数据产品的定义和种类？

作者：老读悟
链接：https://www.zhihu.com/question/19679589/answer/90363633
来源：知乎


看到陆陆续续还是很多人关注数据产品，我把当初首发的《数据产品的前世今生》原文转过来，希望对大家有所帮助。

-------------原文分割线--------------
互联网是个制造流行概念的行业，“数据产品”也不幸免。其实，数据产品的“实”早就存在，只是“名”是后面几年慢慢流行起来的。

我看到过很多讨论数据产品的文章，但大家基本没有统一的认识，对概念的理解也不太认同，所以这里想简单写写自己的观点，主要内容也是不会在其它网文看到的一家之谈。

1、什么是数据产品

要谈清楚数据产品，首先不可回避的“俗套问题”便是数据产品的定义认知。我的理解是：广义来看，数据产品是可以发挥数据价值去辅助用户更优的做决策（甚至行动）的一种产品形式。它在用户的决策和行动过程中，可以充当信息的分析展示者和价值的使能者。从这个角度讲，搜索引擎、个性化推荐引擎显然也是数据产品，由于产品形态已经比较成熟，所以很少被人划分到数据产品的概念里，另外，这类产品往往大都在数据外面穿了一层外衣，使非专业的用户并不能直观的感受到数据的存在。

除此之外的，便是狭义范畴的数据产品，比如大家熟知的淘宝数据魔方、百度指数、电商的CRM平台、各种公司内部的数据决策支持系统等都是数据产品，我后面会有个结构化的分类介绍。

2、为什么会有数据产品

人们日常的商业活动都是“决策”和“行动”的螺旋上升过程及交织在一起的子过程（图1），主过程里的决策表示内心拿定一个主意要怎么做，要达到什么样的目标，行动是具体的执行过程，比如用户要解决出行不方便的问题，他的主决策可能是“买一辆适合自己的轿车代步”，而在具体行动过程中，马上又会面临“买什么车”、“在什么渠道买”等子决策问题。

所有的决策以及行动中的子决策过程都是基于“某种参考”的，最简单的参考可以是自己的直觉，好一点会依赖“过来人”的主观经验，但拍脑袋决策越来越难，所谓专家也屡屡被打假；而最优的决策需要依靠“证据”，定量的证据即时数据，随着数学、统计学、计算机科学的普及，数据在决策优化过程中的价值越来越大，在大数据时代尤其如此。

决策过程中，数据的价值可以通过什么来体现？不外乎三种：a.数据本身、b.数据服务、c.数据产品。举个例子来说，如果某用户想知道明天的天气是否适合出行，他可以直接看明天的气温数据，这个就是数据本身在发挥价值；他也可以咨询相关的数据分析师或咨询顾问，由他们提供人工的数据服务或解决方案来判定明天的天气；第三种方式便是使用数据产品，它把数据、数据模型以及分析决策逻辑尽可能多的固化到一个软件系统中，以更自动化、更准确、更智能的方式来发挥数据的决策价值。

3、数据产品的分类

在狭义的范畴里，从使用用户来看，可以是企业内部用户，外部企业客户，外部个人客户等。从产品发展形态来看，从最初的报表型（如静态报表、DashBoard、即席查询），到多维分析型（OLAP等工具型数据产品），到定制服务型数据产品，再到智能型数据产品、使能型数据产品等。（如题图所示）。





由于报表型数据产品过于苍白、可视化能力有限，而多维分析型数据产品更适合于专业的数据分析师而不是业务或运营人员，使用局限性也越来越大，所为未来的趋势可能是定制服务式和智能式的数据产品。

所谓定制服务型数据产品，是基于用户的深层次需求，构建最适合当前业务痛点的数据模型、产品设计、可视化方案等。在这里数据产品充当的更像是服务提供者，而不是一个通用的工具。

智能型数据产品则会更多的将大数据的智能性融入产品，并与决策逻辑结合起来，发挥作用。比如，你可以有一套传统的会员营销系统，允许你按自己的规则筛选目标用户；而也可以在更智能的数据产品中这样来实现：输入你的营销目标及参数，比如要开展双十一母婴市场的促销活动，系统可以基于以往海量数据计算出应该选择什么品类的商品，在什么用户群中，以什么形式开展活动效果会更佳。

