大數據類的產品經理要做哪些事情？

12-31

目的是為了做出一款非常牛的大數據方面的產品。這裡不說產品經理的一般職責。側重點是大數據方面的產品經理。謝謝。

上圖吧。

幾乎看了知乎所有的大數據產品經理的帖子，目前為止沒有一個好的大數據產品經理，所有人說的都是普通的產品經理，或者說配合好數據分析師怎麼做好ui的產品經理。

特別是目前一樓高票回答，和大數據產品經理完全沒有任何關係。

下面是部分回答，逐步完善。回答過程中可以發現樓上特別是高票答案的錯誤引導。

1、從改變世界到認識世界

產品經理曾經、現在都是非常火的職位，因為他們是來改變世界的。而突然有一天會發現你原來是需要去實現曾經忽略的世界本質。

啤酒尿布的原理，雖然是一個假故事，但是卻讓所有人輕鬆的知道了大數據。而這裡很重要的就是用關聯來發現那些曾經我們忽略的規律。

所以開始尊重數據，而不是拍腦子，覺得自己創造了什麼。多去了解數據，引申技能excel、sql等。這裡需要注意就是培養數據的感覺，但是你不是數據科學家，所以不要固執的一位這些可以讓你成為數據科學家。關於技能的一些問題下面會繼續說到。

2、我們尊重的只有數據，但是需要業務目標

產品經理很多時候就是需求的轉述，然後完成邏輯的通達（注意是很多時候，不絕對）。但是大數據產品經理更多的是確認目標數據和要做數據科學家的目標轉述。

比如我們要做關聯品類分析，就類似於啤酒尿布的故事。那麼大數據產品經理應該收集可以用於驗證的關聯品類，來幫助數據科學家進行模型校驗。

然後根據數據科學家產出的數據和業務進行數據確認，然後進行確認性反饋，包括認可和質疑。

這裡只是一個簡單的業務目標，還有更複雜的，會比這個麻煩很多，以後更新。。。。。。

3、從完全因果到概率的思維轉換

產品經理最愛說的就是因為 a 所以 b ，a 通常為某個指標或者指標的率，簡單來說就是曲線和一階導。但是要開始習慣，不知道是 a 還是 b 還是 c 還是 d 最終導出了目標 z。開始習慣接受不知道。

部分規則比較簡單的理解，比如最小二乘，但是當模型開始變得複雜，數據產品經理要慢慢的習慣去挖掘特徵的維度和廣度提醒，以及幫忙協調基礎數據的獲取範圍。

不過當數據模型出來之後，可以了解特徵的重要程度（樹模型），和使用的演算法模型。

今天簡單更新到這類，未完待續。。。。。。

做了一年的大數據產品以後，覺得這個答案要修改下了。以下是修改後的內容。目前正準備找工作，也算是對過去一年工作的一個總結吧。

-----

大數據類產品經理其實很寬泛，要說清楚大數據類的產品經理要做哪些事情，首先還是要說下有哪幾種類型的工作：

1、面向公司內部的大數據產品

如果是這個工作內容，那麼主要的工作日程之一就是和業務方進行需求溝通，業務方一般都會有很多的需求，有一些是他們自己想得明白的，找到你會說我要提什麼條件的什麼數據，但還有一些可能就是帶著一個idea過來，那麼產品經理要分析業務的想法，轉化為數據分析工程師明白的指標和條件。

大數據產品經理要站在數據的角度，告訴需求方哪些數據指標應該怎麼用，不能怎麼用。

溝通多了，可能需要建立一個內部數據分析平台或者挖掘平台的內部數據產品體系。這個有點類似BI，但比BI更豐富。準確來說，對內的數據產品，應該面向不同的內部業務層級分為：

