筆者正在由電商產(chǎn)品經(jīng)理轉(zhuǎn)型數(shù)據(jù)產(chǎn)品經(jīng)理，為了提升自己學(xué)習(xí)的效率，嘗試以這種輸出驅(qū)動輸入的模式，將自己學(xué)習(xí)的思路和學(xué)習(xí)內(nèi)容分享給大家，也希望可以與其他數(shù)據(jù)產(chǎn)品經(jīng)理多多交流。

本文嘗試憑借筆者的理解構(gòu)建一套數(shù)據(jù)產(chǎn)品經(jīng)理能力模型，作為自己未來學(xué)習(xí)的方向。

本文共分四個部分：

• 第一部分，從招聘市場需求入手，看市場上的招聘高級數(shù)據(jù)產(chǎn)品經(jīng)理都需要掌握哪些硬實力；
• 第二部分，結(jié)合一些數(shù)據(jù)產(chǎn)品經(jīng)理的分享，梳理數(shù)據(jù)產(chǎn)品經(jīng)理的朋友圈，因為溝通者一定程度決定了需要掌握多少“共通語言”；
• 第三部分，構(gòu)建數(shù)據(jù)產(chǎn)品經(jīng)理能力模型；
• 第四部分，詳解一些數(shù)據(jù)產(chǎn)品常常接觸的概念和系統(tǒng)。

一、從招聘要求看能力要求

筆者在拉勾網(wǎng)和獵聘網(wǎng)上搜索數(shù)據(jù)產(chǎn)品經(jīng)理和高級數(shù)據(jù)產(chǎn)品經(jīng)理，將崗位職責(zé)匯總整理，招聘方對于數(shù)據(jù)產(chǎn)品經(jīng)理的需求如下所示：

1、熟練使用MySQL，SQL、Hive等語言；

2、熟悉數(shù)據(jù)生產(chǎn)加工流程；

3、對主流大數(shù)據(jù)產(chǎn)品、BI產(chǎn)品；

4、對數(shù)據(jù)倉庫技術(shù)及理論有基本的了解，并對其發(fā)展趨勢有深入了解；

5、了解數(shù)據(jù)分析，數(shù)據(jù)建模和數(shù)據(jù)挖掘技術(shù)及理論；

6、能很好地掌握產(chǎn)品思路、技術(shù)方案、商務(wù)策略等，驅(qū)動各角色解決問題 ，具有良好的商業(yè)洞察與判斷，很強的邏輯思維能力、產(chǎn)品策劃、品牌包裝與宣傳能力，對數(shù)據(jù)和業(yè)務(wù)敏感，有一定技術(shù)背景優(yōu)先考慮。

從上面的企業(yè)招聘需求可以看出，數(shù)據(jù)產(chǎn)品經(jīng)理除了需要具備一些普通產(chǎn)品經(jīng)理基礎(chǔ)能力外，對數(shù)據(jù)分析，商業(yè)智能，數(shù)據(jù)挖掘等技能有著非常高的專業(yè)門檻。雖然數(shù)據(jù)產(chǎn)品經(jīng)理也細分出應(yīng)用方向，大數(shù)挖掘方向，數(shù)據(jù)分析方向，但為了更加有效的共同，還是有必要補全知識結(jié)構(gòu)。數(shù)據(jù)產(chǎn)品經(jīng)理多是數(shù)據(jù)分析師和數(shù)據(jù)開發(fā)通過內(nèi)部轉(zhuǎn)崗?fù)瓿傻模P者屬于電商產(chǎn)品轉(zhuǎn)應(yīng)用方向數(shù)據(jù)產(chǎn)品，在發(fā)揮業(yè)務(wù)理解優(yōu)勢的同時，需要快速補全數(shù)據(jù)分析相關(guān)知識，便于與對接同事高效協(xié)作。

