內(nèi)容簡(jiǎn)介

摘抄語(yǔ)錄

我理解的數(shù)據(jù)產(chǎn)品是可以發(fā)揮數(shù)據(jù)價(jià)值去輔助用戶做更優(yōu)決策的一種產(chǎn)品形式。它在用戶的決策和行動(dòng)過(guò)程中，可以提供更多的分析展現(xiàn)和數(shù)據(jù)洞察，讓數(shù)據(jù)更直觀、高效地驅(qū)動(dòng)業(yè)務(wù)。

“If you can’t measure it,you cant’t improve it”，如果你無(wú)法衡量，你就無(wú)法增長(zhǎng)。

做任何決策都需要明確目標(biāo)。

產(chǎn)品經(jīng)理就是發(fā)現(xiàn)問(wèn)題，并制定一套解決方案，組織一些人一起去解決問(wèn)題，然后再持續(xù)不斷地解決方案進(jìn)行優(yōu)化和改進(jìn)。

馬化騰說(shuō)過(guò)，產(chǎn)品經(jīng)理最重要的能力是把自己變傻瓜。周鴻祎也提出，一個(gè)好的產(chǎn)品經(jīng)理必須是白癡和傻瓜狀態(tài)。

用戶思維代表的是用戶的心理模型，產(chǎn)品思維代表的是假設(shè)的用戶模型，工程思維代表的是真實(shí)的實(shí)現(xiàn)模型，而且產(chǎn)品經(jīng)理要善于轉(zhuǎn)換思維。在擅長(zhǎng)的領(lǐng)域，我們的思維往往是產(chǎn)品思維和工程思維，當(dāng)轉(zhuǎn)換到不懂的領(lǐng)域時(shí)，看待這個(gè)領(lǐng)域事情的思維就變成了用戶思維，要時(shí)刻保持一個(gè)空杯心態(tài)。

R軟件可視化包如：graphics、lattice、plotrix、plotly、REmap。常見(jiàn)的數(shù)據(jù)挖掘方法：KNN（k-NearestNeighbor）算法、Logistic回歸算法、決策樹、樸素貝葉斯算法、神經(jīng)網(wǎng)絡(luò)算法。

產(chǎn)品需求來(lái)源：用戶調(diào)研、競(jìng)品分析、用戶反饋、頭腦風(fēng)暴、數(shù)據(jù)分析。需求類別：提數(shù)類、數(shù)據(jù)接口類、數(shù)據(jù)分析類、產(chǎn)品功能類、數(shù)據(jù)優(yōu)化類。

建設(shè)需求池的標(biāo)準(zhǔn)、需求歸類、需求內(nèi)容、需求優(yōu)先級(jí)、需求對(duì)接人、需求確認(rèn)日期。還要考慮應(yīng)對(duì)計(jì)劃之外的情況。

需求文檔包含的模塊有需求/產(chǎn)品概況、文檔迭代記錄、需求/產(chǎn)品背景、需求/產(chǎn)品定位、需求/產(chǎn)品優(yōu)先級(jí)、需求內(nèi)容。

快速成長(zhǎng)要養(yǎng)成復(fù)盤總結(jié)的習(xí)慣。溝通要多想，多看，多說(shuō)，多總結(jié)。項(xiàng)目推動(dòng)能力產(chǎn)品經(jīng)理要提煉項(xiàng)目的全局價(jià)值，拆解項(xiàng)目需求具體化。要多與人溝通，不要偏執(zhí)，在相信數(shù)據(jù)之前，要有勇氣否定自己的一些經(jīng)驗(yàn)和想法，做到時(shí)常關(guān)注數(shù)據(jù)，多思考數(shù)據(jù)背后的東西。

數(shù)據(jù)產(chǎn)品經(jīng)理要能夠規(guī)劃并定義適合公司業(yè)務(wù)發(fā)展的數(shù)據(jù)產(chǎn)品，并能夠深刻挖掘需求，推動(dòng)數(shù)據(jù)產(chǎn)品的落地與不斷優(yōu)化迭代。

預(yù)估DAU-回歸分析，線性和非線性，時(shí)間序列；預(yù)估活動(dòng)效果：分類函數(shù)，決策樹，樸素貝葉斯、KNN、神經(jīng)網(wǎng)絡(luò)；預(yù)估目標(biāo)用戶群：聚類分析：K均值聚類、分布估計(jì)聚類；推薦-關(guān)聯(lián)分析，購(gòu)物籃分析、屬性關(guān)聯(lián)分析。

