内容型（业务侧）数据产品治理最佳实践
导读 当下如何更好地利用数据已经成为企业数字化转型的关键，因此数据治理变得越来越重要。数据产品经理在其中起到承上启下的作用，直接决定了数据是否能有效利用。今天和大家分享的是内容型数据产品经理在数据治理实际工作中的个人心得，包括适用的方法论和实际案例。
今天的介绍分为四个部分：
-
内容型数据产品面临的问题
-
内容型数据产品的治理思路
-
治理思路如何落地
-
高阶的数据内容产品应该具备哪些能力
视频回放链接： 点击这里观看
分享嘉宾｜温岩 某互联网公司 数据产品专家
编辑整理｜孙宇 上海杉泰
出品社区｜DataFun
01/内容型数据产品面临的问题
1. 什么是内容型（业务侧）数据产品
- 定位：内容型（业务侧）数据产品是数据产品经理的一种，更偏向于业务侧。内容型数据产品是协助业务方，通过数据视角给出更合适的洞察思路，并将业务侧的业务目标转化为数据需求，最终建设内容型数据产品来解决这些业务问题。内容型产品经理更像是咨询师的角色，起到连接业务侧和开发侧桥梁的作用，需要结合业务，将数据、产品、管理三种能力综合运用。
- 工作价值：数据价值的沉淀和传递，辅助业务洞察和决策，数据建设的降本增效。
- 工作内容：数据埋点、数据分析指标体系、标签体系、取数模版、数据分析看板和门户体系的建设和运营。
2. 理想的内容型数据产品工作内容特点
内容型数据产品经理在实际工作中会有很多痛点，而这些痛点大部分都是来源于数据体系的不完善。所以我们首先要了解一个理想的内容型数据产品体系都有什么特点。
- 干系人指责明确
实际工作过程中涉及的部门和角色众多，像数据埋点、分析指标、标签等复用非常频繁，所以其中的干系人，包括供给侧和消费侧的人，职责要非常明确，分工也要非常明晰。
- 需求明确，理解一致
不同的人比如业务产品、业务运营、业务研发、开发 QA 或者 DA，对需求的理解、最终交付方式等会有偏差，这个时候就要明确需求，保证需求的口径要统一、清晰，减少差异性的理解。
- 流程规范标准化
所有的内容型产品都有一个标准的生产过程，要求内容型产品经理要有设计标准和制定规范的能力，同时要熟知各种生产流程中的关键节点。
正常工作中各个环节都要符合标准规范，但是不同的场景或者业务需求特别紧急，那可能就需要根据实际情况删减一些节点，但是即便在这种情况下，关键节点也不能少。
- 生产高效
内容型数据产品的需求比较旺盛，需要有高效的产品工具和流程相匹配。
- 元信息清晰明确
很多内容产品的生命周期都比较长，并且消费场景多，这类产品需要元数据进行描述，需要对口径信息、需求目的、变更时间、相关维护人等信息的及时、准确的维护。
- 评价可度量
在实际管理工作中，对于产品生产以及消费场景，需要有可量化的度量体系评价产品的好坏。
- 异动识别和监控预警
当数据不符合预期出现问题，或者出现波动的时候，需要监控体系能够及时监控到异动，快速识别定位问题，从而解决问题。
- 运营到位
运营到位很容易被忽略，却是非常重要的一步。针对不同人群，透传内容产品的应用价值，生产需求。我们平时可能做了很多工作，但是往往因为运营不到位，或者消息没有透传到相关的人，就会导致产品价值没有按照预期传递到位。
3. 内容型数据产品面临的痛点问题
- 数据是否准确
数据质量如何保持完整性、一致性、及时性等这种特点，出现质量问题，如何规范、快速的处理。
- 数据建设和消费是否足够快
效率体现在是否能够快速的找到数据、使用数据；数据应用是否能够快速响应业务需求、帮助业务洞察和决策；有没有好的开发方案可以帮助开发侧提升数据加工、数据建设的速度，缩短开发周期。
- 数据内容是否足够全
对于数据需求是随着业务发展变化的，业务关注的指标维度会越来越多，所以在前期收集数据和制定指标的时候，要尽量考虑全面，这就对数据产品有了更高的要求。需要我们要对平时的需求多总结、多积淀，这样有临时需求和大促的时候，有些数据直接可以复用。
- 数据体系是否可管理
数据是需要管理的，而管理就需要一套完整的体系，比如识别数据的价值和成本，找到当前数据场景的问题，并做出相应的管理动作。
--
02/内容型产品的治理思路
1. 业界的权威方法论
- 权威方法论一：DAMA 体系