二、數(shù)據(jù)產(chǎn)品經(jīng)理的朋友圈

曾經(jīng)分析過AI產(chǎn)品經(jīng)理模型，也是從產(chǎn)品經(jīng)理的朋友圈說起，因為產(chǎn)品經(jīng)理很多時候承擔(dān)著協(xié)調(diào)推進角色，也承擔(dān)了部分”翻譯官“的覺，將業(yè)務(wù)需求轉(zhuǎn)化成不同的語言表達，找老板要資源，請開發(fā)寫代碼，敘述清楚頁面設(shè)計要求，這個時候就需要產(chǎn)品掌握不同分科中的一些”黑話“，讓對方感覺你是自己人，數(shù)據(jù)產(chǎn)品經(jīng)理也是同樣的，我們來看看數(shù)據(jù)產(chǎn)品經(jīng)理的朋友圈，也有助于進一步理解數(shù)據(jù)產(chǎn)品能力模型。

圖片源于《阿里巴巴數(shù)據(jù)產(chǎn)品經(jīng)理工作(總結(jié)篇)》

數(shù)據(jù)產(chǎn)品經(jīng)理本質(zhì)是互聯(lián)網(wǎng)產(chǎn)品經(jīng)理的一個細分領(lǐng)域，其產(chǎn)品的用戶是公司內(nèi)部，外部客戶等，其目標是通過數(shù)據(jù)分析和挖掘，輔助其發(fā)現(xiàn)問題，提高決策準確性，而為了完成這類產(chǎn)品，我們不單要與傳統(tǒng)的開發(fā)，交互，設(shè)計，用研，客戶，測試同學(xué)打交道，還需要與數(shù)據(jù)分析師，數(shù)據(jù)科學(xué)家，AI工程師，數(shù)據(jù)倉庫管理員等同學(xué)溝通，為了可以保證溝通中的效率，我們需要清楚溝通時可能會涉及到哪些專業(yè)名詞，技術(shù)實現(xiàn)邊界，行業(yè)發(fā)展情況，競品實現(xiàn)邏輯，筆者將嘗試在后續(xù)文章中梳理總結(jié)。

三、能力模型構(gòu)建

數(shù)據(jù)產(chǎn)品經(jīng)理是產(chǎn)品經(jīng)理崗位的一個細分領(lǐng)域，其能力模型可以理解為一般產(chǎn)品經(jīng)理能力模型+專業(yè)能力補充模型。下圖是騰訊產(chǎn)品經(jīng)理能力模型體系，清晰界定了不同等級產(chǎn)品經(jīng)理19個能力側(cè)重方向，整體來看學(xué)習(xí)能力，執(zhí)行力，溝通能力，市場/用戶調(diào)研與分析是最核心能力。

以上19個基礎(chǔ)能力模型中，數(shù)據(jù)產(chǎn)品經(jīng)理在技術(shù)知識模塊和市場分析能力/前瞻性需要了解/熟悉/掌握如下知識和技能：

1、計算機語言層面：熟練使用MySQL，SQL、Hive等語言；

2、熟悉數(shù)據(jù)生產(chǎn)加工流程：數(shù)據(jù)采集，數(shù)據(jù)預(yù)處理，數(shù)據(jù)存儲，數(shù)據(jù)分析，數(shù)據(jù)挖掘，數(shù)據(jù)可視化，數(shù)據(jù)服務(wù)產(chǎn)品化；

3、需要了解的各類技術(shù)理論及發(fā)展趨勢

了解主流大數(shù)據(jù)產(chǎn)品及分布式大數(shù)據(jù)技術(shù)，如Hadoop(HDFS和MapReduce)，Hive等；

了解主流大數(shù)據(jù)編程語言，如python、R、mongodb等、

了解主流BI產(chǎn)品，如Tableau、saiku、kylin、BDP、growingIO、神策等、

了解數(shù)據(jù)倉庫技術(shù)及理論，并對其發(fā)展趨勢有深入了解；

了解數(shù)據(jù)分析，數(shù)據(jù)建模和數(shù)據(jù)挖掘技術(shù)及理論；

四、數(shù)據(jù)產(chǎn)品經(jīng)理經(jīng)常面對的基礎(chǔ)概念

1. 可能接觸到的英文縮寫

數(shù)據(jù)倉庫?Data Warehouse

數(shù)據(jù)集市 Data Mart

數(shù)據(jù)挖掘 Data Mining

DBMS：Database Management System數(shù)據(jù)庫管理系統(tǒng)

DBA: Database Administrator數(shù)據(jù)庫管理員

RDBMS：Relational Database Management System關(guān)系數(shù)據(jù)庫管理系統(tǒng)