现有的大多数数据只是告诉你现在或未来的情况是怎样的，问题痛点出现在哪里，但却不能给出更完善的建议，甚至支持一个建议的执行。使能型数据产品要做的就是这样的工作，它不仅可以告诉你，哪些用户流失的倾向性大，还可以直接引导用户展开后续补救的执行流程，哪些细分群体需要通过促销活动刺激，哪些需要服务关乎，哪些需要为他提供专享的VIP业务，哪些需要更好的互动等等。



4.数据产品需求把握的特殊性

一个真正好的数据产品要首先把握一个核心——找到用户的真正核心需求、痛点。这句话对于非数据产品的产品经理来说简直就是天经地义的废话。但对于一个数据产品经理而言，得来却不那么容易，有其特殊性。

第一个特殊性，是需求层次特殊性，数据产品的用户中往往会有很多内部用户，他们对数据、数据分享、数据处理的理解和熟练程度各有不同，因此会提出各种不同层次的需求，概况起来大致包括：1).业务/管理需求；2).分析需求；3).数据需求。举例来说，某电商要改善全体用户的订单转化效率，这个便是第一类需求；为了完成此目标，会有很多工作要做，也会有很多分析需求随之产生，比如分析商品详情页的跳出趋势，便是第二列需求；而具体某某数据项的统计则属于数据需求。最可怕的便是，需求方遇到了问题（第一类需求），指定了错误的分析策略（第二类需求），有提出了明确的数据需求（第三类需求）。而对于数据产品经理，从数据需求，引导出分析需求，进而介入反应具体痛点问题的业务/管理需求，是一门必修课。

第二个特殊性，是内部数据产品需求方的特殊性，企业内部的数据产品的用户，既是是用户，也是自己的同事、朋友、领导、下属，他们本身就对产品经理的决策权有一定的干预能力，需要产品经理去平衡“理想与现实”，你懂的。这种情况对于非最高决策者直属的数据团队而言，尤为严重。

5.数据产品的三个关键要素

我认为，要成就一个数据产品，需要关注三个关键要素：1).数据、2).决策逻辑、3).行动流程。





数据的价值，毋庸置疑。它就像整体产品内部流淌的血液。具备什么样的数据类型、数据周期、数据粒度，往往会决定你的数据产品可以提供什么服务。

决策逻辑是很多平庸的数据产品所欠缺的，它们只是简单的、响应式的展示了需求方的报表。好的数据产品，应该可以帮助用户思考，尤其是将平时用户遇到业务痛点是的决策逻辑，部分或全部融合到数据产品后，可以可视化的、动态的、便捷的显性化决策的过程，提高用户的决策效率。

仅仅停留在发现问题、分析问题是不够的，我们还需要对问题的解决能力，这就涉及到第三个关键要素——行动流程。举个例子，当数据产品分析某个细分用户群时，发现最近一个月其活跃度明显下滑，那是否可以自动触发一个营销流程，基于用户的特征，开展个性化的“行动流程”，并在流程中的各个环节发挥数据的价值。

6.数据产品与大数据的关系

非常不想写这样的踩着三俗概念的解释性文字，因为大数据是一个被所有人提起，但几乎所有人又不明白的概念。我在这里写什么概念解释都是错的，徒增搜索引擎的“负荷”。

所以，还是回溯到核心价值角度来看：前面提到数据产品最大的价值在于辅助使用者优化决策，以及辅助决策价值的实现。如果把数据产品比作一台机器的话，那数据就像这台机器运转的原材料。“原材料”+“处理过程”+“结果展示与应用”≈数据产品。

而大数据当然也属于数据的范畴，它好比是一种更高效的原材料，可以提供更高效的价值（更多角度的、更深度的、更实时的信息与知识，尤其是预测性的知识），“高效的原材料”+“高级的处理过程”+“高级的展示与应用”结果也是数据产品，当然你也可以土土称之为“大数据产品”。

