作者：艾达
出版社：电子工业出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
数据产品设计试读：
前言
这是一本数据产品经理入门级的学习指南，市面上的产品经理相关书籍有很多，而针对数据产品经理这个更为狭窄的领域的书籍则比较少。本书定位为数据产品经理入门级的学习资料，适合初级学员阅读，对于在职的数据产品经理可以作为补充性学习资料。
本书第1章从数据产品的定义、分类、职业规划等方面入手，为读者讲解什么是数据产品、数据流通阶段、数据产品经理的职业规划等内容。读者可以从中对数据产品经理这一新兴岗位的基本情况有所了解，对该职业必备的知识框架有一定认识。第2章至第5章介绍了数据产品设计的一般流程，从需求分析到数据指标的设计，从数据图表的选择再到图表逻辑展现的设计，并对整个数据产品的生命周期管理进行了详细阐述。学习完这几章以后，读者能够了解辅助决策型数据产品的一般设计流程，以及能够熟练掌握每一种图表所能表达的含义，并将其灵活地应用到产品设计中。第6章介绍了一般产品经理需要具备的产品管理相关知识，有些内容是项目管理的相关知识，这些内容也是数据产品经理必须掌握的。在未来，随着使用数据产品的用户知识技能的提高，越来越多的数据产品将会提供更加灵活丰富的自定义功能，这更加需要数据产品经理具有数据产品设计基本知识。第7章介绍了数据产品经理需要掌握的一些软件工具。本章对软件工具只是进行了简要介绍，并没有深入讲解软件工具的使用方法，因为这方面的学习资料比较多，也不是一本书就可以全部讲完的，因此在本书中就点到为止，更深入的知识读者可查阅相关书籍进行进一步的学习。建议技术出身的数据产品经理可着重在产品设计软件的学习，而产品出身的数据产品经理可着重在数据分析、处理软件的学习。
本书仅仅是入门级教材，要想成为一名优秀的数据产品经理还需要掌握更多的数据领域的相关知识。如果想进一步学习数据产品经理、算法工程师、数据分析师等数据相关岗位的视频课程，可在网易云课堂中搜索“艾数教育”。如果想探讨相关知识，可以联系笔者（E-mail：ada_studio@163.com）。作者第1章初识数据产品1.1为什么需要数据产品1.1.1 无处不在的决策
人们在日常活动中，经常要进行各种各样的决策和行动。每天早上一起来，首先要选择穿多少衣服，吃什么早餐，开车走哪条路去公司。如果是公司的管理者，那么到了公司还会面临接下来的工作计划如何，哪个部门的问题是公司的重要问题，怎么解决最好等问题（见图1-1）。图1-1 生活中无处不在的决策
每一个问题从产生到分析，从分析到决策，从决策到行动，都有一个具体流程，这个流程是：首先遇到了一个问题，然后根据对事物的认知，通过分析想到几个解决方案，综合比较后选择一个最优的解决方案，然后执行这个解决方案。人们遇到的决策问题通常有3种情况：第1种是有些决策和行动过程我们几乎每天都会遇到，需要重复决策的，比如前面所提到的早上穿衣、吃饭的问题；第2种是有些决策和行动过程是上一个决策行动执行一段时间以后产生的新问题，比如我们执行某一个方案时，遇到了问题，然后返回去修改方案，重新做决策，这是一个反复迭代的过程；第3种是有些决策和行动过程是一个全新的问题解决过程，是以前没有碰到过的，比如要买一辆新车（我们不会每天都买车，除了爱买车的“土豪”），对一般人来说，买车就是一个全新的决策过程。
所有的决策和行动过程都是基于某种参考的，对于上述的第1种决策问题，通常这类反复决策的事件都是不太重要的，拍拍脑袋就可以做出一个决策，产生的后果影响也不是很严重，最简单的参考就是依靠自己的直觉。直觉虽然不靠谱，但它是做决策最快速的。对于第2种决策问题，决策和行动是一个交织反复的过程，前后依赖关系强烈，需要依赖个人的主观经验做决策。对于第3种决策问题，人们在遇到之前没有见过的全新问题时，一般会听取有经验的人的意见，这些有经验的人常被称为“专家”，在某个方面来说，依赖经验比依赖直觉做决策稍微靠谱一些，但随着问题所处环境变化越来越快，依靠专家的经验来做决策越来越难，所谓的“专家的意见”也屡屡不灵验了。因此，人们逐渐发现最优的决策需要依靠证据，定量的证据即是数据，随着计算机科学和数学的普及及深度结合，数据在决策过程中的价值越来越大，并且在大数据时代尤其凸显。1.1.2 数据价值的提供方式
数据的价值可分为使用价值和交换价值。数据的使用价值体现在对数据的综合分析并加以利用；数据的交换价值是指不同的数据源进行交换以后，可以分析得到原先单一数据源无法得到的更加深层次的数据使用价值，这两种价值都属于数据价值。如果未做特殊说明，那么人们一般提到的数据价值往往指的是数据的使用价值。
在做决策的过程中，数据的价值可以通过数据分析、数据服务和数据产品等方式来提供。数据分析是指用户自身具备一定的分析能力，可以通过分析数据本身得到数据价值。数据服务是指用户不具备分析能力，可以通过专业分析人员提供的数据分析服务得到数据价值。数据产品同样是指用户不具备分析能力，而是通过专业的数据产品得到数据价值，如图1-2所示。图1-2 通过数据产品得到数据价值
下面举一个天气预报的例子。在古代，只有诸葛亮这类人物具备通过夜观星象判断天气的能力，我们可以暂且把诸葛亮这类人看作古代的数据分析师，他们就是通过自身的数据分析能力得到数据价值。在互联网尚未普及之前，如果我们想知道第二天的天气，就只能在晚上七点半以后乖乖地坐在电视机前看《天气预报》节目。看《天气预报》一定要准时，而且《天气预报》播报的时间很短，一旦错过时间了就只能问别人了。电视台的天气预报就是专业的气象人员通过分析当天的气象数据预测得到第二天的天气，然后通过播报人员告知我们，我们通过电视台专业的数据分析服务得到了数据价值。而如今，在这个互联网普及的时代，几乎很少有人会看电视台的《天气预报》了，人们获取天气预报的方式更多的是通过天气预报类APP，使这类产品可以随时随地查看天气预报；天气预报的更新频率也从过去的一天一报，变成了现在的几分钟更新一次。这种方式就是人们通过使用数据产品获得数据价值。
