数据产品经理第一章1.1、1.2

好的，这是您要求的学习笔记。

全面认识数据产品经理

• 数据产品经理作为产品经理的一个新分支，在近年来正兴起。
• 大数据对于企业管理和精细化运营的重要性日益被认识，企业开始招聘相关人员并开发数据产品。
• 数据产品经理在企业数据化战略中扮演着重要角色。
• 优秀的数据产品经理数量有限，人才市场存在供不应求的情况。
• 这一章将介绍数据产品的定义、产品特征、设计思路和优秀的数据产品案例，以及数据产品经理的职位类型和能力模型。
• 目标是可以更全面地了解数据产品，并认识到数据产品经理的重要性。

什么是数据产品

• 数据产品是降低用户使用数据的门槛，并发挥或提高数据价值的产品类型。
• “数据产品经理”负责设计、维护和优化数据产品。

数据产品定义

• 数据产品类型旨在降低用户使用数据的门槛，同时发挥或提高数据的价值。
• 对应于用户产品和商家产品。
• 负责设计，维护和优化数据产品的人被称为数据产品经理。

数据产品组成

• 通常完整的数据产品由四个部分组成：采集清洗、计算管理、分析展示和挖掘应用。

采集清洗

• 产品通过各种技术手段将现实世界的信息线上化，传输到企业的服务器和数据库中。
• 采集源头分为两种：日志信息采集和业务库表采集。
• 日志信息从App日志、服务器日志和智能设备日志等联网设备中采集。
• 业务库表从企业的业务数据库中获取，如用户的下单数据和支付数据。
• 构建埋点系统是为了准确采集这些内容，需要对数据进行规范和管理。
• 采集的信息可能存在数据缺失或冗余、数据错报等情况，需要预定义的清洗流程进行整理优化。

计算管理

• 经过初步采集和清洗得到的信号尚不能称为“数据”，只有经过业务场景和需求进行汇总计算后，才能称为“数据”。
• 数据分为度量、指标和维度，随着业务的进展会逐渐膨胀，变得十分复杂，可以建立元数据管理系统来更好地管理这些数据。

分析展示

• 存储的数据就像乐高积木一样，需要经过合适的分析思维和展示方案组装，发挥相应的数据价值。
• 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，如漏斗分析模型和留存分析等。

挖掘应用

• 数据价值还在与业务结合的挖掘和应用上，通用的业务场景有搜索、推荐、排序和风控四种。
• 通过构建合适的策略和模型，可以提高这些场景的业务效率，如用户画像和反作弊模型。
• 也包括基于特定业务场景的数据应用，如销售推广人员的数字化绩效系统和针对客户留存唤醒的精细化用户运营系统。

数据产品类型

• 根据产品的使用对象，可以将数据产品分为三大类：用户数据产品、商用数据产品和企业数据产品。

用户数据产品

• 一般面向普通用户提供数据查询服务，任何用户均可访问，数据经过一定程度的提炼便于使用和分析。
• 示例：Google 推出的 Google Trends。

商用数据产品

• 是由企业开发，为其他企业或商家等实体提供数据服务。
• 示例：GrowingIO 和阿里巴巴的生意参谋。

企业数据产品

• 是由企业自建自用，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。

泛化数据产品

• 那些看起来与数据没有太大关系，但本质上也是利用数据来优化用户使用体验和提高商业效率的互联网产品形式。
• 示例：Google通过收集互联网上所有的网页内容并分析它们的访问数据，经过一套基于PageRank的复杂算法，大幅提高用户搜索内容的精确度。

