在数据产品这个行业里，你需要知道的“内幕”

                                                「大数据」，「数据化运营」，「数据驱动」等概念层出不穷，让人眼接不暇。「数据产品经理」这个新兴的产品汪品种，也慢慢的受到了国内公司的关注，被“领养”回了各自的企业。本文将着重阐述这些概念落地成了哪类产品，它们有什么特点，以及读者们在未来考虑就业方向时，各类产品存在难处和好玩的地方。

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：
[ol]

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
[/ol]
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。
[ol]

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。
[/ol]
基于以上情况，这要求从业人员得有几个素质：
[ol]

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。
[/ol]
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。