数据产品就是把数据、数据分析、决策逻辑尽可能多地固化到一个软件系统中，以更快的更新频率、更准确的分析结果、更智能的提醒方式为人们提供数据价值。未来的数据产品将会更加智能，目前我们看到的天气预报类的数据产品，正在综合更多的数据信息，给出由天气预报所延伸出来的后续行动建议，比如出行建议、穿衣建议、洗车建议等。在我们的生活中经常需要做决策，因而我们需要能够辅助我们做决策的数据产品，像天气预报APP这产品（见图1-3）只是众多数据产品的一个，由此可以想象，未来人们还需要更多样化的数据产品来辅助人们的衣食住行。数据产品已经走进我们的生活，并且在未来，我们还需要更多样化的数据产品来服务我们，它们正等待着我们去创造和设计。图1-3 天气预报APP1.2数据产品流通价值链
数据产品是承载数据的物体，在了解数据产品之前，让我们先来了解一下数据。数据从产生到销毁的整个过程就是数据的生命周期。排除数据销毁阶段，数据生命周期的其他部分可定义为数据流通价值链。数据的价值链如图1-4所示，可以将其大致分为以下5个阶段：数据生产阶段、数据整理阶段、数据研究阶段、数据展现阶段、数据价值体现阶段。接下来分别介绍数据在这5个阶段中是怎样传递信息价值的。图1-4 数据流通价值链1.2.1 数据生产阶段
数据的产生分为两种：人为制造的数据和客观存在的数据。
人为制造的数据是人们为了用数据去验证某种问题产生的原因，刻意地制造数据，然后再进行分析。这类数据有医药研究、社会研究、经济研究等方面的实验数据。
客观存在的数据包括真实的自然生产的数据，例如用传感器收集的天然的气象数据、工业设备的状态监测数据，以及虚拟网络世界中的数据，例如网站内容信息、网页链接访问数据、微博评论等数据，将此类数据收集并存储起来，也是数据的生产。
在本阶段主要面临的问题是收集和存储数据所需要的成本。因为当下的资源永远是有限的，为了使数据在后续阶段产生价值，我们应该在能解决当下问题的情况下，尽可能地降低数据收集和存储的成本。以前的社会调查基本上是采用去街头做问卷调查的模式，每一份问卷都是有成本的。现在看来，社会抽样调查的成本是很高的。随着技术的发展，互联网、传感器的广泛应用，现在可以在网站上以问卷形式进行抽样调查，可以通过传感器收集秒级数据，从而极大地降低了数据的收集成本，如图1-5所示。图1-5 降低数据的收集成本
现在收集数据的成本比起以前已经降低很多了，但是我们又开始面临第二个问题——数据的存储成本。以前的数据都只是存储在纸上，随着计算机技术的发展，现在几乎所有的数据都会被以某种格式记录在计算机内部或外部的存储介质上。计算机的存储介质发展至今，体积越来越小，而容量越来越大，成本也越来越低，虽然现在市面上硬盘的容量都在TB级，但是我们仍然感觉不够用，因为数据量也是随之增长的。有些数据在当下并不知道有什么用，在未来可能会有用，但是否需要现在存储，这也是一个问题。
综上所述，数据的生产阶段主要包含数据制造、收集和存储等过程，我们主要面临的问题是数据的收集成本下降，而存储成本上升。1.2.2 数据整理阶段
数据经过第一个阶段——数据生产阶段后，要想真正用于数据挖掘，则还需要经历第二个阶段——数据整理阶段。因为在现实世界中，数据都是不完整、不一致的脏数据：在收集数据时，有可能会由于仪器问题，少记录或者多记录了一些数据；在数据存储过程中，由于数据的存储结构或存储媒介不同，导致不同数据源的数据无法直接进行后续的数据挖掘，或者勉强可以进行数据挖掘，但结果不是令人满意的。因此，数据的整理是非常重要和不可或缺的步骤，本阶段也被称作数据预处理阶段，需要预处理的数据一般存在以下两个问题：数据质量问题和数据数量问题。
数据质量问题是指数据太乱、缺失严重或存在较多的噪声数据，会影响后续数据挖掘结果的准确性。数据清理技术可以解决部分数据质量问题，但无法完全解决该问题，因为数据质量会直接影响数据流通价值链的后续几个阶段能否进行下去。所以，要想使数据后续能够产生理想的价值，则必须先对数据质量进行评价。可以从准确性、完整性、一致性、时效性、可信性和可解释性这几个维度去评价数据质1量 。如果即使采用了数据清理技术也无法得到比较理想的数据质量，那么数据流通价值链也就在此阶段中止了。
数据数量问题是指可供后续研究的数据太多或太少，如果数据太多，则会导致后续的数据挖掘过程开销太大，但未必能较大地提高数据挖掘结果的质量；而如果数据太少，在数据挖掘过程中缺少某些关键属性，则会影响数据挖掘结果的准确性。数据数量问题一般面临着存储类型、数据属性、条目、分类变量类别多，而关键属性和数据层次太少等问题。数据交换、融合可以解决存储类型太多的问题，数据压缩可以解决数据属性、条目、分类变量类别多的问题。数据构造可以解决数据关键属性和数据层次少的问题，如图1-6所示。图1-6 数据整理
数据质量和数据数量问题指的是在同一个数据源内存在的问题，如果是不同的数据源，则还会存在数据交换与融合的问题。数据交换是指为了满足不同信息系统之间数据资源共享的需要，依据一定的原则，采取相应的技术，实现不同信息系统之间数据资源共享的过程。比如在政府的电子政务系统建设过程中，不同的政府部门的业务系统往往采用不同的软件、硬件平台和技术标准，并且由不同的软件提供商开发，这些系统是无法直接实现互联的。要解决这个问题，就需要建立一个数据交换平台或者数据交换中心，如图1-7所示。由数据交换平台提供各子系统介入的接口，实现数据交换平台和个信息系统的有机结合，以统一的接口规范实现数据自动提取、数据转换、数据发送、数据校验、数据审核等。图1-7 数据交换平台架构图
数据融合技术多用于物联网，也就是收集基于传感器传输的物理数据，将不同数据类型的数据进行综合、过滤、关联以及合成。比如在大型设备的故障诊断系统中，使用多种传感器技术进行多种特征量的监测，如振动、温度、压力、辐照、流量等，并对这些传感器的信息进行融合，以提高故障定位的准确性和可靠性，从而提高状态监测和故障诊断的智能化程度，如图1-8所示。图1-8 数据融合技术