再举个不专业的例子来理解：大家熟悉的“天气预报”就是一个典型的数据产品，它的原材料可能有很长时间段的温度、湿度、风力、日光强度、紫外线强度、PM2.5值、位置信息、卫星上的采集的各种数据、其它地面设备的各种专业的气象相关数据（示例而已，专业人士请自行补充）；对这些数据的筛选、清洗、分析、挖掘等一系列“处理过程”可以得到未来几日在几个核心气象特征的数据值与概率（温度、风力、阴晴雨雪等）；而我们看到的天气预报这款数据产品，则是将上述核心信息综合到一起，赋予视频+GIS的展示形式，以及复制大众在“行动”方面的建议（出行建议、穿衣指数、洗车指数等）而成的。

而这种大数据结合数据产品发挥更大价值的例子身边还有很多。试想，你如果能够准确预知明天某只股票的涨跌趋势，比费尽心思基于部分历史信息总结出来的规律要有价值的多；你如果可以知道下个月哪些用户会突然对母婴类商品大宗采购，也会节省很多“千人一面”的传统广告费用。

而一个数据产品的产生过程，最合理的恰恰就是从价值驱动的角度出发的。而不是单纯的从数据出发或者从技术出发。

最后：数据产品的6个方面写下来，有概念，也有白话的示例，初衷是想从基本的生活常识和基本的逻辑角度出发去看待所谓的“新生事物”，而不是动辄各种专业术语，写者高高在上，听众云里雾里的感觉。

作者：陈新涛
链接：https://www.zhihu.com/question/19679589/answer/147362167
来源：知乎


刚好最近写了篇讲各类数据产品的文章，以及各类数据产品的优缺点和对从业人员的要求。
分类方法和@老读悟 和@大头鱼 同学有异曲同工之妙，也算是巧合了哈哈。
个人恰好经历过前两种产品，希望这些经验能给题主一些借鉴吧。
数据产品的分类根据产品的使用对象，我们可以将当前的数据产品分为三大类，分别是面向企业内部， 面向企业外部以及面向用户三种。企业内部产品是企业自建自用的数据平台或算法策略，辅助企业员工做出决策或成为产品逻辑的一部分。面向企业外部产品，即由某企业开发，为其他企业提供数据服务的产品，SaaS 是其中一种模式。面向用户的产品则是根据平台或网络中的公共内容，提供某些数据给普通用户分析查看。最常见的就是各种常见的指数，如淘宝指数，微博的微指数，国外的 Google Trends 等。
无论在哪种类型的产品里，都需要遵循数据价值的两个特点：

• 数据价值取决于其准确性
• 数据的价值体现在使用者手里。而在使用组织内部，只能由上往下推动
  

1. 面向企业外部的数据产品

面向企业外部的数据产品，即由企业或个人开发，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。随着社会分工更加细化，这类企业在国内外逐渐增多，从最早期的Webtrends，Omiture，到现在的 Mixpanel 等，不一而穷。它们除了拥有企业服务产品的共性外，还有几个特殊的“症状”：
（1）这些产品不可避免在平台型和项目型间游走
要想以低成本扩充更大用户群体，获得更高价值，必然得走通用型的路子。但企业与用户不同，需求是非常理性及个性化的。此时就会出现很多定制化的需求，为了满足这些大客户，在竞争中获胜，则可能慢慢滑落到定制化那边，沦落为一个高科技外包公司。对于数据产品来讲更是如此，不同行业的公司，甚至一个行业的不同公司，对数据的需求也会千差万别。举例来讲，同样是 O2O 的餐饮行业，美团外卖和回家吃饭关心的数据类别，分析方式也会有很大不同。而对于协作类，流程类产品来讲，这种差异性可能没那么大。
（2）数据的价值体现在使用者手里，不在数据产品身上
这点也和其他类企业产品不同。沟通类，协作类和流程类企业产品，价值体现在自身产品上，只要用了就有价值。但对于数据产品来讲，更重要的是，企业如何根据数据做出行动。这要求企业本身需要具备浓厚的数据说话的文化，并且能够由上往下推动此事进展，不啻于又一座大山。这座大山如果不翻阅，数据产品的价值就无法被客户感知，从而导致产品粘性下降，客户流失。
（3）因为数据的安全性和重要性，此类公司价值存在一定天花板
在未来的时代里，数据的重要性越来越大。即使对于没意识到数据的重要性的大公司，也会刻意地把大数据挂在嘴边（没错，我并不是在黑某度）。而安全性，也会引起拥有用户隐私的巨头，及银行类航空类公司前所未有的重视。基于以上两点，大公司势必会选择将数据紧攥在手心，然后不差钱地拨出一波团队来专门做这一摊事。而这就限制了此类公司的目标群体只能在中小型企业身上，这便成了它们最明显的边界。在大型企业中，它们最合适的定位是作为企业数据战略的补充者存在。
以上种种，并非在以一个过来人的身份告诉大家一点人生的经验。在高山地见攀登者，于远洋处有渡航人。这个行业有它迷人的地方。