OLAP:（On-Line Analytical Processing）聯(lián)機分析處理。OLAP是數(shù)據(jù)倉庫系統(tǒng)的主要應(yīng)用，支持復(fù)雜的分析操作，側(cè)重決策支持，并且提供直觀易懂的查詢結(jié)果。

OLTP:（On-Line Transaction Processing）聯(lián)機事務(wù)處理。OLTP是傳統(tǒng)的關(guān)系型數(shù)據(jù)庫的主要應(yīng)用，主要是基本的、日常的事務(wù)處理，例如銀行交易。

BI: Business Intelligence 商業(yè)智能

KDD：knowledge discovery in databases 數(shù)據(jù)庫知識發(fā)現(xiàn)

2. 數(shù)據(jù)分析，數(shù)據(jù)建模和數(shù)據(jù)挖掘的定義和區(qū)別

（1）數(shù)據(jù)分析

Analysis of data is a process of inspecting, cleansing, transforming, and modeling data with the goal of discovering useful information, suggesting conclusions, and supporting decision-making.[源于wikipedia]

可以看出，數(shù)據(jù)分析強調(diào)使用統(tǒng)計學(xué)方法，發(fā)現(xiàn)有用信息，支持決策，構(gòu)造建設(shè)性結(jié)論。

（2）數(shù)據(jù)挖掘

Data mining is the computational process of discovering patterns in large data sets involving methods at the intersection of artificial intelligence, machine learning, statistics, and database systems. It is an interdisciplinary subfield of computer science. The overall goal of the data mining process is to extract information from a data set and transform it into an understandable structure for further use.[源于wikipedia]

數(shù)據(jù)挖掘與大數(shù)據(jù)關(guān)聯(lián)性更加密切，利用人工智能，機器學(xué)習(xí)，統(tǒng)計學(xué)等知識，對于大型數(shù)據(jù)集進行分析，發(fā)現(xiàn)規(guī)律，預(yù)測未來，輔助決策。

（3）數(shù)據(jù)建模

Data modeling is a process used to define and analyze data requirements needed to support the business processes within the scope of corresponding information systems in organizations. Therefore, the process of data modeling involves professional data modelers working closely with business stakeholders, as well as potential users of the information system.[源于wikipedia]

數(shù)據(jù)建模是對現(xiàn)實世界各類數(shù)據(jù)的抽象組織，確定數(shù)據(jù)庫需管轄的范圍、數(shù)據(jù)的組織形式等直至轉(zhuǎn)化成現(xiàn)實的數(shù)據(jù)庫。?建模過程中的主要活動包括：確定數(shù)據(jù)及其相關(guān)過程；定義數(shù)據(jù)；確保數(shù)據(jù)的完整性；定義操作過程；選擇數(shù)據(jù)存儲技術(shù)。數(shù)據(jù)建模大致分為三個階段，概念建模階段，邏輯建模階段和物理建模階段。其中概念建模和邏輯建模階段與數(shù)據(jù)庫廠商毫無關(guān)系，換言之，與MySQL，SQL Server，Oracle沒有關(guān)系。

數(shù)據(jù)分析和數(shù)據(jù)挖掘的關(guān)系：從數(shù)據(jù)量級來看，一般情況下，數(shù)據(jù)分析的數(shù)據(jù)量可能并不大，而數(shù)據(jù)挖掘的數(shù)據(jù)量極大。從建模條件來看，數(shù)據(jù)分析是從一個假設(shè)出發(fā)，需要自行建立方程或模型來與假設(shè)吻合，而數(shù)據(jù)挖掘不需要假設(shè)，可以自動建立方程。從分析對象來看，數(shù)據(jù)分析往往是針對數(shù)字化的數(shù)據(jù)，而數(shù)據(jù)挖掘能夠采用不同類型的數(shù)據(jù)。

從結(jié)果來看，數(shù)據(jù)分析對結(jié)果進行解釋，呈現(xiàn)出有效信息，數(shù)據(jù)挖掘的結(jié)果不容易解釋，對信息進行價值評估，著眼于預(yù)測未來，并提出決策性建議。數(shù)據(jù)挖掘與數(shù)據(jù)分析兩者緊密相連，具有循環(huán)遞歸的關(guān)系

