目录：
- 一、什么是数据产品经理？
- 二、如何成为数据产品经理?
- 三、工具型数据产品经理，如何突破职业天花板
- 四、产品经理认知升级的四大公式
一、什么是数据产品经理？ （参考：https://www.woshipm.com/pmd/4408258.html）
1、数据产品经理定义
- 百度百科对数据产品经理的定义：数据产品是可以发挥数据价值去辅助用户更优的做决策（甚至行动）的一种产品形式，本质是发挥数据价值的工具。数据产品经理，则是实现这一工具，用数据产品去满足特定数据使用需求的一个职业。
- 大数据时代数据本身是没有价值的，只有经过挖掘后被应用才能意义，百科定义是偏狭义的，强调了数据的应用，但数据从生产到应用会经过多个环节，只有经过加工处理才可以有效的被使用。
- 因此，让数据加工和使用更简单的产品都可以称之为数据产品，数据产品经理则是负责规划和建设这些产品的人。
2、为什么需要数据产品经理
-
数据的价值可以归结为两大方向，数据决策和产品智能。其中数据决策是起源最早也是最典型的应用场景，从过去“拍脑袋”的定性决策，到基于数据的“数据化管理”。
-
在数据化决策的过程：数据产品经理就要更多地去为管理层或产品&运营提供业务健康度分析的指标&报表体系，很多人对数据产品的理解也仅停留于此，即数据可视化分析产品。
-
产品智能方向：流量红利过后，精细化运营更强调数据挖掘价值的应用，比如算法推荐千人千面的个性化推荐，基于用户画像标签的精细化运营，或基于数据分析制定的产品用户增长策略。
-
此时，数据产品经理的价值就是把数据转化成产品策略，让产品更懂用户，更智能，从而带来用户增长或转化最大化。
当然，为了支撑以上两个应用场景，还需要诸多的大数据平台或工具的支撑，这时，数据产品的价值就是让数据的加工、获取成本更低、效率更高。
3、数据产品经理的分类
数据产品贯穿数据生产-加工-资产管理-应用的全链路，因此数据产品经理主要包括四大类别：
1）平台(开发套件)产品经理
- 偏最底层，主要负责大数据开发工具产品规划及变现，目标是通过产品化的流程，降低数据开发成本，提升加工效率。
- 如ETL开发平台、任务调度运维平台、数据集成同步平台，是纯B端工具型产品经理，需要熟悉大数据处理流程，及hadoop生态的各个组件。
2) 数据资产产品经理
- 数据采集加工后，需要分门别类的管理起来，就像图书管理员，把书按照类目、编码在不同的书架规整好，需要借阅时，可以快速找到。
- 资产产品经理的主要职责包括：基于业务场景和需求建立完善的数据仓库模型体系，并基于数据地图、数据血缘等功能，帮助用户快速找到所需要的的数据，同时需要管理数据质量，并定期下架长期无人借阅的书籍（无人使用的模型）。
- 要求熟悉数据建模理论，至少要能分得清楚什么雪花模型、星型模型的区别，以及数仓分层理论。
3）数据应用产品经理
- 围绕数据决策和智能应用两个场景，提供快速获取并使用数据的产品或能力支持。
- 如数据可视化产品经理，负责将业务核心指标及监控需求抽象成前端可视化页面，用户通过页面的简单交互，来快速查看KPI是什么？怎么样？哪里出了问题？
- 用户画像或精准营销方向的产品经理，则是基于数据统计或挖掘分析，提供用户分层的能力，为精准投放、产品推荐提供服务输出。
4）策略型产品经理
- 以数据为基础，结合C端产品功能场景，提供搜索、排序、推荐相关的数据服务策略，或基于数据分析挖掘产品增长点，并实施产品优化，实现用户增长。
- 这个岗位的边界不是非常清晰，有的公司把策略型数据产品经理归到业务产品，要求是既懂用户又懂数据，需要具备C端产品敏锐的用户体验和商业嗅觉，同时熟悉推荐或挖掘策略。
二、如何成为数据产品经理? （参考：https://www.woshipm.com/pmd/5124767.html）
1）数据产品分类
常见的数据产品按照面向的用户群体可以分为如下类：
-
-
ToC数据产品：直接面向C端用户的，例如各种指数类的应用（百度指数、微信指数、微博指数等），以及基于公开数据进行整合并产品化输出的，如企查查、天眼查等企业信息查询服务的数据产品。
-
