數據產品經理寶典:大數據時代如何創造卓越產品

李陽

  • 出版商: 電子工業
  • 出版日期: 2020-04-01
  • 售價: $414
  • 貴賓價: 9.5$393
  • 語言: 簡體中文
  • 頁數: 328
  • 裝訂: 平裝
  • ISBN: 7121386275
  • ISBN-13: 9787121386275
  • 相關分類: 大數據 Big-data產品經理

立即出貨

買這商品的人也買了...

相關主題

商品描述

“數據”兩個字越來越頻繁地出現在大家的工作中。
一方面,“用數據說話”成為每個互聯網從業者必備的“生存技能”;
另一方面,一個名為“數據產品經理”的職位成為各大互聯網企業的“熱招職位”。
那麼,作為數據產品經理,有了數據應該怎樣“用數據說話”?
又應該如何讓自己具備獨特的競爭優勢呢?
本書內容涵蓋了數據產品經理應該知道和掌握的基礎知識
――從每個優秀的數據產品經理都應當關注的“效率”問題出發,
分別從商業知識和技術知識兩個角度,針對什麼是數據產品、
數據產品訴求的產生和類型、
數據產品的實現思路與常見技術方案等關鍵問題進行講解。
本書既是學習指南,又是速查手冊,
適合具備不同工作背景並正在從事數據產品經理工作的人士閱讀,
也適合對這一領域感興趣並希望從事數據產品經理工作的人士閱讀。
只要你具備求知的熱情,本書將為你提供解決問題的思路、方法和工具。

作者簡介

李陽(網名:禦豪同學)

數據產品經理、PMI-ACP敏捷項目管理師。
現任京東數字科技集團高級數據產品經理,負責數據平台搭建工作,
專注業務邏輯梳理及數據分析,對於大數據分析項目及平台搭建有深入了解。
曾擔任GrowingIO 增長大會嘉賓、騰訊大數據沙龍嘉賓。
2018年出版圖書《產品增長力》。

目錄大綱

目錄
第一篇理解數據產品:確實有些不一樣
第1 章什麼是數據產品.2
1.1 數據產品的關注點.3
1.2 什麼是數據應用.5
1.2.1 數據處理的角度.5
1.2.2 數據展現形式的角度.7
1.2.3 應用目的的角度.9
1.3 什麼是效率問題.12
1.3.1 成本投入項.12
1.3.2 價值產出項.14
1.3.3 效率的問題.15
1.4 本章小結.17

第2 章數據產品面臨的挑戰.18
2.1 為什麼要做―師出有名.19
2.1.1 支撐數據應用.20
2.1.2 “量入為出”的價值管理.29
2.2 做的是什麼―理解業務.29
2.2.1 數據的意義.30
2.2.2 架起“量化運營”的橋樑.33
2.3 怎樣做到的―理解技術.35
2.3.1 理解“究竟能做些什麼” .36
2.3.2 思考“怎樣做得更高效” .42
2.4 本章小結.45

第二篇理解業務:“奇怪”的數據需求從哪來
第3 章業務是什麼.48
3.1 業務的目標是什麼.50
3.1.1 能力視角.50
3.1.2 利潤視角.52
3.1.3 效能視角.52
3.1.4 影響力視角.53
3.2 業務的商業模式與“投資”思維.56
3.2.1 資金投資.57
3.2.2 人力投資.63
3.2.3 時間投資.66
3.2.4 其他投資.67
3.3 常用管理模型和營銷組合.68
3.3.1 常用管理模型及其關係.68
3.3.2 常用營銷組合及其關係.96
3.4 本章小結.101

第4 章業務的數據訴求.103
4.1 用戶市場研究.104
4.1.1 需求分析的目的.105
4.1.2 需求的分層.108
4.1.3 需求的定位.116
4.1.4 需求分析的評價與KANO 模型.127
4.1.5 需求的傳播和貫​​徹.129
4.2 業務及產品形態研究.130
4.2.1 評價標準―怎樣才是“好” .131
4.2.2 業務轉化與價值歸因.144
4.2.3 流量管理與實驗框架.153
4.3 綜合能力升級.159
4.3.1 分析方法論及其優化.160
4.3.2 固化應用系統與賦能業務.171
4.3.3 賦能團隊合作.174
4.4 工具、模型與業務、產品的“日常” .176
4.5本章小結.179

第5 章用數據抽象業務.180
5.1 需求研究的數據抽象.181
5.1.1 需求挖掘―投放與獲得新用戶.182
5.1.2 需求鑑別―留存與促進用戶活躍.189
5.1.3 用戶生命週期與“蓄水池”模型.194
5.1.4 競爭性抽象與建模.200
5.2 業務的數據模型.204
5.2.1 用ER 圖抽象實體關係.205
5.2.2 用流程圖抽象業務過程.212
5.2.3 用時序圖抽象處理過程.219
5.2.4 用財務思維抽象資金流.225
5.3 “數據世界觀” .234
5.3.1 數據模型與現實世界的差異.234
5.3.2 用戶行為的事件模型.235
5.4 數據倉庫建模.242
5.4.1 面向分析的數據模型.242
5.4.2 通用數據倉庫模型.244
5.5 本章小結.250

第三篇理解技術:打開數據系統的“黑箱”
第6 章從業務訴求到技術系統.252
6.1 實現業務訴求的方式.253
6.1.1 主動反饋與被動反饋.254
6.1.2 通用內容與定制內容.256
6.1.3 離線分析與在線分析.257
6.1.4 全量與抽樣數據.258
6.2 業務中的數據形態.259
6.2.1 業務理解與元數據.259
6.2.2 離線數據與數據集.260
6.2.3 實時數據與數據流.261
6.3 業務中的技術問題.263
6.3.1 數據量激增問題.264
6.3.2 如何處理“陳舊”的內容.267
6.3.3 數據安全問題.268
6.4 本章小結.272

第7 章必要的技術基礎知識.274
7.1 產品的技術結構與“技術世界觀” .276
7.1.1 Client/Server 結構.277
7.1.2 Browser/Server 結構.278
7.1.3 產品的“技術世界觀” .279
7.2 代碼理解世界的“做事思路” .280
7.2.1 面向過程.280
7.2.2 面向對象.282
7.3 系統的基本模塊化.283
7.4 本章小結.284

第8 章常見大數據技術框架.286
8.1 大數據技術框架的幾個關注點.287
8.1.1 多―數據量.288
8.1.2 雜―數據結構.290
8.1.3 亂―數據到達.296
8.1.4 急―時效性.299
8.2 常見大數據技術框架及基本邏輯.302
8.2.1 Apache Flume 和Apache Kafka .303
8.2.2 Apache Hadoop .306
8.2.3 Apache Hive 和Facebook Presto .310
8.2.4 Apache Kylin .311
8.2.5 Apache Flink 和Apache Storm .312
8.2.6 Apache Spark .315
8.3 本章小結.316