综上所述，数据整理阶段主要包含数据的清洗、融合、交换、压缩和构造等过程，本阶段主要处理的问题是数据质量问题和数据数量问题，如图1-9所示。图1-9 数据整理阶段1.2.3 数据研究阶段
数据研究阶段是挖掘数据价值的重要阶段，以前人们将这类工作称为数据分析，而在近几年，数据分析升级到2.0版本——数据挖掘。数据挖掘又被称为资料探勘、数据采矿。它的技术定义是指从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的人们事先不知道但又是潜在有用的信息和知识的过程。它的商业定义是指按企业既定的业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。数据挖掘的目的是描述和预测，即了解数据中潜在的规律，用历史预测未来。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统和模式识别等诸多方法来实现上述目标。近年来，数据挖掘引起了整个社会的极大关注，主要原因是现代社会积累了大量的数据，而且数据的增长速度超出人们的想象，以及各类数据可以被广泛使用，人们迫切需要将这些数据转换成有用的信息和知识。而获取的信息和知识应用很广泛，包括企业界的商务管理和市场分析，工业界的生产控制和工程设计，学术界的科学探索等，如图1-10所示。图1-10 数据挖掘
数据挖掘涉及的具体技术及方法一般有关联分析、分类、聚类、异常点检测、回归分析、神经网络方法、Web数据挖掘等。这些技术及方法中涉及各种算法，通过算法对数据进行挖掘分析可以得到有用的价值。
关联分析是指在大规模的数据集中寻找一种有趣的关系，这种有趣的关系就是指哪些事物经常一起出现；哪些事物之间存在着某种强烈的关系，其中一个出现了，另外一个必定出现。
分类是指首先按照某种标准给对象贴标签，然后再根据这个贴好的标签规则对新的对象进行区分、归类。
聚类是指把相似的事物分到一组。聚类与分类不同，在聚类之前我们并没有告诉数据应该是哪些类别，而是数据自动根据相似性自我划分类别，我们需要实现的目标只是把相似的事物聚到一起，因此聚类算法通常只需要知道如何计算相似度就可以开始工作了。聚类通常是分类的一个前处理步骤，做完了聚类就得到了标签，然后再用这个标签进行分类。当然有的时候，数据有明显的标签时就不需要聚类了，直接分类就可以了。
以上简单地介绍了关联分析、分类、聚类这三个概念，对于其余的数据挖掘技术读者可以查阅相关资料进行了解。
另外，在数据挖掘过程中，我们不仅要对自己所拥有的数据和数据挖掘技术及方法非常熟悉，还需要对业务有深刻的理解，否则即使有数据，也不知道使用它们能够解决什么问题。在数据挖掘的过程中，会出现以下两种情况。
一种情况是有数据，没有想法。对于这种情况就需要先对数据进行探索和预处理，然后明确挖掘的任务，最后选择合适的数据挖掘技术进行数据挖掘，如图1-11所示。图1-11 数据挖掘过程
另一种情况是有想法，没数据。对于这种情况一般是先明确挖掘任务，然后寻找、收集相关的数据，进行数据预处理，最后选择合适的数据挖掘技术进行数据挖掘。
综上所述，数据的研究阶段主要包含数据探索、业务分析、技术选择等过程，如图1-12所示。图1-12 数据的研究阶段1.2.4 数据展现阶段
数据进入展现阶段后就是本书要着重介绍的。在数据量比较少，数据时效性不强的时候，人们在对数据的使用局限于数据分析，即通过各种数据处理分析软件对数据进行离线分析，得到各种指标值，用于分析当前的问题。如果数据分析人员与数据价值使用人员是同一个人，则无须与其他人阐述数据所产生的价值，因为自己既是数据价值的生产者，又是数据价值的使用者，也就不需要中间的流通环节了。也就是说可以不经过数据展现阶段，直接跳到了下一个阶段——数据价值体现阶段了。因此也就不会形成一个需要展现数据价值的数据产品。如果数据分析人员与数据价值使用人员不是同一个人，或者需要向其他人阐述数据价值，那么此时需要将数据价值以一个产品的形式呈现出来，这种产品可以是一份报告、一份PPT、一幅信息图等。
现在，随着数据量的增加，数据种类和维度的多样化，数据生产速度越来越快，时效性越来越强，导致离线数据分析已经不能满足人们对数据价值探索的需求了，人们需要更快的数据分析速度和更清晰的数据分析结果，缩短数据价值链的流通时间。而人们也都意识到数据分析的重要性，任何问题都要用数据说话，因此数据分析的需求在逐渐增加。但是数据分析毕竟具有一定的专业性，非专业人士只能看最后的分析结果，最好的方式就是将数据分析结果通过一种简单易懂的数据产品进行呈现，并且及时更新数据。比如天气预报APP，它就是一个数据产品，我们通过它可以及时了解到当前的天气状况，它可以随时更新数据，直接替代了电视台每天一播的天气预报形式。由此可见，人们对数据产品的需求也在日益凸显，如图1-13所示。图1-13 数据产品
数据经历了前面的3个阶段之后，已经从一个杂乱的大数据变成了一个可解释、有价值的小数据，但是非专业人士在看到此数据时可能仍然无法直观地了解数据体现的价值，因此，数据分析人员必须将数据的价值以某种易于阐述和理解的方式告诉数据价值的使用者。人类在生理上便倾向于阅读图形信息，也能更快速地理解图形信息。人类最早使用的一些文字都是象形文字，即用图形来表达意思，而后才创造了语言，而创造语言是为了更好地描述图形，更好地表达人类的想法。而且人类的大脑视觉系统可以迅速识别、贮存、回忆图形信息，本能地将图形信息中的理念转化为长期记忆，这是人类的天性。因此，视觉图形是最有利的信息传达工具，所以人们需要一个优秀的数据可视化方案，也就是数据展现逻辑设计，如图1-15所示。
