一、什么是数据产品
1、数据产品的定义
降低用户使用数据的门槛，并发挥或提高数据价值的产品；数据产品经理负责设计、维护和优化数据产品。
2、数据产品的组成
（1）采集清洗：日志信息采集、业务库表采集，预定义的清洗流程进行数据整理和优化；
（2）计算管理：根据不同的业务场景和需求汇总计算；数据分为度量、指标和维度；可能需要构建元数据管理系统；
（3）分析展示：运用合适的分析思维和展示方案进行组装；合适的分析模型可以大幅降低用户使用数据的门槛，更好地获取数据背后的洞察，并且需要搭配合适的合适化工具；
（4）挖掘应用：搜索、推荐、排序、风控；
3、数据产品类型
（1）用户数据产品：面向普通用户提供数据查询服务，主要问题在于数据安全和隐私。
1⃣️指数型：企业利用自己的数据提炼出相应观点和洞察趋势，提供给用户分析使用，这些企业往往自身拥有非常庞大的用户数据，可以据此得出整个社会群体对某个领域的关注度，例如Google Trends、百度指数；
2⃣️统计型：外部采集数据，经过企业内部整理呈现，关键需要可靠的数据源和数据清洗，一般来自于爬虫或SDK\插件植入，例如企查查、七麦数据、IT桔子、SimilarWeb等；
3⃣️生活型：收集用户自身数据并进行一定程度的归类、分析和可视化的产品，例如记账、运动、天气、时间管理、信息记录、机器信息、报告等；
（2）商用数据产品：由企业开发，为其他企业或商家等实体提供数据服务，具备数据采集、存储、计算、展示和分析等功能。
1⃣️分类：
数据分析师平台：让分析师和数据专家可以在一个平台上就完成数据输入、建模及数据图形化，而且使用简便，用户界面友好，集合数据清洗、展示、挖掘等全链条；
数据科学平台：专注于各种数据挖掘及算法工具，例如SAS、mathworks；
机器学习产品：专注于机器学习领域的研究和应用；
BI产品：专注于数据清洗、展示和应用环节，定位于通过商业智能的方式，使企业内各个环节提高效率和降低成本；
WEB\移动端\交易分析：专注于互联网产品本身的分析；
可视化产品：专注于数据可视化部分；
社交分析产品：利用市面上已有的社交产品数据进行分析并得到公关舆情、社交情绪等方面的结果；
数据源产品：利用应用商店、自有SDK或者运营商数据，进行清洗、挖掘和整合后，单独售卖的商用数据产品，例如questmobile；
2⃣️挑战：
企业市场产品不可避免的要在平台型和项目性游走；
数据的价值体现在使用者手里，而不在数据产品本身；
数据的安全性和重要性；
3⃣️机会：
数据价值的广泛性，解决用什么和怎么用的问题，并赋能中小企业；
数据需求的抽象性，如何将多样化的数据需求抽象成一个个产品使通用分析平台的关键，商用数据产品的抽象应当使行业级别的；
数据需求的实现程度：智能、适应范围、产品设计和用户体验；
（3）企业数据产品：由企业自建自用，主要目的是降低员工使用数据的门槛，辅助人员作出决策和提高业务效率，分为应用型和平台型。应用型专注于解决某个具体的业务问题或部门问题，平台型的目的使为前者提供更好的支撑。
1⃣️数据界定了产品的性质和边界，企业数据产品关注的核心在于降低数据使用门槛，利用数据优化业务，从而提高数据资产价值，包括了数据需求、产品需求、业务需求。数据产品不产生数据，只是数据的搬运工，要和非常底层的业务逻辑保持适当距离。
2⃣️企业内部的需求定位决定了有受众集中（地理意义+业务认知+群体素质的集中）、反馈回路短（需求反馈+价值反馈，便于随时挑战但无缓冲期）、用户体验要求低、需求繁杂琐碎（需求控制+分级）、层级明显（越上层越能体现数据价值，“老板的需求是最重要的”）、看重数据安全（用户-角色-权限的RBAC访问控制模型）等6个特征；
3⃣️应用型的核心是业务敏感度，根据不同的业务需求设计对应的数据产品；平台型强调面向各个业务提供服务，要求具备较高的标准化（主动出击，制定关键的数据资产规范）和抽象化（关注整个面的抽象和满足）水平。
4⃣️平台型企业数据产品的搭建：数据如水，让数据像水资源一样在企业流动，干净无害、随用随取、场景丰富对应准确、及时、易用、全面。能够通过丰富场景、赋能业务提升整个企业使用数据的医院和效率、赋予业务方高效使用和挖掘数据的能力，主要包括辅助企业决策、建立数据流程、优化用户体验、挖掘数据资产等。
建立数据流程 是从产品上帮助业务更好完成使用数据的流程，包括采集储存、展示分析、挖掘落地三个层次；从需求上建立一个较为完善的需求分流解决机制，将零散需求、常规需求、业务需求等分类处理完毕，并能将进展和结果及时反馈给需求方。
优化用户体验 是掌握用户数据为用户提供更加顺畅的使用体验、更加精准的营销等；