ToB商业化数据产品：主要在数据驱动决策、数据化管理时代，一些第三方数据产品服务公司，为本身不具备数据产品研发或者初创期的中小企业提供数据分析解决方案和数据产品服务，例如GrowingIO、神策数据、诸葛IO等新兴用户行为类产品，也包括帆软BI、Tableau等BI分析产品，也包括阿里云、腾讯云等云厂商提供的数据中台解决方案。
- ToB企业数据产品：服务企业内部，贯穿于数据采集、加工、资产管理、数据应用全流程的数据产品，纵观一线的互联网大厂，围绕大数据应用全流程的数据产品体系基本大同小异，只是在自身的业务场景、产品功能实现上有自己的独特特点，而且内部用户服务好后，也会逐步考虑商业化，将成本分摊出去，例如字节跳动的火山引擎。
2)、数据产品形态
根据数据在价值输出过程发挥的作用，数据产品形态包括三个阶段：
1. 看数据阶段：
- 这一阶段的数据产品以定制化的、主题式的可视化报表页面为主，即按照业务KPI监控需求，以及业务运营的指标体系，建设数据可视化平台，例如总体经营概况分析、商品分析、用户分析等，很多人甚至刚入行的数据产品经理对数据产品的理解也就局限于此了。
- 通过产品化的方式，解决过去数据获取对数据开发或数据分析人员的依赖，人人都可以通过简单的页面交互操作，即席获取数据，进行下一步的分析。
- 这个阶段主要解决的是数据获取效率的问题，数据背后反应的业务问题，需要用户具备一定的数据分析能力，才能深挖其价值。
- 定制化的数据可视化产品做多了就会逐步发现，把工作内容抽象一下基本上就是了解业务关注的指标和常用的分析维度，不同的指标组合以及拆分维度设计可视化展示形态，这一阶段虽然最终的数据产品会提升数据获取的效率，但是产品本身的效率还是很低，因为即使是一个简单的报表也需要由前端开发、数据开发、接口开发进行变现。
2.快决策阶段
- 满足了基本的“有数据”需求外，用户的诉求其实是“能不能让我再懒一些”，即我不想自己分析了，数据产品能不能更加直接的告诉我，昨天的数据哪个指标有问题，哪个维度是关键影响维度，可能的原因有哪些，业务该如何调整运营动作?此时的数据产品，需要把更多的数据分析思路整合到产品设计流程当中。
- “Don’t Make Me Think”，每天上班前，能不能自动地告诉我今天的指标是不是异常，哪里异常了?同时，这一阶段对于数据产品的变现也需要从CaseBy Case的定制化开发转向工具化、流水线自助式的配置。如智能决策BI产品，提供更加灵活、个性化的拖拽式分析及数据可视化呈现能力，以及大屏配置能力。
3. 更智能阶段
- 如果只是提供决策依据，那数据的价值就还没有充分被挖掘出来。数据除了驱动决策外，还可以做更多的事情，比如基于用户画像的用户分层、精细化运营;基于用户历史行为、实时浏览行为的千人千面产品个性化推荐。
- 在这一阶段的数据产品，聚焦于如何利用数据产品将数据快速输出给到前端产品，进行业务的精细化运营或智能创新。比如，利用CDP平台进行自助化的人群圈选、精准触达。
3)、数据产品经理和产品经理的关系
产品经理根据面向用户群体的不同，可分为C端产品、B端产品（如上图），数据产品的用户主要是企业员工，因此数据产品经理是产品经理的一个垂直领域细分
4)、数据产品经理能力要求
数据产品经理是产品经理的一个分支，因此，产品经理能力模型中的，需求分析、竞品分析、产品设计、项目管理、沟通协调、产品运营等能力都是要具备的，同时，因为数据产品的特殊性，在数据分析以及产品设计、产品运营方面等有着岗位特殊的要求。
-
-
最重要的一点就是对数据的理解如数据分析和数据理论技能，数据产品经理毕竟是要将数据或数据加工流程产品化，因此要对数据的决策价值、应用价值理解更加深刻。
-
要具备更强的数据分析能力，可以将数据分析思路融入到数据产品设计过程中，为产品或运营同学提供分析思路的产品化支撑。同时，也可以利用数据帮助业务发现问题，促进业务优化决策。
- 其次，数据产品的特殊性在于一般是服务于企业内部员工，为了控制成本，数据团队一般很少会配备UI设计、QA（测试）、项目管理或者产品运营人员，因此数据产品经理可以说是完全从0-1主导跟进数据产品的整个生命周期过程，
- 因此，相比较C端产品经理，对产品设计能力、项目管理以及产品运营能力有着更高的要求，否则规划再好的产品也很难推进落地。
-
5)、数据产品经理技能树
全栈数据产品经理技能树如下图：
6)、想做数据产品经理，该如何着手准备?
