数字化转型未来在企业中将是一个重要的机遇，可以通过数据化的指标监控以及智能化的产品应用，以提升经营效率和管理效率。对于数据产品经理而言，又起着什么作用？作者分享了自己对于数字化转型的看法，以及在数字化转型，需要什么样人才体系？

数字化转型的含义以及重要意义在各种场合的峰会、不同级别的分享都已经耳熟能详了，每个都知道它，但并不是每个企业都知道该从哪里着手去落地。

数据产品经理在数字化转型中起到什么作用，金融、证券等不同行业，如何实施数字化转型等等问题。结合当下的秋招求职季，就简单分享自己对于数字化转型的理解，以及在转型的过程中，需要怎样的人才体系。

一、数字化转型的动因

试想，对于一个隐居山里，自给自足的人来讲，他只需要自己掌控好自己的生活节奏，自己开心就好。而一旦他进入了城市生活，面对林林总总的物欲横流，邻居家又拆迁了几套房，换了几辆车，孩子工作年薪百万后，他的心态还有多大可能处之泰然呢。

同样，数字化转型驱动的根因就是一个 " 卷 " 字，当同行都已经用 10 块钱去获取一个新客，用 2 周完成一个新产品的上线，而自己企业还需要 100 块和 1 个月，你说老板急不急。

尤其是近几年国际形式不稳定，疫情持续反复，不管是个人还是企业消费态度逐渐悲观后，大家都想拼了命的降本增效，以度过这个寒冬。随着大数据、AI、云计算等技术的成熟，数字化自然就成了降低经营成本，提升运营效率的利器。

二、数字化转型，转什么？

既然数字化转型的终极目的是降本增效，以终为始，那就要先看目前的经营流程中，主要的 " 本 " 花在了哪里，这时涉及两个层面，一是要能够梳理清楚现有的核心业务流程，二是有没有完善的数据，可以去衡量这个成本。借用著名管理学大师彼得德鲁克的一句话，" 如果你没法衡量它，你就没有办法改善 "。

对于营利性组织，不管是 ToC 还是 ToB 亦或者 ToG，其目的都是通过提供某种产品或服务，以获得商业价值，所以经典的营销理论 -4P 理论仍然适用。

Product（产品）：产品 & 服务的生产过程中，数据可以发挥哪些作用？

1. 通过数字化监管生产过程，提供数据化管理抓手

互联网行业的数字化进程相对较快，各种 App 的埋点采集方案发展成熟，对用户行为的细致分析，找到产品流程中的改善点。而在工业、农业、制造业等行业，主要依赖传感器将采集设备数据，再将数据转化成决策信息。工业 4.0，农业数字化，首先要解决的就是有数据，用数据的问题。

2. 将数据能力整合到产品当中，提供更加智能和强大的产品能力

产品千人千面的个性化推荐，到 AI 人工智能机器人、智能音响、无人驾驶，通过对数据的挖掘和应用，不断对产品进行创新，提升产品的吸引力。数据的智能化应用场景，也自然成为数字化成熟度的重要指标之一。

Promotion（促销）：酒香也怕巷子深，促销的目的是为了带来用户的增长，包括新客的获取和老客的复购。数字化转型要基于数据，构建用户画像信息，从而进行自动化的营销，实现用户运营的精细化、个性化。

Place（渠道）：流量红利过后，用户流量相对集中在少数的头部流量池中，对于企业来讲，需要通过数据手段，找到自己产品的目标受众，而不是 " 盲投 "。

Price（价格）：赔本赚吆喝是互联网早期的跑马圈地常用手段，但泡沫散去后，可以烧的钱越来越少了，怎样站着把钱赚了，也是数据要解决的问题

此外，为了把产品和服务生产出来，涉及到的人事流程、财务流程、IT 流程，也都是数字化转型的内容之一，通过数据优化人力资源、财务流程达到降本增效的目标。

三、数字化转型，CIO需要什么样的人才体系？

数字化转型本质是业务问题，其次才是技术问题，所以数字化转型想要成功，首先需要知道数据可以在业务中发挥什么样的价值，然后才是对应的数据技术、数据平台、产品工具等。在转型过程中，涉及的人才结构如图：