挖掘数据资产 包括标准化数据资产，不断挖掘回馈原有数据，丰富已有数据维度；
一个完善的企业数据平台应该由技术框架、数据框架和产品框架三部分。数据框架主要有数据模型、安全和质量三个模块，其中数据模型负责根据业务抽象出对应的领域模型，然后确定对应的主题域划分和维度模型。产品框架遵循WHAT-WHY-HOW划分方式，首先解决采集存储，即“是什么”的问题，将数据采集后清洗存储下来；其次解决“为什么”的问题，利用分析架构和数据可视化展示，帮助用户寻找原因；最后解决“怎么做”的问题，通过价值的深入挖掘、与业务紧密结合等方式，来确定具体的内容和方向。
总结，企业数据产品承接了来源众多的业务需求，在抽象和管理上难度较大，很容易产生冗余浪费，历史依赖混杂不清，整个BI平台变成数据的垃圾场和沼泽地。其次，数据开发工作从起来看是个细活、脏活、累活，要想长期保证数据安全、质量和规范，需要设计各种机制进行检测，并不断优化。最后，再发挥企业数据资产价值的路上还需要不断丰富场景，设计和开发符合业务场景的数据产品。
4、数据产品的衡量
（1）准确性：是最根本最重要的评价维度，由“数据错误频次”衡量；
（2）及时性：T+1、小时级、分钟级、秒级，由“更新频率”、“刷新失败频次”、“未及时就位频次”衡量；
（3）全面性：数据覆盖的指标全面性和业务全面性；
（4）易用性：用户体验问题；
5、数据产品的特点：
（1）价值间接性：数据价值主要体现在使用方手上，而非产品本身，业务的增长也无法直接归因到数据身上；
（2）自上而下性：数据的建设是一件长期且很难短时间见效的工作，一般自上而下的推动；
（3）行业异构性：不同行业的数据的采集、清洗、使用和挖掘逻辑极其不同；
二、数据产品经理能力模型
1、产品经理能力
核心是为需求或问题提供有效的解决方案，定义需求或问题首当其冲。分清需要（是本质的痛点或需求）、想要（是解决需求的手段）和要求（是用户自己认为能解决需求的办法）。接触一个需求，我们除了判断其是否存在及所属类型外，还需要判断其合理性和可能被满足的方式。要将需求尽可能用抽象化的平台或工具解决，避免重复造轮子，要尽可能贴合业务场景，力求提供更好的解决方案。growingIO和神策数据的产品帮助文档就是很好的学习对象。
2、数据专业能力
核心是数据产品设计能力、数据分析能力，此外还可以了解大数据技术架构和数据挖掘算法等方面的内容。
数据产品设计着力于提供优秀的解决方案，同时有自己的独特要求--发挥数据价值，突出表现在数据资产管理和数据业务效率提升两方面。从产出各种分析功能，到设计合适的数据可视化，利用图形精准传递信息，设计各种复杂的数据策略。考验的是定位业务场景及需求，设计高效的数据解决方案能力，在平台型产品上是以面覆点的抽象能力，在应用型产品上就是精准贴合应用场景的业务理解能力。
数据产品经理必须熟知甚至精通数据分析，基础无非是细分--对比--溯源：细分上可以通过多个维度或指标组成进行划分，然后通过时间对比或者维度对比等方式定位异常原因，最后溯源到现实的原因进行改进和优化。
技术知识则包括数据仓库、数据采集传输、大数据架构和数据挖掘等方面的基础知识。数据仓库通过设定业务主题域，将数据库表分为明细层、聚合层、应用层、维度表等实现分层管理，
3、软能力
商业认知能力、沟通协调能力、项目管理能力。
4、分级
初级：解决问题的能力。不断提高自身的专业水平，努力学习和吸收数据领域的各种内容，形成属于自己的知识体系；
中级：不断抽象领域的知识，形成通用的方案或流程；跨公司交流沟通，扩大自己的知识面，提升影响力；具备一定程度的领导力，需要有跨部门的沟通和协作，推动更大范围和更复杂的项目落地。
高级：参与高层次决策，除了让数据在部门或事业群内发挥作用，还谋求跨部门甚至行业内的价值体现。
5、分类
应用型：负责展示分析和挖掘应用环节，目的是在特定的业务场景下，利用已有数据提高业务效率。针对某个业务场景，提供对应数据产品或工具提高业务效率，比如多维分析、漏斗分析、画像分析等，用户精细化运营工具、数据化的CRM系统等。
策略型：集中在挖掘应用环节，业务场景聚焦在搜索、推荐、风控的数据策略和模型部分；
平台型：负责采集清洗和存储管理两个模块，同时会根据情况抽象提取后两个环节的通用部分，提高企业的使用效率。能够横向支持多个业务方、多个行业或者行业内多个客户的数据需求，达到产品效率的最大化，土工一站式\行业性的解决方案，跨部门\职能\层级的沟通合作。专注于抽象各需求部门的共同点，落地成对应的数据产品，提高整个公司的运转效率。比如数据资产管理、标签库设计与统一、埋点平台管理等。
