数据产品经理职责

① 如何面试数据产品经理

实事求是，不要浮夸

② 数据产品经理是做什么的

近年来，随着精益经营理念和数据操作的普及，数据产品的名称越来越多。而数据产品经理的出现也引发人们的关注。

数据产品是什么

简单地说，数据是主要自动化输出的产品形式。

我们就可以对它拆分细化。从用户群体来区分，可以分为三类：

1.内部使用的数据产品，如自建的BI和推荐系统;

2.所有企业的商用数据产品，如 Google Analytics 和 GrowingIO；

3.用户均可使用的 Google Trends 和淘宝指数等等。

结语

以上的环节就是数据产品经理区分其他产品经理的核心，也需要很高的要求。它需要丰富的产品设计经验和深入的业务理解和数据分析。

③ 数据分析师和数据产品经理有什么区别

CDA——数据分析师主要是在企业中扮演战略参谋的角色，对企业各类运营、销售、管理、专战略等数据进行分析，可属以有效的规避运营风险和提升成本利用率。
数据产品经理从事数据产品（企业数据平台、数据分析软件等）的设计

④ 数据产品经理和普通产品经理的要求有什么不同

你好，数据产品经理和普通产品经理的相同和不同点有这些：
相同点：都是产品经版理，都是一个产品的负责人，权工作职责基本都是一样的；
不同点：数据产品注重的是数据情况，偏向于数据分析，而普通的产品经理主要负责一个产品，普通的产品经理也有可能负责自己产品的一些数据。

⑤ 软件行业产品经理的岗位职责

1、制定战略，关于软件开发的创意，软件开发之前的用户调查和对于产品创意的分析和沟通。

⑥ 数据产品经理和数据分析师，产品经理有什么区别

随着科学技术的进步和数据时代的来临，数据分析的能力范畴也进一步扩展，它需要将社会生活经验、数据分析理论和现代计算机技术有机地结合在一起，才能发挥出数据分析的最大威力。

⑦ 数据产品经理和数据分析师有什么区别核心竞争力分别是什么

数据pm重产品设计，数据分析是数据pm的基本技能；工作职责是数据平台的搭建、数据策略制定等；
数据分析重分析，属于后置性工作，工作职责是，通过数据结论，为产品、运营、市场提供数据支持。

⑧ 数据产品经理如何学习

1. 推荐环节
在推荐这个环节，最关键的问题就是如何推荐用户感兴趣的美食，只有把用户感兴趣的美食推荐给用户，成单率才会高。

所以，在这个时候就会用大数据产品的智能推荐系列产品。

2. 接单制作环节
在接单制作的过程中，商家会面临如何根据用户的喜好来制作美食。

这时，我们可以通过用户画像，掌握用户口味、喜好，用户画像系统会把用户平时喜欢的常点的菜品做记录，然后通过大数据分析来标记用户，对此用户喜欢的口味、菜品，我们都能清楚掌握。

3. 物流配送环节
在物流配送环节最典型的问题：如何在保证用户体验的同时，最大程度的提升配送效率。

这个时候就需要用到调度系统这种数据产品。

4. 优惠环节
优惠环节的关键问题是：如何用最少的这种优惠来刺激用户，产生更多订单。

这个时候我们常用到的是智能营销类数据产品。

首先，在数据质量层，外卖会有数据质量监控系统、埋点系统来保证数据质量，确保提供准确，安全，稳定的高质量数据。
其次，在数据工具层会提供大数据分析平台，用户行为分析平台，实现平台，用户画像平台等平台，提高内部人员获取数据的效率，让内部人员的决策更加科学。
最后，在数据应用层，也是大家在日常生活中经常接触到的，那么它会有智能调度、智能推荐、智能营销这些数据产品。
融合真正的业务场景来驱动业务的发展，就是最上层的一个数据应用。

结合刚才的案例，大家可以思考一下什么是数据产品？它有什么作用？

带着这个问题进一步往下看，首先数据产品的定义是应用场景+数据+产品化=数据产
从狭义上讲，数据产品经理是负责实现数据产品工具，用它满足特定的数据使用需求的一个岗位。

