数字化转型主要包括业务数字化、数据资产化、资产业务化、业务智能化几个阶段。在不同的阶段，分别需要哪些数据产品呢？作者在本篇文章中进行了逐一的盘点，希望可以为各位伙伴的数字化转型过程中数据产品规划提供参考，一起来看看吧。

数字化转型主要包括业务数字化、数据资产化、资产业务化、业务智能化几个阶段。在不同的阶段，分别需要哪些数据产品呢？

今天就逐一盘点一下，希望可以为各位老板的数字化转型过程中数据产品规划提供参考，主要是以模块规划为主。

一、数据采集相关产品

数字化包含两层含义，其一是线上化，也就是把过去线下的、手工的低效业务过程线上化流程化，以提升人效，同时建立数据采集的基础。其二是数据化，把线上化的业务流程数据采集下来，为后期的业务化、智能化提供基础数据源。所以，在数据采集环境，主要涉及的数据产品包括：

1. 数据采集范围与标准定义（必须）

互联网行业毕竟熟悉埋点一词，埋点也是很多公司的“痛”。埋点不规范，数据两行泪。先污染后治理势必带来后期数据应用清洗的资源浪费。所以，为了减少踩坑，需要事先确立不同数据源、数据类型的数据采集规范，针对App、小程序等产品需要建立统一埋点规范和采集方案，其他的智能硬件、传感器设备或者三方数据源，需求定义不同来源的数据传输格式。

2. 埋点管理系统（可选）

将埋点规范集成到数据管理后台中，让整个埋点流程线上化流转，提升埋点工作的规范化程度，减少漏埋和错埋。即使像一些用户行为分析系统力推的无埋点或可视化埋点，也都有埋点数据管理模块提供界面化的指标定义能力。早期的埋点规则主要靠excel世代相传

3. 数据同步或集成系统（必须）

这一模块既可以单独存在，也可以和大数据开发平台耦合，其主要作用是提供源到端的数据同步功能，即选择数据来源以及希望数据同步到的目标为主，针对不同的源、目标设置参数、任务调度频率和策略即可。现在比较时髦的一个词叫数据一键入湖。一键自动化实现非结构化（音视频等）、结构化数据到中央数据湖，以供后期处理消费。回到前面讲过的大厨做菜的例子，数据集成工具就比如自动化的收割工具，过去因为手工劳作，食材数量、种类有限，当机械化生产后，丰盈度大大提升。

二、数据加工与处理工具

1. 离线开发平台（必须）

汇聚入湖的数据需要加工处理才能发挥其价值，尤其对于湖仓一体的架构中，涉及到结构化数据的数据仓库模块的开发。按照业务需求的逻辑对数据进行ETL处理，输出一个个的数据模型。对于离线开发平台主要功能应包括：

存储&计算层：资源的自动化分配（主要是集群资源的调度），数据开发主要关注业务逻辑，而不需要人人都搭一套hadoop

任务开发层：IDE可视化任务开发，除了核心的数据处理逻辑需要代码实现外，其他的参数设置都可以配置化，且平台需要支撑Hive、Shell、python等常用数据开发和挖掘任务类型。

任务调度：数据有严格的上下游关系，只有上游数据任务运行成功数据加工完成后，下游数据才准确，所以一般任务不会单独存在，需要建立依赖关系，此外，周期性的数据也不能每天手动点一下，还需要时间调度，根据需求设定是每分钟、小时还是天月执行，在什么时间执行等。

任务运维：修改逻辑、上游出错、集群资源不稳定等经常需要涉及数据回溯、任务重跑等操作，提供批量、自动化的操作可以节省大量运维时间。

2. 实时开发平台（必须）

实时数据主要满足实时数据监控，产品端实时搜索、推荐或实时场景化营销，实时开发和离线开发主要在技术组件上的差别，产品功能模块大同小异，也可以把整合形成批流一体化的一站式大数据开发运维平台。

3. 数据仓库建设工具（可选）

主要是将数据模型开发规范和流程融入到系统当中，是一种低代码的思想减少数仓建模的开发代码开发，提升模型的规范化和复用性，比如阿里的Datapin，系统化的好处在于方便前置化管理建模过程，而不是先污染后治理，弊端是可能没有开发自己写代码那么灵活，所以可以作为可选模块。

三、数据资产管理和治理产品

1. 数据地图（必须）

酒香也怕巷子深，数据模型开发完了，找得到、敢使用才能提升复用性，数据地图通过资产目录共享和强大的数据检索能力，提供逛数据、找数据的能力，同时需要具备丰富的模型元数据信息，让数据消费者快速判断是不是自己所需要的数据，如何使用。

2. 数据质量监控（必须）

数据不准可以说是业务和数据团队最头疼的问题之一，业务拿到数据不敢用，先来问下开发准不准，开发不自信，看了任务看了代码说应该没问题。数据质量监控围绕一致性、及时性、完整性、准确性维度构建丰富灵活的数据质量规则配置和自动化预警能力，让数据开发人员更自信，只要监控没报警，就可以拍着胸脯说，是不是业务上有什么变化。

