☆☆☆☆☆
简体网页||繁体网页



点击这里下载

类似图书 点击查看全场最低价

---

产品特色

编辑推荐

由于各大公司开展大数据战略，而原有的产品经理在转型数据产品经理的过程中先天缺失数据思维与相应技能，因而在进行数据产品规划时具有短板。为了弥补各大公司数据产品经理在技术领域的短板，本书应时而生。
√ 面向传统行业产品经理转型
√ 彻底打破高深数学公式的入门门槛
√ 兼顾软硬技能，融合知识体系化与实战经验化

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。《数据产品经理必修课：从零经验到令人惊艳》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《数据产品经理必修课：从零经验到令人惊艳》，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。

作者简介

李鑫，于中国科学技术大学获计算机科学博士学位，悉尼科技大学访问学者，大数据分析与应用安徽省重点实验室研究员，中国互联网协会青年专家。现任科大讯飞研究院研究主管，先后负责大数据与人工智能技术在教育、脑科学等领域落地的业务，在国际知名学术会议与期刊发表论文近30篇。

精彩书评

过去十年，产品经理这个岗位被推到舞台中央，随着行业的发展，这个岗位也在演化，其中的一个趋势就是专业化。本书从数据和产品经理的双重视角详细讲述了数据产品经理所需的各种能力，既有理论，也能落地，建议各位有意向此方向发展的朋友阅读。

苏杰 《人人都是产品经理》作者 良仓孵化器联合创始人

市面上关于产品经理的书琳琅满目，但像本书一样站在数据角度谈产品经理技能的却并不常见。书中字里行间，无处不见作者对产品的独特见解与思考，不仅可以帮助我们掌握数据产品经理的必备技能，还能让我们扩宽产品视角，更好地进行工作实践。

黄勇 《架构探险》作者 特赞科技CTO

数据科学是一个新的跨学科领域，用于研究“数据科学思维”之后的数据。数据科学的成果是数据产品，数据产品经理应该利用数据科学技术来解决现实生活中的问题。强烈建议想要成为数据产品经理的朋友阅读本书。

操龙兵 悉尼科技大学教授 SIG KDD澳新分会主席 KDD2015大会主席

大数据分析时代到来，如何通过数据驱动来转型产品从而实现数据变现，正成为一个新的挑战。本书应时而生，作者基于自己的实践经验和研究，从独有的视角展示了数据产品的全生命周期管理过程。同时这也是一本很有趣味的书，很值得一读！

陈燕铗 IBM全球业务解决方案中心（GBSC）总监

信息技术飞跃发展，人类的教育学习方式面临新的挑战。本书用幽默的语言和一些历史轶事介绍了企业中的教育数据产品经理必备的技能，无论对于教育产业实践者，还是面临教学改革的科研人员来说，都是值得一读的好书。

孙源 日本国立情报学研究所准教授 信息知识学会理事

充分运用数据思维提升产品体验，这是各个公司都不可或缺的重要能力。因此，作为一名产品经理，如何带着数据思维打造更加智能的产品，将是一门重要的必修课，本书恰好为大家提供了有效的学习途径，值得品读。

