【新书速递】数据人不可或缺的数据驱动思维的字典级工具书

2024-03-23 22:50

本文主要是介绍【新书速递】数据人不可或缺的数据驱动思维的字典级工具书,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1d5cbaa7aba8e8b5c4adf54a13ee0703.gif


13de20c486adc9c332a1b3fa1bdb45e4.png

df1278f65cc9c04fe114c38bdfb92512.png

互联网下半场的产品经理进阶之路

产品经理进阶不可错过的核心技能

2cfef9db7ad24a26f7580636aa00ebfc.png

93d88d4f16d3ccaee25a1f5bc65e602c.png

100个知识点帮助读者

深入理解数据驱动业务增长内核

01

核心

b595dd6ae10b69ddec59033db8ae52c4.png

52403806df190a6eacd8477b9067135b.png

通过本书你可以收获:

  • 42个数据定义:联通线上线下,评估业务全局效能。

  • 8个分析方法论:梳理产品功能布局,摸清用户流转路径。

  • 16个必备公式:拆解用户关键行为,还原业务“故障点”。

  • 34个实战案例:以L公司案例讲解如何应用数据知识点。

书中为读者搭建出一张完整的数据驱动产品增长全路径知识地图(又称4F模型)。帮助读者从零到一理解数据驱动的概念,并建立起数据驱动的完备知识体系。

31a315f75eb8173005f7a71a951eebd3.png

96506e6faacced3215550b442ffd5f5e.png

数据驱动产品增长全路径知识地图项

6913f3e69ca471d41e4967685c90363a.png


145e6d22fe5707fb11bab435b7bdca35.png

8cff424ad0148131fb2cb1c55e7f8f05.png

34个实战案例全面解析数据应用

《案例 00:L 电商公司数据分析的背景介绍》

《案例 01:L 公司行动框架梳理》

《案例 02:L 公司当前业务现状调研》

《案例 03:L 公司当前的数据分析体系调研》

《案例 04:L 公司数据分析平台的规划》

《案例 05:L 公司的数据驱动决策》

《案例 06:L 公司的数据报表设计》

《案例 07:L 公司基于数据报表的分析》

《案例 08:L 公司数据底层取用逻辑改造》

《案例 09:L 公司电商平台指标库的梳理》

《案例 10:L 公司纵向指标维度定义》

《案例 11:L 公司横向指标维度定义》

《案例 12:L 公司数据采集定义》

《案例 13:L 公司埋点设计分析》

《案例 14:撰写数据埋点文档》

《案例 15:L 公司数据分析平台 2.0》

《案例 16:L 公司线下零售业务数据模型》

《案例 17:L 公司最小数据中台的建设》

《案例 18:L 公司电商的日常运营》

《案例 19:L 公司的商品运营》

《案例 20:L 公司杜邦分析实战》

《案例 21:L 公司的用户运营》

《案例 22:L 公司的产品运营》

《案例 23:L 公司漏斗分析实战》

《案例 24:L 公司提升平台单日用户加购量》

《案例 25:L 公司电商的黑客增长》

《案例 26:L 公司归因分析模型应用》

《案例 27:L 公司 AARRR 模型关键环节实战》

《案例 28:L 公司的 NPS 模型应用》

《案例 29:L 公司的 A/B Test 模型应用》

《案例 30:L 公司会员付费率增长方案》

《案例 31:L 公司会员付费率增长运营》

《案例 32:L 公司中的辛普森悖论》

《案例 33:L 公司 1.0 方案投放验证》

案例由浅入深,以虚拟L公司的数据体系搭建过程为主线,为大家演示如何从指标设计阶段到产出最终数据分析产品完整架构体系的全过程

d7f678dc2a785d3d39a878c673819e52.png

62dd206a72b0248fd0d85ea47e9d01b9.png

每个案例均有详尽的总结与建设日志,以供读者按图索骥学习数据分析平台设计过程

8e6fd6cd71065580871fa7db5ccdbc2f.png


fcbb118533b0f2447453924de4360cb0.png

6d84c825c5557fcffe70eb48c0b15e64.png

搭建基于业务的数据驱动认知思维

本书不涉及晦涩的数学分析公式,而是以通俗的语言讲解如何用数据帮助产品迭代,帮助业务增长。为读者带来如下价值:

(1)观全景:基于4F模型数据进行业务分析,定位具体“故障点”。

(2)搭体系:从零到一建立数据分析平台,实现数据分析工具落地。

(3)看瓶颈:套用数据模型锁定业务增长点,探索各转化节点之间的关联,开拓新的增长点。

从业务赋能到数据产品体系设计,再到用户行为拆解,以及数据指标体系的搭建,多维度提升读者的产品能力,助读者快速提高自身产品核心竞争力。


02

四大篇章


4大篇章涵盖数据分析概念、应用与拓展

3c3994a96c5b07883b308143f60de4fe.png

概念篇-数据产品经理概念概述

214c8569158abb140dec33a3d33749ec.png

以产品经理分工为切入点,详尽介绍什么是高阶产品经理。

284c2d6af703a2ddb9c9770292368e98.png

8aa02e398d3d2c779977b790eade0979.png

搭建篇-从零到一搭建数据分析体系 

8ea7a3d83b84aee82e91a5e5a5f72c47.png

为小白读者介绍在完全没有数据分析经验的前提下,如何实现完整搭建数据分析体系的全过程,从需求分析到方案设计,逐层深入。

a21aa21c6f3f482396903bde87e8bc9d.png

ab5a7a6c985652eb312bd3b77946dbe3.png

应用篇-数据分析体系驱动业务决策

c190551f6cb3bdd3b7e67eaf783d0303.png

将数据分析概念学以致用,帮助读者了解如何使用数据分析平台来驱动业务决策,为读者介绍公司中日常运营与黑客增长两大核心数据应用场景,覆盖85%以上的实际工作场景。

0ed13977336edf857703ecdecc262052.png

6d798466aa2ace2a275bbdac653f6860.png

78491868c9faf0b94601364e5132bd07.png

9d44e5b42e94a35443b4a34d009cb867.png

0e6efb48ca2cb49efc4efc7f4e8db6dc.png

cea4b37fc1f805741019adc0047b29d0.png

进阶篇-跟CEO学习企业战略研判

1078dda55c168bfa1e049632c007ded2.png

除了讲解基础的数据分析技能外,本篇还为读者进一步深入探索了数据的意义,介绍数据分析是如何用于企业战略规划服务的。

fb072d452588687f3e5ce1271adf33f4.png

03

行业专家倾力推荐


数据思维和增长思维是高阶产品经理的必备思维,也是最难知行合一的思维,本书作者通过全局、有趣的案例,抽丝剥茧直击本质。我向每一位产品经理或者从事产品的朋友推荐这本书。

——公众号“军哥手记”作者、饿了么前产品技术总监 程军

在当下互联网时代,企业之间的比拼已经由外部增长转向了内部运营成本的比拼,而要想实现运营成本的降低离不开数据驱动,这也对今天的全球互联网人在产品能力上提出了更高的要求,这本书是我看过的国内外文献中少有的从案例出发为产品经理讲解如何掌握数据思维的好书,值得推荐!

——David Lee 亚马逊(美国)高级产品经理

从本书的结构安排就能看出,本书最大的特点就是希望整合多个产品数据分析的知识碎片,从而帮助更多新人掌握数据在产品迭代中的作用,相信这本书是新人入门不错的选择!

——Get创始人兼CEO 任鑫

这本书从实战出发,为大家清晰地介绍了数据驱动业务的方法与思维,对0~3岁的产品人向更高层级成长有很大帮助,是一本不错的产品图书。

——单文彬 叮咚买菜高级产品总监

建立数据驱动的产品设计方法是互联网行业的产品经理必备技能。本书完整阐述了从零到一搭建企业的数据分析体系的步骤和方法。内容涵盖概念、搭建、应用、战略等核心内容。并结合实际的项目经验,深入浅出地讲述如何将数据体系方案落地,对于从业者有较大的参考意义。