DAMA 中文全称是数据资产管理委员会，在 DMBOK 中，定义了数据治理属于数据资产管理的一部分，这个标准是国际通用标准，其内容对实际工作也有很大的参考意义。而在国内，比如信通院、大型银行都有发布对数据资产进行治理对标准和规范。比如上述中间图是数据治理的进一步细分，而右侧图则表示按照组织细分的数据治理，可以分为集中式和分布式。
同时，在实际工作中也需要判断，组织需要的数据治理是一次运动式治理，还是一次成体系的治理。运动式治理聚焦数据产品某一部分或者聚焦某个具体业务，涉及的人群和范围可能相对会少一些，但是相应的成本也会可控，而效果则是有限。成体系的治理包括完整的数据内容的生命周期，涉及的人群和范围就比较广，但是效果也相对会更加彻底。
- 权威方法论二：华为数据治理框架
政策指引 数据架构标准管理 流程 组织 IT（工具平台）
- 权威方法论三：阿里数据治理框架
现状分析à问题诊断à治理优化à效果反馈。
互联网行业这里以阿里作为代表，而其他的大型互联网也比较相似。
2. 数据治理方法
业务侧内容型数据治理的目标在于交付持续可靠的数据内容，其概括需要四个要素，分别是清晰的组织和良好的意识、标准的流程规范、高效的产品工具以及持续不断的运营动作。
- 组织意识要先行
数据治理涉及的角色众多，所以目标和意识是否一致就显得尤为重要。数据治理过程是一种自上而下的协作模式，在进行数据治理之前，发起方需要投入一定成本让各相关团队先认可本次数据治理的价值和意义，然后透传给各下属同事，彼此拉齐目标和节奏，这样后续治理措施才能有效推行。
另外，权责要明确，每个人在实际治理场景中要有明确的目标和职责划分。
更重要的是，要树立起治理意识，数据治理是一个长期持续的工程，在不同业务阶段，对数据治理重视程度不同。比如在业务发展前期，公司一般更加重视业务的发展速度，一切为业务快速发展服务，数据治理优先级没有那么高。但随着业务发展平稳，数据体量增大，数据治理的重要性就显现出来。要有标准、规范，保证高质量的数据内容来反映业务状况。随着业务更进一步，数据治理就更加重要。因为高质量数据能够帮助业务发现机会，进行更好的决策。所以除了领导层自上而下传导的硬性规范，也要让大家充分意识到数据治理的意义和价值，只有意识到位，各方才愿意投入精力，配合才更加高效。
- 流程规范是治理思路的载体
治理思路需要流程规范去具体落地，还需要有管控抓手来监控和衡量治理的效果。初期，保证流程规范能够在业务流程上实现，关键节点可监控，各种操作有留痕，有数据可查。等体系成熟后，需要推进数字化。实现核心目标能够量化，然后目标可拆解到具体人员、具体事件，出现问题能够有数据依据追责到人，还要有可以量化比较的效果。同时，需要做到周期性复盘，总结问题原因，改进不足；结果通晒，让各参与方了解过程的进展，并督促未协作方积极响应；确定奖惩制度，帮助数据治理工作更好落地。最终形成一个有效闭环，良性迭代。
- 治理动作产品化
数据治理的有些工作是非常耗费人力和时间的，有时候只靠人力机会不可能完成，各方部门也会衡量数据治理的如此大的成本是否值得投入，这时候有效的工具就是必要的，它能提升工作效率，进而促进数据治理工作的有效落地。
我们以指标治理为例，从指标的生命周期来看，指标经历了新增、开发、管理/变更、下线的过程，而为了标记治理效果，部分公司还有认证这个状态，但是由于大型公司的指标很多，部分生命周期节点需要产品工具来保证其是真正按照标准管理规范来建设的，因此需要将规范标准线上化；另外由于生产动作可能会涉及很多指标，工具化也能有效的提升治理效率。
- 治理中的运营思路
治理中的数据运营也是一个很重要的环节。很多人会忽略运营部分，导致好的数据产品不为人知，或者标准规范要求通知不到位，造成资源浪费，并影响数据治理的效果。
数据运营的核心目标是提升用户对数据的 NPS。数据内容产品的用户是业务方、产品经理、技术开发等所有和数据相关的人员。而用户体验可分为效率和质量两个方面。
而数据运营可分为看、选、用、治、评五个方面，其中前三个方面侧重于用户服务侧，而后两个方面侧重于数据保障侧的内容。
--
03/治理思路如何落地
1. 落地路线（以埋点治理为例）
以埋点治理为例，埋点治理是数据治理中比较重要的一类场景，特别是在偏C 端业务，埋点尤为重要。同时埋点治理也是数据治理的难点，因为埋点治理的链条很长，涉及的部门很多，沟通成本高且效率低，比如存量的埋点治理，部分埋点可能复用场景会很多，但是如果没有很好的管理，这些存量埋点根本不能用或者说不敢用，也没有办法做好数据溯源和数据积累。
