產品經理數據修煉30問（簡體書）

數據產品經理不等於數據分析師、數據工程師，而是一個同時具備產品經理的素養又對大數據和人工智能的產品化有專業洞察的角色。他們擁有良好的產品感，善於洞察，勤於跨界思考。本書共30章（問），分4個單元介紹產品經理必懂的數據知識。本書從數據產品經理的定義出發，立足於實際工作中的場景，深入淺出地探討產品經理如何站在行業視角統籌產品數據、數據產品，以及數據化運營的每個環節，並總結出有價值的方法論。

推薦序一
產品經理是一個寬泛且多維的概念，我們在互聯網行業所說的產品經理往往是指那些為使產品順利誕生和持續運作提出想法、協調資源並對結果負責的角色，因此，我們看到大量講述如何進行需求分析、有效溝通、團隊協作、項目管理、用戶運營、數據分析等的書籍和資料。我們也看到，一個人似乎只要能寫好需求文檔，畫出產品原型，提出幾個現有產品中存在的交互問題，就可以被貼上“產品經理”的標簽。實際上，在這種框架下討論的僅僅是產品經理最基礎的形態，甚至是任何互聯網行業的從業者都應具備這些素養。
五六年前，“產品經理”的概念突然火起來，使得很多人對互聯網產品經理職位趨之若鶩，這其中包括大量的應屆生和非互聯網行業從業者，加之當時正值移動互聯網正熱，也確實創造了吸收大量產品經理職位的環境，給許多本身對互聯網行業並沒太大興趣的人帶來了“互聯網行業門檻低、薪資高”的幻象。然而，近些年互聯網產品交互日趨成熟，產品經理需求量也日趨飽和。對於一些創業公司來說，想法、資金與資源比產品的交互和用戶體驗更重要，而產品的交互基本上可以完全照搬已有的模式。於是又給一些人帶來了另一種幻象――專門的產品經理已無必要，產品經理職位前景堪憂。
由於雲服務、大數據、人工智能等產品常年被當作支撐性產品對待，使許多公司和從業者認為這些東西只能由具備專業知識的技術人員主導。而互聯網的產品一旦面向大眾，勢必要由技術驅動轉為產品驅動，十年前的網頁開發技術如此，五年前的移動應用技術如此，未來的大數據、人工智能技術同樣會如此，且轉換的速度會更快。產品驅動就必然要求有專門的產品經理，而產品經理真實的素養應當是：
?對垂直行業有深刻的理解，並清楚如何與互聯網元素建立有效連接（而不僅是瀏覽行業資訊加體驗盡可能多的競品）；
?對產品架構的建設與把控，始終保持對產品的整體化認知，合理升級產品來應對市場、需求和場景的變化（而不是開會，寫需求文檔，畫原型圖）；
?對產品生態的構建和優化，有效整合用戶體驗、商業模式、市場行情等各維度資源（而不是單純地把改進視覺與交互當作用戶體驗的優化）。
因此，產品經理一定要具備某個垂直領域的專業技能，且具備跨界的知識儲備。
數據便成為這個語境下的代表素養之一，這意味著，產品經理不僅要具備互聯網從業者的基本素質，還要對大數據和人工智能的產品化有專業的洞察能力。
可是，對於一個具有這方面潛力卻缺乏經驗的人來說，想要培養數據思維卻缺乏系統性的指引。我在騰訊的這些年，有無數產品經理問我有哪些書籍可以用作數據相關的參考，而我當時給他們的只有那些通用書籍：講產品經理的書、講交互設計的書、講數據分析的書，甚至講數據庫技術和編程的書。這些確實是他們都需要有所瞭解的，但這樣的學習無疑既低效，又沒有系統性，很可能他們努力了半天卻在產品業務上得不到顯著的成長。
如今，這樣一本有系統性且沉澱著產品數據方法論和實踐經驗的書即將面世，我很高興地將它推薦給你，以及下列人士。
?產品新人，引導他們的職業生涯。
?產品老人，供他們參考以少踩“坑”。
?所有互聯網人，指導他們以數據驅動產品運營，並拓寬他們在大數據方面的視野。
?任何人，只要他們對未來的互聯網懷有濃厚的興趣。
劉淩（Lillian）
騰訊專家產品經理、QQ瀏覽器產品與運營總監