面向管理層：核心指標BI，只是很少的指標但是管理層看到就明白各業務的情況。

面向運營具體人員：更多的細分指標和固定維度組合，給運營人員一個工具能夠多角度的查看數據指標。

面向數據分析工程師或產品研發：數據倉庫和數據集市，存放大量的基礎數據和中間數據，提供給能數據分析師（使用SPSS、SAS或R）進行探索性數據分析，供其他研發人員（開發API）提取數據後二次加工使用。

其他不能在這三方面產品上滿足的業務數據需求，臨時需要找懂大數據的數據分析工程師（會用python的）來滿足，就涉及到需求分析需求評審然後工作量評估和排期等等，這些也和其他產品經理工作內容沒兩樣。

其次，需要向數據挖掘工程師了解一些中間數據演算法、底層演算法，以便未來知道手頭上的指標是怎麼算出來的，數據有什麼缺陷。另外，豐富畫像庫的指標，大數據的產品經理應該要能夠對畫像庫的指標體系進行統一的設計（產品層面），並向分析工程師提出一些要求。畢竟中間數據和畫像數據做好了，數據本身的質量也能有所提高，能向運營部門提供的價值也就越大。

2、面向公司外部的大數據產品

面向公司外部的大數據產品一般都是有商業變現要求的。這也分成2部分來說：

第一，公司有自己生態的，大數據產品要求是面向整個業務生態，這部分的數據產品一般的形式有數據開放平台（支持API查詢），數據分析平台（類似御膳房、京東雲海）。這類的大數據產品主要是服務於生態，讓生態內的用戶更好更有粘性，數據變現反而不是第一目標（只是不是第一目標，並不代表不是目標，多少還是有點壓力的）。

那麼大數據產品經理需要深入了解數據本身的價值，不僅僅是數據能為公司的業務運營做什麼，還應該了解數據還能為上下游的公司幹什麼。設計數據分析平台，要求大數據產品經理應該從業務方、生態合作方的角度看問題，在保證公司自有數據安全性的前提下，如何最大限度的提供分析工具給用戶，這方面可能就比較偏技術了，但再偏也還是產品，多做調研、多向大數據技術工程師們取經很重要（不得不說作為大數據產品需要特別和研發搞好關係，因為很多想法火花都需要雙方的碰撞）。

這裡繞一句題外話，很多招聘網站上對於平台類的大數據產品經理，都要求什麼熟悉Hadoop、數據挖掘技術的，我想說你們找的到底是產品還是技術。一般產品都只是大致了解，最多知道什麼東西幹什麼用，特點是什麼。真正會hadoop會數據挖掘的，個人認為不會來做產品。

第二，公司沒有自己生態的，大數據產品要求更高，產品經理的商業變現意識要很高，知道什麼東西能賺錢，還要知道怎麼賺錢。換言之，從產品設計之初就要考慮商業模式的問題。這類又分成2種：

第一種技術類，就是公司自己沒有數據，純粹提供數據分析類的工具，或者也有可能希望通過這種數據分析服務為自己帶來一些數據，比較典型的是友盟（友盟也是一家數據公司）。

第二種內容類，就是公司自己有數據（包括通過別的手段獲取到了外部公共的數據，清洗整理後作為自己的數據），公司靠的是數據內容賺錢（包含內容版權費）。這類公司除了幾家大廠能有全網數據，其他的基本是面向垂直行業的數據，比如星圖這種就是面向電商的。

無論是第一種還是第二種，提供的數據服務都是有價值的。但是沒有生態鏈的數據產品要走好很難。作為產品經理，一方面要深入了解自己的數據或者技術，還要了解行業的痛點（有位九次方的同學說大數據產品需要豐富的行業知識這個很贊同），最重要還是行業的痛點。如果你做出來一個好的產品，對用戶有幫助的，都能吸引到用戶，這個不管做什麼產品都一樣。

先從職能說起把：

大數據產品經理不同於互聯網產品經理，本質上是一個軟體產品經理.產品經理的職責其實是從項目經理那裡分了一些職能，外加一個需求分析師的職能.然後就是產品經理的職能，所以是高複合的職位.