3. 數(shù)據(jù)庫，數(shù)據(jù)倉庫和數(shù)據(jù)集市的定義和區(qū)別

（1）數(shù)據(jù)庫

數(shù)據(jù)庫是指長期存儲在計算機內(nèi)有組織的、可共享的數(shù)據(jù)集合。數(shù)據(jù)庫中的數(shù)據(jù)按一定的數(shù)據(jù)模型組織、描述和存儲，具有較小的冗余度、較高的數(shù)據(jù)獨立性和易擴展性，并可為各種用戶共享。數(shù)據(jù)庫理論的研究主要集中于關(guān)系的規(guī)范化理論、關(guān)系數(shù)據(jù)理論等。近年來，隨著人工智能與數(shù)據(jù)庫理論的結(jié)合及并行計算機的發(fā)展，數(shù)據(jù)庫邏輯演繹和知識推理、并行算法等理論研究，以及演繹數(shù)據(jù)庫系統(tǒng)、知識庫系統(tǒng)和數(shù)據(jù)倉庫的研制都已成為新的研究方向。

（2）數(shù)據(jù)倉庫

數(shù)據(jù)倉庫(Data Warehouse) 是一個面向主題的(SubjectOri2ented) 、集成的( Integrate ) 、相對穩(wěn)定的(Non -Volatile ) 、反映歷史變化( TimeVariant) 的數(shù)據(jù)集合用于支持管理決策。首先,數(shù)據(jù)倉庫用于支持決策,面向分析型數(shù)據(jù)處理,其次,數(shù)據(jù)倉庫是對多個異構(gòu)的數(shù)據(jù)源有效集成,集成后按照主題進行了重組,并包含歷史數(shù)據(jù),而且存放在數(shù)據(jù)倉庫中的數(shù)據(jù)一般不再修改。

（3）數(shù)據(jù)集市

為最大限度地實現(xiàn)靈活性，集成的數(shù)據(jù)倉庫的數(shù)據(jù)應(yīng)該存儲在標準RDBMS(關(guān)系數(shù)據(jù)庫管理系統(tǒng)Relational Database Management System) 中，并經(jīng)過規(guī)范的數(shù)據(jù)庫設(shè)計，以及為了提高性能而增加一些小結(jié)性信息和不規(guī)范設(shè)計。這種類型的數(shù)據(jù)倉庫設(shè)計被稱為原子數(shù)據(jù)倉庫。原子數(shù)據(jù)倉庫的子集,又稱為數(shù)據(jù)集市。

（4）數(shù)據(jù)庫和數(shù)據(jù)倉庫的區(qū)別

數(shù)據(jù)庫是面向事務(wù)的設(shè)計，數(shù)據(jù)倉庫是面向主題設(shè)計的。數(shù)據(jù)庫一般存儲在線交易數(shù)據(jù)，數(shù)據(jù)倉庫存儲的一般是歷史數(shù)據(jù)。從時間屬性來看，數(shù)據(jù)庫保存信息的時候，并不強調(diào)一定有時間信息。數(shù)據(jù)倉庫則不同，出于決策的需要，數(shù)據(jù)倉庫中的數(shù)據(jù)都要標明時間屬性。

4. 商務(wù)智能與大數(shù)據(jù)的概念及發(fā)展概況

BI（Business Intelligence）即商務(wù)智能，它是一套完整的解決方案，用來將企業(yè)中現(xiàn)有的數(shù)據(jù)進行有效的整合，快速準確地提供報表并提出決策依據(jù)，幫助企業(yè)做出明智的業(yè)務(wù)經(jīng)營決策。

商業(yè)智能的概念最早在1996年提出。當(dāng)時將商業(yè)智能定義為一類由數(shù)據(jù)倉庫（或數(shù)據(jù)集市）、查詢報表、數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)備份和恢復(fù)等部分組成的、以幫助企業(yè)決策為目的技術(shù)及其應(yīng)用。而這些數(shù)據(jù)可能來自企業(yè)的CRM、SCM等業(yè)務(wù)系統(tǒng)。

