思维方案无外乎归纳、演绎，
第一篇内容 持续更新 关于构建数据产品知识体系，
当成索引去梳理基本概念和方法。

数据产品经理知识体系

本文将为自己提供一个知识体系的搭建记录，同时积累一个可查阅的知识手册，方便自己在未来工作、面试等方面可以快速对于某部分知识进行快速所索引和revie
本文的编写结果将按照以下的方式完成，提出问题—拆解问题—分析场景—提出方案—效果评估

用户画像

技术背景

sql：链接：
python：repos 

大数据底层知识

hadoop
hive表
ETL技术
数据仓库技术
大数据架构

数据管理与数据服务

数据指标体系

首先需要进行问题拆分，什么是数据指标体系，数据指标如何获取，体系如何搭建
数据指标的定义：数据指标是通过对数据进行分析得到一个汇总结果，是将业务精分和量化后的度量值，使得业务目标可描述、可度量、可拆解。数据指标需要对于业务进行进一步抽象，通过埋点进行采集，设计一套计算规则，最终通过可视化呈现。目的是要解释用户行为和业务变化。

什么是指标

指标是 ：纬度+汇总方式+量度
纬度：看待事物的角度和方向/决定从什么角度衡量指标
汇总方式：求和、均值等统计汇总数据的方式
量度：数字+计量单位

什么是数据指标体系

数据指标体系：
    本质是将数据指标系统的组织起来，具体按照业务模型，区分行业，区分场景，对于指标的不同属性进行分类和分层，同时指标体系也不是一尘不变的，会根据业务不同的发展阶段，有不同的划分标准。
    对于业务指标体系化的汇总。用来明确指标口径、维度、指标取数逻辑等信息。
指标的类型：
    基础指标：不能再拆解的指标，通常表达业务实体原子量化的属性的且不能再分的概念集合
    复合指标：建立在基础指标之上，通过一定运算规则形成的指标集合
    派生指标：一个原子指标+时间周期修饰词+其他修饰词，是对原子指标业务统计范围的圈定
数据指标的类型：
    用户行为数据：用户行为数据通常通过埋点获取也可以称之为埋点数据，实则为用户行为日志，用于进行用户行为和用户路径分析。用户在线上通过行为（曝光，点击，访问），使用产品功能（加购，提交，收银台，支付）实现线下+线下场景的融合
    业务数据：业务数据通常指与业务相关，无需通过埋点采集用户行为的数据。如终端调用库存系统，CRM平台，创建销售订单数据
    事物型指标:对于业务活动进行衡量的指标，如新增注册用户数，当日充值会员数
    存量型指标:对于实体状态某些状态的统计，如注册用户总数，充值总金额
    复合型指标:在存量和事物指标的基础上复合而成的指标，如GMV，APRU

数据体系建设

根据不同业务场景搭建指标体系—我需要哪些指标
分成两部分：用户行为，业务数据体系
基本指导思路 OSM
    O：代表业务目标，我们需要明确我们产品的功能存在的目的是什么，能够解决客户什么问题，满足那些需求
    S: 我们随采取的策略
    M：我们如何评估我们的策略效果 KPI/Target
    step1:基于产品使用场景，确定使用目标,并对于场景的基本情况和客观条件做简要说明，可以选取两种视角去思考：用户视角/业务视角
        拆解目标的办法：我们可以从核心kpi拆解到业务核心目标，长期与近期相辅相成
        例如：让用户找到合适的案例，提升试用-下单转化率提高xx%
    step2:我们会采取什么样的策略去实现目标，
        如用户目的是找到心仪的产品/业务的目标是通过提高搜索匹配度，最终提高下单转化率，那么我们有策略
        1.xxxx
        2.xxxxx
        例如：提告案例搜索结果与搜索词的匹配度
    step3:选取合适的指标度量，区分过程性和结果性指标
        过程性指标：达到结果前经过的路径用以衡量的指标，可干预的
        结果性指标：业务漏洞的底部，不可更改的后验的治标
        根据使用流程进行拆解，如列表页到详情页的转化率
    step4:如何衡量指标的是否达到目标
        设置合理的benchmark,根据历史数据进行测算
    step5:如何改善指标
        通过改善过程性指标去实现
OSM的实践：OSM作为数据指标体系的指导思想，理解业务，制定目标是OSM的核心，AARRR和UJM是制定策略的方法论，最终根据方法论细化指标。
    用户行为分析模型：
        AARRR / UJM：两者都是路径模型但是出发的角度不同，前者是基于产品，探索整个产品周期，即获取，激活，留存....
                     后者是从用户出发，探究用户的行为路径，即用户进入产品，登录，加购，下单，支付，复购
        生命周期AARRR：链接：https://aaaragorn.github.io/sunyang.GitHub.io/2021/05/28/AARRR%E6%A8%A1%E5%9E%8B/
        用户路径UJM：链接:
    MECE指标模型：对于目标KPi进行分成拆解，这个过程可以称之为指标体系分层治理，指导思想是完全独立，相互穷尽。
        对于指标进行分层的拆解

	增长指标	活跃度指标	变现指标
tier1	新注册用户数 新企业数量	登录用户量	营业额 客单价
tier2	分渠道访问量/访问用户量 分渠道新访问量/访问用户量 活动拉新 注册转化率 注册流程转化率	—	—
tier3	访问时长 每次会话浏览页 跳出率 渠道留存率	—	—

        如核心指标GMV =
            第一层： 成交用户数 * 平均客单价
            第二层： 点击UV * 访购率 * 平均客单价
            第二层： 曝光UV * 转化率 * 访购率 * 平均客单价
    业务分析：
        指标体系案例
        以mock产品为例子为例：-----
    数据采集—我需要怎么获取这些指标
        数据埋点设计：链接——————————————————————
        预值属性整理：https://tongji.baidu.com/analytics-manual/data_management/preset.html

    在没有任何埋点的情况下，合适的方式是根据产品的链路进行埋点的梳理。

    以倒序链路形式记录用户的每一条路径、页面，与点击。同级页面操作或多来源页面一漏斗形式呈现。

    在梳理链路时一定做到尽善尽美，每个页面的浏览和每一次点击都要记录在案。至于埋不埋是下一步考虑的事情。


    1）功能数据

    指的是基于版本动作而产生的数据需求。列举版本所做的新功能和修改，从动作出发去思考带来的直接数据效果，或者用什么数据去验证动作效果。

    例如新版本上了一个在线用户列表，其他用户可查看用户列表后前往个人主页发起聊天。在列表中增加了新人权重，以提高新人收信率。

    此时整理出的数据需求包含：

    通过该列表进行发送私信的转化率
    新用户首日被浏览率
    新用户首日收招呼率
    从数据需求出发梳理短链路和埋点，在埋点文档中查漏补缺。可能是补充事件，也可能补充埋点就足够了。

    （2）核心数据

    每个版本我们都会做不同的动作，或大或小。动作有对应的数据去验证其有效性。但是产品在一个阶段内，会有一些核心数据需要去持续观测，要和功能数据去进行一个权衡对比。如果功能数据上升了，但是核心数据下降了，也是不可取的片面验证。

    核心数据便是产品在一个阶段内需要去持续观测的最重要的一些数据。例如对于社交产品来说，我们一般持续观测其留存率、连接率和客单价等关键数据。