PD大数据

A. 优秀的数据产品经理需要掌握哪些技能

1.要极其熟悉公司业务及动向。
所以要了解公司的商业模式、战略、以及业务流程、要考核的各种指标，以及指标背后的业务含义等。这一点，再了解都不够。
2.要了解数据分析。
好的数据PD，即使不做数据PD，也应该是个数据分析师。数据PD的一大要务就是将数据分析做成可复制，可自动运转的系统。虽然有数据分析师们围绕在自己周围，但是自己也要清楚业务的问题，分别要看什么数据，或者当数据出现后，意味着业务出现了什么问题或者会出现什么问题。这一点，要向最好的数据分析师们看齐。
3. 要了解数据仓库及商务智能。
这 两个关键词背后都是庞大的体系，恐怕我短短半年的转岗时间太短，虽然能够对别人讲解一通商务智能产品的架构。嘴里虽然会抛出若干个类似于汇总，钻取，度 量，指标，维度，缓慢变化维，层次，属性，仪表盘等等术语，但是也不支持多几层的知识钻取，遇到异常问题，也不知道该从什么地方分析原因。幸而身边有数据 仓库的同事，可以多多学习。这一点，没有天花板。
而商务智能，做为一门学科，起源于20世纪90年代，它的出发点是帮助用户更好地获取决策信息，最初商务智能的动机是为用户提供自助式的信息获取方式，这 样，用户就可以不用依赖于IT部门去获取定制的报表。（引自《信息仪表盘》一书P41）。而如今，商务智能除了提供信息，更主要的是降低用户获取数据的门 槛，提升数据的实时性等方面。从降低用户获取数据的门槛一个方向，我们就可以做很多事情，比如如何设计信息仪表盘（designing of information dashboard）？如何让数据以更亲和的更直观的方式展示（数据可视化）？如何能够让用户离线访问？如何能够实现警戒数据的主动发送？这一点上，花多少功夫都不多。
4. 要精通数据产品开发流程。数据开发+产品开发。
数据PD的最终目的是要做数据产品。这里要拆开看，其一，数据产品本身也是在线可供用户实现的产品，既然是产品，产品的整套研发思路和普通的产品没有太大区别，用户是谁，他们需求是什么，满足需求需要什么featurelist，每个feature list的资源评估以及优先级如何，产品的生命周期如何？这是产品开发。然后他是个数据产品，意味着这比普通的产品，多了更多的要求。在数据这个内核之外，它需要各种feature list，如订阅，搜索，自定义，短信接口，邮件接口等。但是数据这个内核，也需要一套数据开发流程。
比如：
数据源——是否足够，是否稳定
数据PD需要足够了解目前的业务处理系统建设情况，以及数据源的积累程度，用以判断数据产品的建设时间是否合适。不合适的时机会导致项目组的重复劳动和残缺 的数据产品诞生。数据产品是用以支持监控，分析，决策的，而业务处理系统的定位在于提升工作效率，解放工作人员手脚。业务系统采集的数据未必满足所有分析 需要。比如或许领导要分析大量攀升的退换货的详细原因，而业务系统目前并没有要求用户在申请退换货的时候选择原因或只有输入而非标准化选项，负责退换货出 力的员工也只有在excel里登记原因，而不是录入到系统里。所以可能会导致需求方要看的数据提供不出来，那么数据pd就有必要反向驱动数据源得以采集。
分析模型的设计—— 分析模型的好与不好，其实决定了数据产品的成败。
在 项目中，可以由BI的数据分析师们担纲此职责，也可以由数据PD担纲，更多则由双方一起确认，内容以数据分析师们为主，功能评估及优先级、项目计划和协 调、统筹以数据PD为主。所以数据PD要更加清楚数据分析师们所需要的需求是否能够实现，背后的商业价值如何，并与数据开发、产品开发保持比数据分析师们 更加通畅的合作关系，能够借力进行可行性和资源的评估。
有的时候，我们不是没有数据，而是有了太多的数据，不知道怎么去看。如果只是抛给用户一堆数据，很难想象用户会如何去解读它。以前做交互设计的时候，我们流行一句话：把用户当成傻瓜。
