数据产品怎么做，数据采集和产品营销的操作详解？

最近数据经理很火，最近面试了几个想做数据产品的应届毕业生，直截了当的告诉我:“数据产品前途无量。”

我很高兴他们对我足够坦诚，但在“钱景”的凸显下，我们对数据产品的理解可能仍然存在盲点。今天我就带大家从几个方面来重新认识数据产品。

因为工作经历、思考深度等原因，我的理解也有一定的局限性。每个人都有选择地采用它。如有不同意见，欢迎在下方留言互动~

一.数据产品的分类

18年才开始做数据可视化产品，19年接手同事的项目后，开始做人像端的数据产品。

在我现在的公司，我继续做数据产品，但是前后工作的两家公司在数据产品的方向上完全不同:前者是内部数据产品，后者是外部数据产品。

1.内部数据产品

前者公司有自己的核心(盈利)业务，而数据产品只是大数据中台的一部分，更多的是数据存储和数据计算……以此来支撑公司业务线在数据应用和数据分析方向的支撑。整个数据中台的结构大致如下:

数据存储层是整个公司的数据基础，也是保证数据安全性、及时性、准确性、歧义性(数据孤岛)等的关键，从而形成数据资产。这也是我和公司其他几个数据产品经理负责的产品系统(数据展示)的数据来源。

1)数据看板系统

数据呈现系统的主要愿景是减少分析师常规分析的处理时间，提高业务方的数据分析效率，辅助业务方为业务策略的调整提供依据。

前面提到过，数据看板系统的指标不是让我配合业务方确认的，只是提供一个展示图表的工具。所以，这个产品充其量抓住了业务端的亮点，辅助业务端确定“北极星指标，增长模式……”只能成为愿景。

(但在一些公司，数据产品需要参与指数构建的工作。)

2)肖像项目

我在人像项目中的工作贯穿了从“数据存储”到“数据展示”的全过程，比如“哪些人像标签需要实时/离线使用”、“哪些人像标签需要实时查询”...这些涉及到数据存储(数据库选择)的工作，需要数据产品和数据开发学生的配合。

“人像标签是统计的(基于现有数据的常规计算)还是模型挖掘的(基于现有数据的预测和推断)”，“人像标签是在分析系统(数据展示层)上查看的还是在推送系统上应用的”...这些都涉及到数据计算工作，需要数据产品提前梳理好人像标签的逻辑、定义和应用场景。

画像标签也是公司所有业务投放和算法推荐模型中必不可少的元素之一，所以整个画像项目所涉及的工作解决了业务端的痛点。

3)其他说明

内部数据产品有最独特的优势:有权查询公司数据。就是虽然我做数据看板系统那么工具化，但还是自己查询数据库发现一些问题，主动找业务方沟通数据问题。未来的方向是专注于一个垂直领域的数据/数据产品。

当然，有数据产品的公司一般都是大公司，各岗位分工明确也会让数据产品趋向工具化、技术化。

分析工作一般由分析师进行，产品设计完成上线后，数据产品除了运营推广工作外，还经常与数据开发学员就“不同粒度数据的呈现”、“准确性”、“时效性”等问题进行沟通协调。

最重要的是，很多大企业的数据基础设施堪忧，这也是数据产品会工具化、技术化的原因之一。

2.外部数据产品

现在公司属于B数据服务公司，核心业务是销售数据产品、服务、解决方案等。，从而满足企业数字化转型的需求，这似乎真的解决了企业的“痛点”。

1)数字化转型的趋势

根据CNNIC第47次《中国互联网络发展状况统计报告》的数据，从2016年12月到2020年12月，虽然网民数量在增加，但是普及率也在扩大，也就是说互联网普及率也很高，也就是对网民的争夺会越来越激烈。

(这也是各大互联网公司开发极速版争夺下沉市场用户，大版争夺老年用户的原因。)

互联网接入竞争越激烈，难度越大，甚至会流失。数字化转型的目标是帮助客户公司更好地利用数据。

基于客户的原始数据诊断，通过提供标签体系、指标体系、分析平台(专业模型分析)等数据产品/服务，形成数据资产。而通过提供用户运营中心等营销系统，可以实现客户的数据价值。