推薦序二

我不從事產品經理工作，也不在大家常說的互聯網行業，但當我有幸閱讀到本書的一些樣章時，便愛不釋手。書中談到的對產品和數據的研究方法和思路，與企業運營管理的諸多方面是相通的：根據企業運營目的設定數據指標，之後這些數據在各個環節產生，我們通過各種手段將這些數據及時收集起來，使它們成為對我們有用的數據，再將這些收集到的數據通過一定的規範和邏輯進行處理，以較為直觀的方式呈現出來，供管理者分析使用，以挖掘其中的意義並及時對經營活動做出調整。
在數據化管理的背景下，數據本身蘊含著巨大的價值，它使我們的生活和工作更加科學和便捷。書中詳細講解了數據支撐體系是如何運作的，這對於幫助讀者構建系統的數據素養是大有裨益的。
除了大量的知識點，作者還將理論聯繫實際，不局限於產品和互聯網領域，結合對大量案例的深入剖析，幫助讀者快速理解和記憶。同時，為了避免分散本書的主題，作者巧妙地將每個案例做成了掃碼閱讀的方式，讀者可以隨時隨地利用碎片化時間學習。
本書採用問答的形式更符合人們的學習和認知習慣，便於讀者帶著問題和思考有目的地學習。
此外，書中各章之間環環相扣但又相對獨立，你可以把它當成一本工具書，在你遇到問題的時候去查閱，也可以從頭到尾細細品味。
無論你在什麼領域、什麼崗位，只要你對數據研究有興趣，都不妨讀讀此書，也希望你能同我一樣，從書中得到啟發。

王琪峰
視源股份（CVTE）高級副總裁


推薦序三
也許你遇到過這樣的場景，當你向其他人提及“數據產品經理”或“數據驅動運營”這些概念時，對方可能會問“你是指數據分析師做的事情？”或者“這是不是產品運營需要關心的內容？”在當今大數據時代，你的團隊中可能也確實存在數據分析師、數據挖掘工程師這樣的專職角色。
實際上，數據相關的工作以移動互聯網的發展為節點大致分為三個階段。
?第一個階段，在移動互聯網爆發前（2011年之前），產品經理這個角色幾乎不承擔數據相關的事情（甚至產品經理這個概念才剛剛被引入互聯網行業）。數據工作以支撐和輔助產品的功能開發和運營為主，那個時候，只需要安排產品助理兼做一下數據的埋點和收集，再由開發或運維工程師將數據做初步的匯總後提取出來，交由產品團隊解讀。
?第二個階段，移動互聯網爆發初期（2011年至2013年），隨著智能手機開始普及，一時間湧現出各種各樣的App產品，用戶數據的維度越來越豐富，使數據規模發生了數量級的增長。數據的重要性逐漸顯現，各企業開始建立專門負責數據挖掘和數據分析的顧問團隊，這些團隊的成員以數據挖掘工程師和數據分析師為主，探索數據決策的各種方向。這些顧問團隊雖然很少參與產品的實際規劃，但是會給出專業的分析報告和決策建議。
?第三個階段，移動互聯網高速發展期（2014年至今），移動互聯網生態呈現階段性穩定，各領域的頭部產品佔據了用戶和數據的優勢資源，國內互聯網巨頭整合數據資源跨行業佈局大數據，使得數據、產品、用戶緊密相連，用戶已開始受益於大數據及基於大數據的人工智能技術。由於數據已不再是過去那種孤立的資源，亟須系統化、產品化運作，以數據產品經理、大數據工程師、人工智能工程師為代表的智能型數據團隊的價值得到彰顯和認可，他們參與到產品研發、運作和維護的各個環節，形成行業―產品―數據一體化的格局。
今天，產品經理對數據把控的必要性主要體現在以下四個方面。
?主導以數據驅動產品。在階段性穩定期，無論是產品的技術、體驗還是市場均已被探索實踐並達到階段性頂峰。由於數據通常來源於用戶最真實的表現，越來越多的互聯網企業及其產品團隊將目光轉向數據，開始了對數據驅動產品的探索。而產品經理便是數據驅動產品的主導人，產品經理與其他角色在產品探索上各司其職，又在產品目標上殊途同歸，分工協作拓寬產品發展的路徑。
?產品經理要更具有數據敏感度，並要具備邏輯嚴謹的表達能力。例如，在向公司決策團隊彙報時，產品經理通常要事先通過數據分析得到一些初步的結論和假設，再以精確的表述彙報，而不是以“有一定比例的用戶遇到了問題”這種含糊的方式來表達。
?打造和經營專業的數據產品。數據積累到一定程度能夠發揮難以想像的作用，並以產品化、產業化的形態發展。這種態勢推動產品建立專業的大數據體系。而數據產品在整個數據體系中起到了不可或缺的作用。產品經理能夠結合對數據和用戶產品的深刻理解，應用產品的理論和實踐，打造並經營與用戶產品無縫協作的數據產品，在保證數據兼容性的同時，大幅提升了數據的利用效率。
?充當產品團隊與數據團隊的紐帶。假如產品團隊與數據團隊彼此獨立，各行其是，無疑既不利於數據對產品的驅動，又無益於公司內部的有效協作。這就需要產品經理從產品團隊的視角隨時捕捉產品的數據需求，將其轉化成可用數據描述的模型，便於數據團隊的研究；也需要產品經理從數據團隊的視角，找准契合點，將數據方案落實到產品上，發揮數據的價值。
對於國內外知名互聯網企業而言，數據思維和數據技能是產品經理的必修課，這會使產品經理與數據分析師有一部分技能重合，但前者注重對數據方案和產品的整體把握，而後者注重對數據的挖掘、分析、提煉的專業探究。在互聯網大大小小企業紛紛進行大數據戰略佈局的當下，數據也被以產品化的形態運作，這就對產品經理的數據素養有了更高的要求。如果你也有志於提升自己的數據思維能力和技能，那麼請翻開本書，從提問出發，探索這個精彩的數據世界吧！


