內容簡介

摘抄語錄

我理解的數據產品是可以發揮數據價值去輔助用戶做更優決策的一種產品形式。它在用戶的決策和行動過程中，可以提供更多的分析展現和數據洞察，讓數據更直觀、高效地驅動業務。

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

做任何決策都需要明確目標。

產品經理就是發現問題，并制定一套解決方案，組織一些人一起去解決問題，然后再持續不斷地解決方案進行優化和改進。

馬化騰說過，產品經理最重要的能力是把自己變傻瓜。周鴻祎也提出，一個好的產品經理必須是白癡和傻瓜狀態。

用戶思維代表的是用戶的心理模型，產品思維代表的是假設的用戶模型，工程思維代表的是真實的實現模型，而且產品經理要善于轉換思維。在擅長的領域，我們的思維往往是產品思維和工程思維，當轉換到不懂的領域時，看待這個領域事情的思維就變成了用戶思維，要時刻保持一個空杯心態。

R軟件可視化包如：graphics、lattice、plotrix、plotly、REmap。常見的數據挖掘方法：KNN（k-NearestNeighbor）算法、Logistic回歸算法、決策樹、樸素貝葉斯算法、神經網絡算法。

產品需求來源：用戶調研、競品分析、用戶反饋、頭腦風暴、數據分析。需求類別：提數類、數據接口類、數據分析類、產品功能類、數據優化類。

建設需求池的標準、需求歸類、需求內容、需求優先級、需求對接人、需求確認日期。還要考慮應對計劃之外的情況。

需求文檔包含的模塊有需求/產品概況、文檔迭代記錄、需求/產品背景、需求/產品定位、需求/產品優先級、需求內容。

快速成長要養成復盤總結的習慣。溝通要多想，多看，多說，多總結。項目推動能力產品經理要提煉項目的全局價值，拆解項目需求具體化。要多與人溝通，不要偏執，在相信數據之前，要有勇氣否定自己的一些經驗和想法，做到時常關注數據，多思考數據背后的東西。

數據產品經理要能夠規劃并定義適合公司業務發展的數據產品，并能夠深刻挖掘需求，推動數據產品的落地與不斷優化迭代。

預估DAU-回歸分析，線性和非線性，時間序列；預估活動效果：分類函數，決策樹，樸素貝葉斯、KNN、神經網絡；預估目標用戶群：聚類分析：K均值聚類、分布估計聚類；推薦-關聯分析，購物籃分析、屬性關聯分析。

頻繁項集：經常出現在一起的物品的集合；關聯規則：暗示兩種物品之間可能存在很強的關系。

spark是一個開源的集群計算環境。提供實時內存計算，會比Hadoop中MapReduce速度更快。啟用分布數據集，在處理某些工作負載方面表現得更加優越，交互也會更好。

原始數據層：基礎日志數據，業務線上庫，其他來源數據，基礎數據規范，ETL處理。數據倉庫：基礎層-全局數據模型、全局的數據規范；主題層-數據主題模型、畫像表；數據集市-數據匯總模型、維度數據。數據應用層-大數據分析平臺、行為分析平臺、數據挖掘、線上服務、營銷平臺。

數據倉庫是為了方便企業快速做各種業務決策提供數據支撐而構建的集成化數據環境。

數據集市也叫數據市場，主要功能是將主題層和基礎層的數據按各業務需求進行聚合，生成寬表和cube，并直接推送給數據分析和業務部門使用。一定程度上緩解訪問的速率瓶頸。

統計的數據難免有差異，不要糾結兩者的數據為什么對不上，而更應該結合兩者互相驗證。

主要的埋點事件分為點擊事件，曝光事件和頁面停留時長三類。

指標字典，是業務數據標準化的基礎，目的是對指標進行統一管理，方便共享，達成對業務指標的共識，并且統一修改和維護。

建立指標字典的要素：指標名稱、別名、含義、指標類型、限定條件、限定維度。指標字典的維度：時間-時段、日、周、月、季、年。指標字典的量度：流量（PV、DAU、點擊設備數、展示設備數、CTP）。

數據質量中心：全局數據應用-日志掃描、血緣分析；元數據管理-日志管理、數據倉庫管理、數據系統管理、其他元數據管理；全局數據接口-元數據API、標準開放API。

數據管理系統的功能主要分為數據流管理、任務管理、數據管理三大功能。數據血緣關系會首先通過指標對應的庫表關系，找出它所屬的表，再根據計算關系找到計算過程中與它有關聯的表，最終把整個鏈路上的相關表展現出來。

大數據分析平臺實現數據的共享和交換，提供分析與決策能力，支撐業務飛速發展。

看板可以供不同的業務人員實現不同的使用場景：1）產品經理的可能是項目的核心指標；2）市場人員的可能是監控各個渠道來源指標以及轉化率情況；3）銷售人員的可能是潛在客戶的活躍度。

智能化分析平臺不僅僅是單純展現數據，還要能夠為數據分析師。業務人員提供更多對數據的洞察，讓數據更加智能化。例如對數據多維度下鉆、對數據異常點進行標注、指標異常檢測等。檢測異常的方法：基于模型；基于鄰近度；基于密度。

業務場景分析平臺沉淀的一套固定的分析思路和分析架構，如渠道分析、用戶留存分析、用戶活躍分析及日常的周月報。

移動端大數據分析平臺滿足各方業務人員隨時隨地發現問題，輸出管理壓力，促進業務達成。

大數據走進傳統行業：提高企業生產效率，提升產品質量、利用數據精細化管理，降低生產成本、為產品創新提供數據依據，根據需求迭代產品。

用戶行為分析平臺發現用戶的行為規律、對產品功能的使用喜好程度、把結果應用于產品的營銷運營及產品版本優化中，實現數據驅動，獲得更多用戶與更好的體驗。

電子商務領域特別關注獲客成本，用戶的留存率，活躍度和用戶生命周期價值等指標，這些都會影響網站的GMV和盈利能力。

互聯網金融：獲客（需求判斷）-核身-反欺詐（欺詐評分）-準入/授信（風控評分）-增信提額-貸后管理（異常行為預警）-逾期催收（還款潛力評估）。

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

轉化分析：窗口期指用戶完成轉化的時間，統計范圍指在本次轉化分析中研究的用戶所在的時間范圍。

用戶行為路徑用來追蹤用戶從某個事件開始到某個事件結束過程中所經歷的所有路徑，是一種檢測用戶流向，從而統計產品使用深度的分析方法。如APP核心模塊的到達率提升、特定用戶群體的主流路徑提取、APP產品設計的優化與改版等。

AB實驗創建流程：分析現狀；建立假設；設定實驗指標；設計實驗方案；創建實驗；分析實驗效果；顯著性達95%以上便可逐漸全量上線。

AB實驗分流設計是最重要的模塊，核心思想就是將參數劃分到N個子集中，每個子集都關聯一個實驗層，每個請求都會被N個實驗處理，每個實驗都只能修改與自己層相關聯的參數，并且同一參數不能出現在多個層中。

對于離線指標，不僅要能夠展現指標的統計值，還要能夠展現指標的P-Value和置信區間。

總結

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內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。