如前所述，很多公司的数据基础设施比较差，这恰恰是to B数据服务咨询公司要解决的客户“痛点”。

2)其他说明

我们的外部数据产品有一个独特的优势:可以快速了解不同行业的痛点。

当然缺点也很明显，因为只是第三方数据服务公司，很多客户的数据权限很难获得，数据分析的相关工作也很难在短时间内接触到。

因为深度无法探索，只能在广度上延伸，所以未来的职业生涯会朝着数据解决方案的专业领域发展。

当然，细心的同学已经发现，我给外部数据产品解决的“痛点”打上了引号。套用《人类简史》:“科技的发展最终让人类更累”。所以，如果企业数字化转型，会不会增加人的效率负担？

最近接触的客户，他们目前的业务找不到北，也没有明确的北极星指标和增长模式...在没有数据许可的前提下，直接将行业模型应用到客户业务中，能否实现价值增长？

我觉得现在没有人能给出一个明确的答案，我还在寻找一个方法论来支撑这个工作。

二。数据产品的用户

从前半部分的内容可以看出，数据产品分为专注于沉淀数据资产的内部数据产品和专注于数据解决方案的外部数据产品。

在上一篇文章中，我也解释了B端产品的定义:面向角色用户，设计注重效率的产品。

那么今天为什么要把这两款产品放在一起呢？

因为数据产品的本质是to B产品，意味着数据产品的使用者不是普通的个人，而是不同的角色(岗位)。

数据的产品结构根据上一篇文章可以分为三个部分:存储层、计算层、表示层。

在没有底层计算服务的情况下，直接作为产品展示的系统可以分为三类:数据存储、数据计算和数据分析。

每个数据产品将服务于不同的产品角色。详情请参考下图。

(由于作者经验有限，所列数据产品如有遗漏，请在底部留言。)

从上图可以清楚的了解到，数据产品的用户角色主要分为两类:业务和技术。

接下来，你一定会有新的疑问:“既然都是企业级的专业用户，还会区分大明、笨笨、小仙吗？”

这是个好问题，不过我先卖了，剩下的来解答你的疑惑。

有时候，用户并不专业。这并不是质疑他们的岗位能力，而是在不同的业务领域，大部分用户都会有信息鸿沟。

例如，业务方可能不知道与某项业务的数据分析相关的字段存储在哪里；同样，分析师可能不会很快知道用户的突然增加是因为营销活动的启动。

考虑到流行度和用户角色的明显差异，我们来说说“表示层”的数据产品。

这类产品的本质是提供数据分析服务，那么这类产品的大明、奔奔、小鲜用户有什么特点呢？

结合梁宁的解释，我尝试大胆解释“显示层”数据产品的用户分类:

• 大明:有明确的分析需求和清晰的分析思路；
• 笨:有大致的分析需求，但没有明确的分析思路(分析思路比较分散，没有串联起来)；
• 小鲜:我不分析需求，但是对业务略知一二，或者说比较了解。

给大家留点时间想想。如果你是数据产品的设计师，你会如何规划产品定位？难道只是大明、笨笨、小仙用户中的一个？还是各种用户？如果你不确定，那么你可以想想这三个用户是否存在于一个公司。

首先，大明和笨笨可能存在，但是小贤会存在吗？

我个人不这么认为。

首先，对业务知之甚少的小鲜，不会长久，随着工作的深入，短时间内就会变成傻子(我们可以选择先放弃低频、不重要的需求)。

其次，基本没有非常了解自己业务的用户。在变幻莫测的互联网下，对数据的需求会慢慢出现。即数据可视化产品和服务的对象是大明和笨笨。

通过数据产品矩阵，基本解决了上述用户的需求痛点。

OLAP查询工具服务大明用户，分析思路清晰，可以快速便捷的查询数据；组件分析工具服务于笨用户，主题看板帮助用户梳理分析思路，自主探索看板帮助用户完善分析思路；BI可视化工具比较特殊，既服务于大用户(自己建立数据集、创建图表和仪表盘)，也服务于笨用户(知道大方向，在分析师的帮助下，查看分析师搭建的数据广告牌)。

比如:哪个服务比竞品好？

考虑到篇幅，这里先简单说一下BI可视化工具的对比。Tableau当然是最好的服务。这里不是无脑。我把前公司的BI可视化工具unicorn和Tableau的区别列一个清单，你就知道Tableau的优越性了。

如有遗漏或错误，请在下方留言。如果你有其他数据产品推荐，也请在下面留言~)

从上面，我们已经了解了数据产品经理。你对数据产品有新的认识吗？你是否在寻找正确的数据产品方向？

还是那句话，我说的不一定完全正确。未来我会继续和大家分享产品和数据产品的相关内容。记得关注哦~