主流商業(yè)智能產(chǎn)品：Tableau、saiku、kylin、BDP、growingIO、神策、阿里數(shù)加等。筆者正在閱讀阿里巴巴的 《大數(shù)據(jù)之路》，后續(xù)將結(jié)合阿里數(shù)加產(chǎn)品整理閱讀心得。

大數(shù)據(jù)（big data），指無法在一定時間范圍內(nèi)用常規(guī)軟件工具進行捕捉、管理和處理的數(shù)據(jù)集合，是需要新處理模式才能具有更強的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力的海量、高增長率和多樣化的信息資產(chǎn)。大數(shù)據(jù)的5V特點（IBM提出）：Volume（大量）、Velocity（高速）、Variety（多樣）、Value（低價值密度）、Veracity（真實性）。大數(shù)據(jù)包括結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，非結(jié)構(gòu)化數(shù)據(jù)越來越成為數(shù)據(jù)的主要部分。

大數(shù)據(jù)的發(fā)展趨勢：數(shù)據(jù)資源化，大數(shù)據(jù)與云計算深度結(jié)合，科學(xué)理論的突破，數(shù)據(jù)科學(xué)和數(shù)據(jù)聯(lián)盟的成立，數(shù)據(jù)泄露泛濫，數(shù)據(jù)管理成為核心競爭力，數(shù)據(jù)質(zhì)量是BI成功的關(guān)鍵，數(shù)據(jù)生態(tài)系統(tǒng)復(fù)合化程度加強。

5. 數(shù)據(jù)處理流程

需求分析，數(shù)據(jù)采集，數(shù)據(jù)預(yù)處理，數(shù)據(jù)分析，數(shù)據(jù)挖掘，數(shù)據(jù)可視化，數(shù)據(jù)服務(wù)產(chǎn)品化（模板化）。

• 數(shù)據(jù)產(chǎn)品需求分析：向業(yè)務(wù)部門進行調(diào)研，了解業(yè)務(wù)需要解決的問題，將業(yè)務(wù)問題映射成數(shù)據(jù)分析工作和任務(wù)，同時結(jié)合平臺已有能力，確定數(shù)據(jù)分析或挖掘方案。
• 數(shù)據(jù)采集：第一步需要定義數(shù)據(jù)源選擇，DBA可以基于數(shù)據(jù)分析需要，找到相關(guān)數(shù)據(jù)，建立一張數(shù)據(jù)寬表，將數(shù)據(jù)倉庫的數(shù)據(jù)引入到這張寬表當(dāng)中，基于一定的邏輯關(guān)系進行匯總計算。這張寬表作為數(shù)據(jù)分析的基礎(chǔ)，然后再依據(jù)數(shù)據(jù)分析需要衍生出一些不同的表單，為數(shù)據(jù)分析提供干凈全面的數(shù)據(jù)源；
• 數(shù)據(jù)預(yù)處理：需要完成數(shù)據(jù)類型選擇，缺失值處理和異常值檢測和處理，實現(xiàn)數(shù)據(jù)標準化；
• 數(shù)據(jù)分析：詳見下文，常見數(shù)據(jù)分析分析方法應(yīng)用場景和概念；
• 數(shù)據(jù)挖掘：詳見下文，結(jié)合機器學(xué)習(xí)的數(shù)據(jù)挖掘概述；
• 數(shù)據(jù)可視化：詳見下文；
• 數(shù)據(jù)服務(wù)產(chǎn)品化：將結(jié)合阿里巴巴產(chǎn)品做細致分析。

后續(xù)筆者將梳理數(shù)據(jù)產(chǎn)品設(shè)計結(jié)構(gòu)，從數(shù)據(jù)驅(qū)動產(chǎn)品設(shè)計，數(shù)據(jù)分析常用方法，數(shù)據(jù)分析工具的使用等，感興趣的朋友可以添加關(guān)注。

#專欄作家#

田宇洲（微信公眾號：言之有術(shù)），人人都是產(chǎn)品經(jīng)理專欄作家，北京大學(xué)軟件工程管理碩士，北京電信4年產(chǎn)品經(jīng)理，負責(zé)B2B電商平臺的前后端產(chǎn)品設(shè)計，擅長游戲化產(chǎn)品設(shè)計，挖掘用戶畫像。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于 CC0 協(xié)議