刘启斌 安徽云松投资管理有限公司总经理

目录

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 4

1.1.1 咬文嚼字说产品经理 4

1.1.2 产品经理的历史溯源 5

1.2 泛产品经理与产品经理 6

1.2.1 产品经理的专业取向 7

1.2.2 产品经理的泛化 8

1.3 互联网产品经理的规定动作 12

1.3.1 需求调研 12

1.3.2 竞品分析 14

1.3.3 原型设计 16

第2章 产品经理的今生

2.1 卖家秀：自我提升的几项技能 20

2.1.1 从需求文档到动机文档 20

2.1.2 从竞品分析到广义竞品分析 22

2.1.3 从原型设计到交互设计 24

2.2 买家秀：弄垮团队的若干“要领” 28

2.2.1 越过产品雷池 28

2.2.2 踏入团队雷池 29

2.2.3 迈向公司雷池 30

第3章 产品经理的入行

3.1 入行做产品的几种可能 34

3.1.1 源自技术岗 34

3.1.2 源自业务岗 35

3.1.3 源自应届生 36

3.2 上岗后的第一件事 37

3.2.1 产品全图 38

3.2.2 行业全图 39

3.2.3 产业全图 40

3.3 工作中如何学习 41

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 46

4.1.1 埋点的技术视角 46

4.1.2 埋点的时机与策略 48

4.2 命令与征服：可视化最早的用意 49

4.2.1 可视化大家说 50

4.2.2 可视化与历史 51

4.3 科技革命：助力数据产品落地 54

4.3.1 手工统计 55

4.3.2 机械统计 55

4.3.3 电子统计 57

4.4 数据驱动决策的历史溯源 57

4.4.1 美国建立时用数据分权 58

4.4.2 南北战争时用数据进军 59

4.4.3 经济发展时用数据裁判 60

4.5 管理咨询：使用数据降本增效 61

4.5.1 咨询指引数据产品方向 62

4.5.2 管理启迪思维模式更新 63

4.6 聊聊统计学 64

4.6.1 政治算术 64

4.6.2 频率学派 65

4.6.3 概率学派 66

4.7 LEHD：美国的第一个大数据项目 67

4.7.1 信息逐步开放 67

4.7.2 大数据项目开展 68

4.8 历史给我们数据思维的启示 69

4.8.1 用数据说话 69

4.8.2 向贤者取经 69

4.8.3 渐进性创新 70

4.8.4 需求创造供给 70

第5章 行业拥抱数据思维

5.1 大数据从何而来 72

5.1.1 大数据历史 73

5.1.2 自身发展 75

5.2 大数据的全球格局与中国面貌 76

5.2.1 全球格局 76

5.2.2 中国面貌 77

5.2.3 行业概览 78

5.3 大数据+“治理与交通” 81

5.3.1 治理 81

5.3.2 交通 83

5.4 大数据+“零售与金融” 84

5.4.1 零售 84

5.4.2 金融 88

5.5 大数据+“体育与教育” 89

5.5.1 体育 89

5.5.2 教育 91

5.6 大数据+“医疗与旅游” 93

5.6.1 医疗 93

5.6.2 旅游 94

5.7 大数据+“农业与制造” 96

5.7.1 农业 96

5.7.2 制造 97

5.8 大数据行业成熟了吗 97

5.8.1 行业成熟度 98

5.8.2 大数据理念 99

5.8.3 大数据趋势 100

5.9 大数据在产业中的位置 103

5.9.1 行业组成 104

5.9.2 产业构成 106

第6章 当产品经理遇见数据思维

6.1 下一站：数据科学家 110

6.1.1 数据科学的历史由来 110

6.1.2 数据科学与商业智能 111

6.1.3 数据科学的职业分类 112

6.1.4 数据分析的技能进阶 114

6.2 数据产品经理的职业新要求 115

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 128

7.2 淘洗数据沙砾（数据清洗） 130

7.2.1 缺失值 130

7.2.2 异常值 132

7.2.3 归一化 133

7.3 聚细沙成佛塔（数据集成） 135

7.3.1 实体识别 135

7.3.2 冗余性识别 136

7.4 换个姿势再来一次（数据变换） 137

7.4.1 离散化 137

7.4.2 属性构造 139

7.5 少即是美（数据规约） 139

7.5.1 特征规约 140

7.5.2 样本规约 141

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） 144

8.1.1 集中趋势 145

8.1.2 离散趋势 146

8.1.3 数据分布 148

8.2 股票指数是什么（时序数据的统计量） 148

8.2.1 “三比” 149

8.2.2 股票指数 150

8.3 男女真的有别吗（分类数据的统计量） 152

8.3.1 卡方是什么 152

8.3.2 卡方怎么算 153

8.4 相关性不是因果性（连续数据的统计量） 156

8.4.1 Pearson 156

8.4.2 Spearman 157

8.4.3 Kendall 158

8.5 数据不能承受之“熵” 159

8.5.1 物理中的“熵” 159

8.5.2 信息中的“熵” 160

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 164

9.1.1 重温“加减乘除” 164

9.1.2 重温“比值” 165

9.1.3 重温“函数” 165

9.1.4 重温“符号” 165

9.2 线性回归：人为什么没有严重两极分化 166

9.2.1 优生学趣闻 166

9.2.2 空间中的直线 167

9.3 逻辑回归：种群增长的S型曲线 169

9.3.1 种群的增长曲线 169