1. CIO/CTO

数字化转型是一把手工程，转型必然涉及现有组织或流程的变革，自下而上的转型几乎不可能成功，所以需要战略层面的授权，否则师出无名必然功败垂成。

2. 外交官

术业有专攻，尤其是传统行业的业务人员对数据的认知处于比较浅的层次，想要在转型过程中，数据团队不是闭门造车，而是深刻的理解了业务流程和痛点，就需要具备深厚的数据功底的 " 外交官 " 的角色，去不断深入业务过程，可以告诉业务数据能够带来哪些改变，现有哪些数据，还需要做哪些工作。这一角色最好主要由数据产品经理承担，因为他可以去协调组织不同的资源，去把事情做成。同时数据分析师，或者数据仓库的负责人也可以参与，作为信息的输入和输出。

3. 智囊团

数字化转型最终的目的是带来实打实的价值收益，所以需要能够基于数据，充分挖掘出有用的信息，为业务提供决策或智能应用的输入，数据分析师主要利用数据分析的技术和手段提供最优的决策，算法工程师则依赖于 AI 技术，提供更加智能的能力，比如基于 AI 的智能排班流程，个性化营销或产品推荐服务等。数据产品经理主要是参与其中，提供部分业务知识的输入。

4. 奠基者

数据是数字化转型的根据，没有数据或者数据脏乱差，转型过程必然坎坷或面临失败。数据汇聚、清洗加工处理，形成可以高复用的数据资产，并对数据进行持续的治理，保障数据质量，降低存储和计算成本，主要是数据开发工程师的职责。在这过程，数据产品经理主要是数据需求或数据产品需求输入，提供数据资产建设所需要的业务信息输入。

5. 建筑师

工欲善其事必先利其器，数字化转型过程中，数据从采集到分析应用过程中，基于数据产品或工具来提升数据应用流转的效率，在这过程中，需要相关的数据产品经理规划和设计对应数据产品，由前端工程师和后端工程师进行开发变现。

四、总结

数字化转型是未来五到十年的重要方向，在企业经营或政府管理过程中，可以通过数据化的指标监控以及智能化的产品应用，来提升经营、管理效率。

数字化转型过程中，垂直的岗位包括数据分析师、数据开发工程师、算法工程师、平台研发工程师，而数据产品经理则是一个综合性的岗位，虽然不像其他角色直接进行分析或者开发具体的产品，有很高的技术门槛。但如果能够把数据能力和业务知识充分结合起来，带着数据团队，把数据赋能业务的能力充分体现处理，那么将是不可或缺的。

数据干饭人：数据仓库为什么需要分层建设和管理？

数据仓库是数据化运营和数字化转型的底层基础设施，数据仓库不完善或者建设质量差，再好的上层建筑（数据应用产品或工具）也很难牢固地生存下去。在数据仓库建设时，绕不开开地话题就是数仓分层。

一、为什么要进行数据分层

1.降低数据开发成本

基于数据模型的开箱即用的开发成本要远小于每一次的case by case的按需开发。例如要计算产品的DAU指标（Daily Active User 日活跃用户量），直接从加工好的数据表中select一下指标值，不管是SQL代码的复杂程度还是查询性能、耗时都要远比再从源表重新清洗一遍业务逻辑要简单的多。通过分层建设，把通用的业务逻辑加工好，后续的开发任务可以基于模型快速使用，数据需求的响应速度也会更快。

2.降低任务运维成本

业务发展过程中，数据指标口径、统计逻辑变化是常态，任务失败也屡见不鲜。如果每一次调整都需要对所有的数据任务进行修改，再去回溯数据，那数据开发大部分时间都在填坑中度过了，而且还会经常出错。我们知道，管理一棵大树，只要花时间聚焦把主干和重要分支维护好，树就可以正常生长，而管理一片稻田，则需要对每一棵禾苗进行保养。数仓分层就是希望通过对最基础的、常用的数据进行抽象，找出数据的主干，对主干进行修复后，下游的叶子节点就可以最小变动。例如，当产品改版后，涉及流量统计指标口径需要调整，通过数据分层，只修改最底层的源表的逻辑就可以实现整个链路的数据更新。

