¿Qué habilidades debe dominar un buen gerente de productos de datos?
Por lo tanto, es necesario comprender el modelo de negocio, la estrategia, los procesos de negocio, los diversos indicadores que se van a evaluar y el significado empresarial detrás de los indicadores. No sé lo suficiente sobre esto.
2. Entender el análisis de datos.
Un buen PD de datos debe ser un analista de datos incluso si no es un PD de datos. Una de las tareas más importantes del PD de datos es convertir el análisis de datos en un sistema automatizado replicable. Aunque hay analistas de datos a su alrededor, también debe tener claro los problemas comerciales, qué datos desea analizar o qué problemas tiene o tendrá la empresa cuando aparezcan los datos. Esto debería ser adecuado para los mejores analistas de datos.
3. Comprender el almacén de datos y la inteligencia empresarial.
Detrás de estas dos palabras clave hay un sistema enorme. Me temo que mi tiempo de transferencia de trabajo de sólo seis meses es demasiado corto, aunque puedo explicar a otros la arquitectura de un producto de inteligencia empresarial. Aunque se descartarán una serie de términos como resumen, exploración, medida, indicador, dimensión, dimensión que cambia lentamente, jerarquía, atributo y panel, no se admite la exploración de conocimiento multicapa. No sé dónde analizar la causa. Afortunadamente, mis colegas del almacén de datos pueden aprender más. Éste no tiene límite superior.
La inteligencia empresarial como disciplina se originó en la década de 1990. Su punto de partida es ayudar a los usuarios a obtener mejor información para la toma de decisiones. La motivación original de la inteligencia empresarial es proporcionar a los usuarios una forma de autoservicio para obtener información, de modo que puedan obtener informes personalizados sin depender del departamento de TI. (Citado del Panel de información del libro P41). Hoy en día, además de proporcionar información, la inteligencia empresarial se centra más en reducir el umbral para que los usuarios obtengan datos y mejorar la naturaleza en tiempo real de los datos. Desde la dirección de reducir el umbral para que los usuarios obtengan datos, se pueden hacer muchas cosas, como diseñar un panel de información. ¿Cómo mostrar datos de una forma más amigable e intuitiva (visualización de datos)? ¿Cómo pueden los usuarios acceder a él sin conexión? ¿Cómo realizar el envío activo de datos de alerta temprana? En este punto, requiere muy poco esfuerzo.
4. Competente en el proceso de desarrollo de productos de datos. Desarrollo de datos Desarrollo de productos.
El objetivo final de la PD de datos es crear productos de datos. Desarmémoslo aquí y echemos un vistazo. En primer lugar, el producto de datos en sí también es un producto que los usuarios pueden monetizar en línea. Dado que es un producto, el conjunto completo de ideas de investigación y desarrollo para el producto no es muy diferente del de los productos comunes. ¿Quiénes son los usuarios, cuáles son sus necesidades, qué listas de funciones se necesitan para satisfacer las necesidades, cuál es la evaluación de recursos y la priorización de cada lista de funciones y cuál es el ciclo de vida del producto? Este es el desarrollo de productos. Entonces es un producto de datos, lo que significa que tiene más requisitos que los productos normales. Fuera del núcleo de datos, se necesitan varias listas funcionales, como suscripción, búsqueda, personalización, interfaz de SMS, interfaz de correo electrónico, etc. Pero el núcleo de los datos también requiere un proceso de desarrollo de datos.
Por ejemplo:
Fuentes de datos: ¿son suficientes y estables?
El PD de datos debe tener una comprensión suficiente de la construcción actual del sistema de procesamiento de negocios y la acumulación de fuentes de datos para poder juzgar si el tiempo de construcción de los productos de datos es apropiado. Las oportunidades inadecuadas conducen a la duplicación del trabajo de los equipos de proyecto y a la creación de productos de datos incompletos. Los productos de datos se utilizan para respaldar el seguimiento, el análisis y la toma de decisiones, mientras que los sistemas de procesamiento empresarial están posicionados para mejorar la eficiencia del trabajo y liberar al personal. Es posible que los datos recopilados por los sistemas empresariales no satisfagan todas las necesidades de análisis. Por ejemplo, es posible que los líderes quieran analizar las razones detalladas del aumento en una gran cantidad de devoluciones, pero el sistema empresarial actual no requiere que los usuarios seleccionen las razones al solicitar devoluciones o solo ingresen opciones en lugar de estandarizar. solo registre los motivos en Excel en lugar de ingresarlos al sistema. Por lo tanto, es posible que no se proporcionen los datos que el demandante desea ver y se requiere que la PD de datos impulse a la fuente de datos a recopilar en la dirección opuesta.
El diseño del modelo de análisis: si el modelo de análisis es bueno o no, en realidad determina el éxito o el fracaso del producto de datos.
En el proyecto, el analista de datos de BI puede asumir esta responsabilidad, o el PD de datos puede tomar la iniciativa, y ambas partes confirmarán más. El contenido es principalmente análisis de datos, evaluación y priorización de características, la planificación y coordinación de proyectos es principalmente PD de datos.
Por lo tanto, el PD de datos sabe mejor que el analista de datos si los requisitos requeridos por el analista de datos se pueden cumplir y cuál es el valor comercial detrás de esto. Mantiene una relación de cooperación con el desarrollo de datos y de productos más fluida que el analista de datos y puede utilizar. su poder para evaluar la viabilidad del sexo y los recursos.
A veces, no es que no tengamos datos, sino que tenemos demasiados datos y no sabemos leerlos. Si simplemente le arroja un montón de datos al usuario, es difícil imaginar cómo los interpretará el usuario. Cuando hacíamos diseño de interacción en el pasado, había un dicho popular: trata a los usuarios como tontos.