華中科技大學新聞與信息傳播學院教授、院長

推薦語
數據是互聯網的指路明燈，數據視角是每一個從事互聯網創業的CEO和產品業務人員都需要具有的，比如如何看大數據應用，數據如何驅動業務，如何完成數據化運營。本書給出了一個很好的框架：從提問出發，找到關鍵的數據邏輯，合理部署資源，然後運用數據理性地回答，適合互聯網從業者和對數據視角有興趣的人士來閱讀。
――翁翔堅（Neo）
英語流利說合夥人、首席產品官，阿裡汽車＆天貓家裝前產品總監

用戶需求千變萬化，千人千面，作為產品經理，單靠個人經驗來做產品設計或運營就像盲人摸象一樣。唯有數據才能讓你真正瞭解用戶，作為產品經理一定要有數據意識，要懂數據，會看數據，會分析數據。推薦閱讀本書，做一個科學化的產品經理。
――曹成明（老曹）
起點學院、人人都是產品經理創始人兼CEO

在數據分析領域折騰多年，我越來越覺得“數據分析”不該是一種職位，而應該是一種人人必備的能力。讀到本書，更讓我堅定了這個觀點。產品思維+數據分析，這樣的複合能力，實在誘人。本書完備的知識體系加上深入淺出的解讀，相信能讓不少朋友具備這樣的能力。寬泛地說，這是一本人人可讀的書；而對於互聯網行業的朋友，本書理應在你的“悅”讀書單之中。
――胡晨川

目 錄
第一單元 剛接手一款產品，如何快速瞭解它
第1問 重新定義產品，應從哪開始？ 3
1.1 尋找一個切入點 3
1.2 宏觀：領域與生態 4
1.3 中觀：產品全域 4
1.4 微觀：產品功能與用戶 5
1.5 歸納與重新定義 7
第2問 怎樣理解產品中那些酷炫的數據指標？ 10
2.1 指標背後的要素：時間粒度和口徑 10
2.2 值得思考的“終極問題” 12
2.3 為數據指標分類 15
第3問 產品中有那麼多功能，怎樣摸清它們的脈絡？ 18
3.1 畫一張屬￿自己的產品地圖 18
3.2 已登錄or未登錄 21
3.3 好友or陌生人 21
3.4 流量or Wi-Fi聯網 22
第4問 瞭解產品用戶，應選擇用戶畫像還是用戶特徵？ 23
4.1 用戶畫像vs用戶特徵 23
4.2 關注不發聲的大多數用戶 25
4.3 警惕無效的用戶特徵 25
4.4 識別用戶反饋帶來的偽需求 27