——姜立国 叮咚买菜高级技术总监

04

目录

前 言

概念篇  数据驱动产品设计概述 / 1

第1章 揭开数据产品经理的神秘面纱 / 3

1.1 市面上为什么有那么多类产品经理 / 3

1.2 公司内部的产品经理架构 / 5

1.2.1 公司内部的上层建筑 / 6

1.2.2 公司内部的底层基础 / 8

1.3 闭环产品体系设计模型 / 10

1.4 数据产品经理的能力模型与分类 / 12

1.4.1 数据产品经理的能力模型 / 12

1.4.2 数据产品经理的分类 / 16

第2章 数据产品经理的工作场景 / 18

2.1 数据产品经理的工作流程 / 18

2.2 业务演进对数据分析的需求 / 19

2.2.1 业务演进历程 / 20

2.2.2 企业战略业务演进历程 / 23

2.2.3 业务演进中的数据分析 / 32

搭建篇  从零到一搭建数据分析体系 / 33

第3章 数据分析体系入门 / 35

3.1 为什么需要数据分析体系 / 35

3.2 数据分析体系概念的常见误区 / 37

3.3 数据分析体系构成框架 / 38

3.4 案例00:L电商公司数据分析的背景介绍 / 40

第4章 数据分析体系搭建路径 / 43

4.1 通用行动框架 / 43

4.1.1 搭建数据分析平台 / 43

4.1.2 案例01:L公司行动框架梳理 / 44

4.2 工作任务1:当前业务现状调研 / 46

4.2.1 产品生命周期概念 / 47

4.2.2 如何判断产品所处阶段 / 50

4.2.3 案例02:L公司当前业务现状调研 / 55

4.3 工作任务2:当前数据分析体系调研 / 60

4.3.1 案例03:L公司当前的数据分析体系调研 / 60

4.3.2 如何寻找北极星指标 / 62

4.4 工作任务3:数据分析平台设计 / 64

4.4.1 演进蓝图设计 / 65

4.4.2 案例04:L公司数据分析平台的规划 / 66

4.5 工作任务4:数据分析体系驱动决策 / 68

4.5.1 数据驱动决策思维的建立 / 68

4.5.2 案例05:L公司的数据驱动决策 / 68

第5章 玩转数据报表设计 / 70

5.1 数据报表设计 / 70

5.2 案例06:L公司的数据报表设计 / 71

5.3 数据报表分析法 / 73

5.4 案例07:L公司基于数据报表的分析 / 75

5.5 数据源管理 / 77

5.6 案例08:L公司数据底层取用逻辑改造 / 81

第6章 数据指标 / 87

6.1 指标是什么 / 88

6.2 指标的基本构成 / 89

6.2.1 指标的构成公式 / 90

6.2.2 案例09:L公司电商平台指标库的梳理 / 92

6.3 指标体系 / 96

第7章 从零开始设计指标体系 / 98

7.1 指标体系建立方法论 / 98

7.2 确定数据分析目标 / 99

7.3 纵向指标维度定义 / 100

7.3.1 为什么要定义指标体系的深度 / 100

7.3.2 案例10:L公司纵向指标维度定义 / 101

7.4 横向指标维度定义 / 102

7.4.1 指标的寻找方法 / 103

7.4.2 自上而下的指标寻找法 / 103

7.4.3 自下而上的指标寻找法 / 106

7.4.4 案例11:L公司横向指标维度定义 / 107

7.4.5 电商类业务常用指标库 / 111

7.5 拓展:指标体系的应用 / 112

7.5.1 99元健身卡的数据秘密 / 112

7.5.2 网盘容量免费大战的背后 / 113

第8章 数据采集管理 / 116

8.1 数据采集的常见方式 / 117

8.2 案例12:L公司数据采集定义 / 118

8.3 数据核心采集方式:埋点 / 120

8.3.1 原则1:反应事件 / 120

8.3.2 原则2:描述完整 / 121

8.3.3 原则3:用户追踪 / 121

8.3.4 案例13:L公司埋点设计分析 / 122

8.3.5 案例14:撰写数据埋点文档 / 125

第9章 拓展:数据分析平台2.0 / 128

9.1 案例15:L公司数据分析平台2.0 / 128

9.2 案例16:L公司线下零售业务数据模型 / 129

9.3 案例17:L公司最小数据中台的建设 / 134

应用篇  数据分析体系驱动业务决策 / 141

第10章 数据驱动业务决策框架 / 143

10.1 什么是数据驱动业务决策框架 / 143

10.2 数据驱动业务决策框架的组成 / 145

第11章 日常运营的十八般武艺 / 148

11.1 案例18:L公司电商的日常运营 / 148

11.2 商品运营数据模型 / 149

11.2.1 案例19:L公司的商品运营 / 150

11.2.2 杜邦分析模型 / 155

11.2.3 案例20:L公司杜邦分析实战 / 156

11.3 用户运营数据模型 / 158

11.3.1 用户流失 / 158

11.3.2 用户召回 / 161

11.3.3 用户留存 / 161

11.3.4 案例21:L公司的用户运营 / 164

11.4 产品运营数据模型 / 168

11.4.1 什么是数据事件 / 168

11.4.2 案例22:L公司的产品运营 / 169

11.4.3 通用事件定义 / 170