En cuanto a la plataforma de datos, debido a que puede requerir un cierto umbral para su uso, no es realista pensar en ella como un tonto que no entiende Internet, por lo que debemos pensar en ella como "usuarios no entiendo los datos" Tonto". También pueden comprender algo a través de una serie de datos, pero si se trata de una línea de tendencia ascendente de la tasa de reembolso, es posible que comprendan más; después de todo, la parte superior y la inferior son intuitivas. Entonces piénselo, si agrega una línea de advertencia en esta línea, sabrán cuando los datos son anormales. Entonces, ¿imagina lo que quiere hacer cuando descubre que los datos empezaron a subir el 12 de julio? ¿Quiere saber qué industria ha subido? ¿Querría saber qué canal subió? Luego, debe proporcionar opciones de industria y canal o compararlas con ellas.
Luego preguntó al responsable de esta industria, ¿el responsable querría saber qué proveedor o qué tipo de bienes ha aumentado? Entonces, ¿cómo podemos integrar estas dimensiones y niveles y al mismo tiempo hacerlo muy conveniente para los usuarios? La construcción de modelos analíticos es muy importante. También se puede decir que el modelo de análisis es el producto más valioso del análisis temprano de la demanda. El modelo de análisis debe incluir varios puntos clave:
División de temas:
¿En qué temas se dividirá todo el análisis? Por ejemplo, las ventas se pueden dividir en análisis de composición y tendencias de ventas, clasificaciones de industrias, clasificaciones de productos, etc.
Medidas e indicadores:
Analizar los algoritmos y definiciones de las medidas e indicadores implicados en la pregunta (esto suele dar como resultado un documento con definiciones y descripciones de indicadores y dimensiones).
Dimensiones:
¿En qué dimensiones debemos mirar estos indicadores y medidas, como el tiempo y los canales, y estas dimensiones deben filtrarse o compararse?
Perforación:
¿Están graduadas estas dimensiones? ¿Requieren perforación? Por ejemplo, los canales se pueden perforar en tipos de canales, las industrias se pueden perforar en subindustrias y las categorías de productos se pueden perforar en categorías de hojas de productos.
Salida:
¿Qué tipo de gráficos se deben mostrar para el análisis?
Desarrollo de ETL de datos
El proceso de limpieza, conversión y carga de datos ocupa más de la mitad de los recursos del desarrollo de productos de datos. Las fuentes de datos irregulares conducirán a una mayor ocupación de estos. recurso grande. Por ejemplo, para el mismo código de proveedor, un sistema se llama código de proveedor, el segundo sistema se llama código de proveedor y el tercer sistema se llama ID de proveedor. Estos tres sistemas son también los sistemas de la empresa. Aunque parezca extraño pensar en esta situación, también es una realidad. Aunque el desarrollo de ETL lo completan los ingenieros de desarrollo de DW, ¿cómo es posible que un PD de datos no comprenda estas tareas, no comprenda los problemas informados por los ingenieros de ETL y no comprenda los riesgos potenciales del proyecto? Y la mayoría de las veces, cuando los datos no están estandarizados y unificados, el PD de datos necesita impulsar el sistema empresarial para establecer la estandarización de los datos, ya sea funcional o directa. Por ejemplo, el camarero de la industria responsable de la entrada de datos establece un conjunto de entradas. presupuesto. Estas tareas parecen no tener nada que ver con la PD de datos, por lo que podemos decir: no hay manera, este es un problema con la fuente de datos, no con nuestra funcionalidad. Sin embargo, los usuarios tienen derecho a elegir utilizar o no sus productos de datos. Si los datos proporcionados por los productos de datos no son confiables, sin duda destruirán el futuro. Una vez que los usuarios no confían en los datos, es difícil retenerlos. Incluso si hay muchas excusas "débiles", no podemos quedarnos de brazos cruzados.
Optimización de la interacción y experiencia del front-end
Aunque el contenido está bien definido, hay tantas métricas, indicadores, dimensiones, simulacros, cómo dividir el nivel de información, cómo divida las columnas y las del usuario ¿Cómo diseñar la ruta de comportamiento? Estas no son áreas de trabajo importantes para los analistas de datos.
¿Pero un diseñador de interacción? Dado que es posible que muchos proyectos de productos de datos no tengan diseñadores de interacción, el PD de datos debe encapsular el contenido y diseñar la arquitectura de la información, el diseño de la página, los gráficos y otras funciones. Diseñe, luego escriba documentos detallados de requisitos funcionales y entréguelos a cuatro tipos de desarrolladores: desarrollo de productos, desarrollo de front-end y desarrollo de datos, y desarrollo de pantallas de front-end.
El documento de descripción funcional del producto de datos, excepto la parte de desarrollo del producto, describe el "contenido", que es el modelo de análisis. Además de los temas, medidas, dimensiones, navegación, filtrado y tipos de gráficos de salida, parte del contenido también debe definirse en detalle hasta el "método de clasificación" y otros detalles, y la situación específica se analizará caso por caso. base del caso.
Entorno, tecnología, herramientas
Quizás para fabricar un producto común, pueda describir claramente los requisitos, confirmar la viabilidad con el ingeniero de desarrollo del producto y aceptar la evaluación de recursos. Sin embargo, los productos de datos están limitados por el entorno en el que se implementan y las herramientas elegidas, como Oracle, Cogos de IBM y SQL Server. No conozco otros productos. Usamos Oracle BIEE. Entonces, como PD de datos, ¿necesita saber qué funciones puede proporcionar BIEE? No puedes saber que no eres bueno leyendo documentos o preguntando a otros. Además, debemos comprender gradualmente el mal carácter, las funciones inalcanzables y las dificultades insuperables del BIEE. También debemos seguir entendiendo esto y seguir aprendiendo.