图片模版：搜索 简图创作
一、技术、产品、运营
第一阶段： 互联网1.0 ，中心化、只读互联网 - 雅虎
第二阶段： 互联网2.0 ，去中心化内容生产 - 博客、微博
第三阶段： 移动互联 ，基于时空、身份的人联网 - 移动支付、移动出行
第四阶段： 万物互联， 人工智能和物联网 - 智能汽车、智能机器人
二、数据工种的抽离演变
数据类工种要解决的问题：
从商业价值的角度：
1. 数据监控企业状况，提供决策依据：数据是统计的科学，是对组织的简洁概括，人的精力是有限的，这使得复杂系统的高级管理人员必须也只能通过数据来掌控整个系统的运行状态；
2. 数据量化业务成果，探索增长途径：业务增长的实质，是利用最小资源撬动最大规模的营收，当业务脱离蓝海野蛮增长，进入红海精细化竞争，就只能通过数据衡量对比增长途径，探索最优方案；
3. 数据洞察企业问题，助力降本增效：随着企业组织的扩大，臃肿、效率低下是必然出现的状况，这就需要通过数据监测组织环节效率，从而定点优化环节流程，精简人员、缩减成本。
从数据技术的角度：
1. 数据存储： 大规模、非结构化数据的稳定、安全、高容错、快速的存取
2. 数据计算： 大规模、非结构化数据的实时快速计算
3. 数据的价值提炼： 在低价值密度的海量数据中，找到具有商业价值的内容
4. 数据的业务应用：
· 业务对数据的理解： 将复杂专业的数据知识转化成业务可理解、可操作的数据
· 业务获取数据的便捷性： 提供快速、简洁易用的数据工具，帮助业务便捷可靠的获取数据、利用数据
· 自动化业务决策： 利用数据提供明确的行动任务，指导业务有效完成工作
从数据应用的深度、广度考虑：
1. 业务结果数据的监控： 监控诸如订单、业绩等简单的业务结果数据，了解企业一段时间内发展的整体状况；
2. 业务过程数据的应用： 监控诸如工作时长、工作行为发生次数/频率、通话记录内容等业务过程数据，了解员工的工作状态和工作质量，找到问题发生的业务环节；
3. 用户行为数据的应用： 监控用户行为，从而进行用户分层，发现高价值、潜在培养用户，重点维护
4. 综合性数据的应用： 多方位、多层次采集数据，利用机器学习算法，发现更广泛数据之间的相关性，从数据中提取商业价值
数据的工种
数据研发——数据量和运算时间的赛跑
1. 数据存储： 分布式存储技术
2. 数据运算： 按照数据特征应用不同的计算方案
· 批处理计算：针对大规模数据的批量处理（非实时）
· 流计算： 针对流数据的实时计算（秒级实时）
· 图计算： 针对大规模图结构数据的处理
· 查询分析计算： 大规模数据的存储管理和查询分析
3.数据分层：
· 减少总计算量，节约计算资源
· 方便上层提取应用数据，节约数据处理工作的频次和时间
数据产品——应对专业和复杂场景
1. 业务决策场景： 这个 业务/产品 负责的核心指标是什么？如何界定业务成果？
2. 业务信息收集场景： 业务流程中会产生哪些数据？什么样的数据有采集价值？
3. 数据采集场景： 如何保证数据采集的规范性、一致性？确保采集准确性、完备性？
4. 数据处理场景： 如何设计数据处理和清洗方案以使数据尽可能还原实际业务场景？如何进行数据分层能更好的服务于分析师？
5. 数据应用场景：
· 如何提供恰当的工具，帮助分析师更好的开展工作？
· 如何提供合适的工具，帮助一线业务更好的利用数据？
· 如何与产品团队配合，让数据在产品中发挥更大的价值？
数据运营——精耕细作的业务演变
1.左手运营： 能站在运营视角，对业务有一定的抽象能力，可以输出运营标准化 sop ；有运营驱动能力，可以驱动业务调整运营动作
2. 右手数据： 能进行数据的二次加工处理，提炼业务关键环节指标，日常监控；能通过数据分析业务日常工作环节中的问题，形成分析结论，驱动业务调整
数据分析——从杂乱数据中寻找宝藏
在没有其他角色协助的时候，分析师+Excel 就是最小数据产品，需要通盘考虑所有相关的问题。
1. 数据清洗/处理： 对手头已有的数据进行清洗、处理、整合
2. 数据报表制作： 基于业务主题，完成监控报表
3. 数据分析： 基于业务分析主题，完成定向分析，形成分析结论，并指导业务拿到更好的结果
4. 业务理解： 理解业务发生的背景、场景，才能更好的站在业务视角进行有价值的数据分析工作
三、各岗位的工作目标与协同方式
工作目标：
岗位协同：
图片模版：搜索 简图创作
四、各工种的职业能力要求
数据产品经理技能树：
数据分析师技能树
运营能力模型
声明：
以上图片部分来源于第三方书籍。
未找到合适的数据运营技能图，暂时用运营能力模型图替代，以后找到合适的再更换。