3. 方便共享复用，减少重复建设

不同的开发人员、不同时期开发的模型，如果没有分层管理规范，往往导致后期使用时找不到，不是不想复用，而是数据找不到或者需要花费很长时间沟通、翻代码确认，最终耗时反而没有重新写一套逻辑来的快，长此以往，导致大家都不敢用别人的模型，数据复用度低，带来存储和计算资源的浪费。通过数据分层，将数据有序的管理起来，就像图书馆的书架导航，可以快速帮助使用者找到所需要的书籍在那一层书架中，能找到现成的，相信都不愿意做冤大头重新做一份吧。

4.统一数据口径

同一个指标在数据加工处理时，复用的是同一个数据模型表，这样很大程度可以规避数据统计不统一的问题，毕竟本是同根生嘛。

二、数据仓库的分层方法

ODS层：贴源数据层，一般是从各种业务系统、日志数据库将数据汇集到数据仓库中，作为原始数据存储和备份，一是数据仓库建设不会直接查业务的关系型数据库，而是通过数据同步的方式，将业务从库数据同步到HDFS（Hive）等，适合海量数据存储和加工处理的介质中。

DWD层：数据明细层，对ODS层数据进行规范化处理，例如脏数据过滤、数据格式化等，但仍以数据明细方式存储，且将数据进行主题、层级划分。

DIM层：维度表，在维度建模理论中，可以通过业务主题宽表关联维度表方式，快速输出直观的数据分析结果。

DM层：数据集市层，基于对业务的需求的理解和抽象，建立通用的指标和分析维度模型，数据仍以明细为主，部分可以直接加和汇总的数据指标，可以采用聚合结果的方式呈现，但如DAU等涉及去重的指标，一般以明细存储。

APP层：数据应用层，面向不同业务部门、不同产品需求提供具体业务场景的结果表，通过数据同步方式再从数仓同步到MySQL、Greenplum等查询引擎，供前端数据产品输出使用。定制化程度高。

三、数据仓库分层管理规范

数据仓库分层管理中，通过不同层级的数据使用情况指标的构建，对数仓建设完善度和复用度进行指标化管理。

1.完善度

数仓模型对业务的支撑和覆盖情况，完善度越高的数仓体系，业务获取和使用数据的成本就越低。即当业务需要数据时，已经相应的模型在哪里等着使用了，而不是再去对接业务沟通需求，排期开发。例如当管理者问数仓负责人，你们天天搞数仓建设，现在到底建设到什么程度了呢?有了完善度评价标准，可以量化数仓建设成熟度。

通过数据血缘及查询日志，可以对数据加工任务以及Adhoc查询（数据分析、数据开发人员自由的探索式SQL取数工具，提供基于数据资产进行取数分析的能力，用户仅关注SQL逻辑，不需要关注集群资源、环境。与自助BI拖拽分析相互补充）进行统计分析。例如，在数据查询中，直接查询ODS的任务占比，占比越高说明有大量任务基于原始数据加工，中间模型DWD、DWT、DWA复用性很差。在技术上，直接查询底层表，查询扫描的数据量会越大，查询时间会越长，查询的资源消耗也越大，使用数据的人满意度会低。可以跨层引用率来衡量支持完善度，

DWD层：看 ODS层有多少表被DWT/DWA/APP 层引用，占所有活跃的ODS 层表比例。

DWT/DWA/APP层完善度：主要看汇总数据能直接满足多少查询需求，也就是用汇总层数据的查询比例，如果汇总数据无法满足需求，使用数据的人就必须使用明细数据，甚至是原始数据。汇总数据查询比例：DWT/DWA/APP层的查询占所有查询的比例。

