世界正在信息化，数据越来越多，基于数据开发的产品也越来越多，越来越多！
一般数据产品，都包括如下典型流程：
1.数据获取
2.数据转换
3.数据应用
数据产品经理的工作，如果按上面的数据流程来看，主要包括三种类型的工作，不同的数据PM工作偏向不同（以下分类也不是严格划分的）。
一.数据获取、清洗
要做数据产品，首先要有数据，数据来源，大概有2种方式：别人给、自己找。
别人给，当然好，但是要么得掏钱，要么会有使用限制。别人给的数据，数据质量也可能会是问题，乱码、缺字段是常有的事。
自己找，会比较麻烦，自己的系统，可以加码、埋点，地图的产品，会需要定期更新地图。数据不受自己掌控的话，看看能不能通过爬虫抓取（爬虫帮你圆大数据的梦），有很多基于爬虫的数据分析产品，用户分析、舆情分析、物价分析、量化投资等。
在数据获取和清洗环节，数据PM需要：
1.会将业务需求进行解读。
最终转化成不同的数据需求，数据PM首先要确定这些数据如何获取，确定最终的方案。
2.特别注意数据质量和数据稳定性。
上游数据质量就差的话，下游的每个环节都要浪费很多时间来处理。数据质量可以靠校验、对比，数据稳定性可以靠监控。数据的上游，需要勇于怀疑数据的质量，这是最容易出问题的环节，在这里，各种抽样、枚举、对比、假设，各种SQL、ES、Hive查询，善于对数据做各种图表分析。要比用户更早的发现问题，比工程师更快的排查问题原因。
3.评估数据的成本和收益。
数据是有成本的，量越大，质量越高，成本越高。所以，要合理的设计数据获取的策略：
走接口、FTP、还是硬盘邮寄；
数据多久更新一次，是否去重，如何去重；
热数据怎么存，存多久，冷数据怎么存；
虽然说数据越全，数据质量越高越好，但是一分钱一分货，最终的数据获取和清洗方案，需要综合考虑成本、收益、开发难度、开发排期（似乎每个产品都这样，不止是数据产品@@）。
经常需要谈数据合作，找数据找破头；
经常需要看API文档，接口查字段；
经常需要和人撕，别人的东西总是容易出问题的。
二.数据转换、数据服务
基础数据已经有了，开始要大干一场了，数据转换的环节，高端的说法，是ETL，我简单的理解为：拿到基础数据后，会根据不同的业务需求再做数据清洗，然后将数据导入各个数据转换或计算模型，并对更下游的应用提供数据服务。
这里的模型，不一定是用户画像、推荐这些，也可以是基础的筛选、排序、匹配、简单的逻辑计算。
为了让应用层拿到更高质量的数据，减少应用层的计算，这一层做有很多很多的小的计算模块，也经常做服务分层，分为基础数据服务层（业务弱相关层）、业务强相关层。
数据转换层，可以对外提供商用的计算、存储服务，还可以直接数据变现，比如ID匹配，或者直接卖数据。
在数据转换环节，数据PM特别需要和架构师深入沟通（或者工程师），数据PM的职责包括：
1.需要了解很多数据存储、计算的知识
MySQL、Hadoop、HBase、Spark、Redis、Kafka…很多很多，不需要都深入了解，但至少了解他们的功能、特点、差别，然后能更好的和工程师沟通，更好的参与方案设计。
2.全局设计能力
PM更了解业务，工程师更了解技术，两者协作，完成数据处理流程的设计或优化。但是，大公司，可能分了很多很多层，基础服务层，可能不需要PM，PM提需求就行。这部分比较虚，没什么经验的时候也没法做，做久了、思考深了，慢慢就会了（其实，这一层，和应用层的关联很大）。
3.成本收益评估、数据质量、服务稳定性
数据转换层，会消耗更多的计算资源，这里通常有着庞大的集群，所以，这里设计的好，能节省大量的资源，同样也要评估成本收益，要勇于拒绝应用层妙想天开的需求。
这一块的数据质量、服务稳定性，同样重要，对上要担心数据供应的问题，还需要对下游的数据应用负责，三明治的感觉，出问题的时候容易感觉鸭梨山大！
数据转换层，需要更强的逻辑分析能力，业务那边反应的问题，很可能是他们自己的问题，也可能是上游数据供应的问题，当然，更有可能是漫长的数据转换流程，有环节出了问题。这一层，除了要会各种SQL、ES、Hive查询，还需要熟练Excel或者SPSS，还需要熟练使用业务端的产品（故障复现很重要），还需要做好业务级指标的监控告警，最最重要的是，要提前想好各种情况的应急方案，是艰难的提供服务，还是提供有损服务，还是人工支持。
三.数据应用、数据展现
应用层，各个公司的数据应用层就丰富多彩千差万别了，有流量分析、广告分析、用户分析、销量分析、财务分析、传播分析、ERP…(额，本狗知道的有限)。但是，本狗认为用户画像、反作弊、广告投放策略、推荐、NLP等模型或策略类的产品，才算是数据PM，像BI类的产品，各种业务的指标维度，以及可视化展现（业务有多丰富，BI系统就有多么庞大），应该分类为是商业（数据分析）产品，这类的PM工作和具体的业务严重绑定，而且经常有很多定制化功能要做。
本环节的数据PM，能力偏向如下：
1.数学功底及数据分析能力
懂算法、建模、调参，是必不可少的，贝叶斯、隐马、协同过滤…捡起矩阵论、数理统计的课本，掏出机器学习、人工智能的经典，亲手撸起R、python、java，准备一大叠白纸推公式…
但是大公司，会有专门的算法工程师，PM只要能理解就行。数据分析能力也是必须的，这里更需要去解读数据，特别是异常的数据。
2.深度理解业务
用户画像、反作弊、广告投放策略、推荐、NLP这些，是和业务紧密关联的，比如广告、打车两个领域，都有反作弊。这些应用离钱更近，一点点的指标的改进，都能带来很多钱。
数据产品和商业产品、用户产品，差别很大，每天都是和数据打交道，需要深入了解各种数据分析方法、数据的存储计算。数据PM也需深入理解业务，否则就变成数据分析师或者数据科学家了。
经常发出这样的感慨：数据质量怎么这么差啊！前面的人清洗了么？尼玛清洗了过后怎么还这么差…
关注微信