狭义的数据产品经理主要承担的责任以及工作主要有三类：数据质量产品、数据工具产品、数据应用产品。

从广义上讲，数据产品经理不限于实现数据产品工具，还需要完成数据分析、运营等数据相关的工作，负责公司的数据服务。

广义的数据产品经理主要承担的工作和职责包括四类：

第一类是数据生产，例如写一些生产数据的脚本、产出数据报表、维护数据生产流程；
第二类是数据提取，比如负责对业务提出的数据需求提取数据；
第三类是数据分析报告，例如日常的一种业务分析报告、日报，并形成业务结论；
第四类是数据运营，比如建设数据指标字典、运营指标字典和数据运营等等。

⑨ 优秀的数据产品经理需要掌握哪些技能

1.要极其熟悉公司业务及动向。
所以要了解公司的商业模式、战略、以及业务流程、要考核的各种指标，以及指标背后的业务含义等。这一点，再了解都不够。
2.要了解数据分析。
好的数据PD，即使不做数据PD，也应该是个数据分析师。数据PD的一大要务就是将数据分析做成可复制，可自动运转的系统。虽然有数据分析师们围绕在自己周围，但是自己也要清楚业务的问题，分别要看什么数据，或者当数据出现后，意味着业务出现了什么问题或者会出现什么问题。这一点，要向最好的数据分析师们看齐。
3. 要了解数据仓库及商务智能。
这 两个关键词背后都是庞大的体系，恐怕我短短半年的转岗时间太短，虽然能够对别人讲解一通商务智能产品的架构。嘴里虽然会抛出若干个类似于汇总，钻取，度 量，指标，维度，缓慢变化维，层次，属性，仪表盘等等术语，但是也不支持多几层的知识钻取，遇到异常问题，也不知道该从什么地方分析原因。幸而身边有数据 仓库的同事，可以多多学习。这一点，没有天花板。
而商务智能，做为一门学科，起源于20世纪90年代，它的出发点是帮助用户更好地获取决策信息，最初商务智能的动机是为用户提供自助式的信息获取方式，这 样，用户就可以不用依赖于IT部门去获取定制的报表。（引自《信息仪表盘》一书P41）。而如今，商务智能除了提供信息，更主要的是降低用户获取数据的门 槛，提升数据的实时性等方面。从降低用户获取数据的门槛一个方向，我们就可以做很多事情，比如如何设计信息仪表盘（designing of information dashboard）？如何让数据以更亲和的更直观的方式展示（数据可视化）？如何能够让用户离线访问？如何能够实现警戒数据的主动发送？这一点上，花多少功夫都不多。
4. 要精通数据产品开发流程。数据开发+产品开发。
数据PD的最终目的是要做数据产品。这里要拆开看，其一，数据产品本身也是在线可供用户实现的产品，既然是产品，产品的整套研发思路和普通的产品没有太大区别，用户是谁，他们需求是什么，满足需求需要什么featurelist，每个feature list的资源评估以及优先级如何，产品的生命周期如何？这是产品开发。然后他是个数据产品，意味着这比普通的产品，多了更多的要求。在数据这个内核之外，它需要各种feature list，如订阅，搜索，自定义，短信接口，邮件接口等。但是数据这个内核，也需要一套数据开发流程。
比如：
数据源——是否足够，是否稳定
数据PD需要足够了解目前的业务处理系统建设情况，以及数据源的积累程度，用以判断数据产品的建设时间是否合适。不合适的时机会导致项目组的重复劳动和残缺 的数据产品诞生。数据产品是用以支持监控，分析，决策的，而业务处理系统的定位在于提升工作效率，解放工作人员手脚。业务系统采集的数据未必满足所有分析 需要。比如或许领导要分析大量攀升的退换货的详细原因，而业务系统目前并没有要求用户在申请退换货的时候选择原因或只有输入而非标准化选项，负责退换货出 力的员工也只有在excel里登记原因，而不是录入到系统里。所以可能会导致需求方要看的数据提供不出来，那么数据pd就有必要反向驱动数据源得以采集。
分析模型的设计—— 分析模型的好与不好，其实决定了数据产品的成败。
在 项目中，可以由BI的数据分析师们担纲此职责，也可以由数据PD担纲，更多则由双方一起确认，内容以数据分析师们为主，功能评估及优先级、项目计划和协 调、统筹以数据PD为主。所以数据PD要更加清楚数据分析师们所需要的需求是否能够实现，背后的商业价值如何，并与数据开发、产品开发保持比数据分析师们 更加通畅的合作关系，能够借力进行可行性和资源的评估。
