数据产品经理必修课 从零经验到令人惊艳epub

数据产品经理必修课 从零经验到令人惊艳 作者：李鑫

数据产品经理必修课 从零经验到令人惊艳 版社：电子工业出版社

数据产品经理必修课 从零经验到令人惊艳 内容简介

当产品经理遇上大数据时代，数据产品经理应运而生。新时代的新岗位自然也有新要求。数据思维、数据预处理、数据统计、数据挖掘、数据可视化等是产品经理的必备技能。懂产品、懂运营、懂市场、懂表达、懂管理则是数据分析师的技能外延。本书正是为有志于从事数据产品岗位的人士提供掌握上述技能的必修课。 让我们通过本书，在大数据的浪潮中乘科技与人文的扁舟，驶过数据产品经理的港湾，驶 向数据科学家的彼岸。

数据产品经理必修课 从零经验到令人惊艳 目录

前言

读者服务

第一部分 产品经理的前世今生

第1章 产品经理的前世

1.1 产品经理究竟是什么

1.1.1 咬文嚼字说产品经理

1.1.2 产品经理的历史溯源

1.2 泛产品经理与产品经理

1.2.1 产品经理的专业取向

1.2.2 产品经理的泛化

1.3 互联网产品经理的规定动作

1.3.1 需求调研

1.3.2 竞品分析

1.3.3 原型设计

第2章 产品经理的今生

2.1 卖家秀：自我提升的几项技能

2.1.1 从需求文档到动机文档

2.1.2 从竞品分析到广义竞品分析

2.1.3 从原型设计到交互设计

2.2 买家秀：搞垮团队的若干“要领”

2.2.1 越过产品雷池

2.2.2 踏入团队雷池

2.2.3 迈向公司雷池

第3章 产品经理的入行

3.1 入行做产品的几种可能

3.1.1 源自技术岗

3.1.2 源自业务岗

3.1.3 源自应届生

3.2 上岗后的第一件事

3.2.1 产品全图

3.2.2 行业全图

3.2.3 产业全图

3.3 工作中如何学习

第二部分 古往今来的数据思维

第4章 历史中的数据思维

4.1 人口普查：最早的数据埋点策略

4.1.1 埋点的技术视角

4.1.2 埋点的时机与策略

4.2 命令与征服：可视化最早的用意

4.2.1 可视化大家说

4.2.2 可视化与历史

4.3 科技革命：助力数据产品落地

4.3.1 手工统计

4.3.2 机械统计

4.3.3 电子统计

4.4 数据驱动决策的历史溯源

4.4.1 美国建立时用数据分权

4.4.2 南北战争时用数据进军

4.4.3 经济发展时用数据裁判

4.5 管理咨询：使用数据降本增效

4.5.1 咨询指引数据产品方向

4.5.2 管理启迪思维模式更新

4.6 聊聊统计学

4.6.1 政治算术

4.6.2 频率学派

4.6.3 概率学派

4.7 LEHD：美国的第一个大数据项目

4.7.1 信息逐步开放

4.7.2 大数据项目开展

4.8 历史给我们数据思维的启示

4.8.1 用数据说话

4.8.2 向贤者取经

4.8.3 渐进性创新

4.8.4 需求创造供给

第5章 行业拥抱数据思维

5.1 大数据从何而来

5.1.1 大数据历史

5.1.2 自身发展

5.2 大数据的全球格局与中国面貌

5.2.1 全球格局

5.2.2 中国面貌

5.2.3 行业概览

5.3 大数据+“治理与交通”

5.3.1 治理

5.3.2 交通

5.4 大数据+“零售与金融”

5.4.1 零售

5.4.2 金融

5.5 大数据+“体育与教育”

5.5.1 体育

5.5.2 教育

5.6 大数据+“医疗与旅游”

5.6.1 医疗

5.6.2 旅游

5.7 大数据+“农业与制造”

5.7.1 农业

5.7.2 制造

5.8 大数据行业成熟了吗

5.8.1 行业成熟度

5.8.2 大数据理念

5.8.3 大数据趋势

5.9 大数据在产业中的位置

5.9.1 行业组成

5.9.2 产业构成

第6章 当产品经理遇见数据思维

6.1 下一站：数据科学家

6.1.1 数据科学的历史由来

6.1.2 数据科学与商业智能

6.1.3 数据科学的职业分类

6.1.4 数据分析的技能进阶

6.2 数据产品经理的职业新要求

第三部分 数据产品经理的技能进阶

第7章 面向产品经理的数据预处理

7.1 数据分析的标准姿势

7.2 淘洗数据沙砾（数据清洗）

7.2.1 缺失值

7.2.2 异常值

7.2.3 归一化

7.3 聚细沙成佛塔（数据集成）

7.3.1 实体识别

7.3.2 冗余性识别

7.4 换个姿势再来一次（数据变换）

7.4.1 离散化

7.4.2 属性构造

7.5 少即是美（数据规约）

7.5.1 特征规约

7.5.2 样本规约

第8章 面向产品经理的统计分析

8.1 说有信息量的话（非时序数据的统计量）

8.1.1 集中趋势

8.1.2 离散趋势

8.1.3 数据分布

8.2 股票指数是什么（时序数据的统计量）

8.2.1 “三比”

8.2.2 股票指数

8.3 男女真的有别吗（分类数据的统计量）

8.3.1 卡方是什么

8.3.2 卡方怎么算

8.4 相关性不是因果性（连续数据的统计量）

8.4.1 Pearson

8.4.2 Spearman

8.4.3 Kendall

8.5 数据不能承受之“熵”

8.5.1 物理中的“熵”