再說說工作內容吧：

你想做一個很牛的產品，這個基本上就是沒入行的人說的話.大數據產品經理想做一個產品，並不是像互聯網那樣拍拍腦袋，靠一個想法就誕生一個產品.大數據產品分倆中，一種是企業自己有很多數據，自己弄一個團隊做大數據，產品負責做出一些產品提高企業競爭力，一種是給政府做項目，幫政府實現大數據應用.

不管哪一種方式都包含了各行各業，不可能做出一個產品適應所有行業.這就要求大數據產品經理具備行業知識，對行業理解越深，做的產品就越牛逼，越能創造社會經濟效益或者造福大眾.所以大數據產品經理的行業從業不要太多，最好精通一個行業的知識.

溝通能力：

同客戶、商務、項目經理溝通是前期需求調研最基本的溝通對象，考驗個人做事做人的能力了……要求能說會道，臉皮厚

今天太晚了，改天再回答吧……

做一個牛逼哄哄的產品除了上述能力外。還要具備以下能力，有時間完善一下.

團隊資源協調能力

優秀的產品設計能力

優秀的邏輯思維

良好的審美觀念

數據分析、管理、多維度關聯能力

開發團隊溝通協調能力

產品進度把控能力

初入行業的菜鳥一枚，希望能與更多朋友一起討論。

本人所在公司是屬於垂直領域（知識產權領域），有著多年的數據沉澱，一直一來都為行業內的客戶提供專業數據（專利數據）的檢索分析服務。14年的時候，針對已有的專利數據選取了服務機構維度做了深入分析，在行業內形成了一定的效應。

作為一名產品汪，與其他互聯網PM所不同的是，我需要更關注數據。

產品開發之前，需要對可以獲取到的數據資源情況有深入了解，包括數據每個欄位構成及可以加工的維度。

開發過程中，除產品功能之外，還需要補充出數據統計加工的規則。

產品上線之後，需要及時解答數據問題，及優化調整數據統計規則。

數據建模的事情不專業，沒有做過，發現有這方面經驗，在產品設計中的確有優勢。

不過對於我來講，現在困惑的問題在於，我們的大數據產品客戶集中在政府等監管部門，B端有人在用，但商業模式不明顯。

想問問各位，大數據類產品該如何更好的挖掘B端用戶呢。

羅伯特·墨菲提出：經濟學可以被定義為關於交換的研究。所有關於交換的例子中，都貫穿著稀缺這一共同主題。稀缺：資源是有限的，慾望是無窮的。所以稀缺是普遍存在的。所以經濟問題的源頭在於稀缺。經濟學的基礎因而既不是理性也不是自私，而是稀缺！

在海量的業務和行為數據中淘出有價值的數據資產，用於具體的業務場景，本身就是非常稀缺的資產。而對於這些數據資產的收集、管理、應用與交易在2017年也出現了營銷級Saas化的大趨勢，尤其和廣告系統的產品結合，用於精準營銷。

狹義的廣告DMP，主要是接受數據擁有者（可能是廣告主、也可能不是）的委託，按照其需求進行數據加工，並將加工結果用於指導運營優化、廣告投放等任務。其商業模式上做的關鍵，是「來料按需加工」，收取加工費用。

在非專業人看來，中國很多做大數據的公司，追求的是什麼？追求的就是Data，追求的就是數量。

有一天有一個哥們把一個朋友介紹到我們公司來了，他說你們不是做大數據的嗎？我們這兒有很多數據你買不買？我說啥數據？這個哥們從包里整出一個硬碟說，「80G，賣給你」。我覺得很好笑，大數據追求的不是數據的數量，追求的是數據的實時性，數據的維度、豐富度和特點。所以我們做大數據的時候，很多企業走了第一個誤區就是像這個圖顯示的一樣，追求的是多，但沒有抓住大數據的內涵，這是第一個誤區。