有的时候，我们不是没有数据，而是有了太多的数据，不知道怎么去看。如果只是抛给用户一堆数据，很难想象用户会如何去解读它。以前做交互设计的时候，我们流行一句话：把用户当成傻瓜。
而数据平台，因为可能本身就要求有一定的使用门槛，所以想成不会互联网的傻瓜不太现实，那么我们就要想成“用户是不懂数据的傻瓜”。他们或许也能通过一串串 数据体悟到什么，但是如果是一条上升的退款率趋势线，或许他们会体悟到更多——毕竟，上和下本身就是直观的。然后再想一下，如果将这条线上加上一条警戒点 的线，他们会知道从什么时候开始数据是异常的。再然后，就要设想，当他发现从7月12日数据上升后，想干什么？他会不会想了解是哪个行业上升了？他会不会 想了解是那个渠道上升了？那么，就要提供行业和渠道的选项或者对比给他。
再然后，当他过问了这个行业的负责人后，负责人想不想再了解是哪个供应商或者哪类商品上升了？那么要如何将这些维度、层次都融合在一起，同时又能将用户非常 方便地去用呢？分析模型的建设至关重要，也可以说，分析模型是前期需求分析的最有价值的产物。分析模型应该会包含几点：
主题的划分：
整块分析会划分成什么主题，比如销售可能会分成销售走势及构成分析，行业排名，商品排名等
度量及指标:
分析主题会涉及到的度量及指标的算法、定义等（这通常会产生一份指标以及维度的定义及描述文档）
维度：
要分别从什么维度去看这些指标和度量，如时间，渠道，这些维度是要筛选还是要对比
钻取：
这些维度本身有没有层次，需要不需要进行钻取，如渠道可钻取到渠道类型，行业可钻取到子行业，商品类目可钻取到商品叶子类目等
输出：
分析需要用何种图表进行展现
数据的ETL开发
数据的清洗，转换，装载流程占用了数据产品开发的大半资源，不规范的数据源会导致这一块的资源更大程度的占用。比如同样是供应商编码，系统之一称为供应商编 码，系统二命名为供货商编码，系统三命名为供应商ID，这三个系统同时是公司的系统，这种情况虽然想起来匪夷所思，但是现实情况却也存在。虽然ETL开发 是DW开发工程师在做，但是作为数据PD，焉能对这些工作缺乏了解，对ETL工程师反馈的问题，缺乏认知，不理解对于项目的潜在风险是什么？而且更多时 侯，当遇到数据不规范，不统一的问题，数据PD需要反向驱动业务系统进行数据规范性建设，无论是功能上，还是驱动直接的使用方——如负责录入数据的行业小 二，建立一套录入规范。这些工作看似和数据PD无关，我们大可以推脱说：那没办法，这是数据源的问题，不是我们功能的问题。但是，用户是有权利选择使用不 使用你的数据产品的，当数据产品提供的数据不值得信赖的话，无疑是自取灭亡。一旦用户对数据不信任，再想挽留他们，是很难的。即使有很多“无能为力”的借 口,我们也不能坐观其变。
前端交互与体验的优化
虽然内容定义好了，但是那么多度量、指标、维度、钻取，如何划分信息层级，如何划分栏目，如何设计用户的行为路径？这些就不是数据分析师们的重要工作范畴。 而是交互设计师？鉴于很多数据产品项目可能会没有交互设计师，所以数据PD应该对内容进行封装，进行信息架构、页面布局以及图表各种功能设计。设计，然后 撰写详细的功能需求文档，交付给产品开发，前端开发以及数据开发，以及前端展现开发四种类型的开发人员。
数据产品的功能描述文档，除了产品开发部分，其他的就是在描述“内容”，即分析模型，除了主题、度量、维度、钻取、筛选、输出图表类型，有些内容还需要详细定义到“排序方式” 等等细节，这就case by case来看了。
环境，技术，工具
或许做一个普通的产品，你把需求描述清楚，与产品开发工程师确认好可行性，接受资源评估就OK了。但是数据产品，受制于所部署的环境，所选型的工具，如Oracle，IBM的Cogos，以及SQL Server。其他的产品我不知道怎么样，我们用的是Oracle BIEE。那么作为数据PD，是否需要了解BIEE能够提供的功能是哪些呢？看文档，请教别人，不能知其不可而为之。另外，也需要逐渐摸透BIEE的坏脾气，实现不了的功能，无法克服的难点等。这一点，也需要继续了解，继续学习。