而数据平台，因为可能本身就要求有一定的使用门槛，所以想成不会互联网的傻瓜不太现实，那么我们就要想成“用户是不懂数据的傻瓜”。他们或许也能通过一串串 数据体悟到什么，但是如果是一条上升的退款率趋势线，或许他们会体悟到更多——毕竟，上和下本身就是直观的。然后再想一下，如果将这条线上加上一条警戒点 的线，他们会知道从什么时候开始数据是异常的。再然后，就要设想，当他发现从7月12日数据上升后，想干什么？他会不会想了解是哪个行业上升了？他会不会 想了解是那个渠道上升了？那么，就要提供行业和渠道的选项或者对比给他。
再然后，当他过问了这个行业的负责人后，负责人想不想再了解是哪个供应商或者哪类商品上升了？那么要如何将这些维度、层次都融合在一起，同时又能将用户非常 方便地去用呢？分析模型的建设至关重要，也可以说，分析模型是前期需求分析的最有价值的产物。分析模型应该会包含几点：
主题的划分：
整块分析会划分成什么主题，比如销售可能会分成销售走势及构成分析，行业排名，商品排名等
度量及指标:
分析主题会涉及到的度量及指标的算法、定义等（这通常会产生一份指标以及维度的定义及描述文档）
维度：
要分别从什么维度去看这些指标和度量，如时间，渠道，这些维度是要筛选还是要对比
钻取：
这些维度本身有没有层次，需要不需要进行钻取，如渠道可钻取到渠道类型，行业可钻取到子行业，商品类目可钻取到商品叶子类目等
输出：
分析需要用何种图表进行展现
数据的ETL开发
数据的清洗，转换，装载流程占用了数据产品开发的大半资源，不规范的数据源会导致这一块的资源更大程度的占用。比如同样是供应商编码，系统之一称为供应商编 码，系统二命名为供货商编码，系统三命名为供应商ID，这三个系统同时是公司的系统，这种情况虽然想起来匪夷所思，但是现实情况却也存在。虽然ETL开发 是DW开发工程师在做，但是作为数据PD，焉能对这些工作缺乏了解，对ETL工程师反馈的问题，缺乏认知，不理解对于项目的潜在风险是什么？而且更多时 侯，当遇到数据不规范，不统一的问题，数据PD需要反向驱动业务系统进行数据规范性建设，无论是功能上，还是驱动直接的使用方——如负责录入数据的行业小 二，建立一套录入规范。这些工作看似和数据PD无关，我们大可以推脱说：那没办法，这是数据源的问题，不是我们功能的问题。但是，用户是有权利选择使用不 使用你的数据产品的，当数据产品提供的数据不值得信赖的话，无疑是自取灭亡。一旦用户对数据不信任，再想挽留他们，是很难的。即使有很多“无能为力”的借 口,我们也不能坐观其变。
前端交互与体验的优化
虽然内容定义好了，但是那么多度量、指标、维度、钻取，如何划分信息层级，如何划分栏目，如何设计用户的行为路径？这些就不是数据分析师们的重要工作范畴。 而是交互设计师？鉴于很多数据产品项目可能会没有交互设计师，所以数据PD应该对内容进行封装，进行信息架构、页面布局以及图表各种功能设计。设计，然后 撰写详细的功能需求文档，交付给产品开发，前端开发以及数据开发，以及前端展现开发四种类型的开发人员。
数据产品的功能描述文档，除了产品开发部分，其他的就是在描述“内容”，即分析模型，除了主题、度量、维度、钻取、筛选、输出图表类型，有些内容还需要详细定义到“排序方式” 等等细节，这就case by case来看了。
环境，技术，工具
或许做一个普通的产品，你把需求描述清楚，与产品开发工程师确认好可行性，接受资源评估就OK了。但是数据产品，受制于所部署的环境，所选型的工具，如Oracle，IBM的Cogos，以及SQL Server。其他的产品我不知道怎么样，我们用的是Oracle BIEE。那么作为数据PD，是否需要了解BIEE能够提供的功能是哪些呢？看文档，请教别人，不能知其不可而为之。另外，也需要逐渐摸透BIEE的坏脾气，实现不了的功能，无法克服的难点等。这一点，也需要继续了解，继续学习。