数据展现逻辑设计其实是指数据产品界面设计的逻辑，一般在设计互联网产品的界面时，设计师比较注重用户的操作习惯、界面美观性等方面，而对于数据产品，则应该比较注重数据的展现逻辑。如果一个数据产品仅仅罗列数据指标及其可视化图表等内容，那么它是不能被称作一个非常完美的数据产品的。数据本身就是复杂和庞大的，即使把它精炼成数据指标，用漂亮的图表展现出来，也还是一盘散沙，只有将这些模块按照一定逻辑组合后才是一个完美的数据产品。
综上所述，数据的展现阶段主要包括数据可视化设计、数据展现逻辑设计等过程。影响数据可视化设计的因素有很多，不同的数据类型、不同的阐述目的、不同的受众人群都会影响数据可视化方案的选择。数据展现逻辑一般包括空间逻辑、时间逻辑、用户角色逻辑等。这些内容在第4章和第5章会进行详细介绍。图1-14 数据可视化方案1.2.5 数据价值体现阶段
经过以上4个阶段以后，数据就到了第5个阶段——数据价值体现阶段，即用户获得了简单易懂的数据分析结果。此时用户有可能是数据分析师，也有可能是企业的管理者或者普通用户。用户会根据数据分析的结果，进行某种决策判断，从而采取下一步的行动，这就是数据价值最终被使用的过程。数据的价值主要体现在是否帮助人们做出了正确、明智的决策。
数据用于辅助人们做决策，因此数据的价值也是由人来衡量的。数据价值的体现会因人而异，同样的数据结果，不同的人获得的价值是不同的。
比如，同样看到天气预报APP显示明天有70%的概率会下雨，有的人会选择带雨伞，有的人则不会。假设是在室内工作的白领，如果带伞的人在出门的时候恰好没有下雨，在公司上班时下雨了，在下班回家路上雨停了，那么对带伞的人来说，数据价值没有很好体现；而那些没有带伞的人的决策则是正确的，数据价值体现了。但是如果换一个场景，假设是户外工作者，如快递员、电力抢修人员等，则带了雨伞的人的决策更明智，因为对他们来说，数据价值体现了。这就说明，即使是同样的数据结果，不同的人采用了相同或是不同的决策和行动，数据价值的体现是不同的。
而在某些特殊情况下，比如在封闭的实验道路上，谷歌无人驾驶汽车的行驶过程则是没有人为决策的，完全由汽车根据从传感器中接收到的数据信息，自动判断并决策汽车行驶过程（见图1-15），这种情况可以被认为是数据所反映的价值完全是由事先设定的数据算法决定的，只要算法决策逻辑确定了，后续的行动流程也就确定了。但是任何算法都有一定的局限性，也就是在场景必须非常明确的情况下，才能依靠算法完全决策。而在现实世界中，路况不能像实验道路一样，因此，依靠算法做决策和行动具有一定的局限性。数据分析的结果不能完全告诉用户什么事情一定会发生，因为世界是不确定的，现有的技术也远没有达到这么精确的判断。因此，在大多数情况下，数据分析结果用于辅助人们决策，不能完全替代人们决策。图1-15 无人驾驶汽车1.3数据产品的定义及分类
了解了数据的整个流通价值链，知道了数据产品是在第4个阶段——数据展现阶段产生的，下面再来看数据产品的定义就清晰了。从字面意思上看，数据产品由两个词组成：数据和产品。产品是指能够供给市场，被人们使用和消费，并能满足人们某种需求的东西，包括有形的物品，无形的服务、组织、观念或它们的组合。因此不是所有的产品都叫数据产品。要弄清楚数据产品，首先要给它一个界定范围。如果我们界定数据产品是在第4个阶段产生的，那么一个数据产品应该不包含数据采集、存储类的硬件系统，因此，我们可以认为数据产品就是一个广泛意义上的软件产品。如果硬要把整个数据流通价值链中的各个阶段都包括进来，那么它就是一个数据解决方案了。在此认知基础上，从广义上说，可以发挥数据价值辅助用户做更优的决策或者是直接行动的一类产品，我们都可以称之为数据产品。
明确了数据产品的定义，下面再来看一看它的分类。在介绍数据价值体现阶段时提到过，有的数据产品是辅助人们决策的，数据的最终价值体现是需要人们根据数据分析结果进行后续的决策行动；而有的数据产品则是由算法自动决策产生后续行动，无须人为介入决策的。因此，根据决策行动过程是否需要人为介入，可以将数据产品分为两大类型：辅助决策型数据产品和智能决策型数据产品，如图1-16所示。图1-16 数据产品的分类1.3.1 辅助决策型数据产品
辅助决策型数据产品是通过对数据的挖掘分析和展现，帮助人们进行业务分析、辅助决策的一类数据产品。我们根据辅助决策型数据产品的复杂程度将它分为两种不同的产品形态。
第一种，静态展示型数据产品。这是一类简单的数据产品，它展现给用户的是一种静态图表，没有深入的动态交互功能，如图表PPT、信息图、数据可视化大屏等。这类数据产品的受众面很广，受众基本上无须具备太多的数据分析知识，通过简单的数据呈现就可以理解数据产品想要传达的信息。
第二种，动态交互型数据产品。这是一类专业综合型的数据产品，如销售报表、财务报表、数据决策系统、设备在线状态监测系统、城市交通监控调度系统等。这类数据产品的受众是普通业务人员和企业管理者，受众需要具备一定的业务知识才能很好地理解这些数据产品想要传达的信息。这类数据产品可以随时输出报告以供企业管理者决策，替代了原先的由数据分析人员制作数据分析报表的工作方式。这类数据产品一般所要分析的数据量比较大，对数据呈现的时效性要求比较强，呈现的数据指标也比较多样，往往解决的不是一个业务问题。这类数据产品是通过挖掘不同用户的深层次需求，构建当前需求的数据模型，设计数据可视化方案、用户交互界面等过程制作而成的，如图1-17所示。图1-17 数据决策系统1.3.2 智能决策型数据产品
智能决策型数据产品是可以根据数据分析结果自动执行决策和行动的一类数据产品。这类数据产品往往不是将数据分析的结果直接呈现给用户，而是根据数据分析的结果进行决策并行动，其反馈给用户的是最终行动后的结果，而不是数据分析结果。辅助决策型数据产品通过可视化界面提供数据分析结果，而智能决策型数据产品的数据分析结果一般是看不到的，用户只能看到最终行动后的结果。因此，普通用户并不能直观感受到这类数据产品的存在，通常也不会将这类产品视为数据产品。而按照我们之前所给的广义定义，只要是能够发挥数据价值辅助用户做出更优的决策或者是直接行动的一类产品都可以被称为数据产品。