跨层引用率越低越好，在数据中台模型设计规范中，一般不允许出现跨层引用，例如ODS层数据只能被 DWD引用。

2.复用度

复用度顾名思义，资产建设完成后，被不同业务或用户复用的情况，复用才会减少重复开发。可以用引用系数作为数据中台资产复用度评价指标。引用系数越高，说明复用性越好。

引用系数：数据表被读取，产出下游模型的平均数量。例如一张DWD 层表被8张 DWS层表引用，这个表的引用系数就是8，把拥有下游的DWD 层表(有下游表的)引用系数取平均值，则为DWD 层的平均引用系数。

四、小结

数据仓库建设以及分层管理，回归到最初的目的，就是降本提效，通过各种规范、手段、流程，来保障数据输出效率最高，可以快速响应业务发展的数据需求，用数据来驱动决策或赋能业务。同时，也要从成本角度考虑，不断降低数据开发成本、存储成本、计算成本。用最少的人和资源，覆盖更多的业务数据需求。

数据驱动和数据赋能有什么区别？

在谈及大数据的价值时，“数据化管理，数据化运营，数据驱动，数据赋能“可以说是最频繁提及的词语，但是及时作为数据从业者，也未必能彻底搞清楚其中的差别。

回归到数据对于企业经营最顶层的作用来看，其实数据的作用就2个，首先是数据优化，其次是数据驱动。

1.数据优化

顾名思义，就是通过数据来优化个人或者企业的行为，是一种后置的价值，过去没数据时，靠经验拍脑袋定性决策，有了数据后，可以一切用数据说话。比如，练习打靶，统计每次命中的靶数，心里有数后，在教练的经验指导下，调整动作，再看下次命中是否有所提升，这就是数据优化。

2.数据驱动

数据驱动则是指利用数据的能力，直接为决策或者运营的过程提供“外挂”支持，例如通过增加高倍望远镜、激光瞄准器，或者大量数据统计分析发现，当风速20公里/小时，风向东南时，枪口的角度应该是X度。在下次打靶过程中，提供直接的能力加持。

再比如，过去做广告投放，主要是根据广告的效果点击数据，不断尝试优化投放策略，运营人员的经验对效果有巨大影响，所以有专门的广告代理公司以及SEO优化师。而随着数据技术的成熟，运营的精细化，在广告投放时，针对产品的目标用户画像选择流量池中的目标用户群体，并融入算法的个性化行为匹配能力，广告的转化效果得到了大幅提升。

所以，数据优化和数据驱动的主要区别，一个侧重于利用数据提供优化的方向，另一个则是直接把数据作为改进的方法和利器。以后再去用相关的词语去描述大数据的价值时，就可以按照这两个维度去区分了。

数据指标体系必备要素：指标好坏评价标准

关于指标体系构建的方法论非常多，基于实际业务场景加上方法指导都可以照猫画虎地构建出自己的指标体系。但光有了所谓的指标体系不是终极目标，想要更加高效的数据驱动决策、数据赋能业务运营，指标好坏的评价标准是必不可少的要素。

一、为什么要对指标进行评价？

没有规矩不成方圆，交通规则是对车辆行为好坏的判断依据，法律法规、道德准则是对人的行为表现的判别准绳。如果没有对应的规则，所谓的“自由”终究会带来人类社会的灾难。从指标的定义上看，是指衡量预期中打算达到的指数、规格和标准。但很多初入行的数据人会更多关注指标的数值，而忽略了背后的含义。例如，现在很多智能体脂称，它可以将你身体的各项指标与标准的健康值进行比较，从而告诉你你的BMI指数是正常还是异常，医院检查验血指标标识也是同样道理。

在数据领域，如果一个分析报告或者数据产品仅是提供数据是什么的能力，缺少对数据指标表现判断的标准，充其量只是承担了一个取数的工具，并没有起到将数据形成知识或者信息的能力，需要使用者再加以加工才能用于决策。所以，我们需要指标好坏的评价标准，从而能够准确地衡量业务表现是好还是坏，表现不好，需要进一步制定改善策略。

