第七天 数据产品天赋树的炼成（1）

在之前的文章中写过，做数据到底是在做什么，在里面我们讲到了DIKW金字塔--数据转化为信息，信息通过分析成为知识，而知识通过提炼和理解成为智慧的过程。单独看这个理论会觉得很虚，那我们从数据产品天赋树的炼成角度来看看这个理论在现实中如何落地。

我们先来回顾一下这个理论，

数据阶段讲究的是如何尽可能多的采集有用的数据，这里讲的是尽可能多和有用两个角度。数到用时方很少，大家经常遇到的问题是想去做一个分析，当研究到一个特定角度的时候发现没有数据支撑自己的理论了，要么是这个数据可以采集到但是之前没有想到所以没去做，导致真正要用的时候再去采集即不能很快的响应需求同时也丢失了历史数据，仅靠比较少的数据有时候很难证明自己的理论，另外一些时候想到了自己想要什么数据，但想采集的时候发现不具备这样的能力，比如我们想知道商品的各种属性，在这之前这些属性需要人来录入，而且不同的人录入的标准也不同，一旦涉及到人，资源投入和产出的ROI就成了一个巨大问题，但是现在这个问题开始有解决的方向了，随着AI技术的快速发展，我们可以通过计算机视觉，神经网络等等方法用机器代替人来做属性的识别，图片的识别。在有用的基础上尽可能多的收集业务相关的数据是一切的基础。

到了信息阶段，讲究的是更容易理解和更快。使用数据仓库合理的建模存储数据，有利于数据的使用者找到数据和理解数据，同时合理的数据仓库模型可以有更好的可扩展性及更低的维护成本，常见的EDW、维度建模都是很好的模型选择，在DM层或报表层使用宽表也能很好的保持开发成本与使用难度之间的平衡。另一个角度就是更快，如何让数据仓库更新频率更快也是很重要的目标，过去我们从周批月批时代走到了T+1时代，接着开始实现半小时、5分钟的批量，最终实时和离线会走到一个平台上来。

到了知识阶段，数据开始产生更明确的价值。通过常规的BI数据分析，我们把信息提炼成了知识，这些知识可以是从庞杂巨大的数据中明确的指出哪里需要关注；也可以是在关注之后，继而指出是问题还是好事；亦或是能更进一步的找到问题的所在点和改进方法。BI数据分析更多基于每个分析师的个人经验，那么分析类数据产品可以很好的进行提炼总结，形成谱适经验，让一个人能经验变成很多人的经验。而模型算法则可以突破人的计算极限，利用机器帮助人做更大规模的计算，寻找pattern和提升数据分析效率和准确度。

最后，智慧阶段与可谓金字塔的顶层一样难以攀登。利用积累的知识做决策就是这个阶段最常见的应用。比如大到今天的销售不好的原因是缺货，所以我需要有针对性的进行补货来提升销售。小到今天心情不好，我要吃个冰淇淋让自己开心一点，也是一种智慧。从数据产品角度来讲，我们大多数时候做的数据产品都是这种提供决策支持类的产品，它来的价值更多是间接的。而像个性化推荐等等直接应用在业务中的智慧，则更多能带来直接的价值，简而言之-单UV价值的提升带来的全站销售的提升。

以上这些就是DIKW金字塔在数据产品领域的落地，那么后续我会写一个系列，从数据-信息-知识-智慧角度，一个一个来分析数据产品天赋树的养成。