智能决策型数据产品按照产品形态可以被分为两种，一种是软件型智能决策型数据产品，如个性化推荐系统、人工语音智能系统；另一种是软硬件结合智能决策型数据产品，如无人驾驶汽车、扫地机器人等。
1.软件型智能决策型数据产品
最典型的软件型智能决策型数据产品就是个性化推荐系统。现在已经进入了信息大爆炸的时代，用户很难从海量的信息中发现自己感兴趣的部分，另外，这也使得大量少人问津的信息无法被一般用户获取。而个性化推荐系统通过建立用户与信息之间的二元关系，利用已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象，进而进行个性化推荐，其本质就是信息过滤。个性化推荐技术主要的应用领域有商品推荐、广告推荐、社交推荐等。个性化推荐技术最早应用于电子商务领域，随着电子商务领域规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品的过程无疑会使消费者不断流失，为了解决这些问题，个性化推荐技术应运而生。2003年，Google开创了个性化广告推荐的先河，其推出的AdWards产品通过用户搜索的关键词，以及对用户近期的搜索历史进行记录和分析，了解用户的喜好和需求，更为精确地呈现相关的广告内容。AdWords是一款很受广告投放商欢迎的产品，曾经是Google广告收入的主要来源。随着越来越多的人开始使用社交网络，享受社交网络提供的各种服务，SNS社交网站、微博和图片分享等已经成为人们常用的服务。个性化推荐技术也渗透到SNS社交网络的方方面面，如QQ的“你可能认识的人”、微博的“你可能感兴趣的人”等好友推荐，Google Reader的个性化阅读、豆瓣的电影、书籍推荐等物品推荐，Netflix和YouTube的视频推荐，个性化推荐已经成为SNS社交网络的基础服务。个性化推荐系统基于收集到的用户的一些相关数据，通过算法计算得到结果，并且将结果直接推送给用户。在整个推荐过程中，系统从收集数据、研究数据，到决策判断并实施推荐行为，完全是自主的，因此，可以将它归为智能决策型数据产品的一种，如图1-18所示。图1-18 软件型数据产品决策行动流程
2.软硬件结合智能决策型数据产品
典型的软硬件结合智能决策型数据产品有扫地机器人、无人驾驶汽车等。扫地机器人和无人驾驶汽车一般被认为是采用了人工智能的机电产品，但从一个更广泛的角度来看，也可以把这些产品看成是一类依赖数据产生行动的数据产品。这类数据产品的特点就是由传感器接收外界信息数据，然后由软件进行计算控制，软件的决策判断最终转化为对硬件的行为控制。这类数据产品类似人类，其中软件是大脑，硬件是身体躯干，身体的各个感官接收信息，在大脑中处理分析并决策，然后大脑再发出行动指令，让硬件产生某种行为。
我们平常所看到的扫地机器人，它的行为逻辑就是先通过其身上的传感器收集周围的数据信息，然后判断房间内物体的位置，并且在扫地的过程中巧妙地避开障碍物，顺利执行扫地任务。其整个过程符合智能决策型数据产品的定义，即不是辅助人类决策，而是通过算法逻辑进行自我判断，然后执行行动。
另外，无人驾驶汽车也是综合了更多智能系统的一种智能决策型数据产品，只是它的整个系统比扫地机器人更加复杂。虽然目前许多国家都在进行无人驾驶汽车的研发，但公认最成熟的莫过于谷歌的无人驾驶汽车。人在开车的过程中最主要的功能就是识别周围车辆及障碍物并主动避让、判断突发状况、保证车辆正常行驶达目的地，这个驾驶过程就是一个依赖人的各个感官收集环境信息，用大脑计算距离，并且做出驾驶决策及行动的过程。无人驾驶汽车要实现的过程就是替代人类的驾驶过程：安装在无人驾驶汽车驾驶室内的摄像头会识别交通指示牌和信号灯，轮胎附近的传感器可以根据行驶速度和方位推算出汽车当前所在的位置。汽车内部有一系列的感应器，由激光探测仪、无线电雷达探测器、摄像设备等组成，所有上述设备采集到的数据都将被输入车载计算机中，并由Google开发的这套无人驾驶系统在极短的时间内做出判断：是该加速、刹车，还是转向等。通过这一系列感应器，汽车可以清晰地“看到”周围的物体，清楚掌握它们的大小、距离，时刻对周围环境保持360°无死角关注，能判断出周围物体可能会对车辆的运动和路线造成什么影响，并做出相应的反应，完全复制了人类的驾驶过程。但它比人类更先进的是，它绝不会因为疲劳、醉酒而分散注意力。无人驾驶系统就是一个典型的从辅助决策型数据产品向智能决策型数据产品进化的例子。现在的无人驾驶技术并不新奇，部分技术早就应用在高端车或高配车上，如车道偏离警示系统、自适应巡航系统、自动泊车系统等，这些技术早期就是为了辅助人们在行车过程中的判断，并指导人们的驾驶行为，现在进化到了汽车智能驾驶阶段，完全无须人类介入决策和行动，如图1-19和图1-20所示。图1-19 软硬件结合智能决策型数据产品的决策行动流程图1-20 无人驾驶汽车技术图解
数据产品一定要有数据输入，也就是要有感知的能力，然后再对感知到的数据进行分析，并且输出决策意见或者直接执行决策和后续行动。但是机械手不算是数据产品，它是一种程序，用于控制某一行为的反复操作，其输入的只是程序逻辑，并没有输入其他数据。
现有的辅助决策型数据产品只是告知人们历史数据反映了什么，未来的情况可能会是怎样的，业务的问题关键点在哪里，能给出一个决策建议，但具体的决策行动则需要由人来判断和执行。随着数据量越来越大，数据维度越来越多，智能型数据产品适用的场景越来越多，系统越复杂，适应性就越强。从理论上说，在虚拟的世界里，任何人为决策都可以被智能算法所代替。如果跳出虚拟世界，只要做到万物互联，现实世界和虚拟世界完美地结合，地球拥有一个统一的大脑，承载现实世界和虚拟世界中所有的数据量，并且拥有极快的计算和传输速度，那么任何决策就都可以被智能算法所代替。可以这么说，未来人工智能领域的所有产品基本上都可以被认为是一种智能决策型数据产品。但是要实现这个理想的境界需要在硬件技术上有极大突破，目前的硬件系统无法承载这么大的数据量以及这么快的计算速度。因此，在现阶段，辅助决策型数据产品仍然占据非常重要的地位，而智能决策型数据产品则是未来的发展趋势。也就是说，辅助决策型数据产品在逐渐趋向智能化，即辅助决策型数据产品正在朝着智能决策型数据产品进化，这个发展趋势在何时会加速，主要取决于新材料领域的技术突破。