頻繁項(xiàng)集：經(jīng)常出現(xiàn)在一起的物品的集合；關(guān)聯(lián)規(guī)則：暗示兩種物品之間可能存在很強(qiáng)的關(guān)系。

spark是一個(gè)開(kāi)源的集群計(jì)算環(huán)境。提供實(shí)時(shí)內(nèi)存計(jì)算，會(huì)比Hadoop中MapReduce速度更快。啟用分布數(shù)據(jù)集，在處理某些工作負(fù)載方面表現(xiàn)得更加優(yōu)越，交互也會(huì)更好。

原始數(shù)據(jù)層：基礎(chǔ)日志數(shù)據(jù)，業(yè)務(wù)線上庫(kù)，其他來(lái)源數(shù)據(jù)，基礎(chǔ)數(shù)據(jù)規(guī)范，ETL處理。數(shù)據(jù)倉(cāng)庫(kù)：基礎(chǔ)層-全局?jǐn)?shù)據(jù)模型、全局的數(shù)據(jù)規(guī)范；主題層-數(shù)據(jù)主題模型、畫像表；數(shù)據(jù)集市-數(shù)據(jù)匯總模型、維度數(shù)據(jù)。數(shù)據(jù)應(yīng)用層-大數(shù)據(jù)分析平臺(tái)、行為分析平臺(tái)、數(shù)據(jù)挖掘、線上服務(wù)、營(yíng)銷平臺(tái)。

數(shù)據(jù)倉(cāng)庫(kù)是為了方便企業(yè)快速做各種業(yè)務(wù)決策提供數(shù)據(jù)支撐而構(gòu)建的集成化數(shù)據(jù)環(huán)境。

數(shù)據(jù)集市也叫數(shù)據(jù)市場(chǎng)，主要功能是將主題層和基礎(chǔ)層的數(shù)據(jù)按各業(yè)務(wù)需求進(jìn)行聚合，生成寬表和cube，并直接推送給數(shù)據(jù)分析和業(yè)務(wù)部門使用。一定程度上緩解訪問(wèn)的速率瓶頸。

統(tǒng)計(jì)的數(shù)據(jù)難免有差異，不要糾結(jié)兩者的數(shù)據(jù)為什么對(duì)不上，而更應(yīng)該結(jié)合兩者互相驗(yàn)證。

主要的埋點(diǎn)事件分為點(diǎn)擊事件，曝光事件和頁(yè)面停留時(shí)長(zhǎng)三類。

指標(biāo)字典，是業(yè)務(wù)數(shù)據(jù)標(biāo)準(zhǔn)化的基礎(chǔ)，目的是對(duì)指標(biāo)進(jìn)行統(tǒng)一管理，方便共享，達(dá)成對(duì)業(yè)務(wù)指標(biāo)的共識(shí)，并且統(tǒng)一修改和維護(hù)。

建立指標(biāo)字典的要素：指標(biāo)名稱、別名、含義、指標(biāo)類型、限定條件、限定維度。指標(biāo)字典的維度：時(shí)間-時(shí)段、日、周、月、季、年。指標(biāo)字典的量度：流量（PV、DAU、點(diǎn)擊設(shè)備數(shù)、展示設(shè)備數(shù)、CTP）。

數(shù)據(jù)質(zhì)量中心：全局?jǐn)?shù)據(jù)應(yīng)用-日志掃描、血緣分析；元數(shù)據(jù)管理-日志管理、數(shù)據(jù)倉(cāng)庫(kù)管理、數(shù)據(jù)系統(tǒng)管理、其他元數(shù)據(jù)管理；全局?jǐn)?shù)據(jù)接口-元數(shù)據(jù)API、標(biāo)準(zhǔn)開(kāi)放API。

數(shù)據(jù)管理系統(tǒng)的功能主要分為數(shù)據(jù)流管理、任務(wù)管理、數(shù)據(jù)管理三大功能。數(shù)據(jù)血緣關(guān)系會(huì)首先通過(guò)指標(biāo)對(duì)應(yīng)的庫(kù)表關(guān)系，找出它所屬的表，再根據(jù)計(jì)算關(guān)系找到計(jì)算過(guò)程中與它有關(guān)聯(lián)的表，最終把整個(gè)鏈路上的相關(guān)表展現(xiàn)出來(lái)。

大數(shù)據(jù)分析平臺(tái)實(shí)現(xiàn)數(shù)據(jù)的共享和交換，提供分析與決策能力，支撐業(yè)務(wù)飛速發(fā)展。

看板可以供不同的業(yè)務(wù)人員實(shí)現(xiàn)不同的使用場(chǎng)景：1）產(chǎn)品經(jīng)理的可能是項(xiàng)目的核心指標(biāo)；2）市場(chǎng)人員的可能是監(jiān)控各個(gè)渠道來(lái)源指標(biāo)以及轉(zhuǎn)化率情況；3）銷售人員的可能是潛在客戶的活躍度。

