（刚发现一个n月前写了一半的内容，整理发出。内容是年初随着数据产品热度上升，研究了一波数据产品。果然是放下超过2天，就难以提起来了。）
昨晚老罗直播，盛世空前，连我这多次卸载抖音的用户也忍不住重装，专门寻找入口去围观……
随着老罗直播热度不断上升，朋友圈出现了一个叫“抖抖侠-直播监控大厅”的产品，并且频繁报错“服务升级中”中获得了广泛的讨论……
PC端产品功能截图
作为产品经理，第一反应就是这个什么产品？哪家的？做什么的？
这是个什么产品
根据页面标题、企查查和公众号信息，这是一个第三方的数据工具整合平台，能够提供账号和市场分析、市场动态等一系列工具，但不是抖音官方产品。
拥有十分强大的功能，平台依托专业的数据挖掘与分析能力，构建多种维度的数据算法模型，对抖音账号价值评估构建了权威的市场领先标杆，对视频诊断预测了视频最大传播力度，有效的辅助了用户了解视频的受众喜欢情况。
——官方介绍
在现在这个大数据时代，对于做产品的人来说，这类大数据产品并不陌生。
从《2020年中国数字营销与数据智能解决方案生态报告》整理的解决方案生态图中来看，所罗列的产品均属于数据产品。
什么是大数据分析产品
这类产品主要用来数据的自动获取、分析，支撑商务、运营分析，对用户展示通常为报表、图标的形式。
从应用领域角度，大家熟悉的有，2C客户的近期疫情综合平台（详见《值得收藏！全网最全疫情大数据产品清单（第一批次）》、微信公众号数据分析平台等；2B客的电商商户的生意参谋、营销推广等；2G客户的BI商务智能产品等。
大数据分析产品的产品经理就是数据产品经理么
嗯，目前可以这么理解。近年来随着大数据、AI技术成熟，数据能力已被应用到各种场合，各种基于数据的服务产品的产品经理都可能被冠以此title。
从能力角度来说，基于招聘网站挂出的岗位要求，基本得有数据分析思维、了解数据挖掘、机器学习基本概念、负责过精准营销、个性化推荐、用户画像、BI等常见数据应用产品。
附，常用到的一些关键名词
数据库：指长期存储在计算机内有组织的、可共享的数据集合。经常指生产库，就是客户操作网站更新的数据库，这个一般不允许开发工程师直接修改数据。对响应要求比较高。
数据仓库 Data Warehouse：是一个面向主题的(SubjectOri2ented) 、集成的( Integrate ) 、相对稳定的(Non -Volatile ) 、反映历史变化( TimeVariant) 的数据集合用于支持管理决策。可以理解为所有子产品的数据汇总，且由历史变换，常用作离线数据分析的数据来源。
数据集市 Data Mart：存储为特定用户需求而预先计算好的数据，从而满足用户对性能的需求。可以理解为，数据再整理汇总，为常用查询提供更高效的查询效率。
数据仓库与数据集市区别可参考如下案例：
假设为某银行构建一个分行级别的数据仓库，再为该分行国际业务部构建数据集市。数据仓库的数据来源于银行的业务系统，包括：储蓄、卡、个贷、外汇宝、中间业务等等，分析的主题包括客户、渠道、产品等。数据仓库的数据粒度根据分析的要求而定，一般包括具体的历史记录（存款、取款、外汇交易、POS 消费、中间业务缴费记录），然后，将这些记录汇总到天/周/月/季度/年等各个层次，具体数据的粒度由分析的需求而定。另外，数据仓库还存储一些业务逻辑——为分析而计算的一些指标。比如，客户的价值或客户的忠诚度。这些指标的计算不能通过单一的业务系统，需要在所有业务上综合考虑，这也是数据仓库系统的优点之一。假设整个分行有20 万个客户，那么数据仓库将包含20 万个客户的所有业务的历史数据、汇总数据、以及数据仓库指标数据，数据量会达到几十甚至数百G（这只是非常小规模的数据仓库）。数据仓库为了满足全行所有部门用户的查询和分析，只能采用范式化设计，这样不管用户有什么需求，只要有数据存在，就能满足。再假设国际业务部门的客户有2 万人（使用外汇宝），如果不构建数据集市，他们会直接在数据仓库上查询相关的信息，比如外汇宝客户去年一年外汇交易额在各种交易方式上（柜台、网上、电话银行等）的分布。查询的效率和性能是非常低的，如果各个部门的所有用户都直接在数据仓库上查询相关的信息，数据仓库的性能会下降，而且无法满足用户对性能的需求，谁都不愿意为一个简单的查询等待数分钟甚至数小时。因此，构建部门级的数据集市是非常必要的，主要基于性能上的考虑。国际业务部门的数据集市包括2 万个客户的外汇交易历史，以及汇总，采用星型模式（或雪片，或两者混合），以方便OLAP 工具的查询和分析。从这个简单的例子，可以看出，数据集市的数据来源于数据仓库，主要是经过重新组织的汇总数据。因此，多个数据集市不能构成一个企业级的数据仓库，借用Inmon 的比喻：我们不可能将大海里的小鱼堆在一起就构成一头大鲸鱼。这也说明了数据仓库和数据集市有本质的不同。
数据分析：强调使用统计学方法，发现有用信息，支持决策，构造建设性结论。基于统计，对信息分类，比如对网站访问量、访问区域、下单量的分析等。
数据挖掘 Data Mining：与大数据关联性更加密切，利用人工智能，机器学习，统计学等知识，对于大型数据集进行分析，发现规律，预测未来，辅助决策。比如电商的用户画像、用户标签、推荐等。
数据建模：是对现实世界各类数据的抽象组织，确定数据库需管辖的范围、数据的组织形式等直至转化成现实的数据库。比如通过数据描述一个电商场景下的相关主题，买家、买家、商品、订单等，并建立之间的联系。
BI（Business Intelligence）商业智能：目的是进行数据分析以实现商业价值。
网友评论