第二個，我們做大數據的時候需要對數據做處理和加工，分門別類的找出它每一個屬性，你這個屬性的實體代表什麼，後面的屬性是什麼，你都要去做一些處理，而不是說數據就放在硬碟裡面而已。這些數據的加工和處理意味著什麼？意味著你對它背後所代表的數據屬性的理解和洞察，對於數據演算法能力的了解，如果沒有的話，這些數據也僅僅是數據，它上升不到Information的階段。

第三個，我跟很多人聊他們用DMP做什麼，他們用DMP僅僅做數據的收集和統計，變成了KPI系統，每天看的是新增、留存、激活、渠道和數據，其他都不看了。我說各位老大，DMP不是一個KPI報表，系統里有自定義事件，有漏斗模型，有AARRR模型，有渠道質量評估，有各種能幫你降低成本的東西，能形成一套知識方法論幫助你，你為什麼只看數字這一點？只看表面浮華的，誇張的數字，僅此而已。那你可以想像他對這個產品的運營粗略到什麼程度，如果一個企業老闆這樣運營和看自己的數據，那你能想像這個運營團隊是怎麼樣使用他的數據，不可能做得很深！

我用了這個DMP對我的業務就能好了嗎？不僅如此。有了這個之後你還要做Insight。很多人都以為有了大數據就可以做預測，其實不是這樣的，那是我們的夢想和理想，事實遠不到這個地步，事實是什麼？事實是我們先要用數據的方法解決我們的現有業務問題，幫助我們做產品優化和運營，我們才有可能說通過這些數據的理念和方法去預測我們產品的下一步和市場的下一步，去做一些決策，其實我們要做紮實的是第一步。第二步（預測）只停留在大部分科普作家的書中。當然你想做到最後一步是很艱難的，通過數據的洞察最後能形成某種智慧，對你所在的行業做高屋建瓴的指導和分析，這需要持續的行業積澱和思考。

拿我們的城市地圖為例，一個城市裡面所有的建築物，這些不同的點之間可能有路的聯網，最後哪兩個點距離最短，哪兩個點距離最長會變成知識，變成現在大家看到的導航系統，其實它的內核就是對大數據的合理運用。

聊完成這些，對一個企業而言，需要有真正願意為數據做分析做模型的人，真正願意去挖掘業務場景和分析用戶需求，他們認為數據是好玩有趣的，能夠幫助企業解決問題，發現各種類型帶有小趨勢的人群，先分析大的群體，再從裡面找到更關鍵的人群，分析這些關鍵的人能提供什麼價值，是不是可以用於精準營銷，是不是可以用於人群標籤的交易和交換等等，去幫助相應企業解決業務問題。

更需要有對業務理解很深的人，他能夠把產品和數據結合起來，幫助你對產品做一些優化、迭代、升級，甚至顛覆。你還需要一些領域工程師，這個更多的是指對大數據企業而言，你的數據要發揮作用，發揮價值，你不能對客戶說我有10億、8億、20億數據，你買我的數據吧，這些企業不會理你的。所有的企業，無論是金融還是互聯網，無論是房產還是電商，他只會說我有一個風控問題，有一個這樣的業務漏洞問題，有一個營銷的困境，你們是做大數據的，你能幫我解決嗎？問題就來了。數據公司只有數據、有演算法，有模型。具體行業的公司它有什麼？它有需求，所以你要和它結合，幫助它解決問題才能真正的發揮價值。

那麼問題來了，對大多數企業而言，並沒有能力駕馭以上領域的人員。為什麼企業的老闆只把數據統計系統當成KPI系統，是因為它沒有有效銜接的能力，公司沒有把前端業務和後端數據銜接，沒有人去幫助它分析問題、解決問題，所以它也只能去看數據，而不能用數據。

所以很多企業開始意識到數據資產重要，而又不懂如何應用，DMP領域的知識又非常封閉稀缺。

正是這樣的背景下，作為一個廣告DMP愛好者，我創建了一個付費知識社區，將DMP全面開放到底。

本期聊的知識點

2個月前創建以來，目前有超過200位愛好者加入，大多數是互聯網廣告領域的產品人員，技術和運營人員，有來自騰訊、百度、阿里、滴滴、小米、璧合、億瑪、品友、58、京東和谷歌等一些海外從業者。

