时间: 2021-07-30 11:30:49 人气: 4 评论: 0
本文总结分享了什么是SQL、它的应用场景、如何学习掌握、如何具体操作？
本篇灵感源自援引《经济学人》最近发表的一篇文章，预计2020年将成为AI技术全面成为主流的一年而起，先撰写比较火热的数据产品经理岗位，在数据产品经理岗位里有对产品经理必须要懂的技术SQL、AHP、序列分析、PCB主成分分析等等，先讲SQL。
在本文中首先介绍SQL是什么，然后重点介绍怎么学SQL，同时又将学SQL分成一方面：学SQL的基础**方面，另外一方面：学SQL的基础操作方面。
在讲解产品经理具体操作方面，讲解了基本SELECT语句操作，基本索引操作和数据建模操作等详实案例，以飨读者！
SQL是一种特定目的编程语言，用于管理关系数据库管理系统，或在关系流数据管理系统中进行流处理。
SQL基于关系代数和元组关系演算，包括一个数据定义语言和数据操纵语言。
SQL的范围包括数据插入、查询、更新和删除，数据库模式创建和修改，以及数据访问控制。
例如，当您的股东或者老板想要查看以下问题时，您可以用SQL来做出对应的产品呈现：
有的同学说这些EXCEL也可以做呀，对是可以，但是现在市场的数据量EXCEL是负载不了的，EXCEL也容易崩溃。
另外SQL也可以在更大量级的数据库和数据仓库间进行查询和数据分析。
有的同学说产品经理不需要懂数据仓库，更不需要懂SQL。
在笔者LineLian的实战工作中，市场上以做出自己公司的数据仓库产品，做出自己公司的数据分析产品为产品本体的需求在持续爆发增长，所以作为市场需求旺盛的10大基础技能之一产品经理应该懂SQL。
3.2.1 学**操作一些基本的select的操作
操作例如：将下表中列出所有建筑物以及每个建筑物（包括空建筑物）中不同的员工角色表如下图所示：
SELECT distinct role ,Building_name
FROM Buildings
LEFT JOIN Employees
ON Buildings.building_name=employees.building
3.2.2 了解索引，知道如何建立索引，应用索引
例如创建索引的标准语法：CREATE INDEX 索引名 ON 表名 (列名)
3.2.3 了解数据类型，知道如何给各个数据建立对应的模型
（1）了解数据类型
数据有结构化的数据类型，常见于存在我们数据表中的数据；也有半结构化的数据类型，例如我们百度查询某个页面结果展示的多是半结构化数据；也有非结构化数据像图**、声音、视频等等数据类型。
（2）产品经理需要**如下的数据建模全流程
数据建模分析线路一：
准备数据是从数据埋点、数据采集、数据清洗开始，然后对数据进行直观的描述分析和洞察，再然后给出数据展现，最后撰写数据分析报告。
例如：下表是某些学生的语文、数学、外语、科学成绩统计表：
首先，假设这些科目成绩不相关，也就是说某一科目考多少分与其他科目没有关系。那么一眼就能洞察出来，数学、外语、科学这三门课的成绩构成了这组数据的主成分（很显然，数学作为第一主成分，因为数学成绩拉的最开）。为什么一眼能看出来？因为坐标轴选对了！
但是当数据量足够大的时候，通过洞察就不是这么容易看出来数据的特征了。
数据建模分析线路二：例如下面闲鱼APP分析用户行为的例子
用数据建模的方法分析用户行为流程图如下：
首先分析用户行为，分析业务需求：
一般将用户行为定义为：由一系列的行为事件所串联成的序列。这个定义在不同的“粒度”上有不同的解释，比如粗粒度上来看，“搜索商品”->”聊天“->“下单”为一个用户行为，其中“搜索商品”是一个行为事件。
但是从细粒度上来看，“搜索商品”包含了多个更小的事件，比如“点击搜索框->输入文本->点击搜索按钮->查看搜索结果”等，从细粒度上这几个事件同样可以定义为行为事件，此时“搜索商品”就变成了一个用户行为。
因此，分析用户行为需求，要先看从哪个维度上进行分析。
在本案例中将行为事件定义为“页面跳转”和“按钮点击”两类事件，而用户行为则是“多个行为事件”根据时间顺序串联起来的序列。
对应到数据形式上，每一个“页面跳转”都对应一个埋点，每一个“按钮点击”也都对应一个埋点，
因此，用户行为数据建模分析，实际上也就变成了：埋点序列数据建模分析。
埋点序列数据建模图如下：
从上图中可见先通过聚类算法例如K-mean对埋点的人群进行分类，得到不同的人群，然后再对不同人群运用序列挖掘模型挖掘得到不同的行为，最后得出异常或者正常的行为判断结果。
假如用数据建模来发现未知黑产人群，用上述方法，对闲鱼的用户埋点进行分析，发现聚类出的人群里，有一类人群的行为序列是:
“商品搜索结果页->打开某个商品->点击聊天->发送文件->返回商品搜索结果页->打开某个商品->点击聊天->发送文件”
洞察查看这群人发送的文件发现，全部都是广告视频，也就是说，这些都是黑产账号，不断的在发送广告视频给别的用户，而这些黑产行为，是我们原先“未知”的（不需要提前知道这种行为的存在）。
说明一下传统的黑产模型用的是AHP层次分析法模型为主，即通过漏洞补上和行业专家打分的方法来实现风控和安全。
通过数据建模这种方式相比原来的AHP专家打分“补漏”型黑产防控有以下优势：
没有经验预设，可以快速从数据中发现新型的黑产行为模式，而不必等到大面积用户反馈以后做补漏。
数据建模算法抽象出来的行为模式相比人工“总结”**更加准确。（原来的防控大多数是根据用户反馈，然后人工观察这些人的行为，并用规则去识别匹配这些行为）
当然，数据建模这样的数据还需要进一步挖掘才能得到实际可利用的信息，针对不同业务和问题，也有不同的利用方式，这里也还只是一个案例思路，希望能从这个新的数据视角挖掘到对产品业务有用的信息。
在红利辈出的年代，选择做什么选择学什么比擅长做什么更重要！
在市场运营上大家比较期待用户增长，客户爆发；在技术上Python、React（web）、Angular、机器学习以及Docker将也已成为市场需求最为旺盛的需求。
在产品经理岗位上一方面要盯紧市场运营的业务需求，迭代产品配合实现用户增长；另外一方面要紧盯技术发展。毕竟科学技术是第一生产力，所以产品经理不能仅仅是画原型的经理，而要持续学习，在数据中台产品，数据平台产品，数据智能产品，纯AI产品持续井喷的年代。
悲观者往往正确，乐观者常常成功！
最后笔者建议在AI时代，产品技术运营的第一要务就是为未来的全新工作方式做好准备。未来已来，未来需要数据驱动增长，未来需要数据智能化，未来需要产品经理具有的技能，让我们持续一起读懂。
如果你想系统化入门AI产品经理，掌握AI产品经理的落地工作方法，戳这里>http://996.pm/7bjab
连诗路，公众号：LineLian。人人都是产品经理专栏作家，《产品进化论：AI+时代产品经理的思维方法》一书作者，前阿里产品专家，希望与创业者多多交流。
本文原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自Unsplash, 基于CC0协议