数据产品衡量

• 评估数据产品通常采用的四个维度是：准确性、及时性、全面性、易用性
• 准确性是最重要的评价维度，是数据产品的根本。
• 通过 “数据错误频次” 判断数据的准确性，需要对指标分级，不同级别有不同权重。
• 衡量数据准备的及时程度。
• 衡量标准是“更新频率”及“刷新失败频次”等实时指标，及“未及时就位频次”
• 全面性衡量数据覆盖的指标全面性及业务全面性。
• 易用性是通过平台内监控各项功能的使用量进行衡量，或定期通过用户访谈和问卷调研来衡量用户体验的。
• 数据产品的特殊性主要体现在价值间接性、自上而下性和行业异构性三个方面。
• 数据价值主要体现在使用方手上，而非产品本身。
• 数据建设是耗时长且很难短时间见到成效的工作。
• 数据链条涉及行业的每个细节，导致不同行业数据产品的采集、使用、清洗和挖掘逻辑迥异。
• 准确性是数据产品的根本 ,会体现在产品的设计流程上,会有各种工具来保证数据的准确与统一。

数据产品详解

• 常规的数据产品有三种类型: 用户数据产品, 商用数据产品及企业数据产品。

用户数据产品

• 用户数据产品是普通用户接触最多也是最容易的一类，分为指数型、统计型和生活型

指数型数据产品

• 指数型数据产品一般由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, 如Google Trends、百度指数、微指数
• 这些企业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
• Google在2006年推出了Google Trends, 它的数据来自大量没有过滤的真实搜索需求, 具备匿名化、分类化和聚合化的特点。

统计型数据产品

• 统计型与指数型产品相比, 最大的差别是数据均来自外部采集，分为免费试用和收费版本
• 国内外的统计型产品种类多样、方便易用，有企查查, IT桔子, CrunchBase;也有七麦数据，SimilarWeb;还有Tradingeconomics网站
• 关键是可靠的数据源和数据清洗

生活型数据产品

• 收集用户自身数据并进行一定程度的归类, 分析与可视化的产品。如记账类、运动类、天气类、时间管理类、信息记录类、机器信息类等。
• 此类产品慢慢的趋向智能化和，便捷化和游戏化

商用数据产品

• 由企业或个人开发, 提供给外部企业使用的, 具备数据采集、计算、存储、展示和分析等功能的产品。例如Webtrends、Omiture, Mixpanel、Amplitude, GrowingIO
• 商用数据产品的维度可以被数据分析师平台(Data Analyst Platforms)、数据科学平台、机器学习产品、BI平台、Web/移动端/交易分析、可视化产品、社交分析、数据源产品划分
• 数据分析师平台定位于数据科学家和分析师，类似于Alteryx
• BI平台专注于数据清洗、BI平台和可视化产品与客户丰富、资源强大的To B企业合作是个大趋势。

商用数据产品之挑战

• 企业市场产品不可避免地要在平台型和项目型间游走，分为低成本扩充用户群体和通用型产品的路子
• 数据的价值体现在使用者手里, 不在数据产品身上
• 数据的安全性和重要性越来越高。

商用数据产品之机会

• 广泛性，相对于企业数据产业价值只属于一个企业，产品价值为众多企业服务
• 抽象性，如何面对数据产品的抽象，和多方面的数据需求
• 实现化，可以投入大量的，企业数据产品中

企业数据产品

• 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产品

企业数据产品之数据

• 产品关注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。
• 数据产品不产生数据，只是数据的帮运工， 要和非常底层的业务逻辑保持较好的距离

企业数据产品之企业。

• 企业需求具有受众集中、反馈回路短、 用户体验要求低、需求繁杂琐碎、层级明显、看重数据安全六个特征。

企业数据产品之产品

• 这里企业数据产品分为应用型和平台型两种。要面向各个业务提供服务，产品具备较高的标准化和抽象化水平

企业数据平台的目标

• 构建企业数据平台的建设目标, 应当是让数据像水资源一样在企业中流动，要像水电一样做到准确、及时、易用、全面四个衡量维度。
• 要建立一个比较完善的需求分流解决机制， 并能将进展和结果及时反馈给需求方。

如何搭建企业数据平台

• 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组成
• 技术框架非本书重点，此处暂不做介绍。数据框架主要有数据模型、安全及质量这三个模块。