《产品经理数据修炼30问》PDF下载

  • 购买积分:10 如何计算积分?
  • 作  者:R.D.著
  • 出 版 社:北京:电子工业出版社
  • 出版年份:2019
  • ISBN:9787121352041
  • 页数:236 页
图书介绍:智能时代,数据本身蕴含着巨大的价值,它使得我们的生活和工作更加科学和便捷。本书详细讲解了数据支撑体系是如何运作的,这对帮助数据产品经理构建系统的数据素养大有裨益。同时,本书会通过问答的形式,帮读者梳理数据产品经理工作中重要职责:如何通过各项数据指标判断产品数据是否健康,如果通过数据分析指导数据产品运转等。本书适合专职的数据产品经理阅读,包括负责数据平台的产品经理、以数据为导向的产品经理。

第一单元 刚接手一款产品,如何快速了解它 3

第1问 重新定义产品,应从哪开始? 3

1.1寻找一个切入点 3

1.2宏观:领域与生态 4

1.3中观:产品全局 4

1.4微观:产品功能与用户 5

1.5归纳与重新定义 7

第2问 怎样理解产品中那些酷炫的数据指标? 10

2.1指标背后的要素:时间粒度和口径 10

2.2值得思考的“终极问题” 12

2.3为数据指标分类 15

第3问 产品中有那么多功能,怎样摸清它们的脉络? 18

3.1画一张属于自己的产品地图 18

3.2已登录or未登录 21

3.3好友or陌生人 21

3.4流量or Wi-Fi联网 22

第4问 了解产品用户,应选择用户画像还是用户特征? 23

4.1用户画像vs用户特征 23

4.2关注不发声的大多数用户 25

4.3警惕无效的用户特征 25

4.4识别用户反馈带来的伪需求 27

第5问 关于产品与数据,还有哪些值得注意的概念? 29

5.1这些用词的区别在哪里 29

5.2保持名称的一致性 33

5.3近似值和数值的位数 33

第二单元 数据支撑体系是如何运作的? 39

第6问 人力:数据团队中有哪些幕后英雄? 39

6.1数据产品经理 40

6.2数据分析师 40

6.3数据项目经理 41

6.4开发工程师 41

6.5测试工程师 41

6.6运维工程师 42

6.7基础研究员 42

第7问 物力:数据产品是怎么来的? 44

7.1是的,依然来自需求 44

7.2不一样的需求过程 45

7.3同样存在伪需求 48

第8问 除了报表平台,数据产品还包括什么? 51

8.1先给数据产品分个层次 51

8.2数据采集层 52

8.3数据接入层 53

8.4数据处理层 53

8.5数据应用层 54

第9问 数据上报前需要做哪些准备工作? 56

9.1准备一:允许上报什么样的数据 56

9.2准备二:定义数据协议和数据Topic 58

9.3准备三:统一文本编码 59

第10问 埋点就是数据采集吗? 61

10.1标准动作三步走:埋点、采集、上报 61

10.2采集组件的两类功能:机制型功能和服务型功能 63

10.3对采集组件优化的思考 64

第11问 数据上报到哪里去了? 66

11.1不得不谈的技术流程 66

11.2数据仓库vs数据库 67

11.3用可视化方式达成约定 69

第12问 我们可以直接使用上报的数据吗? 72

12.1数据处理的基本操作:归并和计算 72

12.2任务调度平台,自动化处理引擎 75

12.3横表vs纵表 79

12.4事实表vs维度表 80

第13问 数据处理好了,我可以享用哪些服务? 82

13.1数据门户的家族成员 82

13.2报表呈现的奥秘 83

13.3运筹帷幄的Dashboard 85

13.4火眼金睛的用户分析平台 86

13.5温暖人心的数据订阅 89

13.6万能的SQL,灵活的即席查询 91

第14问 体验优良的数据产品有哪些表现? 94

14.1交互是体验的一部分 94

14.2别让我思考,值得强化的基础体验 95

14.3别让我孤单,多方位的支持服务 99

14.4别让我犯错,严格对待权限与安全 102

第三单元 立足当下,如何轻松实践数据化运营? 107

第15问 怎样快速树立数据化运营思维? 107

15.1认清运营的焦点:用户 107

15.2理解用户数据的六步循环 109

15.3明确数据化运营与数据产品体系的关系 110

第16问 数据啊,数据,我的产品怎样才能成功? 112

16.1感性地提出一个问题 112

16.2将问题分解为能够量化的指标 112

16.3理性地回答问题 114

第17问 怎样制定合适的数据上报策略? 116

17.1大声说出你想了解的内容 116

17.2数据化各实体,寻找定义要素 117

17.3用语义表达法试验上报策略 120

第18问 哪些用户数据值得收集? 125

18.1对用户行为的三步思考 125

18.2操作不仅仅是“单击” 128

18.3操作时长数据的上报 130

18.4用户属性的时效问题 131

第19问 怎样为数据赋予运营的意义? 132

19.1从“使用iPhone手机的深圳市女性用户每日发消息情况”说起 132

19.2口径对数据事实的影响 134

19.3累积处理要赶早 135

第20问 怎样对待未登录用户和小号用户? 139

20.1匿名访客,你的需求同样重要 139

20.2自然人识别,揭开用户ID背后的真相 142

第21问 为什么要进行用户建模和用户分层? 146

21.1用户建模,基于已知探索未知 146

21.2用户分层,让群体特征更明显 149

21.3四象限法,实现双维度分组 152

第22问 怎样精确控制A/B测试? 154

22.1回顾一场典型的A/B测试 154

22.2用数据控制两组用户的差异变量 155

22.3虚拟A/B测试,只靠数据就能搞定 158

第23问 数据是怎样推动产品灰度发布的? 162

23.1灰度发布,为产品引路的金丝雀 162

23.2对参与用户的筛选 165

23.3对参与用户的数据跟踪 165

23.4把质量数据作为能否进行下一轮发布的依据 166

23.5灰度发布的注意事项 166

第24问“随机播放”为什么让用户感觉不随机? 168

24.1请随机播放几首歌曲 168

24.2还没有注册,就让我登录? 169

24.3天啊,刚刚发生了什么? 172

第四单元 智能时代,还有哪些数据必修课? 177

第25问 各式各样的图表分别适用于哪些场景? 177

25.1数据报告中常用的图表 177

25.2统计与分析的选择 180

25.3产品经理的最爱 182

25.4不宜滥用的图表 184

25.5图表高效表达的四大原则 186

第26问 相比Excel,R语言更适合绘制图表吗? 189

26.1 R语言不仅擅长绘图 190

26.2 R语言更是统计分析能手 194

第27问 Excel中有哪些一学就会的高级技巧? 198

27.1“单击即用”的隐藏功能 198

27.2一定要会的几个公式 203

第28问 怎样通过SQL自由地查询数据? 212

28.1在Access中运行一段SQL代码 212

28.2聚合查询 214

28.3合并查询 216

28.4联结查询 216

第29问 人工智能可以带给我们哪些启发? 219

29.1怎样理解人工智能 219

29.2机器学习与大数据 221

29.3人工智能产品思维 223

第30问 有哪些现成的数据可在运营中参考? 226

30.1大数据指数 226

30.2互联网行业和产品资讯 229

30.3政府机构统计数据 232