11.4.4 案例23:L公司漏斗分析实战 / 171

第12章 数据助力实现黑客增长 / 175

12.1 什么是黑客增长 / 175

12.2 黑客增长的实现 / 176

12.2.1 黑客增长的核心6步 / 176

12.2.2 案例24:L公司提升平台单日用户加购量 / 177

12.3 案例25:L公司电商的黑客增长 / 179

12.4 用户增长数据模型 / 179

12.4.1 用户分层模型 / 180

12.4.2 用户生命周期分层 / 182

12.4.3 高阶分层模型:RFM / 184

12.5 渠道增长数据模型 / 186

12.5.1 归因分析 / 187

12.5.2 常见的归因模型 / 187

12.5.3 案例26:L公司归因分析模型应用 / 189

12.6 产品增长数据模型 / 190

12.6.1 AARRR模型 / 191

12.6.2 案例27:L公司AARRR模型关键环节实战 / 194

12.6.3 NPS推荐值模型 / 198

12.6.4 案例28:L公司的NPS模型应用 / 200

12.6.5 A/B Test模型 / 203

12.6.6 案例29:L公司的A/B Test模型应用 / 206

第13章 L公司数据模型综合案例 / 212

13.1 案例30:L公司会员付费率增长方案 / 212

13.2 案例31:L公司会员付费率增长运营 / 213

13.3 案例32:L公司中的辛普森悖论 / 218

13.4 案例33:L公司1.0方案投放验证 / 221

进阶篇  跟CEO学习企业战略研判 / 225

第14章 数据驱动下的企业战略规划 / 227

14.1 企业战略规划是什么 / 228

14.1.1 企业战略规划定义 / 228

14.1.2 从两个维度读懂企业战略规划 / 229

14.2 为什么要懂企业战略规划 / 230

14.2.1 跳出工具人的设定 / 230

14.2.2 进入企业决策层 / 232

14.2.3 理解企业是如何运作的 / 233

第15章 企业战略规划分析 / 234

15.1 企业战略 / 236

15.2 企业经营阶段 / 238

15.2.1 产品阶段 / 238

15.2.2 运营规模化阶段 / 240

15.2.3 持续经营阶段 / 243

15.2.4 资本扩张阶段 / 245

15.3 企业经营管理 / 245

第16章 基于企业战略规划驱动产品设计 / 248

16.1 业务发展目标拆解 / 248

16.1.1 步骤01:明确企业战略指标 / 249

16.1.2 步骤02:拆解关键转化链路 / 250

16.1.3 步骤03:确定业务发展计划 / 252

16.1.4 步骤04:罗列业务干系人的影响 / 254

16.1.5 步骤05:制订产品计划 / 254

16.2 产品架构落地 / 254

附录 全书100个核心知识点速查 / 259

上下滑动查看

8f6a6a406d65f8766fa0a6d37fe2355c.gif

2549467e130da85735d020c0d26e1f28.png

扫码关注【华章计算机】视频号

每天来听华章哥讲书

d70ae7e32f81ba2581911201426ccedd.gif

更多精彩回顾

书讯 | 12月书讯(上) | 冬夜寒冷,读书暖心,华章科技上新啦!

书讯 | 12月书讯(下) | 冬夜寒冷,读书暖心,华章科技上新啦!

资讯 | IEEE发布2022年科技趋势全球调研:人工智能和机器学习、云计算及5G将成为下一年最重要的技术

书单 | 8本书助你零基础转行数据分析岗

干货 | 周志明论架构之道:后微服务时代与无服务时代

收藏 | 盘点云原生的5大特征

上新 | 【新书速递】Django3.0应用开发详解

ca1726cc4b8df9429088660ad0a73753.gif

3ee58376c89ee005b035d5b05eaecae0.gif

点击阅读全文购买

这篇关于【新书速递】数据人不可或缺的数据驱动思维的字典级工具书的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/839749

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

pandas数据过滤

Pandas 数据过滤方法 Pandas 提供了多种方法来过滤数据,可以根据不同的条件进行筛选。以下是一些常见的 Pandas 数据过滤方法,结合实例进行讲解,希望能帮你快速理解。 1. 基于条件筛选行 可以使用布尔索引来根据条件过滤行。 import pandas as pd# 创建示例数据data = {'Name': ['Alice', 'Bob', 'Charlie', 'Dav

Linux_kernel驱动开发11

一、改回nfs方式挂载根文件系统         在产品将要上线之前,需要制作不同类型格式的根文件系统         在产品研发阶段,我们还是需要使用nfs的方式挂载根文件系统         优点:可以直接在上位机中修改文件系统内容,延长EMMC的寿命         【1】重启上位机nfs服务         sudo service nfs-kernel-server resta