书籍详情
数据产品经理宝典：大数据时代如何创造卓越产品
作者：李阳 著
出版社：电子工业出版社
出版时间：2020-04-01
ISBN：9787121386275
定价：¥69.00
购买这本书可以去
内容简介
“数据”两个字越来越频繁地出现在大家的工作中。一方面，“用数据说话”成为每个互联网从业者必备的“生存技能”；另一方面，一个名为“数据产品经理”的职位成为各大互联网企业的“热招职位”。那么，作为数据产品经理，有了数据应该怎样“用数据说话”？又应该如何让自己具备独特的竞争优势呢？本书内容涵盖了数据产品经理应该知道和掌握的基础知识――从每个优秀的数据产品经理都应当关注的“效率”问题出发，分别从商业知识和技术知识两个角度，针对什么是数据产品、数据产品诉求的产生和类型、数据产品的实现思路与常见技术方案等关键问题进行讲解。本书既是学习指南，又是速查手册，适合具备不同工作背景并正在从事数据产品经理工作的人士阅读，也适合对这一领域感兴趣并希望从事数据产品经理工作的人士阅读。只要你具备求知的热情，本书将为你提供解决问题的思路、方法和工具。
作者简介
李阳（网名：御豪同学），数据产品经理、PMI-ACP敏捷项目管理师。现任京东数字科技集团高级数据产品经理，负责数据平台搭建工作，专注业务逻辑梳理及数据分析，对于大数据分析项目及平台搭建有深入了解。曾担任 GrowingIO 增长大会嘉宾、腾讯大数据沙龙嘉宾。2018年出版图书《产品增长力》。
目录
目录
第一篇 理解数据产品：确实有些不一样
第1 章 什么是数据产品 ．2
1．1 数据产品的关注点 ．3
1．2 什么是数据应用 ．5
1．2．1 数据处理的角度 ．5
1．2．2 数据展现形式的角度 ．7
1．2．3 应用目的的角度 ．9
1．3 什么是效率问题 ．12
1．3．1 成本投入项 ．12
1．3．2 价值产出项 ．14
1．3．3 效率的问题 ．15
1．4 本章小结 ．17
第2 章 数据产品面临的挑战 ．18
2．1 为什么要做―师出有名 ．19
2．1．1 支撑数据应用 ．20
2．1．2 “量入为出”的价值管理 ．29
2．2 做的是什么―理解业务 ．29
2．2．1 数据的意义 ．30
2．2．2 架起“量化运营”的桥梁 ．33
2．3 怎样做到的―理解技术 ．35
2．3．1 理解“究竟能做些什么” ．36
2．3．2 思考“怎样做得更高效” ．42
2．4 本章小结 ．45
第二篇 理解业务：“奇怪”的数据需求从哪来
第3 章 业务是什么 ．48
3．1 业务的目标是什么 ．50
3．1．1 能力视角 ．50
3．1．2 利润视角 ．52
3．1．3 效能视角 ．52
3．1．4 影响力视角 ．53
3．2 业务的商业模式与“投资”思维 ．56
3．2．1 资金投资 ．57
3．2．2 人力投资 ．63
3．2．3 时间投资 ．66
3．2．4 其他投资 ．67
3．3 常用管理模型和营销组合 ．68
3．3．1 常用管理模型及其关系 ．68
3．3．2 常用营销组合及其关系 ．96
3．4 本章小结 ．101
第4 章 业务的数据诉求 ．103
4．1 用户市场研究 ．104
4．1．1 需求分析的目的 ．105
4．1．2 需求的分层 ．108
4．1．3 需求的定位 ．116
4．1．4 需求分析的评价与KANO 模型 ．127
4．1．5 需求的传播和贯彻 ．129
4．2 业务及产品形态研究 ．130
4．2．1 评价标准―怎样才是“好” ．131
4．2．2 业务转化与价值归因 ．144
4．2．3 流量管理与实验框架 ．153
4．3 综合能力升级 ．159
4．3．1 分析方法论及其优化 ．160
4．3．2 固化应用系统与赋能业务 ．171
4．3．3 赋能团队合作 ．174