• 亮点一：数据价值的广泛性。因为数据面向的企业多了，所以价值取胜在广而不在深。在这方面，此类企业对整个中国市场的启蒙非常重要。数据就像中世纪的骑兵，培养起来杀伤力不错，但一般国家养不起，因为没钱没马没传承。中小型公司因为人员和精力的问题，并没有沉淀和能力做数据，更别谈专业的数据分析了。很多企业，连跳出率是什么都不知道。这时候这类公司便冲了进来完成了早起的市场教育，解决了用什么（What）和怎么用（How）的问题。这相对于企业内部产品局限在管理层和某几个部门来讲，实现的价值要广泛得多。
• 亮点二：数据需求的抽象力。如果旨在做一个通用的分析平台，那么如何将多样化的数据需求抽象成一个个产品就是关键。甚至可以针对不同行业，不同职位的人提供对应的分析模板，以及有普适性的分析功能。在这一块，Domo一直做得不错。
• 亮点三：数据需求的实现程度。可以投入大量精力开放在企业内部不太可能投入的功能，如更加智能，适应性更加广的分析产品等。
  

对于数据相关的从业人员来讲，它有着另外一个魅力：数据产品也开始注重产品设计和用户体验了。虽然这并不是此类产品成功的核心要素，不过也算是告别了企业内部产品“做出来你就得用”的时代，需要考虑数据如何以更便捷更友好的方式展现给用户。
推测出口：面对这些现状，此类数据产品适合先确认自己的定位，比如针对中小型企业或者传统客户，根据定位打战。其次，专注于某个方面，打造自己的亮点，夺取自己的核心客户，如 GrowingIO 的无埋点或神策的支持私布的用户行为分析。最后以此，做合理的横向扩张，比如将某些核心功能打包成为一个子产品，对外开放使用。一方面提高产品的知名度，另外也能开拓新的 Leads 和做 Upsell 的机会。只要中国市场产生出了足够的中小企业基数，出路还是蛮宽广的。
目前国内外存在很多此类数据产品，所有这些产品的类型逃不开数据采集清洗，数据计算，数据存储到数据展示分析整个链条。有些是专做其中某个环节，有些则是会涉及几个方面。根据环节的不同，面临的问题和亮点也不尽相同，对于它们详细的分析足以展开一篇新的文章，此处便不详谈。
2. 企业内部产品



企业内部产品中，按职能范围划分，可以分为平台型和业务型，其中具体的职责分配视公司的数据架构而定。但万变不离其宗，平台型主要是建设底层计算平台和通用工具，业务型更多的偏重于结合业务的 BI 系统和报表工具。如阿里的 Onedata 就是一个集团的数据平台，集数据规范化定义，数据计算存储和用户标签等为一体。而天猫可能就会利用这套系统自己搭建一套业务型的数据平台，并利用 Onedata 提供的数据标签对自身的用户做精准营销。
按内容划分，则主要可划分为分析类和策略类。分析类主要是商业 BI 方向，包括了数据采集清洗，计算存储，展现和分析部分。大公司会特意把这些模块区分出来，再单独招人。入行时可选择某一个细分领域开始切入，但要把握全局，注意数据全链条的使用。BI 的类型也因部门而异，举例说说明有数据基础建设部门，销售分析部门，产品分析部门，供应链分析部门。部门的重要性视公司自身的业务特点而定，这个和其他岗位的选择逻辑是类似的。策略类的方向较多，对专业能力和职场经验要求也比较高。常见的有搜索推荐，风控和反作弊，精准营销和用户画像。这些有时候会有部分或全部不划在数据部门下面，但都需要比较规范的数据基础，以及着重与利用数据分析调整产品策略。
做企业内部产品，有些点必须提前注意。这些点与文首的两个特点息息相关。

