写给数据产品经理新人的工作笔记

第1部分
第1章　成为数据产品经理：角色创建和角色转变
1.1　给“小萌新”的信心和冷水——欢迎打开这个新世界的大门　/ 003
1.1.1　新人的困惑　/ 003
1.1.2　新角色的技能树　/ 004
1.2　从数据分析师转型做数据产品经理——从解构到创造　/ 006
1.2.1　两种角色的巨大差异　/ 007
1.2.2　从数据分析师转型的难点　/ 008
1.3　从数据技术转型做数据产品经理——从具体到抽象　/ 010
1.3.1　从数据技术转型的困惑　/ 010
1.3.2　从数据技术转型的关键点　/ 011
1.4　从其他产品经理转型做数据产品经理——从信息到数据　/ 014
1.4.1　从后台产品经理转型做数据产品经理　/ 014
1.4.2　前端产品经理也能转型做数据产品经理　/ 016
1.5 工作笔记：数据产品经理技能树　/ 016

第2章　数据产品经理和其他角色的关系
2.1　角色之间的关系和他们面对的问题　/ 019
2.1.1　数据业务结构和相关角色　/ 019
2.1.2　角色之间的输入/ 输出　/ 022
2.2　你的用户是谁：数据产品的“用户分析”　/ 023
2.2.1　数据角色相关用户　/ 023
2.2.2　非数据角色相关用户　/ 026
2.3　不同阶段，不同定义　/ 028
2.3.1　从平台到中台　/ 028
2.3.2 　明确公司所处的阶段和状态 　/ 029

第2 部分
第3 章　需求沟通过程
3.1　发现数据需求的本质　/ 030
3.1.1　数据需求类型　/ 030
3.1.2　不同需求类型对应的实现方式　/ 035
3.1.3　识别需求背后需要解决的问题　/ 037
3.1.4　需求沟通中的提问技巧　/ 040
3.2　避免做太多临时的事——需求沉淀　/ 042
3.2.1　和大家达成一些合作共识　/ 042
3.2.2　信息记录和信息反馈　/ 045
3.2.3　不停地回顾——需求复盘方法　/ 047
3.3　当我们在讨论“预测”时，是在讨论什么　/ 050
3.3.1　理解概率结论的不确定性　/ 050
3.3.2　不确定感带来的焦虑　/ 051
3.3.3　充分描述历史数据　/ 052
3.4　工作笔记：一个需求沟通框架　/ 052

第4 章　指标体系搭建
4.1　指标体系　/ 054
4.1.1　什么是指标体系　/ 054
4.1.2　指标体系如何描述业务　/ 056
4.1.3　案例：某媒体网站的指标体系搭建　/ 059
4.1.4　从指标体系到数据驱动的过程　/ 061
4.2　指标定义和维度定义　/ 062
4.2.1　指标和维度　/ 062
4.2.2　抽象定义和操作定义　/ 063
4.2.3　计算口径之争　/ 063
4.3　基础监控的建立——报表很重要　/ 065
4.3.1　从宽表到报表　/ 065
4.3.2　从顶层监控到多维度拆分　/ 070
4.3.3　迭代和反馈机制　/ 070
4.4　工作笔记：一个指标体系的产品化方式　/ 071

第5 章　Excel 是最完美的数据产品
5.1　Excel 常用功能盘点 　/ 076
5.1.1　重点函数和动态图表　/ 078
5.1.2　数据透视表和数据透视图、切片器　/ 084
5.2　使用Excel 做思维训练　/ 088
5.2.1　数据和可视化的关系　/ 088
5.2.2　案例：Excel 迷你动态模板开发实战　/ 089

第6 章　不同的工具解决不同的问题
6.1　基础工具设计　/ 107
6.1.1　通用报表工具　/ 108
6.1.2　数据治理工具：维表、数据质量管理　/ 112
6.1.3　自助查询和开发类工具　/ 116
6.2　可视化平台设计　/ 118
6.2.1　可视化平台结构的分类　/ 119
6.2.2　不同图表类型的作用和数据源结构　/ 120
6.2.3　可视化平台功能点最好能够标准化　/ 134
6.2.4　Power BI 和Tableau 的对比评测　/ 135
6.3　工作笔记：一个数据产品的PRD 结构　/ 141

第7 章　数据应用和第三方平台
7.1　数据应用产品　/ 143
7.1.1　多版本测试及其工具　/ 144
7.1.2　用户画像和用户标签　/ 150
7.1.3　策略库的形成和数据闭环　/ 151
7.2　第三方平台产品　/ 153
7.2.1　DMP 到底是什么　/ 154
7.2.2　类似神策、GrowingIO 等平台的优势和适用范围　/ 155
7.3　工作笔记：一套融入业务工作流的数据应用方案包含什么　/ 159

第3部分
第8 章　必须理解的统计学知识
8.1　报表的本质：描述性统计解决日常90% 的问题　/ 162
8.1.1　随机变量的分布　/ 163
8.1.2　集中趋势1：最值、中位数、众数和均值　/ 164
8.1.3　集中趋势2：标准差和方差　/ 166
8.2　统计学和因果论：相关性和因果关系　/ 167
8.2.1　相关性和因果关系的定义和区别　/ 169
8.2.2　数据使用中常见的逻辑谬误　/ 171
8.2.3　贝叶斯法则背后的哲学观点　/ 172
8.3　假设检验过程代表着一种思维方法　/ 173
8.3.1　什么是假设检验过程　/ 173
8.3.2　一种有点“反人类”却十分有效的思维方式　/ 174

第9 章　必须了解的数据技术基础知识
9.1　数据平台存在的形态：数据平台基础架构　/ 175
9.1.1　了解每一个组件解决什么问题　/ 176
9.1.2　Hadoop：一个情报处的组织架构　/ 178
9.2　数据源：数据采集和数据同步　/ 179
9.2.1　用户行为采集：埋点和无埋点的技术原理　/ 179
9.2.2　数据同步和数据接入：做好数据的搬运工　/ 183
9.3　数据建模：核心思想是“分类”　/ 185
9.3.1　了解主流“门派”：维度建模，从ODS 到数据集市　/ 185
9.3.2　计算资源分配：调度和依赖　/ 187
9.3.3　实时数据：流式SQL 的出现　/ 187
9.4　产品经理要学一点代码　/ 188
9.4.1　SQL 也许不能叫作代码，却不可替代　/ 188
9.4.2　团队里存在的技术栈，要知道它们的原理和难度　/ 188

第10 章　不得不说的“坑”和红线
10.1　直面数据质量问题　/ 190
10.1.1　统一名词库的必要性和困难　/ 191
10.1.2　第三方系统数据的接入和打通　/ 193
10.1.3　不可避免的体力活——埋点及其维护　/ 194
10.2　数据平台的内功修炼和面向业务的输出很难平衡　/ 195
10.2.1　面对刷数、迁移、反复校验的每一天　/ 196
10.2.2　千万不要企图做“烂好人”　/ 197
10.3　数据安全　/ 197
10.3.1　我们为什么总是在亡羊补牢　/ 198
10.3.2　数据权限管理、流程和规则　/ 199
10.3.3　数据产品经理能为数据安全做什么　/ 200