虽然说不一定人人都是数据产品经理，但对数据产品以及数据产品经理的能力要求有了全面的认识后，进行相应的准备，还是可以比较容易地转型的。针对当前身份的不同，需要重点提升的技能项会有所差异。
1. 数据分析师
- 本身具备良好的大数据技术基础（SQL能力、对大数据组件的理解），擅长基于数据发现业务问题，指导业务决策。
- 写得了一手漂亮的PPT，PRD文档撰写肯定没问题，在支撑业务的过程中，锻炼了良好的沟通能力与需求管理能力。
- 但是在产品思维方面，比如如何从单个的分析需求抽象出产品功能规划，以及产品设计能力、持续的竞品分析能力等方面需要重点提升。
2. C端产品经理
- 产品各项基本技能绝对OK，而且有贴近业务的经验优势，但是在数据分析思维、大数据基础知识及技能方面要重点补齐，比如要搞清楚什么是指标，什么是维度吧，一个可视化报表呈现给用户，需要经过哪些处理流程。
- 是被动的接受业务提的指标维度需求进行支撑变现，还是可以基于业务场景，提出更有的数据监控体系
3. 数据开发
- 对数据生产、加工流程非常熟悉，建议从底层开发套件类的产品切入，可以充分发挥经验优势。把数据开发流程抽象化、产品化。
- 需要重点培训产品思维和用户思维，站在用户怎么样少代码或无代码地实现处理流程，而不是从技术实现成本角度出发。
- 在沟通协调、项目管理方面，也要适当补充
4. 产品运营
- 运营思维和产品思维可能在需求抽象层面有一定差异，比如同一个用户反馈的需求，产品会进一步挖掘需求本质，而运营可能侧重于怎么样快速解决用户的问题，提升用户体验。
- 因此，运营转数据产品经理时，需要在产品思维、产品规划和设计、数据分析、大数据基础等方面做些调整。
三、工具型数据产品经理，如何突破职业天花板 （参考：https://www.woshipm.com/pmd/5568803.html）
数据产品经理的岗位细分中，工具型数据产品是一个偏底层的，离业务相对较远的一个细分领域，比如大数据开发平台、数据资产管理与治理、自助BI和可视化分析产品等方向，都可以归属为工具型产品经理，其本质都是通过系统工具的建设，来降低数据加工、数据管理以及数据分析应用过程的人力与时间成本，提升各个环节的效率。
1、工具型数据产品的优点
1）、 迭代节奏和工作压力相对较小
- 内部的工具优先考虑的是可以实现基本的功能，只要主流程可以跑的通，界面丑一点，体验差一点是可以接受的，毕竟还要把有限的研发资源投入到离业务更近、收益更直接明显的项目当中去。
- 所以，用户以及管理层对于这类产品的包容度非常高，一旦资源冲突时，只要这个功能不影响使用，那么需求的优先级肯定是靠后的，这类产品经理的心理压力相比较业务产品要小很多。
2）、重流程轻业务，行业切换成本低
- 工具嘛，只要功能具备，就可以上手使用。斧头在花园里可以砍树，在原始森林里也可以砍树。
- 在不同行业、不同场景下，产品大同小异，所以工作了几年积累了一些工具产品的建设经验后，换到一个新的公司，不用花费很多的时间去深入了解业务，基于产品工作流程和方法，把核心用户以及需求痛点搞清楚，结合过去的经验就可以很快上手了。
3）、产品相对固定，且行业成熟度较高，可以快速复制学习
- 不管是互联网行业还是传统行业，对于数据加工处理应用的主流程和架构相差不大，所以工具类数据产品常见也就那十几二十种。