8.5.2 信息中的“熵”

第9章 面向产品经理的数据挖掘

9.1 学数据挖掘，只需要高中数学

9.1.1 重温“加减乘除”

9.1.2 重温“比值”

9.1.3 重温“函数”

9.1.4 重温“符号”

9.2 线性回归：人为什么没有严重两极分化

9.2.1 优生学趣闻

9.2.2 空间中的直线

9.3 逻辑回归：种群增长的S型曲线

9.3.1 种群的增长曲线

9.3.2 S型曲线的秘密

9.4 朴素贝叶斯：面相占卜工作原理

9.4.1 外貌协会与街头看相

9.4.2 无处不在的贝叶斯

9.5 决策树：爱情选择背后的心理学意义

9.5.1 爱情选择条件多

9.5.2 不纠结的小技巧

9.6 K-means：寻找物理学上的质心

9.6.1 向中心看齐

9.6.2 站错队的后果

9.7 层次聚类：分而治之与抱团取暖

9.7.1 分而治之

9.7.2 抱团取暖

9.8 DBScan：帝国崛起的定居、建国与扩张

9.8.1 密度打败划分

9.8.2 相似的帝国发展路径

9.9 关联规则挖掘：“啤酒和尿布”是个谎言

9.9.1 讹传已久的商业故事

9.9.2 关联规则的三重门

9.10 时间序列分析：聊聊《周易》

9.10.1 时间序列分析的玄妙

9.10.2 时间序列分析的正经

9.11 集成学习：三个臭皮匠赛过诸葛亮

9.11.1 多拜师与拜大师

9.11.2 向大家与失败学习

9.12 文本挖掘：让机器读懂你

9.13 社交网络：隐私无处遁形

9.14 排序：简约而不简单的事

9.14.1 排序的规则方法

9.14.2 排序的操作机理

9.15 推荐系统：“今日头条”背后的秘密

9.16 用户画像：隐私是个“伪命题”

9.17 算法思想中的哲学内涵

第10章 面向产品经理的数据可视化

10.1 别人家的可视化：阳春白雪

10.2 工作中的可视化：下里巴人

10.3 用可视化“说谎”

10.3.1 数据的误导

10.3.2 逻辑的谬误

10.4 准备一份数据报告

第11章 向数据科学家再迈一步

11.1 能文：陪运营跟踪产品看效果

11.1.1 传统运营的基本功

11.1.2 数字化运营“三”话你知

11.2 能武：追研发把控进度出成果

11.2.1 数据采集

11.2.2 数据存储

11.2.3 数据计算

11.2.4 数据分析

11.3 能聊：跟随销售面向市场找思路

第四部分 数据产品经理的自我修养

第12章 学习力：借方法论加速

12.1 方法论知多少

12.1.1 概念阐述

12.1.2 分类总结

12.2 学习过程的“满灌”与“脱敏”

12.2.1 理解提炼

12.2.2 我的方法论

第13章 表达力：用逻辑学帮衬

13.1 写得一手好文案

13.1.1 为公务员考试正名

13.1.2 写作实战简明教程

13.2 讲故事给同事听

第14章 领导力：以经济学诠释

14.1 事情背后的选择

14.1.1 选择价值链上游：剪刀差效应

14.1.2 学会审时度势：美林时钟

14.1.3 谨慎选择别人的经验：推绳子效应

14.1.4 平衡是一个难题：萨伊定律与凯恩斯法则

14.2 人员之间的协同

14.2.1 你闪开，让我来：绝对优势与相对优势

14.2.2 无条件开放：零和博弈与合作共赢

14.2.3 教会团队成员什么是沉没成本

第15章 软实力：靠心理学打造

15.1 向内求：耐心、谦逊、热心

15.1.1 让自己“延迟满足”

15.1.2 对表扬免疫

15.1.3 不怕丢脸地分享

15.2 对外看：大局、妥协、有趣

15.2.1 看问题需要“上帝视角”

15.2.2 率真对内，圆滑对外

15.2.3 一切从简，有趣有梦

数据产品经理必修课 从零经验到令人惊艳 精彩文摘

当产品经理遇见数据思维

无论是处变不惊的数据思维，还是波澜壮阔的数据应用，最终都得回到真实的都市丛林，变身为“数据科学家”。

下一站：数据科学家

数据科学家是大数据时代最为热门的职业。对于从事数据科学的人来说，各个公司也给出了他们的要求。

IBM认为数据科学家是“一半分析师，一半艺术家”；埃森哲咨询公司认为“好奇心+分析能力+学习能力+业务+表现沟通+决策力”是从事数据科学这个行业的人员必备的素质；Facebook则定义数据科学家的工作内容为“IT+统计+可视化+跨界”。

上述三家公司都提到了除硬技能之外的软实力，可见我们再也没有理由去排斥软技能。数据科学家的彼岸，不再是CTO，而是CDO、CIO，甚至CEO。

数据科学的历史由来

数据科学一词最早出现在1966年，由Peter Naur提出，这位老先生也是2005年图灵奖（计算机界的诺贝尔）的得主。当时Peter提出这个概念的时候，数据科学不叫Data Science，而是Datalogy，充其量只能翻译为数据学，而不能称为数据科学。

那么数据学与数据科学之间的区别究竟是怎么样的呢？从某种程度上来说，数据学是研究数据本身，然而数据科学除了这个内涵之外，还肩负了为自然科学与社会科学提供数据研究新方法的责任。这说明在人类演化的过程中，数据的思维早已固化在大脑中，并被当成习惯，所以我们为了了解数据科学，也应该去了解自然科学与社会科学的发源。