还是用前面那个根据天气预报APP辅助用户决策是否带雨具的例子，如果天气预报系统的预测可以精确到方圆1千米的范围，并且我们将用户第二天的整个行程以及行驶路径数据也告诉计算机，那么计算机就可以准确地判断第二天用户是否应该带雨具。但是目前最大的问题就是天气预报不能这么精确，因为要想预测得更精准，就必须有更小颗粒度和更长时间跨度的卫星采集数据和地面采集数据，如温度、湿度、风力、日光强度、紫外线强度、位置信息等，并且对这些数据进行筛选、清洗、分析、模拟和预测等一系列过程，这是需要消耗大量计算资源的，而目前的硬件计算资源和运算能力远远不能满足需求。
前面已经介绍了数据产品的两种类型，从设计数据产品的职业岗位来说，辅助决策型数据产品一般是由数据产品经理设计的，而智能决策型数据产品一般是由算法工程师设计的。另外，辅助决策型数据产品中的一些数据指标值也是通过一些复杂的算法计算出来的，因此，数据产品经理也需要具备一些基本的算法知识。由于算法工程师所涉及的知识面更深，难度较大，需要深厚的数学基础和算法知识，因此，本书定位于辅助决策型数据产品的设计，而智能决策型数据产品在后续有机会开辟新书的时候再进行讲解。下面介绍一下什么是数据产品经理。1.4数据产品经理
数据一直都有，但由于大数据的兴起，近些年一下提高了数据在现代社会中的地位。以前，统计学专业出身的人所从事的岗位还叫数据分析师，而现在数据分析师迈入2.0时代，称呼也换成了非常“高大上”的数据挖掘工程师。现在，企业对数据类专业人才的需求越来越大，他们除了希望数据类专业人才能够提炼企业中的数据价值外，更加希望形成“傻瓜式”的数据类产品。数据分析师岗位是一个专业化的岗位，非专业人士进入是有一定门槛的，而数据产品可以降低数据分析的门槛，使非专业人士可以享受到数据分析带来的价值，从而提高工作效率。未来的企业将不再依赖数据分析师，而是依赖数据产品的提供团队，数据产品经理也就自然成为其中一个不可或缺的角色，如图1-21所示。图1-21 数据产品经理
相信大家都知道产品经理、数据分析师或数据挖掘工程师是做什么的，但是你知道什么是“数据产品经理”吗？它与产品经理或数据挖掘工程师有什么不同吗？
从字面上看，数据产品经理包含两个关键词：数据和产品经理。数据产品经理区别于一般的产品经理，此职位是与数据相结合的。现在大家常说“人人都是产品经理”，但是这句话套用在数据产品经理上就不是那么适用了。这并不是说不是人人都可以做数据产品经理，而是说数据产品经理的门槛要高于普通的产品经理，是产品经理更细分的一个领域，数据产品经理需要具备的技能更加专业化。数据产品经理是高级管理层和数据团队之间的桥梁，是集数据专家、产品专家、管理者等所有角色功能于一身的领导者。1.4.1 招聘岗位分析
在招聘网站上搜索“数据产品经理”这个岗位时，可以搜索到很多相关岗位，这些岗位名称各有不同，其中包括“数据产品经理”“大数据产品经理”或者“产品经理（数据）”。从该职位的描述和所需的技能来看，这些岗位要求大体相同，这说明这些企业都是在招同一类人。下面看一下两家互联网公司对该职位的岗位招聘信息，如图1-22所示。图1-22 数据产品经理职位招聘
通过分析这两家公司的数据产品经理岗位的招聘说明，就可以提炼出这两家公司对产品经理岗位要求的关键词，阿里巴巴公司的关键词有：产品规划、产品设计、调研分析、品牌推广、运营策略、数据敏感度、数据技术、大数据处理、系统研发、团队沟通协作等。美图公司的关键词有：数据产品设计、数据产品开发、数据技术架构、数据算法、大数据趋势、产品设计、项目管理、团队沟通合作等。有的人认为，做产品的人不需要懂技术，但是做数据产品的人需要懂技术，这是数据产品经理门槛更高的原因。简单地说，数据产品经理需要经历各个数据类的岗位以后才能胜任这个岗位。从阿里巴巴和美团两家公司提炼出来的关键词可以看出，这两家公司对该岗位的招聘要求很类似，简单地说，基本上都是既要懂产品设计，又要懂数据技术，还要有团队管理能力的人才，总结起来就是3句话：懂数据，懂产品，懂管理，是综合性的人才，要有产品化的思维才能为公司创造更大的价值。
数据产品经理的工作职责与产品经理的工作职责大体框架类似，具体就是围绕着数据产品的设计流程，产品经理是对产品的整个生命周期负责的人。而数据产品经理在数据产品的整个生命周期里，将工作内容划分了前、中、后共3个阶段：前期主要是进行市场调研，了解竞争情况、市场情况，进行需求分析和产品规划等；中期主要是进行产品功能设计、业务流程设计、界面设计等；后期主要是承担研发管理、产品上线、后续维护、产品迭代更新或结束等。1.4.2 工作技能要求“不懂产品设计的数据挖掘工程师不是好的数据产品经理”。这句话从某种程度说明了数据产品经理这个职位所需要具备的技能。首先，数据产品经理必须要掌握数据分析师或数据挖掘工程师的大部分技能，需要了解数据的来源和属性，理解数据的转换、清洗、分析、挖掘过程，熟悉算法模型，知道用什么样的指标来辅助决策，选择什么样的数据可视化方案来展示数据分析结果。简单地说就是需要具备数据分析的思维，这样再与公司的业务结合就会比较容易。其次，数据产品经理还要掌握产品经理的大部分技能，要了解用户的痛点，深挖内部用户需求和外部市场需求，具备产品方案设计、产品执行和管理、产品运营、产品战略规划、协调技术、测试、沟通等技能。最后，数据产品经理除了要具备数据挖掘工程师和一般产品经理需要的理论知识外，还要掌握一系列的编程工具和设计软件，比如数据分析类工具：Excel、R、Python等；数据可视化类工具：Excel、Tableau、JavaScript等；设计类工具：Axure、Visio等，如图1-23所示。图1-23 数据产品经理所需要掌握的工作技能1.4.3 职业转型方向