- 且目前一些云厂商或者专注于企业数据服务的商业化数据服务商都有比较成熟的产品，可以体验试用，参考竞品，照猫画虎地规划和设计一款产品，相对还是比较容易的。
2、工具型数据产品经理的职业天花板在哪里？
相比较贴近业务方向的产品，工具型数据产品经理的天花板还是非常明显的，就是等到工具逐步完善之后，你的价值度会逐渐降低，换一个新公司再去搭一套同样的产品吗？虽然熟能生巧，但是你可能会遇到职业倦怠期。
1)、工具产品的成就感曲线是递减的
- 从无到有去建设一个工具，收益价值最明显，得到的鲜花和掌声最多，随着基础生理需求的满足，用户开始追求尊重或者自我实现需求的时候，对于工具的要求会更高，开始吐槽产品难用，但是你却没有那么多资源优化，比较非商业化的内部产品，体验和UI是很难排上优先级的。
2)、 工具会逐步完善或者趋近饱和
- 工具的迭代更新速度比业务变化慢很多，这是工具产品轻业务的属性决定的，一个通用的工具可以支撑公司不同的业务，一旦基础的工具设施建设完备之后，再去创新一些新的方向就很难了。
- 当需要你做的需求变少了之后，产品以维护为主，那么你就要考虑换个方向或者等着被优化填单子了。
3)、不是所有的公司都愿意重复造轮子
- 市面上成熟的商业化产品那么多，不是所有的公司都愿意自己投入研发人力和时间成本去自研产品的，比较商业化的既便宜又好用，一个成熟的BI产品也就几十万的成本，自己研发至少需要2个研发，一个PM搞个小半年才能满足基础的分析需求。越来越多的公司更愿意快速的开箱即用，所以工具型数据产品的机会相对较少。
3、天花板要怎么突破？
对于工具型数据产品经理来说，首先需要把当前方向的工具做深做专，最好能够基于特殊场景做一些功能创新，而并非照抄竞品，形成自己对这个方向的工具、流程的独特见解。其次，工具做到一定深度之后，可以考虑往两个方向去拓展技能领域。
1)、向下是数据资产管理与治理
- 现在很多企业在搞数字化转型，国家层面十四五把数据作为战略级资产，从过去一二线智慧城市到现在的区县、乡镇数字化，从各种各样杂乱无章的数据，到能够形成有价值的数据资产，还是有一段距离的。
- 所以，可以尝试，跳出工具思维，考虑怎样才能帮助公司去建立一套高效、可用的数据资产管理体系以及数据规范化治理的相关标准。一些职业技能培训机构搞一些DAMA认证，其噱头也是因为这个方面的人才缺失。
2)、向上贴近业务以及数据价值输出的应用场景
- 数字化转型的本质不是说需要各种工具，如果说你找一个想要进行数字化转型的CEO说我给你做一套从数据采集到BI分析应用的工具吧，他肯定不会买单，因为他需要的是结合业务场景的数字化解决方案，可以帮助他去节省企业经营的各个环节的人力、财力成本，他希望看到直接的收益指标，为了达到这个过程需要相关的工具支持，他是乐意接受的。
- 从这个角度讲，多一些行业、业务场景的理解，可以形成工具外的特有竞争力。
通用的、标准化的流程或者工具是很容易被取代，用数据去分析和解决业务问题创造直接的金钱收益的经验与能力积累，才是数字化转型人才的核心竞争力。
四、产品经理认知升级的四大公式 （参考：https://www.woshipm.com/pmd/5532431.html）
1、不断优化，才能更好
-
-
一件事情是根本。我们究竟在做什么事情？先定义事情本身，后续就会少走很多弯路。这是一切的前提，我们的工作和学习不能是随波逐流的瞎忙。