4．4 工具、模型与业务、产品的“日常” ．176
4．5 本章小结 ．179
第5 章 用数据抽象业务 ．180
5．1 需求研究的数据抽象 ．181
5．1．1 需求挖掘―投放与获得新用户 ．182
5．1．2 需求鉴别―留存与促进用户活跃 ．189
5．1．3 用户生命周期与“蓄水池”模型 ．194
5．1．4 竞争性抽象与建模 ．200
5．2 业务的数据模型 ．204
5．2．1 用E-R 图抽象实体关系 ．205
5．2．2 用流程图抽象业务过程 ．212
5．2．3 用时序图抽象处理过程 ．219
5．2．4 用财务思维抽象资金流 ．225
5．3 “数据世界观” ．234
5．3．1 数据模型与现实世界的差异 ．234
5．3．2 用户行为的事件模型 ．235
5．4 数据仓库建模 ．242
5．4．1 面向分析的数据模型 ．242
5．4．2 通用数据仓库模型 ．244
5．5 本章小结 ．250
第三篇 理解技术：打开数据系统的“黑箱”
第6 章 从业务诉求到技术系统 ．252
6．1 实现业务诉求的方式 ．253
6．1．1 主动反馈与被动反馈 ．254
6．1．2 通用内容与定制内容 ．256
6．1．3 离线分析与在线分析 ．257
6．1．4 全量与抽样数据 ．258
6．2 业务中的数据形态 ．259
6．2．1 业务理解与元数据 ．259
6．2．2 离线数据与数据集 ．260
6．2．3 实时数据与数据流 ．261
6．3 业务中的技术问题 ．263
6．3．1 数据量激增问题 ．264
6．3．2 如何处理“陈旧”的内容 ．267
6．3．3 数据安全问题 ．268
6．4 本章小结 ．272
第7 章 必要的技术基础知识 ．274
7．1 产品的技术结构与“技术世界观” ．276
7．1．1 Client/Server 结构 ．277
7．1．2 Browser/Server 结构 ．278
7．1．3 产品的“技术世界观” ．279
7．2 代码理解世界的“做事思路” ．280
7．2．1 面向过程 ．280
7．2．2 面向对象 ．282
7．3 系统的基本模块化 ．283
7．4 本章小结 ．284
第8 章 常见大数据技术框架 ．286
8．1 大数据技术框架的几个关注点 ．287
8．1．1 多―数据量 ．288
8．1．2 杂―数据结构 ．290
8．1．3 乱―数据到达 ．296
8．1．4 急―时效性 ．299
8．2 常见大数据技术框架及基本逻辑 ．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 本章小结 ．316
第一篇 理解数据产品：确实有些不一样
第1 章 什么是数据产品 ．2
1．1 数据产品的关注点 ．3
1．2 什么是数据应用 ．5
1．2．1 数据处理的角度 ．5
1．2．2 数据展现形式的角度 ．7
1．2．3 应用目的的角度 ．9
1．3 什么是效率问题 ．12
1．3．1 成本投入项 ．12
1．3．2 价值产出项 ．14
1．3．3 效率的问题 ．15
1．4 本章小结 ．17
第2 章 数据产品面临的挑战 ．18
2．1 为什么要做―师出有名 ．19
2．1．1 支撑数据应用 ．20
2．1．2 “量入为出”的价值管理 ．29
2．2 做的是什么―理解业务 ．29
2．2．1 数据的意义 ．30
2．2．2 架起“量化运营”的桥梁 ．33
2．3 怎样做到的―理解技术 ．35
2．3．1 理解“究竟能做些什么” ．36
2．3．2 思考“怎样做得更高效” ．42
2．4 本章小结 ．45
第二篇 理解业务：“奇怪”的数据需求从哪来
第3 章 业务是什么 ．48
3．1 业务的目标是什么 ．50
3．1．1 能力视角 ．50
3．1．2 利润视角 ．52
