → 设计 → 评审 → 跟开发 → 上线
- 设计 sense：跟设计师每周 30 分钟 1v1 · 看 wireframe 用 AI 帮你解释
- AI 帮做：竞品分析 / 用研整理 / 复盘文档
STAGE 4
Month 5-6
内转尝试
优先内转 · 你已经有 trust 资产
- 跟现 boss / HR 谈"我想转 PM"
- 准备 PM 简历：突出 data + insight 双能力 + 项目案例
- 面试官最关心：你会不会"只看数据不懂用户"——准备好用户研究证据
STAGE 5
Month 7-8
外面试 · 准备 case 题
如果内转不成 · 6-8 月再外找
- 准备 product sense / case 题（"如果让你做 Uber 的下一个产品"类）
- 突出双背景：data + PM · 大厂数据驱动型 PM 岗稀缺
- 谈薪：数据 → PM 通常 -5% to flat · 你的数据背景是 bonus 可以谈高 10-20%
工具栈 + 配套课程
| 领域 | 工具 / 课程 |
|---|---|
| 用户研究 | Dovetail · Whisper · Claude（访谈整理） |
| PRD 写作 | Notion AI · Linear · Claude |
| 设计 sense | Figma（读 wireframe）· AI 帮你"评图" |
| 课程 | PM 方案 全套 · PM 应用方案 |
风险与现实期望
⚠ 容易掉的坑
- "只看数据不懂用户" · 最大刻板印象
- 过度自信于数据 · 忽略定性洞察
- 跳过设计 sense · 永远"理工男 PM"
- 转岗后还想"我会一切" · 抢设计师 / 工程师工作
✓ 真实期望
- 这是最容易的 PM 转岗路径之一
- 大厂特别欢迎 · 数据驱动是政治正确
- 4-8 月内转 · 8-12 月外转
- 第一年薪资基本持平 · 第二年开始超原岗