B. 互联网大数据的信用体系个人综合评分是怎么来的

您好，互联网大数据的信用体系个人综合评分是每个人的借贷行为、履约情况、消费情况、以及手机运营商情况来综合评估的。
至于社保，公积金、学历、银行流水贷款信用这几项数据，相对来说银行流水比较看重一些。
大数据信用报告包含以下信息：
1、近六个月话费和通话次数。能够反映出通话的稳定性，一定程度上能够影响到贷款机构的评价。
2、近六个月里与贷款机构、信用卡机构、催收公司的累计通话次数。通话次数越多，就越容易对用户的评分造成负面影响。
3、通话活跃分析。用户的通讯录状况会影响到贷款机构的评估，提查查的大数据报告运用柱状图，显示通话的活跃天数和活跃地区，以此反映出用户的通讯录是否符合社交习惯，以及是否具有稳定性。
4、联系人深度分析。这个版块展示了用户与其联系人的通话次数、时长、主叫次数和被叫次数。
5、通话风险状况。该板块展示用户与110、120、贷款平台、信用卡中心、催收公司、中介部门、法院等部门近半年的通话次数和通话时长，以及欠费风险度、亲情网风险度、号码沉默度。
6、多头借贷情况。提供比较具象的手机借款调用平台数和身份证借款调用平台数，借款平台类型，如房地产金融、一般消费分期平台、银行个人业务、P2P网贷、大型消费金融公司、第三方支付等。
7、逾期行为详情。包括近期逾期平台数、逾期订单数、逾期金额、逾期时长等数据。
8、负债情况详情。负债平台数、负债订单数、负债订单已还金额、近半年负债情况一览表等数据。
9、联系人存疑信息。用户主动联系人数、主动联系黑号数、主动联系人中曾为申请人的人数、被动联系的黑号数等信息。
10、申请行为检测。3个月内身份证是否关联其它手机号，以及3个月内，申请信息是否关联多个身份证。
11、风险信息检测。这一项内容主要包括：手机号是否命中虚假号码库、身份证归属地是否有高风险、身份证是否命中犯罪通缉名单、身份证是否命中法院执行名单、身份证对应人是否存在助学贷款欠费历史、身份证是否命中信贷逾期名单、申请人信息是否命中风险关注名单等。
12、失信情况。该板块主要提供的是一些法院判决信息。
在微信里查找：提查查官方号。
即可查看到我们的网贷数据报告，网贷申请记录，网黑指数分以及命中风险提示等重要数据信息。
与2000多家网贷平台合作，查询出的数据相对来说全面且精准。

用户可以凭借综合信用分来判断自身是否为网贷黑名单用户。
综合信用分标准为：0-100分，分数越低，信用越好。

而命中风险提示则可以更好的找到自身的不足，提升网贷的审核通过率。

C. 防止坠入“大数据陷阱”，除了技术还需要什么

面对互联网金融大潮，在兴奋激动之余，我们还需要一种相对冷静平和的心态。如果我们真的要搞金融大数据开发，真的要靠有关数据来办互联网金融，那确实就要认真思考一下自己所谓拥有的“大数据”真的足够大了吗？足够长了吗？

当今，互联网化正带动着许多行业、产业的组织变革和商业变革。在这一历史性的进程中，互联网技术的迅速发展也给金融领域的创新带来了巨大活力，显著提升了金融服务的水平。首先，我在大数据巴士中看到有统计从银行来说，现在银行已普遍通过互联网渠道开办各类业务，银行服务的成本有了下降（电子银行每笔交易成本大约只有银行柜台每笔交易成本的五分之一到六分之一）；银行传统信贷的模式有了改变（例如工商银行(601398,股吧)无人工参与的全流程在线的网络贷款已超过其网络融资的20%）；银行业务处理能力尤其是支付结算的能力和效率都有了提高（例如工商银行现在每秒钟业务交易量峰值已超过8700笔，在去年一年的电子银行交易已占全部交易的88%，电子银行交易金额达到了456万亿元，所有的异地支付早已实现实时完成。）；各家银行的服务模式都已越来越多地、越来越自然地融入商业场景之中，一个覆盖和贯通金融服务、电子商务、社交生活的互联网银行架构正在不断形成和完善。其次，这些年来，各类互联网企业从事金融业务的也越来越多，互联网金融已从最初的电子商务、第三方支付等更多进入了资金募集、理财和借贷领域。如果说Paypal、ApplePay和支付宝等，是让小额支付更便捷，那么P2P、众筹包括余额宝等则是对金融资源配置方式的一种有意义的探索，它给不少人提供了一种新的投资渠道，也满足了一些人筹集资金的需求。近来，一些人又已经开始把更多注意力放到了区块链技术，不少人正在争先恐后地进行基于区块链的支付和记录技术等方面的研究和开发。