二、指标好坏评价的标准有哪些？

生活中我们往往不羡慕各种首富赚了多少钱，但是身边的朋友一夜暴富或者财务自由时，你心理却有可能会不平衡，因为你们一直在一个圈子在同一个维度水平内。别人家的孩子也是如此。没有对比就没有伤害，对比是数据指标评价的最主要的方法，通过比较来判断业务表现是正向发展还是走下坡路，是否需要及时关注。

1.与历史同期对比

以史为鉴可以知得失，所谓增长就是通过各种运营手段方法之后，用户、业绩是否呈现了不断上升的趋势。时间对比是最常用的对比方式。

• 环比：当前周期对比前一周期，例如今天环比昨天业务增长的百分比，当前周期-前一周期/前一周期

• 周同比：一般是按照星期对齐，如本周一对比上周一，对于旅游出行或有明显周期属性的业务，环比不合理，比如周六景点门票的人通常比周五工作日人多，如果用本周六对比上周六则更加合理地看近期业务表现的趋势。

• 节假日同比：一些促销节日或者法定节假日，看今年国庆节较去年表现如何，因为有些法定节假日的日期每年并不相同，例如今年春节2.1-2.7对比去年1.28-2.5

• 年同比：当前周期对比去年同期，当前周期-去年同期/去年同期

• 历史峰/谷值/近X天日均：业务创造历史，比如单量突破某个里程碑，发个喜报可以起到团队激励的作用，鼓舞士气

2.与预测趋势对比

既要向钱看，也要向前看，利用算法模型可以预测业务发展的趋势，从而设定正常波动的阈值区间，可以将指标值与预警线进行对比

3.与目标值对比

你的KPI完成了吗？打工人背KPI，KPI与考核挂钩，季度考核绩效系数强相关，指标化管理手段的核心思想也是将工作指标化，指标KPI化，将数据指标与公司业务目标、个人KPI对比，监测目标完成度，可做到过程的动态调整，而不是到季度末考核的时候发现没完成。

4.与大盘平均/中位数/众数对比

统计学中有很多的概念，平均值、中位数、众数等，数据指标管理的过程，不同部门、不同层级关注的指标维度不同，例如一个区域运营，背的是自己的区域的KPI，做的好不好呢？是骡子是马牵出来溜溜，和其他Top比较，或者和大盘比较如何。例如，不同人群的ARPU/留存率，普通会员与钻石会员数据差异。

5.与行业竞对对比

在这个快速变化内卷的时代，除了关注自身外，还需要时刻关注竞争对手的情况，比如市场占有率此消彼长，新客获客成本你10块，只看自己挺好的，同行5块，那差距就出来了。在业绩汇报中经常会遇到，洋洋洒洒讲了很多漂亮的指标，老板一句：“和XX竞对比呢”直接哑口无言。

6.数据建模分析

除了单一的指标评价外，可以基于考核的指标体系或者业务运作的关键指标抽象成业务健康度的综合模型。例如，每天只需要告诉老板今天业务正常，可以安心睡觉了。或者告诉先告诉他业务出问题了，其次是哪里出问题，影响各自是多大。

三、指标评价标准的应用场景

1.丰富数据可视化产品数据信息化能力，提升决策效率

呈现数据只是数据可视化产品的生理需求，通过交互式操作解决过去需要SQL取数或者依赖数据团队取数的问题，期望需求是不仅告诉我数据是什么，还要告诉我数据好坏，进而是我该怎么做。

2.提供指标预警监控能力，及时发现业务问题

自动化预警推送是基于对指标好坏的评价，基于标准配置指标报警规则，一旦数据触发预警规则，可以推送IM消息或者邮件等，第一时间发现业务问题，缩短问题发现时间窗口。

四、总结

指标评价标准是数据化管理的标尺，只有建立业务好坏的评价依据，才能更好的用数据指导业务决策。不管是在做数据分析还是数据产品设计，都要将指标的评价依据融入其中，评价标准是将数据知识化、信息化的必备要素。