数据产品经理不等于数据分析师、数据工程师，而是一个同时具备产品经理的素养又对大数据和人工智能的产品化有专业洞察的角色。他们拥有良好的产品感，善于洞察，勤于跨界思考。本书共30章（问），分4个单元介绍产品经理必懂的数据知识。本书从数据产品经理的定义出发，立足于实际工作中的场景，深入浅出地探讨产品经理如何站在行业视角统筹产品数据、数据产品，以及数据化运营的每个环节，并z结出有价值的方法论。

目 录

DY单元 刚接手一款产品，如何快速了解它

D1问 重新定义产品，应从哪开始？ 3

1.1 寻找一个切入点 3

1.2 宏观：领域与生态 4

1.3 中观：产品全局 4

1.4 微观：产品功能与用户 5

1.5 归纳与重新定义 7

D2问 怎样理解产品中那些酷炫的数据指标？ 10

2.1 指标背后的要素：时间粒度和口径 10

2.2 值得思考的“ZJ问题” 12

2.3 为数据指标分类 15

D3问 产品中有那么多功能，怎样摸清它们的脉络？ 18

3.1 画一张属于自己的产品地图 18

3.2 已登录or未登录 21

3.3 好友or陌生人 21

3.4 流量or Wi-Fi联网 22

D4问 了解产品用户，应选择用户画像还是用户特征？ 23

4.1 用户画像vs用户特征 23

4.2 关注不发声的大多数用户 25

4.3 警惕无效的用户特征 25

4.4 识别用户反馈带来的伪需求 27

D5问 关于产品与数据，还有哪些值得注意的概念？ 29

5.1 这些用词的区别在哪里 29

5.2 保持名称的一致性 33

5.3 近似值和数值的位数 33

D二单元 数据支撑体系是如何运作的？

D6问 人力：数据团队中有哪些幕后英雄？ 39

6.1 数据产品经理 40

6.2 数据分析师 40

6.3 数据项目经理 41

6.4 开发工程师 41

6.5 测试工程师 41

6.6 运维工程师 42

6.7 基础研究员 42

D7问 物力：数据产品是怎么来的？ 44

7.1 是的，依然来自需求 44

7.2 不一样的需求过程 45

7.3 同样存在伪需求 48

D8问 除了报表平台，数据产品还包括什么？ 51

8.1 先给数据产品分个层次 51

8.2 数据采集层 52

8.3 数据接入层 53

8.4 数据处理层 53

8.5 数据应用层 54

D9问 数据上报前需要做哪些准备工作？ 56

9.1 准备一：允许上报什么样的数据 56

9.2 准备二：定义数据协议和数据Topic 58

9.3 准备三：统一文本编码 59

D10问 埋点J是数据采集吗？ 61

10.1 标准动作三步走：埋点、采集、上报 61

10.2 采集组件的两类功能：机制型功能和服务型功能 63

10.3 对采集组件优化的思考 64

D11问 数据上报到哪里去了？ 66

11.1 不得不谈的技术流程 66

11.2 数据仓库vs数据库 67

11.3 用可视化方式达成约定 69

D12问 我们可以直接使用上报的数据吗？ 72

12.1 数据处理的基本操作：归并和计算 72

12.2 任务调度平台，自动化处理引擎 75

12.3 横表vs纵表 79

12.4 事实表vs维度表 80

D13问 数据处理好了，我可以享用哪些服务？ 82

13.1 数据门户的家族成员 82

13.2 报表呈现的奥秘 83

13.3 运筹帷幄的Dashboard 85

13.4 火眼金睛的用户分析平台 86

13.5 温暖人心的数据订阅 89

13.6 WN的SQL，灵活的即席查询 91

D14问 体验优良的数据产品有哪些表现？ 94

14.1 交互是体验的一部分 94

14.2 别让我思考，值得强化的基础体验 95

14.3 别让我孤单，多方位的支持服务 99

14.4 别让我犯错，严格对待权限与安全 102

D三单元 立足D下，如何轻松实践数据化运营？

D15问 怎样快速树立数据化运营思维？ 107

15.1 认清运营的焦点：用户 107

15.2 理解用户数据的六步循环 109

15.3 明确数据化运营与数据产品体系的关系 110

D16问 数据啊，数据，我的产品怎样才能成功？ 112

16.1 感性地提出一个问题 112

16.2 将问题分解为能够量化的指标 112

16.3 理性地回答问题 114

D17问 怎样制定合适的数据上报策略？ 116

17.1 大声说出你想了解的内容 116

17.2 数据化各实体，寻找定义要素 117

17.3 用语义表达法试验上报策略 120

D18问 哪些用户数据值得收集？ 125

18.1 对用户行为的三步思考 125

18.2 操作不仅仅是“单击” 128

18.3 操作时长数据的上报 130

18.4 用户属性的时效问题 131

D19问 怎样为数据赋予运营的意义？ 132

19.1 从“使用iPhone手机的深圳市女性用户每日发消息情况”说起 132

19.2 口径对数据事实的影响 134

19.3 累积处理要赶早 135

D20问 怎样对待未登录用户和小号用户？ 139

20.1 匿名访客，你的需求同样重要 139

20.2 自然人识别，揭开用户ID背后的真相 142

D21问 为什么要进行用户建模和用户分层？ 146

21.1 用户建模，基于已知探索未知 146

21.2 用户分层，让群体特征更明显 149

21.3 四象限法，实现双维度分组 152

D22问 怎样JQ控制A/B测试？

22.1 回顾一场典型的A/B测试 154

22.2 用数据控制两组用户的差异变量 155

22.3 虚拟A/B测试，只靠数据J能搞定 158

D23问 数据是怎样推动产品灰度发布的？ 162

23.1 灰度发布，为产品引路的金丝雀 162

23.2 对参与用户的筛选 165

23.3 对参与用户的数据跟踪 165

23.4 把质量数据作为能否进行下一轮发布的依据 166

23.5 灰度发布的注意事项 166

D24问 “随机播放”为什么让用户感觉不随机？ 168

24.1 请随机播放几1歌曲 168

24.2 还没有注册，J让我登录？ 169

24.3 天啊，刚刚发生了什么？ 172

D四单元 智能时代，还有哪些数据必修课？

D25问 各式各样的图表分别适用于哪些场景？ 177

25.1 数据报告中常用的图表 177

25.2 统计与分析的选择 180

25.3 产品经理的Z爱 182

25.4 不宜滥用的图表 184

25.5 图表高效表达的四大原则 186

D26问 相比Excel，R语言更适合绘制图表吗？ 189

26.1 R语言不仅擅长绘图 190

26.2 R语言更是统计分析能手 194

D27问 Excel中有哪些一学J会的GJ技巧？ 198

27.1 “单击即用”的隐藏功能 198

27.2 一定要会的几个公式 203

D28问 怎样通过SQL自由地查询数据？ 212

28.1 在Access中运行一段SQL代码 212

28.2 聚合查询 214

28.3 合并查询 216

28.4 联结查询 216

D29问 人工智能可以带给我们哪些启发？ 219

29.1 怎样理解人工智能 219

29.2 机器学习与大数据 221

29.3 人工智能产品思维 223

D30问 有哪些现成的数据可在运营中参考？ 226

30.1 大数据指数 226