因此基于这些痛点，可考虑将埋点治理这个事情看作是一类业务，通过对这类业务的特点进行分析，并设计相应的指标体系。在这里将考验数据产品经理的指标体系设计能力。分析体系最常用的是 OSM 体系，还有 UJM 体系、AARRR、RFM 等。
- OSM 体系
O（Objective）目标，聚焦核心点，确立明确集中的治理目标。
S（Strategy）策略，确定关键环节和重要卡点，埋点评审设计标准化、线上化，给埋点评审提供抓手，并给埋点设计、自动化测试提升效率，对关键节点进行保障。
M（Measurement）度量，明确可用的指标，监控现状，更明确的展示治理目标及过程效果。
- UJM（User Journey Map）
UJM 底层逻辑就是梳理业务的主流程，以埋点场景为例，就是从需求-设计-开发-测试-走查-上线-消费-下线的整个流程，各个环节拆解。
注意点：关于埋点治理，尽量将治理目标和业务场景的影响和价值说清楚，避免脱离业务，为了治理而治理。
2. 落地路线（以指标治理为例）
指标治理在非 C 业务或 C 端业务偏少的公司做的较多，这个场景最大的痛点是指标一致性问题，可以分为数据源一致、计算口径一致、展现口径一致。
- 数据源一致
要加强数据埋点治理，比如存量埋点治理和新增埋点治理。
数仓要统一，比如主题建模合规监控，表的认证和权限回收。
- 计算口径一致
计算口径一致可理解为在对数据链路中各层的指标加工逻辑保持一致。
- 展现端一致
端一致是指看数产品尽可能唯一，进而避免同一个分析主题但是可以多个出口来看，这样会增加不一致性的机率以及带来额外的治理成本。
3. 治理常见问题
- 领导不重视：治理动作是需要和各方面去要求和协作的，需要领导的重视和授权。
- 角色不全：治理中尽可能包含各个角色，如果角色缺失，治理内容就可能缺失，治理政策无法执行到位。
- 职责不明晰：明确不同的角色具体职责是什么，明确主R角色。
- 没有过程抓手：统一整体目标和过程目标的度量标准，确保可以抓取相关数据进行过程监控。
- 工具效率低：随着数据体量增大，单纯依靠人工，效率太低，必须设计开发专业工具来提升效率，才能保证治理工作有效落地。
- 运营不到位：让相关角色树立数据治理的意识，认识到数据治理的价值。
--
04/高阶的数据内容产品应该具备哪些能力
1. 产品和运营能力
- 善于沉淀，通过业务需求沉淀可复用数据方案。
- 理解数据产品架构，设计良好的产品体系。
- 运营到位，传递数据价值，形成生产、消费的正向价值循环。
2. 数据能力
- 业务侧，熟悉如何通过数据进行业务的描述，并设计业务关键点点的数据内容体系。
- 数据技术侧，了解数据技术，识别是否可以通过更有效的数据技术提升支持业务的决策效率。
- 熟悉各类数据分析方法，并在合适的场景用合适的数据分析思路解决问题。
3. 项目管理
数据治理涉及部门多，链条长，而治理动作归根结底是体现人的管理思路。需要一定的管理技巧来对治理进行提效，并减少不同角色间协同的成本。
除此之外，数据内容产品经理对于业务最理想的支持效果是取得业务人员的信任，能以业务的视角通过数据能力帮助业务进行效率、体验的提升，并找到新的业务增长机会，使业务对有效的数据服务产生粘性效应。
今天的分享就到这里，谢谢大家。
分享嘉宾
温岩｜某互联网公司 数据产品专家
曾就职于贝壳，腾讯，百度等多家互联网公司，研发出身，后转为数据产品，具备多年大数据产品及研发经验，对数据中台或大型组织横向的数据内容型产品及数据治理方向有丰富的经验，并多次取得过组织认可，目前就职于一家大型互联网公司，负责某电商方向业务侧内容的数据产品建设。
《数据智能知识地图》下载
上下滑动⬆️⬇️，查看《数据智能知识地图》数据治理模块，完整版请关注公众号"大话数智"下载
DataFun新媒体矩阵
关于DataFun
专注于大数据、人工智能技术应用的分享与交流。发起于2017年，在北京、上海、深圳、杭州等城市举办超过100+线下和100+线上沙龙、论坛及峰会，已邀请超过2000位专家和学者参与分享。其公众号 DataFunTalk 累计生产原创文章900+，百万+阅读，16万+精准粉丝。
