数据产品设计典型流程
数据产品设计的流程包括3部分：
01
数据获取
做数据产品首先要有数据，数据来源有两个：
l从别人得拿：质量好得一般要花钱，免费的一般会有使用限制。，数据质量也可能存在问题，乱码、缺字段等。
l自己抓：自己的系统可以埋点，别人的数据看看能不能通过爬虫抓取（爬虫帮你圆大数据的梦），也有很多基于爬虫的数据分析产品，用户分析、舆情分析、物价分析、量化投资等。
数据获取和清洗环节PM的工作：
1.针对业务需求进行解读转化成不同的数据需求，PM首先要确定这些数据如何获取，确定最终的方案。
2.特别注意数据质量和数据稳定性。上游数据质量差的话，下游的每个环节都要浪费很多时间来处理。数据质量可以靠校验、对比，数据稳定性可以靠监控。
3.评估数据的成本和收益。数据是有成本的，量越大，质量越高，成本越高。所以，要合理的设计数据获取的策略：
02
数据转换
数据转换环节高端的说法是ETL，即拿到基础数据后，根据不同的业务需求再做数据清洗，然后将数据导入各个数据转换或计算模型，并对下游应用提供数据服务。
模型不一定是用户画像、推荐较复杂的模型，也可以是基础的筛选、排序、匹配、简单的逻辑计算。
为了让应用层拿到更高质量的数据，减少应用层的计算，这一层做大量的计算模块或做服务分层，分为基础数据服务层、业务强、弱相关层。数据转换环节，PM需要和架构师深入沟通（或者工程师），PM的职责包括：
1.需要了解数据存储、计算的知识
MySQL、Hadoop、HBase、Spark、Redis、Kafka...很多很多，不需要都深入了解，但至少了解他们的功能、特点、差别，能更好的沟通，参与方案设计。
2.全局设计能力
PM了解业务，工程师了解技术，两者协作，完成数据处理流程的设计或优化。
03
数据应用
各个公司的数据应用层就丰富多彩千差万别了，有流量分析、广告分析、用户分析、销量分析、财务分析、传播分析、ERP...。
本环节PM应该：深度理解业务
用户画像、反作弊、广告投放策略、推荐、NLP这些，是和业务紧密关联的，比如广告、打车两个领域，都有反作弊。这些应用离钱更近，一点点的指标的改进，都能带来很多钱。
基本术语
埋点：一般意义上的埋点，是利用如友盟、Talkingdata等第三方公司的SDK，通过在App中嵌入一段SDK代码，设定触发条件，当满足条件时，SDK会记录日志，并将日志发送到第三方服务器进行解析，并可视化地呈现给我们。这一过程就叫埋点。
维度：维度就是指我们平时看事物的角度，也可理解成分析一个数据能从哪些方面去分析，这些“角度”都是有值且可被枚举的。比如我们注册用户数有10万，那可分析的维度有：用户所在省份、用户性别、用户角色、用户来源等。不同维度来观察数据，可以得出不同结论，能否拓展观察维度，也是评估数据分析能力的一个关键。
度量：度量和维度相辅相成，是指可量化的数值，用于考察不同维度观察的效果，也可理解成“数据指标”。观察度量值可总体查看，如App总用户数，也可配合“维度”分层查看，如不同省份的注册用户数、活跃用户数，不同来源的App启动次数、平均日使用时长等。
渠道：指App的不同安装来源，如通过第三方应用市场安装，通过广告点击安装，通过地推