这一切的结果在大数据巴士中的统计都是显得那么的令人振奋，令人欣喜。但我认为在看到互联网金融快速发展所带来的种种积极变化的时候，在继续推进金融创新的过程中，似乎也应该注意两个问题，一、金融创新的全部内容是不是金融的互联网化；二、是否应该避免陷入技术至上、唯数据论的误区。第一点比较容易理解，答案也应该是明确的。关于第二点想必看法不会完全一致。我想就此谈谈一己浅见。这可以从北京大学国家发展研究院沈艳教授最近的一篇文章说起。

沈艳教授的文章题目是《大数据分析的光荣与陷阱——从谷歌流感趋势谈起》。她在文章中讲了一个故事，那就是谷歌公司在2008年11月启动了一个“谷歌流感趋势”（GoogleFluTrends，GFT）项目，这个项目曾被许多人认为是大数据分析优势的一个证明。这个项目的团队曾宣布他们通过数十亿搜索中45个可能涉及流感关键词的分析，就能够比美国疾控中心提前预报流感的发病率，从而使人们可以有充足的时间提前采取预防措施以避免患上流感。倘若真能如此，这个成果无疑具有重要的社会意义和经济价值。可惜的是2014年，美国《科学》杂志的有关文献报道了GFT在2009年没有能预测到有关流感的爆发，在2011年8月到2013年8月间的108周里，有100周预告不准（预测率是实际报告值的1.5倍多）。沈艳诘问道，为什么传说中充满荣光的大数据分析会出现如此大的系统性误差呢？她认为如果在数据分析中只关心相关关系而不注意因果关系是不行的，必须避免模型对数据值作出“过度拟合”，她还指出尤需注意不能以为大数据可以完全替代小数据，她呼吁要防止坠入“大数据陷阱”，力戒“大数据自大”。我十分赞同沈艳的观点。沈教授所指出的问题正是若干年来我们在推进互联网金融发展中所一直十分注意和努力想解决的问题。

撇开银行在产品研发、客户营销、员工及机构管理等方面的数据应用问题暂且不谈，就说银行最常见也最重视的风险管理，多年来许多银行尤其是一些大中型银行都在如何利用数据技术提升风险管控能力方面进行了很多的探索，做出了不懈的努力。例如，工商银行在估算客户的违约概率（PD）、违约损失率（LGD）的时候，十分注意把数据长度作为风险参数量化过程中的一个重要因素，坚持要求数据观察期起码必须涵盖一个完整的经济周期，以努力避免简单地以昨天的数据来说明今天和预测明天。现在工商银行非零售业务和零售业务的客户违约率、损失率数据积累长度均已超过12年。同时包括工商银行在内的不少银行还建立起了全行数据质量的管理标准和平台，不断进行内部评级的复核验证，以尽可能减少失真数据的干扰和影响。为了能够对各种风险进行量化，在信用风险管理方面仅工行就开发了34个法人客户评级模型，实现了对所有法人客户违约概率（PD）的计量，开发了175个信贷产品的3类债项评级模型，实现了对违约损失率（LGD）的计量。对零售业务，工行还开发了75个信用评分模型，覆盖了个人客户准入、账户信贷审批和业务管理的完整业务生命周期。在面对市场风险（因市场价格例如利率、汇率、债券股票价格、商品价格的不利变动，而使商业银行表内和表外业务发生损失的风险）的防控方面，我们制定了16个办法，开发了17个定价估值模型来进行风险价值（VaR）和压力风险价值（SVaR）的计量，并且在实践过程中每日实施返回检验，把模型计算所得的风险价值与发生的真实损益进行比较，以检验模型、方法的准确性和可靠性。在防控操作风险（主要是指由不完善或有问题的内部程序、员工行为和信息科技系统，以及外部事件所造成的风险）方面，工行开发了操作风险损失事件管理系统，分别用于对操作风险高频低损和低频高损部分的计量。