其實，最關鍵的一點是，如果你關心廣告DMP知識社群和願意為有價值的內容付費，無論琢磨多久，都沒用。行動起來，加入我們，你的理解必然更加深刻。

掌握未來語言，IT從小抓起，關注微信公眾號：小鳥編程（O2Opark _GZ )，加入"廣告DMP"圈子，和伊姐（谷歌大數據產品）一起終身學習。

我其實不太明白你所說的，大數據方面非常牛的產品，是指為大數據提供服務的嗎？我以app作為舉例，接下來流水賬。

1.大數據的流程及規範（如果公司大數據方面做的很成熟了，這好比建房子，而這是框架。大數據的流程絕對不是一個人能完成的，需要各個崗位的配合。大數據的流程分為數據收集，數據建模，數據分析，可視化呈現。大數據產品經理是為了更好地驅動產品研發，也同時要滿足各個崗位的數據分析需求。流程中設計到:收集各個崗位的需求，梳理埋點清單，然後把埋點清單給到開發和測試，數據建模，數據評審，大數據的可視化呈現。然後定期給出灰度報告，正式發布報告。

2.常規性工作。處理各個崗位的數據分析需求，數據建模。大數據的分析需要很強的邏輯思維能力，不然在分析數據的時候，會走很多彎路，甚至可能會得出錯誤的數據。但你會發現有時候大數據產品可能會被經常分配臨時任務，「為什麼昨天APP的活躍人數那麼低，為什麼使用時長那麼低，用戶的增長率那麼低」，這是就是一個非常苦逼的過程，但是不得不去做，更坑爹是，很多情況下，大數據是分析不出原因的或者得到一些常識性的結論。

3.個性化推薦。這個是做大數據裡面最有意思的事情了。前面各種流程規範，導數據分析其實都體現不出大數據的價值，更多是服務性的工作。而個性化推薦是能真正應用到業務當中，個性化推薦也是最有挑戰，技術的難度，什麼樣的推薦演算法最好等等，這些要一遍一遍進行嘗試才行。我個人很喜歡用今日頭條，你會發現，他推薦出來的視頻或者新聞，越來越符合你的口味，在強調碎片化的使用時間裡，這已經成為搶佔碎片化時間的標誌性功能。

4.大數據現在挖掘到的東西還很少，信息過剩和集中爆發的時代已經到來，人工智慧趨勢也日益明顯，期待更多人投身到大數據的建設分析中，大家一起學習和進步。

熱雲數據經過多年的發展，積累了海量的數據，其完整性和豐富性不僅能夠幫助移動互聯網企業真實反饋用戶的真實數據，並且能夠支撐到整個行業的生態鏈，還能基於用戶行為找到相似用戶群體未來的去向，更多的對具體行業發展趨勢做預測。熱雲數據領先的技術以及優質的數據分析服務，得到了越來越多客戶的信賴與支持。

比較關注相關的職位，自己對於大數據相關產品還是有比較大的興趣。目前在一家專門做大數據分析的公司實習。整個公司有自己的核心大數據產品，而且在行業內部較為出色。我現在所在的部分就是依託公司之前的成功案例+技術能力來為更多方面有大數據分析需求的客戶定製大數據產品。數據的來源主要是根據目標客戶的需求還有公司確定的發展方向爬取的網路公開數據+客戶提供的積累數據。

目前大數據的數據源是一個問題，其次就是數據怎麼用。關於之前有回答說要深入挖掘這個行業才能做出牛逼的產品，表示深深的贊同。

要用什麼數據？用什麼模型去做數據分析？得到分析結果後能獲取的相關結論又是什麼？這些只有深入的了解才能做出最接近正確的產品。現在覺得很多數據分析的結果都比較誤導人。