第5問 關於產品與數據，還有哪些值得注意的概念？ 29
5.1 這些用詞的區別在哪裡 29
5.2 保持名稱的一致性 33
5.3 近似值和數值的位數 33
第二單元 數據支撐體系是如何運作的？
第6問 人力：數據團隊中有哪些幕後英雄？ 39
6.1 數據產品經理 40
6.2 數據分析師 40
6.3 數據項目經理 41
6.4 開發工程師 41
6.5 測試工程師 41
6.6 運維工程師 42
6.7 基礎研究員 42
第7問 物力：數據產品是怎麼來的？ 44
7.1 是的，依然來自需求 44
7.2 不一樣的需求過程 45
7.3 同樣存在偽需求 48
第8問 除了報表平臺，數據產品還包括什麼？ 51
8.1 先給數據產品分個層次 51
8.2 數據采集層 52
8.3 數據接入層 53
8.4 數據處理層 53
8.5 數據應用層 54
第9問 數據上報前需要做哪些準備工作？ 56
9.1 準備一：允許上報什麼樣的數據 56
9.2 準備二：定義數據協議和數據Topic 58
9.3 準備三：統一文本編碼 59
第10問 埋點就是數據采集嗎？ 61
10.1 標準動作三步走：埋點、採集、上報 61
10.2 採集組件的兩類功能：機制型功能和服務型功能 63
10.3 對採集組件優化的思考 64
第11問 數據上報到哪裡去了？ 66
11.1 不得不談的技術流程 66
11.2 數據倉庫vs數據庫 67
11.3 用可視化方式達成約定 69
第12問 我們可以直接使用上報的數據嗎？ 72
12.1 數據處理的基本操作：歸併和計算 72
12.2 任務調度平臺，自動化處理引擎 75
12.3 橫表vs縱表 79
12.4 事實表vs維度表 80
第13問 數據處理好了，我可以享用哪些服務？ 82
13.1 數據門戶的家族成員 82
13.2 報表呈現的奧秘 83
13.3 運籌帷幄的Dashboard 85
13.4 火眼金睛的用戶分析平臺 86
13.5 溫暖人心的數據訂閱 89
13.6 萬能的SQL，靈活的即席查詢 91
第14問 體驗優良的數據產品有哪些表現？ 94
14.1 交互是體驗的一部分 94
14.2 別讓我思考，值得強化的基礎體驗 95
14.3 別讓我孤單，多方位的支持服務 99
14.4 別讓我犯錯，嚴格對待權限與安全 102
第三單元 立足當下，如何輕鬆實踐數據化運營？
第15問 怎樣快速樹立數據化運營思維？ 107
15.1 認清運營的焦點：用戶 107
15.2 理解用戶數據的六步循環 109
15.3 明確數據化運營與數據產品體系的關係 110
第16問 數據啊，數據，我的產品怎樣才能成功？ 112
16.1 感性地提出一個問題 112
16.2 將問題分解為能夠量化的指標 112
16.3 理性地回答問題 114
第17問 怎樣制定合適的數據上報策略？ 116
17.1 大聲說出你想瞭解的內容 116
17.2 數據化各實體，尋找定義要素 117
17.3 用語義表達法試驗上報策略 120
第18問 哪些用戶數據值得收集？ 125
18.1 對用戶行為的三步思考 125
18.2 操作不僅僅是“單擊” 128
18.3 操作時長數據的上報 130
18.4 用戶屬性的時效問題 131
第19問 怎樣為數據賦予運營的意義？ 132
19.1 從“使用iPhone手機的深圳市女性用戶每日發消息情況”說起 132
19.2 口徑對數據事實的影響 134
19.3 累積處理要趕早 135
第20問 怎樣對待未登錄用戶和小號用戶？ 139
20.1 匿名訪客，你的需求同樣重要 139
20.2 自然人識別，揭開用戶ID背後的真相 142
第21問 為什麼要進行用戶建模和用戶分層？ 146
21.1 用戶建模，基於已知探索未知 146
21.2 用戶分層，讓群體特徵更明顯 149
21.3 四象限法，實現雙維度分組 152
第22問 怎樣精確控制A/B測試？
22.1 回顧一場典型的A/B測試 154
22.2 用數據控制兩組用戶的差異變量 155
22.3 虛擬A/B測試，只靠數據就能搞定 158
第23問 數據是怎樣推動產品灰度發佈的？ 162
23.1 灰度發佈，為產品引路的金絲雀 162
23.2 對參與用戶的篩選 165
23.3 對參與用戶的數據跟蹤 165
23.4 把質量數據作為能否進行下一輪發佈的依據 166
23.5 灰度發佈的注意事項 166

第24問 “隨機播放”為什麼讓用戶感覺不隨機？ 168
24.1 請隨機播放幾首歌曲 168
24.2 還沒有註冊，就讓我登錄？ 169
24.3 天啊，剛剛發生了什麼？ 172
第四單元 智能時代，還有哪些數據必修課？
第25問 各式各樣的圖表分別適用於哪些場景？ 177
25.1 數據報告中常用的圖表 177
25.2 統計與分析的選擇 180
25.3 產品經理的最愛 182
25.4 不宜濫用的圖表 184
25.5 圖表高效表達的四大原則 186
第26問 相比Excel，R語言更適合繪製圖表嗎？ 189
26.1 R語言不僅擅長繪圖 190
26.2 R語言更是統計分析能手 194
第27問 Excel中有哪些一學就會的高級技巧？ 198
27.1 “單擊即用”的隱藏功能 198
27.2 一定要會的幾個公式 203
第28問 怎樣通過SQL自由地查詢數據？ 212
28.1 在Access中運行一段SQL代碼 212
28.2 聚合查詢 214
28.3 合併查詢 216
28.4 聯結查詢 216
第29問 人工智能可以帶給我們哪些啟發？ 219
29.1 怎樣理解人工智能 219
29.2 機器學習與大數據 221
29.3 人工智能產品思維 223
第30問 有哪些現成的數據可在運營中參考？ 226
30.1 大數據指數 226