3. 数据血缘（必须）

主要解决数据的追根溯源的问题，例如数据异常，需要通知下游业务，数据治理时需要下线或者删除，下游有没有人在使用，没有血缘就不敢治理，数据&服务只增不减。

4. 数据成本优化（必须）

虽然说大家默认数据部门是成本中心，但是在这个寒冬之下，也要勒紧裤腰带，虽不能开源但总要节流，哪些数据长期无人使用可以归档或删除，哪些任务SQL性能奇差一个任务执行10多个小时，消耗大量CPU、GPU？数据成本优化核心目标是建立数据健康分评价体系，自动化检测治理目标，并提供归档、删除等自动化治理动作，从而释放服务器资源，常态化做减法。

5. 统一数据权限（必须）

数据安全问题事关企业生死存亡和数据团队的“钱途”，统一权限主要是建立数据资产权限申请、授权、审计对应的流程，从而保证数据既共享又安全。

四、数据决策与智能应用

1. 数据可视化分析（必须）

这里主要指主题式数据分析报表，可以是定制化开发，也可以是基于自助BI工具配置。其主要目标是提供业务经营管理的核心指标体系的可视化分析能力。不能让老板每天自己使用自助BI拖拉拽吧。例如一些管理驾驶舱Dashboard或者可视化大屏。

2. 现代自助式BI分析（必须）

Tableau在被saleforce 以157亿美金收购后，在21年底宣布退出中国市场，作为BI工具的鼻祖，功能非常完善和强大，为什么水土不服呢？主要原因是它的目标用户是数据分析师，功能的复杂度导致学习理解成本高，数字化转型时代要求的是数据民主和普惠，人人都是数据分析师，所以相比较tableau，现在国内的一些云厂商（QuickBI、火山引擎等）和BI产品（观远数据）更能满足让一线业务人员用数据的需求。有了现代BI，数据人员聚焦模型开发和数据基建，业务人员拖拽分析，自己配置可视化Dashboard，不再纯依赖数据团队的临时SQL取数，或者定制化的可视化页面开发了。

3. 用户行为分析系统（可选）

2015年用户增长、增长黑客理论火爆的时候，很多中小型互联网企业纷纷购买神策、GrowingIO等用户行为分析系统。其好处是可以提供用户行为数据从采集到自助式分析的能力，但数据层面更多的聚焦在流量数据，对其他业务系统数据支持性相对较弱。现代自助BI可以包含用户行为的模型数据，所以包容性更强。

4. 数字化营销CDP或DMP（必须）

基于大数据计算和数据挖掘技术，构建用户画像标签体系，用户圈选、精细化分层，进行差异化运营和营销触达，提升运营ROI。业务同学可基于平台实现从人群圈选、场景构建、触达投放、效果回收的闭环，同时，基于算法挖掘标签及模型推荐的人群组合，从基于人的经验运营，到基于大数据算法推荐的智能运营。一般企业内部私域流量运营称之为CDP（客户数据管理平台），流量变现的企业称之为DMP（数据管理平台），如腾讯广点通、阿里达摩盘。

5. 算法平台（可选）

数字化转型高级层次是智能化，要想AI服务开发更加高效，甚至产品、运营都可以配置一个推荐服务接口，这时机器学习或者叫算法平台就可以派上用场了。对于算法开发，主要是提供从资源调度（CPU、GPU等）、离在线数据获取、特性开发、模型训练、推理服务全流程的算法工作台，从而提升算法中台化输出的能力，甚至可以通过模型节点拖拽实现无代码化的算法服务上线。

6. 数据服务管理（可选）

有人也把数据中台称之为DAAS，即数据即服务，数据如何快速输出业务端，赋能产品创新。API服务统一管理，建立完善的应用血缘关系，提供通用接口的配置化生成能力，降低对Java开发的依赖。数据中台思想下，数据服务API输出是应用输出的最主要形式，数据服务管理平台一方面要具备将数据资产自助配置化输出的能力，即数仓清洗好的数据模型，数据开发或业务人员可以通过入参、出参的可视化配置生成API接口，不需要接口开发介入。同时也要把API资产化管理，API接口文档、应用调用情况做到可追踪、可监控。

五、总结

广义数据产品的定义是凡是可以提升数据从采、存、管、算、用全流程效率，促进数据价值输出的相关产品都可以归结为数据产品，在数字化转型过程中涉及的产品大大小小二三十款，但总体产品矩阵大同小异。而且现在几乎每个细分领域都有成熟的商业化数据产品版本，企业在实际数字化转型的过程中可以根据研发资源、投入时间及财务成本、数据安全等多个方面综合评估，哪些选择外采，哪些自主研发。