9.3.2 S型曲线的秘密 171

9.4 朴素贝叶斯：面相占卜工作原理 172

9.4.1 外貌协会与街头看相 173

9.4.2 无处不在的贝叶斯 174

9.5 决策树：爱情选择背后的心理学意义 176

9.5.1 爱情选择条件多 177

9.5.2 不纠结的小技巧 178

9.6 K-means：寻找物理学上的质心 181

9.6.1 向中心看齐 181

9.6.2 站错队的后果 183

9.7 层次聚类：分而治之与抱团取暖 184

9.7.1 分而治之 185

9.7.2 抱团取暖 185

9.8 DBScan：帝国崛起的定居、建国与扩张 186

9.8.1 密度打败划分 187

9.8.2 相似的帝国发展路径 188

9.9 关联规则挖掘：“啤酒和尿布”是个谎言 188

9.9.1 讹传已久的商业故事 189

9.9.2 关联规则的三重门 190

9.10 时间序列分析：聊聊《周易》 192

9.10.1 时间序列分析的玄妙 192

9.10.2 时间序列分析的正经 194

9.11 集成学习：三个臭皮匠赛过诸葛亮 195

9.11.1 多拜师与拜大师 196

9.11.2 向大家与失败学习 197

9.12 文本挖掘：让机器读懂你 199

9.13 社交网络：隐私无处遁形 202

9.14 排序：简约而不简单的事 205

9.14.1 排序的规则方法 205

9.14.2 排序的操作机理 207

9.15 推荐系统：“今日头条”背后的秘密 208

9.16 用户画像：隐私是个“伪命题” 213

9.17 算法思想中的哲学内涵 216

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 222

10.2 工作中的可视化：下里巴人 227

10.3 用可视化“说谎” 230

10.3.1 数据的误导 230

10.3.2 逻辑的谬误 234

10.4 准备一份数据报告 238

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 244

11.1.1 传统运营的基本功 245

11.1.2 数字化运营“三”话你知 248

11.2 能武：追研发把控进度出成果 251

11.2.1 数据采集 251

11.2.2 数据存储 254

11.2.3 数据计算 256

11.2.4 数据分析 258

11.3 能聊：跟随销售面向市场找思路 258

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 266

12.1.1 概念阐述 266

12.1.2 分类总结 267

12.2 学习过程的“满灌”与“脱敏” 269

12.2.1 理解提炼 269

12.2.2 我的方法论 271

第13章 表达力：用逻辑学帮衬

13.1 写得一手好文案 274

13.1.1 为公务员考试正名 274

13.1.2 写作实战简明教程 275

13.2 讲故事给同事听 278

第14章 领导力：以经济学诠释

14.1 事情背后的选择 285

14.1.1 选择价值链上游：剪刀差效应 285

14.1.2 学会审时度势：美林时钟 286

14.1.3 谨慎选择别人的经验：推绳子效应 286

14.1.4 平衡是一个难题：萨伊定律与凯恩斯法则 287

14.2 人员之间的协同 288

14.2.1 你闪开，让我来：绝对优势与相对优势 288

14.2.2 无条件开放：零和博弈与合作共赢 289

14.2.3 教会团队成员什么是沉没成本 290

第15章 软实力：靠心理学打造

15.1 向内求：耐心、谦逊、热心 294

15.1.1 让自己“延迟满足” 294

15.1.2 对表扬免疫 295

15.1.3 不怕丢脸地分享 297

15.2 对外看：大局、妥协、有趣 297

15.2.1 看问题需要“上帝视角” 298

15.2.2 率真对内，圆滑对外 298

15.2.3 一切从简，有趣有梦 299

精彩书摘

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。

前言/序言

数据产品是什么

倘若我提出这样一个问题：数学中的1、2、3分别代表什么？你心中会有什么样的思考，又会有什么样的答案呢？早在2500年前的古希腊，毕达哥拉斯学派就已经给出了答案：点、直线与平面是对这三个数字的几何描述；源头、两性与稳定则是对它们深层次内涵的诠释。由此看来，数学有着神秘的意义。难怪古希腊数学家普洛克拉斯会说：“哪里有数学，哪里就有美。”

数据一词事实上是按照宾语前置的方式来构词的，所以我们可以理解为“据数”或“以数为据”，意思是把数据当成考究的凭证。正如数学是人类早期复杂贸易催生的结果，数据先天也带有商业的属性。从结绳记账到珠算发明，从证券股票到数字广告，我们甚至可以模仿先贤的口吻说道：“哪里有数据，哪里就有商业。”

历史的车轮已滚过千年，但数据的概念并未行将迟暮，垂垂老矣，反而老当益壮，焕发生机，这都要归功于“大数据”概念的产生。对于大数据这一概念，行业中有人将其归功于某家公司，有人将其产生与某位学者联系起来，但他们更多地是这个概念的精神作者，大数据真正的作者应该是接受并使用它的人，从这点来说，消费者才是其真正的衣食父母。

然而数据毕竟是一个虚构的概念，当我们谈论数据的时候，我们并没有办法在物理 数据产品经理必修课：从零经验到令人惊艳 电子书 下载 mobi epub pdf txt

评分☆☆☆☆☆

一直相信京东能给我最好的！

评分☆☆☆☆☆

很差的一本书，作者在数据产品领域就是一学生，懂点皮毛就来写书

评分☆☆☆☆☆

挺好的

评分☆☆☆☆☆

挺好的，效果不错，以后还会买

评分☆☆☆☆☆

一般般吧，感觉没什么干货

评分☆☆☆☆☆

一直相信京东能给我最好的！

评分☆☆☆☆☆

买了一套数据分析的数 系统学习

评分☆☆☆☆☆

朋友推荐的应该是非常不错的好书，好好学习，天天向上！！！

评分☆☆☆☆☆

很好很不错很好很不错

类似图书 点击查看全场最低价