一个公司发展到一定阶段，随着员工数量和业务数量的爆发式增长，公司层面势必会对数据引起重视，都知道数据的重要性，但到底怎么去处理数据，数据到底能带来什么用处，这就需要产品经理去规划整个数据的产品线。
生活中充满着无处不在的决策，在日常的生活中，工作中，学习中，面对一系列问题，我们会首先进行分析，然后决策，再行动。而我们分析问题靠什么进行取证呢？ 人们做出决策，就得需要证据，而定量的证据即是数据。就比如说我在工作中遇到一个很简单的问题其实就需要数据来辅助决策，在招聘网站上发布职位，目的是获得更多候选人投递，进而offer合适的人，那么这就涉及到两个问题，一是在什么渠道投放职位有效性更高。二是怎么获得更高的职位曝光率得到更多的简历。这就需要统计一段时间以来的渠道有效性和投递量，投递量进而可以通过时间和成本维度进行细分，进而指导我们的职位发布策略。
一、数据产品究竟是什么
数据产品就是把数据，数据分析，决策逻辑尽可能的固化到一个软件系统中，以更快的更新频率，更准确的分析结果，更智能的提醒方式为人们提供数据价值。
可以发挥数据价值，辅助用户做出更优的决策或者直接行动的一类产品，可称之为数据产品。
从数据生产流程开始说起，数据流程基本分为数据采集、数据清洗、数据存储、数据应用，基本每一步骤都会有对应的产品，比如埋点管理系统、日志收集系统、离线/实时处理系统等等，最上面一层也是最直观的就是数据应用层。
二、数据分析思维
2.1 杜邦分析法
杜邦分析法目前主要用于财务领域，通过财务比率的关系来分析财务状况，其核心要点是将一个大的问题拆分为更小粒度的指标，以此了解问题出在了哪儿，从而对症下药。以电商行业为例，GMV（网站成交金额）是考核业绩最直观的指标，当GMV同比或环比出现下滑时候，需要找到影响GMV的因素并逐一拆解。
GMV下降如果是因下单用户减少所造成的，那么是访客数（流量）减少了，还是转化率下降了呢？如果是访客数减少了，那是因为自然流量减少了，还是因为营销流量不足？
如果是自然流量下降的话，可能需要在用户运营和产品运营端发力，如果是营销流量不足，那么可以通过营销活动或者站外引流的形式增加曝光量。
同样，如果是转化率的问题，那么需要对用户进行细分，针对不同阶段的用户采取不同的运营策略，
最后，如果是因为客单价不高，那么需要进行定价及促销的方案优化，比如识别具有GMV提升潜力的商品进行定价优化，评估当前促销的ROI，针对选品、力度和促销形式进行优化。
2.2 同比热力图分析法
把各个业务线的同比数据放到一起进行比较，这样能更为直观地了解各个业务的状况。
构建一张同比热力图大致需要三步：
按照杜邦分析法将核心问题进行拆解，这里仍以电商为例，我们将GMV拆成了流量、转化率、商品均价和人均购买量，即GMV=流量*转化率*商品均价*人均购买量；
计算每个业务各项指标的同比数据；
针对每一项指标，对比各业务的同比高低并设定颜色渐变的条件格式，以上图中的转化率同比为例，业务5转化率同比最高，为深橙底色，业务3转化率同比最低且为负值，因此设定为蓝色底色加红色字体。
通过同比热力图的分析，首先，可以通过纵向对比了解业务自身的同比趋势，其次，可以通过横向对比了解自身在同类业务中的位置，此外，还可以综合分析GMV等核心指标变动的原因。除了电商业务的分析以外，同比热力图同样适用于互联网产品数据指标的监控及分析，该分析方法的关键点在于拆解核心指标，在本文后面的产品运营类方法中将会介绍相关指标的拆解方法。
2.3产品运营的关键数据
产品运营是一个长期的过程，需要定期对产品的使用数据进行监控，以便发现问题，从而确定运营的方向，同时也可以用于评估运营的效果。产品运营的常用指标如下：