为了达到上述的这种数据采集、挖掘和应用水平，仅为积累有关数据、开发这些风险管控模型，工商银行就先后花了将近15年时间，投入了巨大的人力和财力。尽管目前这一套风险识别和计量的方法、模型已经按照国际金融稳定理事会的有关标准，经过监管部门组织的多轮评估获得通过，认定为合格，但坦率地说，我们从来也没有认为这一切已经是完美无缺的了。面对不断变化的社会经济环境，随着银行业务日新月异的发展，在数据的管理利用方面确实还有许多问题需要解决，前面的路还很长。这也正是工商银行近年来又推出了eICBC新发展战略的一个重要原因。

我之所以不惜篇幅地介绍这些情况，主要想说的就是许多事确实不像想象的那么简单。面对互联网金融大潮，在兴奋激动之余，我们还需要一种相对冷静平和的心态。如果我们真的要搞金融大数据开发，真的要靠有关数据来办互联网金融，那确实就要认真思考一下自己所谓拥有的“大数据”真的足够大了吗？足够长了吗？

自己拥有的数据中的信噪比问题有效解决了吗？自己拥有的数据分析模型如果对样本内的数据分析还算准确的话，那它对样本外的预测结果也能一样有效吗？自己所拥有的数据处理模型是否完全建立在一种假定之上了，那就是以为人们的社交行为数据、那些非结构化数据都是真实的？坦率地说，我始终认为只要一些数据生成者知晓自己的行为数据可以影响自己的利益（例如可以获得信誉、信用积分，可以获得授信融资等），那对这部分数据的可靠性就有质疑的理由。这也许就是人文科学领域的“测不准原理”。现在各种花样百出的水军现象已经一再提示我们，真是“不能天真地认为数据使用者和数据生成机构都是无意识生产大数据的”（沈艳，2015）。

上述这些还没有涉及诸如homes系统、高频交易等技术在这一轮股市风波中的作用究竟应该如何认定的问题。尽管对此还可能有这样那样的看法，但可以确定的是，在某些条件下，所谓的技术中性在面对市场时是完全可能发生变异的。

总之，我认为金融的创新、互联网金融的发展，除了技术，还需要一系列的条件支撑，包括营造一种良好的文化氛围。在眼花缭乱之中，要力戒浮躁，脚踏实地。互联网技术是时代进步的标志，是现代文明的产物，它与那些江湖气其实是不搭的。诸如“流量为王，就是要靠烧钱来吸引客户”，“互联网就是财富重分的过程，就是赢者通吃的游戏”，“羊毛出在猪身上，猴数钱，牛买单”等说法，如果仅是开开玩笑，说说段子，那也未尝不可，但作为一个要对投资者负责、对债权人负责、对债务人负责、对市场稳定负责的金融从业者来说，如果把这真的当成了自己的经营理念，那是万万不可的。

D. Type-C中的PD是什么意思PD概念是什么

Type-C中的PD的意思指是:USB Power Delivery功率传输协议。

USB PD 协议基于USB3.1，是USB3.1 中即type-c端口后提出的功率传输概念。可以为这种技术带来更大的灵活性，将充电能力扩大为目前的10倍：最高可达100瓦。

USB PD，为电力传输进行重新设计，为用户带来提供强悍的电力输出选项。目前USB 3.0搭载4.5瓦，而变种的USB BC能够提供7.5W，而USB目前被运用在智能手机，数码相机，和平板上。

(4)PD大数据扩展阅读：

USB Type-C具有以下特点：

1、最大数据传输速度达到10Gbit/秒，也是USB 3.1的标准。

2、Type-C接口插座端的尺寸约为8.3mm×2.5mm纤薄设计。

3、支持从正反两面均可插入的“正反插”功能，可承受1万次反复插拔。

4、配备Type-C连接器的标准规格连接线可通过3A电流，同时还支持超出现有USB供电能力的“USB PD”，可以提供最大100W 的电力。

参考资料：网络-usb pd

网络-USB Type-C