这个问题，很多人的观点停留在可视化，深一点的就会考虑到机器学习等。但从数据的一生来看，数据最终的归宿是应用，最理想的状态是直接通过数据来决策，金融行业比较典型。

数据产品不应该只将视野局限于技术与数理层面，其职责也应包含与业务强相关的数据应用。

数据的一生：采集->清洗->存储->可视化->统计分析->挖掘->解读->应用。应用之后会产生新数据，又从采集开始新一轮迭代。

附：数据产品发展的几个难点（也是机会点）：

1、数据源。很多人觉得数据很多够用，但实际上你想到的数据都是线上的，真正的难点在于线下行为数据的采集。近几年，阿里和腾讯在零售领域布局，在行人识别和购物行为采集方面投入巨大。

2、人的关联。问题还是线下，线下的个体识别技术有了，但几乎不能跟线上的数据关联上，数据孤岛现象很严重。有些技术和模式能关联，但又涉及到覆盖率的问题。线下数据的采集，还逃不过隐私问题。预计未来两年，个人线下行为数据的隐私问题会突显。

3、数据应用。数据最终若不能指导决策（注意不只是支持决策），是没有发挥出数据的最大价值的。而用数据做出决策，就得需要对行业内的业务逻辑的深度理解。记住，数据不能指导决策，那么链条没有打通，不是闭环。数据的落地应用是数据产品发展都会遇到的一堵墙。阿里在这个方面已经先走一步了，在2018年8月份的生意参谋升级发布会上，其负责人就表示：生意参谋不再是单纯的数据内容输出，而是利用经验和能力，提供商业解决方案。

数据产品的职责：

1.为分类 、 估计、预测、相关性分组或关联规则、 聚类、复杂数据类型挖掘(Text,Web ,图形图像，视频，音频等)保证数据的准确性和实效性

2.把数据转换成便于观察分析、传送或进一步处理的形式。

3.从大量的原始数据中抽取部分数据,推导出对人们有价值的信息以作为行动和决策的依据。

4.利用计算机科学地保存和管理经过处理(如校验、整理等)的大量数据,以便人们能方便而充分地利用这些宝贵的信息资源。