一个数据产品的产生过程，最合理的方式是由数据产品经理从价值驱动的角度出发，而不是由数据挖掘工程师单纯地从数据出发或者从技术出发。在很多情况下，数据产品经理这个职位是由数据分析师或数据挖掘工程师转型过来的。比如某家公司是做垂直领域的业务型公司，面对的是企业内部的用户，这种公司起初会配备几个数据分析师，然后随着业务量的增加，慢慢会发展成一个数据团队，在这个数据团队中就需要数据产品经理这类角色。也许某人起初是该团队的数据挖掘工程师，后来其逐渐将数据分析的任务剥离成一个个产品模块，进一步挖掘内部用户的需求，协调内部资源，不断地设计和规划数据产品，那么他就是由数据挖掘工程师转做数据产品经理的。
还有一些情况是数据产品经理是由产品经理转型过来的。比如当一个新产品或者新功能上线了，产品经理需要对其进行数据监控和衡量，从监控中采集到产品的用户行为数据，并对这些数据进行分析和总结。如果数据表明新产品或新功能是优秀的，那么可以大力推广；如果数据表明新产品还存在问题，就需要对产品进行新一轮的迭代和优化，用数据来不断提升用户体验，这个时候产品经理就需要具备一定的数据分析技能，这也是为什么很多产品经理的职业课程中会讲到数据分析的知识。如果新产品的推出或新功能的改进是高频率或者数据分析的过程比较复杂，那么数据分析和总结的过程最好采用一个专业的后台数据产品进行辅助，这个时候产品经理就有可能需要和数据分析人员配合，设计一款辅助产品分析改进的数据产品。
以上只是简单地阐述了数据产品经理这个职位最有可能从哪些职位转型而来，当然即使不是数据分析师或产品经理，仍然可以成为数据产品经理。由数据挖掘工程师转型为数据产品经理，学习曲线比较平缓，而由产品经理转型为数据产品经理的学习曲线就比较陡峭，如果既不是产品经理也不是数据分析师，就要付出更大的努力了。总之，成为一名优秀的数据产品经理不是那么容易的。1.5数据产品设计流程
一般的产品设计都具有一定的流程，数据产品也不例外。其中有一些固定的设计步骤是必不可少的，大到综合型数据产品规划，小到简单型数据产品设计，先理清数据产品的设计流程，会让产品设计更轻松，更高效。可以将数据产品设计具体分为以下5个流程。（1）需求分析。本步骤是一个数据产品设计的首要过程，主要包括商业需求分析、市场需求分析、产品需求分析和产品规划的过程。（2）数据指标设计。本步骤是根据上一步骤需求分析的结果，制定出用户最感兴趣、易于理解，并且最能够体现问题本质的数据指标。（3）数据可视化设计。本步骤根据上一步骤设计出来的数据指标，并根据最终数据类型和表现目的，选择最佳的数据可视化方案，将每一个数据指标美观并且直观地呈现给用户。（4）数据展现逻辑设计。本步骤包含数据指标展现逻辑设计、界面设计等过程，主要是根据各种已经实现了可视化方案的数据指标图表进行界面逻辑展现设计，除了对数据指标进行分类展现外，还需要从多个角度设计数据的展现逻辑，将每一个指标都有逻辑地呈现出来，使用户在看多个数据指标时清晰明了。（5）产品管理。本步骤主要包括研发管理、产品上线、后续维护、产品迭代更新或结束等过程，主要是保证已经设计好的产品最终研发实现，以及对产品持续迭代更新的跟踪管理。
以上这5个流程和之前介绍的数据产品经理在前期、中期、后期这3个阶段的工作内容很类似，因此可以将这5个流程也分为3个阶段，即前期的规划阶段、中期的设计阶段和后期的管理阶段。在不同的阶段，数据产品经理具体的工作产出内容也不同，接下来介绍数据产品经理需要撰写的文档。
普通的产品经理一般需要撰写以下4种文档：（1）商业需求文档（Business Requirements Document，BRD）（2）市场需求文档（Market Requirements Document，MRD）（3）产品需求文档（Product Requirements Document，PRD）（4）功能详细描述文档（Functional Specifications Document，FSD）
毫无疑问，这4种文档也是数据产品经理需要撰写的。商业需求文档一般都是写给老板、CEO或者项目总负责人看的，侧重于描述商业模式、市场前景、竞争分析、盈利模式、资源投入等。
市场需求文档一般是写给商务、运营、市场人员看的，侧重于明确产品的潜在客户和市场方向。
产品需求文档和功能详细描述文档一般写给项目组、开发组、测试组、体验组等人员看的。
产品需求文档侧重于从产品本身角度看待需求，通常在特点和功能需求上更深入细节，并且也包括界面流程、原型设计图等。
功能详细描述文档则把焦点集中在产品实现、定义产品功能需求的全部细节。
以上这个4个文档不是固定的，可以适时调整及合并，比如商业需求文档和市场需求文档有时候会合并成一个，也有可能是前3个需求文档都合并成一个，这些都是可以根据实际情况进行调整的。这几个文档在很多有关产品经理的书中一般都会介绍，网上也有很多这类文档撰写的模板，具体就不重复介绍了。
另外值得强调的是，据笔者的实际工作经验，基本上对于这类文档，相关人员都没有时间或兴趣仔细看完，切记不要花太多时间把文档写得天衣无缝，而要多与相关人员沟通，尽量当面交流。在交流过程中最好用简单的PPT呈现，细节可以在后续产品开发过程中逐步讨论。不论是多个文档合并，还是完全按照以上4个文档来写，总之，需求文档是一定要有的，其最大的作用是方便产品经理理清思路，与他人进行沟通交流，并且可以备忘，作为一个产品的诞生记录留下来，如图1-24所示。