- 一个目的是导向。我们该如何评价事情的好坏？做到什么程度符合预期？这个问题的答案就是方向，指导着我们当下即将发生的一系列活动。
- 一个前提是基础。事情不能随心所欲地做，而是综合当下情形，受限于资源、时间、人力的因素，我们需要找出符合当下的解决方案，最合适的才是最佳方案。
- 一直完善是过程。事情需要一步一步做，在过程中基于反馈优化，着眼当下去优化路径，放眼未来去调整目标，这是做事的PDCA（计划/行动/反馈/优化）循环。
2、量化反馈，决策执行
如果说用一句话概述产品经理是如何工作的，那就是「基于反馈工作」。反馈是做产品的第二个重点。
第一个重点「不断优化才能变好」主要在说做事的思路，第二个重点「量化反馈决策执行」则是明确做事的过程。
因为反馈是优化的前提，需要明确：当下是什么情况，跟目标差距在哪里，下一步应该怎么办。
总的来说，反馈的核心有三点，反馈 = 感知 + 量化 + 行动。
-
-
能感知才能有行动。我们能感知到的反馈，决定了后续的行动质量。事情有轻重缓急，数据有正常波动，了解产品内外部的数据基准，才能敏锐地找到异常。
- 量化是对异常的分析，变量究竟有多大程度的影响？是否需要采取行动？行动是立刻执行还是正常排期？这些问题的答案，都要看异常对产品核心目标的影响程度。
- 紧接着是行动，要把变量的影响在产品迭代中的呈现出来，可能是正反馈的快速推进，也可能是负反馈的路径修正，综合起来就是不管外部环境如何变化，目标一定得到达。
3、反脆弱，不屈不挠
反脆弱是抗打击能力，产品经理需要是打不死的小强，即使认知上被同行吊打，数据上被友商教育，也要敢于亮剑发起冲锋。
反脆弱的核心是接受发生的一切，基于判断做出下一步的动作，百折不挠。因此，反脆弱 = 接受 + 判断 + 再前进
-
-
反脆弱首先要接受事实，理性的看待数据，认真的对待挫折，即使站在风暴中心也能快速的处理信息。
-
接受是一种态度，不推脱不逃避，勇敢的面对一切问题。
- 接受的下一步是判断。判断就是为官三思的思危和思退，根据已有的信息，判断事情的发展对产品对自己的风险冲击，先做好兜底工作，不要让伤害变大。
- 再前进是下一步的行动，是基于反馈做出的优化动作，一次没有达到目标那就不断冲击，接受产品工作的不确定性，不断缩小期望与现实的差距。
除了工作上的反脆弱，产品经理也需要在职场中增加自己反脆弱的能力。在专业能力上提炼出通用的底层能力，扩大职场选择面，比如用随时能找到工作对抗裁员焦虑。
总之，产品要在反脆弱的小步快跑中不断迭代，在正反馈中总结方法，在负反馈中学习经验，无论如何，这都是一场借假修真的自我修炼。
4、实事求是，心态坦然
产品虽说是一份有理想情怀的职业，但站在互联网下半场的角度，大部分产品的天花板已经注定，我们能做的人定胜天的事情已经很少。
那么，在努力之后的失望结果面前（应该在预期之内），请心态坦然的接受，实事求是的面对现实
-
-
真相的要义是在面对苍白的数据时，坦然接受。不要尝试寻找汇报口径，要知道，再完美的PPT也解决不了事情本身的质量问题。
- 坦然的重点是去了解用户背后的需求，不是隐藏在数据之下被活动和奖励拉升的假象。知其然知其所以然，了解事情的全貌，然后得失坦然。
对工作实事求是，做出比岗位要求更大的价值才能拿到高绩效。对自己实事求是，明确在职场的诉求就能不焦躁。
参考资料：