智能化分析平臺(tái)不僅僅是單純展現(xiàn)數(shù)據(jù)，還要能夠?yàn)閿?shù)據(jù)分析師。業(yè)務(wù)人員提供更多對(duì)數(shù)據(jù)的洞察，讓數(shù)據(jù)更加智能化。例如對(duì)數(shù)據(jù)多維度下鉆、對(duì)數(shù)據(jù)異常點(diǎn)進(jìn)行標(biāo)注、指標(biāo)異常檢測(cè)等。檢測(cè)異常的方法：基于模型；基于鄰近度；基于密度。

業(yè)務(wù)場(chǎng)景分析平臺(tái)沉淀的一套固定的分析思路和分析架構(gòu)，如渠道分析、用戶留存分析、用戶活躍分析及日常的周月報(bào)。

移動(dòng)端大數(shù)據(jù)分析平臺(tái)滿足各方業(yè)務(wù)人員隨時(shí)隨地發(fā)現(xiàn)問(wèn)題，輸出管理壓力，促進(jìn)業(yè)務(wù)達(dá)成。

大數(shù)據(jù)走進(jìn)傳統(tǒng)行業(yè)：提高企業(yè)生產(chǎn)效率，提升產(chǎn)品質(zhì)量、利用數(shù)據(jù)精細(xì)化管理，降低生產(chǎn)成本、為產(chǎn)品創(chuàng)新提供數(shù)據(jù)依據(jù)，根據(jù)需求迭代產(chǎn)品。

用戶行為分析平臺(tái)發(fā)現(xiàn)用戶的行為規(guī)律、對(duì)產(chǎn)品功能的使用喜好程度、把結(jié)果應(yīng)用于產(chǎn)品的營(yíng)銷運(yùn)營(yíng)及產(chǎn)品版本優(yōu)化中，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)，獲得更多用戶與更好的體驗(yàn)。

電子商務(wù)領(lǐng)域特別關(guān)注獲客成本，用戶的留存率，活躍度和用戶生命周期價(jià)值等指標(biāo)，這些都會(huì)影響網(wǎng)站的GMV和盈利能力。

互聯(lián)網(wǎng)金融：獲客（需求判斷）-核身-反欺詐（欺詐評(píng)分）-準(zhǔn)入/授信（風(fēng)控評(píng)分）-增信提額-貸后管理（異常行為預(yù)警）-逾期催收（還款潛力評(píng)估）。

留存分析：起始事件用來(lái)圈定研究的目標(biāo)用戶群，在其后第N天做了產(chǎn)生回訪事件的用戶則算作產(chǎn)品的N日留存用戶。

轉(zhuǎn)化分析：窗口期指用戶完成轉(zhuǎn)化的時(shí)間，統(tǒng)計(jì)范圍指在本次轉(zhuǎn)化分析中研究的用戶所在的時(shí)間范圍。

用戶行為路徑用來(lái)追蹤用戶從某個(gè)事件開(kāi)始到某個(gè)事件結(jié)束過(guò)程中所經(jīng)歷的所有路徑，是一種檢測(cè)用戶流向，從而統(tǒng)計(jì)產(chǎn)品使用深度的分析方法。如APP核心模塊的到達(dá)率提升、特定用戶群體的主流路徑提取、APP產(chǎn)品設(shè)計(jì)的優(yōu)化與改版等。

AB實(shí)驗(yàn)創(chuàng)建流程：分析現(xiàn)狀；建立假設(shè)；設(shè)定實(shí)驗(yàn)指標(biāo)；設(shè)計(jì)實(shí)驗(yàn)方案；創(chuàng)建實(shí)驗(yàn)；分析實(shí)驗(yàn)效果；顯著性達(dá)95%以上便可逐漸全量上線。

AB實(shí)驗(yàn)分流設(shè)計(jì)是最重要的模塊，核心思想就是將參數(shù)劃分到N個(gè)子集中，每個(gè)子集都關(guān)聯(lián)一個(gè)實(shí)驗(yàn)層，每個(gè)請(qǐng)求都會(huì)被N個(gè)實(shí)驗(yàn)處理，每個(gè)實(shí)驗(yàn)都只能修改與自己層相關(guān)聯(lián)的參數(shù)，并且同一參數(shù)不能出現(xiàn)在多個(gè)層中。

對(duì)于離線指標(biāo)，不僅要能夠展現(xiàn)指標(biāo)的統(tǒng)計(jì)值，還要能夠展現(xiàn)指標(biāo)的P-Value和置信區(qū)間。

總結(jié)

以上是生活随笔為你收集整理的【读书笔记】《数据产品经理修炼手册》——从零基础到大数据产品实践的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。