使用广度：总用户数，月活；
使用深度：每人每天平均浏览次数，平均访问时长；
使用粘性：人均使用天数；
综合指标：月访问时长=月活*人均使用天数*每人每天平均浏览次数*平均访问时长。
产品所处阶段不同，运营的侧重点也会有所不同。在产品初期，核心的工作是拉新，应该更加关注产品的使用广度，而产品的中后期，应该更加注重使用深度和使用粘性的提升。
对于不同的产品也需根据产品的性质来确定核心指标，比如，对于社交类产品，使用广度和使用粘性至关重要，而对于一些中台分析类产品，提升使用深度和使用粘性更有意义。
三、寻找数据产品需求领域
数据产品的首要任务是帮助人们做出决策，而不是直接用于创造利润。数据产品是一个分析数据与展示数据的工具，因此可以从两个方面进行挖掘数据产品的需求：决策和数据。
决策需求：哪里有决策，哪里就有需求。有数据服务的地方就有数据产品的需求。比如：高考志愿，天气预报
数据需求：哪里有数据，哪里就有潜在需求。
我们如何获取这些需求呢？可以通过以下方法：1.深入观察用户行为；2.定性的用户访谈记录；3.定量的用户调查数据
四、数据产品指标设计
什么是数据指标？
数据指标是根据数据分析得到的一个汇总结果。如：居民消费价值指数，股票指数，空气指数，交通拥堵指数，旅游指数等等。
数据指标分类
时间特点：
时点指标：商品库存数量，外汇储备数量
时期指标：产品的产量，消费总额
总体特征性质：
数量指标：人口总数，企业总数
质量指标：身体质量，强度，经济效果指标等
数据依据：
客观指标：人均收入，家庭平均人口数
主观指标：洗车指数
计量单位的特点：
实物指标：人口总数，人体身高
价值指标：农业总产值，劳动生产率
劳动指标：出勤工日，实际工时
数据指标设计原则
如何评价一个指标设计的好坏呢，一个好的数据指标应该包括一下几个方面：
可信的数据源
计算逻辑透明，清晰
考虑适用的场景范围
有易理解的指导意见
数据设计体系
查阅罗列：查阅该领域的所有数据指标
分类设计:根据不同的分类标准，进行分类
明确实现：明确指标计算逻辑，并分析数据指标的可实现性
五、数据可视化设计
数据可视化其实是数据产品最上层的需求，其实也是最贴近用户的需求。数据可视化的核心主要体现在三个方面：视觉吸引力，易于理解，容易记住。图像界面美观，颜色鲜明对比，吸引用户的视觉；图表设计遵循常识，逻辑性好，可以方便用户理解，也容易让用户记住。
数据可视化设计要素
设计目的：你打算讲一个什么样的故事？
数据展现形式：对比型，关系型，趋势型，比例型
受众群体：是一般的群众还是专业人士
在这里推荐tableau的系列教程，非常全面和有用
六、常用工具软件
（1）需求分析工具
思维导图工具：MindManager,XMind,FreeMind,百度脑图
问卷调查工具:问卷星，腾讯问卷，问卷网
（2）数据探索工具
数据库管理用具：Nacicat,PL/SQL Plus,Oracle,Mysql
数据分析类工具:R语言
（3）数据可视化工具
商业智能工具：Excel,Tableau,永洪BI,FineBI
前端图表工具:Echarts,RGraph,Chart.js
在一款数据产品诞生前，应该是先有数据，再有分析，然后才是产品，分析的广度和深度直接决定了产品的定位和价值。
如果是做一款数据报表类的产品，那么需要了解核心指标，并建立综合指标的评估体系；如果是做一款分析决策类产品，那么还需要基于业务需求，将现有数据指标进行解构再重构。
数据产品是一个博大精深的领域，希望这些文字能够抛砖引
如果你也想加入学习群
关注微信公众号“高三零班”
我们一起，每天学点儿互联网