• 数据质量非常重要。因此对应的数据采集，清洗方案都必须慎重。
• 数据价值取决于高层，所以挑个了解数据并愿意投入精力的公司非常重要。这一点大概可以通过面试过程中，公司在数据方面人才的投入程度看出一二。如果说我们什么都没有，只是差个数据工程师/分析师/产品经理，同学，还是得三思啊。
• 受关注度不高：毕竟数据不是实际业务，无法直接对前线数据产生影响。在关注度和资源倾斜力度上，与一线部门肯定有所区别。这一点包括下面会提到的临时需求繁多纷乱，都与数据价值体现在使用者手里密不可分。
• 临时需求繁多纷乱：既然价值体现在使用者手里，则意味着部门会与你有很多亲密接触的机会。这些需求大多数属于碰到某些情况意外需要了解某些数据，而且往往会打乱自己的产品规划。
  

基于以上情况，这要求从业人员得有几个素质：

• 首先是数据产品本身具备的专业能力，如数据资产管理，数据可视化，数据分析等。
• 其次是对业务的敏感度。在企业内部，需要靠业绩说话。你界面做的再漂亮，分析功能做得再完善，如果对业务起不了与投入相匹配的促进作用，就不是一个成功的内部产品。
• 其次是比较好的需求管理能力，如果这块没把控好，很容易就被如滔滔江水的临时需求给淹没。最合适的方法是“长中短结合”，紧急的需求先满足，同时不能忽视数据平台的建设，抽象出来一个面能满足一个个散落需求的点。
• 最后，需要有比较好的内部 PR 能力。 这与数据价值比较隐性，很多与业务表现没有直接关联有关。所以一方面你需要将数据分析的知识和技能在内部推广，另一方面也需要将数据成功案例对外宣传，树立起大家用数据说话的习惯和信心。
  

3. 面向用户的数据产品现在国内积累了大量用户数据和消费数据的公司，都会推出自己类似的产品，如腾讯的 TBI 指数，阿里巴巴的淘宝指数，百度的百度指数，微博的微指数。据称，知乎也正在谋划着推出自己的知乎指数。此类产品重在了解趋势，对判断一些产品和事情的趋势很有些有趣的地方。以下是我2016年上半年研究今日头条和腾讯新闻之间的情况时，分析结论和和目前的指数情况。



当然从日活上来看，腾讯新闻因其深耕多年，以及其庞大的用户基数，还是短时间内难以超越。但是用户数差距已经非常小了，而在使用时长上，则已远远超越。以下数据来自于 Questmobile 报告。



综上所述，无论是哪一个类型的产品，根本方法万变不离其宗：根据对比细分溯源的基本方法论，和对于业务的理解和分析场景，建立起一套行之有效的分析框架。期间需要根据业务的变化不断调整，不断推翻已有结论，不断完善。如何最大化数据价值，如何讲清楚一个故事，是所有数据产品经理奋斗的终极目标。
写到这里，各类产品中，个人所见难处和亮点，大概就是这些了。一方面是对以往思考做些总结，另一方面也是对意图进入这个行业的人提供些借鉴，其中有失之偏颇的地方，欢迎大家一起交流。
作者：陈新涛，美团外卖首任数据产品经理，曾于大数据公司 GrowingIO 任职。研究国外业内前沿数据产品，了解当前实现数据价值的最新思路和实践。微信公众号：三生石（ourstone），欢迎关注交流。