3．1．3 效能视角 ．52
3．1．4 影响力视角 ．53
3．2 业务的商业模式与“投资”思维 ．56
3．2．1 资金投资 ．57
3．2．2 人力投资 ．63
3．2．3 时间投资 ．66
3．2．4 其他投资 ．67
3．3 常用管理模型和营销组合 ．68
3．3．1 常用管理模型及其关系 ．68
3．3．2 常用营销组合及其关系 ．96
3．4 本章小结 ．101
第4 章 业务的数据诉求 ．103
4．1 用户市场研究 ．104
4．1．1 需求分析的目的 ．105
4．1．2 需求的分层 ．108
4．1．3 需求的定位 ．116
4．1．4 需求分析的评价与KANO 模型 ．127
4．1．5 需求的传播和贯彻 ．129
4．2 业务及产品形态研究 ．130
4．2．1 评价标准―怎样才是“好” ．131
4．2．2 业务转化与价值归因 ．144
4．2．3 流量管理与实验框架 ．153
4．3 综合能力升级 ．159
4．3．1 分析方法论及其优化 ．160
4．3．2 固化应用系统与赋能业务 ．171
4．3．3 赋能团队合作 ．174
4．4 工具、模型与业务、产品的“日常” ．176
4．5 本章小结 ．179
第5 章 用数据抽象业务 ．180
5．1 需求研究的数据抽象 ．181
5．1．1 需求挖掘―投放与获得新用户 ．182
5．1．2 需求鉴别―留存与促进用户活跃 ．189
5．1．3 用户生命周期与“蓄水池”模型 ．194
5．1．4 竞争性抽象与建模 ．200
5．2 业务的数据模型 ．204
5．2．1 用E-R 图抽象实体关系 ．205
5．2．2 用流程图抽象业务过程 ．212
5．2．3 用时序图抽象处理过程 ．219
5．2．4 用财务思维抽象资金流 ．225
5．3 “数据世界观” ．234
5．3．1 数据模型与现实世界的差异 ．234
5．3．2 用户行为的事件模型 ．235
5．4 数据仓库建模 ．242
5．4．1 面向分析的数据模型 ．242
5．4．2 通用数据仓库模型 ．244
5．5 本章小结 ．250
第三篇 理解技术：打开数据系统的“黑箱”
第6 章 从业务诉求到技术系统 ．252
6．1 实现业务诉求的方式 ．253
6．1．1 主动反馈与被动反馈 ．254
6．1．2 通用内容与定制内容 ．256
6．1．3 离线分析与在线分析 ．257
6．1．4 全量与抽样数据 ．258
6．2 业务中的数据形态 ．259
6．2．1 业务理解与元数据 ．259
6．2．2 离线数据与数据集 ．260
6．2．3 实时数据与数据流 ．261
6．3 业务中的技术问题 ．263
6．3．1 数据量激增问题 ．264
6．3．2 如何处理“陈旧”的内容 ．267
6．3．3 数据安全问题 ．268
6．4 本章小结 ．272
第7 章 必要的技术基础知识 ．274
7．1 产品的技术结构与“技术世界观” ．276
7．1．1 Client/Server 结构 ．277
7．1．2 Browser/Server 结构 ．278
7．1．3 产品的“技术世界观” ．279
7．2 代码理解世界的“做事思路” ．280
7．2．1 面向过程 ．280
7．2．2 面向对象 ．282
7．3 系统的基本模块化 ．283
7．4 本章小结 ．284
第8 章 常见大数据技术框架 ．286
8．1 大数据技术框架的几个关注点 ．287
8．1．1 多―数据量 ．288
8．1．2 杂―数据结构 ．290
8．1．3 乱―数据到达 ．296
8．1．4 急―时效性 ．299
8．2 常见大数据技术框架及基本逻辑 ．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 本章小结 ．316
猜您喜欢