根据数据产品的设计流程，我们大致可以知道数据产品经理的一些工作流程，其中在第一步需求分析阶段中主要就是撰写商业需求文档、市场需求文档和产品需求文档。这3个需求文档写好了，基本上第一步产品需求分析就做好了。接下来第二步至第四步，即数据指标设计、数据可视化设计和数据展现逻辑设计阶段就是数据产品的具体设计，主要就是写功能详细说明文档，这也是数据产品设计的核心内容，也是它和一般产品设计有着重大区别的地方。最后产品的管理流程一般没有产出具体的文档，但是每个公司都有自己的产品管理制度，数据产品经理有时候需要承担项目经理的角色，需要对产品研发流程进行把控。图1-24 产品经理要写的4种文档
以上这5个流程里面涉及的内容是做好一个数据产品的关键，涉及的具体内容也比较多，接下来从第2章到第6章，分别详细阐述以上这5个流程。第2章寻找需求领域2.1需求理论
需求是指在一定时期内人们的某种需要或者欲望。没有需求就没有产品，需求是设计一个产品的动力来源。2.1.1 马斯洛的需求层次理论
谈到需求，读者首先会想到美国心理学家马斯洛的“需求层次理论”。1954年，马斯洛（见图2-1）提出了需求五层次理论，他把需求分成生理需求、安全需求、社交需求、尊重需求和自我实现需求共25类 ，并依次由较低层次到较高层次。马斯洛在他去世前发表了一篇重要的文章《Z理论》，他在文中重新反省了他多年来发展出来的需求理论，并重新划分成6个需求层次，概括地说就是在原有的5个层次上增加了一个自我超越需求层次。另外，管理学家麦格雷戈根据马斯洛早期的需求五层次理论，将管理理论区分为X理论和Y理论，因此就构成了图2-2所示的整个需求层次理论体系。图2-1 马斯洛图2-2 需求层次理论体系
马斯洛的需求层次理论在人力资源、管理心理学、企业薪酬制定等方面都有着广泛的应用。从满足消费者的角度来看，每一个需求层次中的消费者对产品的要求都不一样，即不同的产品满足不同层次消费者的需求，因此可以将产品划分成6个消费者产品形态。（1）生理需求的产品。这类产品一般只满足消费者最低层次的需求。这里以食物来举例，比如对于一个还在温饱线上挣扎的人，他每天吃的可能就是快餐盒饭，这个时候他只要求饭菜可以吃得下去，并且可以长时间保持不饿即可，此时快餐盒饭就满足了消费者生理需求。（2）安全需求的产品。这类产品除需要满足消费者的生理需求外，还需要满足消费者的安全需求。比如一个白领，他去一家餐厅吃饭时，可能主要会考虑这家餐厅的饭菜是否干净，菜品是否符合饮食健康，此时餐厅的菜品就满足了消费者安全需求。（3）社交需求的产品。这类产品需要满足消费者对交际的要求。比如一个男生第一次约一个女生吃饭，他可能会考虑选一家环境优美安静的餐厅，因为如果吃饭环境不好就会影响彼此的印象，此时餐厅的菜品和服务就是满足消费者的社交需求。（4）尊重需求的产品。这类产品需要满足消费者受尊重的需求，消费者会比较关注产品的象征意义。比如对于一个比较有钱的人，他去一家餐厅吃饭时，会考虑这家餐厅是不是米其林三星评级的，是否有一些相关的资质。可能有这类美食评级的餐厅中的食物也未必会符合这类消费者的胃口，但是这类消费者比较关注产品的象征意义，此时这类餐厅所提供的食品就满足了消费者的尊重需求。（5）自我实现需求的产品。选择这类产品的消费者对产品有着一套自己的判断标准。此类消费者一般会选择固定的品牌，其通过选择这类品牌的产品能够满足自我实现的需求。比如某人喝红酒时只选择拉菲，喝白酒时只选择茅台，这类产品就满足了消费者的自我实现需求。（6）自我超越需求的产品。这类产品满足消费者对产品有自己动手改造的需求。比如有些人不满足吃东西，想亲自动手制作，因此现在有的蛋糕店就提供自己动手烘焙的课程，店主会亲自教消费者怎么做蛋糕，消费者可以做成任意的造型，并且做完的蛋糕可以带走，这类产品就满足了消费者的自我超越需求。
根据经济学的理论，消费者愿意支付的价格近似等于消费者获得的满意度。也就是说，具有同样功能的产品，能够满足消费者的需求层次越高，消费者能接受的产品定价也越高，同时需求层次越高，消费者就越不容易被满足。在市场竞争中，满足消费者的需求越低端，产品的竞争越激烈，价格竞争显然是将“需求层次”降到最低，消费者感觉不到其他层次的“满意”，愿意支付的价格当然也低。因此，要设计一个产品，需要考虑产品满足了人们哪个层次的需求，以及定位如何。2.1.2 乔布斯的用户需求理论
一提到伟大的产品经理，相信读者首先想到的就是乔布斯，乔布斯也有自己的一套需求理论。乔布斯坚信“消费者不知道他们想要什3么，我的工作就是告诉消费者他们需要什么”。在他的传记中写道 ：“有些人说，消费者想要什么就给他们什么。但那不是我的方式。我们的责任是提前一步搞清楚他们将来想要什么。”记得亨利·福特曾说过：“如果我最初是问消费者他们想要什么，那么他们应该会告诉我，要一匹更快的马！”人们不知道自己想要什么，直到你把它摆在他们面前。
在iPhone的新产品发布会上，身着紧身牛仔裤的乔布斯指着自己的窄小的裤兜说：“如果我们想在裤兜里塞进去一个产品，那么它应该是什么？”紧接着，乔布斯拿出了iPhone：“没错，就是它！”iPhone外观时尚，精致小巧，适合装进窄小的裤兜里，其系统操作简单，用户体验好，而且iPhone不仅仅是传统意义上的通话手机，更是移动的个人掌上电脑。乔布斯虽然不依靠市场研究，但他从消费者的角度定义产品，抓住了用户的需求和痛点，如图2-3所示。图2-3 乔布斯
下面再介绍一个失败的产品案例。
摩托罗拉曾经也是通信行业的领导企业，1998年，摩托罗拉推出了“铱星计划”，相信手机行业的从业者应该都知道这个计划。现在手机的通信依赖于地面基站，有基站的地方手机才可以通信。如果发生地震了，基站被摧毁，那么人们的手机也就无法通信了。因此以摩托罗拉为首的一些美国通信公司在政府的帮助下，于 1987 年提出了新一代卫星移动通信星座系统。这个计划拟由77颗近地卫星组成星群，通过卫星与卫星之间的传输来实现全球通信，这相当于把地面上的蜂窝移动通信系统搬到了天上，可以避免由于地质灾害导致通信基站遭到破坏而无法通信，并且不受地面基站的限制，从而实现让用户在世界上的任何地方都可以打电话。这个项目在1996 年发送了第
试读结束[说明：试读内容隐藏了图片]