作品简介

数据产品项目的实施,既要求公司有一定的数据量,又要求数据产品适合公司业务。对数据产品经理的要求则是,既懂数据产品的战略层面——需求点和产生价值,又懂数据产品的战术层面——产品设计和实施。所以无论是数据产品项目还是数据产品经理,都有很高的门槛。

本书由多个行业的数据产品专家联合撰写,包含多个实际落地的数据产品项目,展现了行业全貌,旨在为不同领域的数据产品经理提供参考,开拓思路。

全书共14章,分为三部分:数据建设、数据营销和数据驱动。

第一部分数据建设(第1—2章)

数据建设是数据运转的基础,是数据发挥价值的关键。良好的数据建设能够降低数据应用的开发成本,提升数据使用者的效率。本部分包含两章,分别介绍了自动化数据分析平台的搭建和数据埋点的工作流程等。

第二部分数据营销(第3—9章)

营销是每个公司的业务核心,良好的数据营销平台为营销提供非常大的助力。本部分主要介绍如何利用数据中台、大数据平台助力营销,利用社会化聆听辅助商业决策,分析金融、零售、快消、汽车、游戏等多个行业的项目,具有较高的参考价值。此外,还介绍了商品分析方法和初创公司数据运营实践。

第三部分数据驱动(第10—14章)

数据产品经理可以进驻公司的每个部门,驱动该部门的业务发展,成为公司运转的核心和动力。本部分介绍的案例包括语音数据处理与商业应用、网约车安全性的数据化解决方案、智慧安防中的智能视频产品、AI技术在视频平台,上的应用、数据产品经理在推荐中的价值,这些案例都属于数据产品的一个分支——策略产品的范畴,有的案例主要以AI技术实现。

杨楠楠,数据产品专家,擅长数据分析,为多家世界500强企业提供数据分析服务,能在数据、产品、运营、市场等多个方面发挥数据价值。擅长策略产品,在广告、电商等领域拥有丰富的经验,为多家厂商提供过流量变现服务。维护数据产品经理的知乎专栏和社群,合著有《数据产品经理:实战进阶》一书。

李凯东,某视频媒体的大数据负责人,前京东数据中台应用数据平台部负责人、京东商城算法专家委员会核心委员,阿里天池数据科学家。京东研发最高成就奖项“杰出成就奖”获得者,在京东期间曾主导智慧营销,单条产品线GMV增长数十亿元;创办京东大数据比赛平台JData,并举办全世界最大的单体大数据比赛。有9年创业经历,在社交、电商、O2O等领域有多年经验和深刻见解,所创公司于2014年以4000万元估值被收购。

姚问雁,阿里云新零售客户成功经理,前中国移动网络通信专家、伊利大数据产品总监。拥有9年通信、零售、互联网行业头部公司工作经历,涉及平台研发、端到端闭环产品落地及商业应用推广、新零售数据中台与业务中台大型项目总控。具备多个数据产品从蓝图规划、产品设计到上线的全生命周期管理经验,涉及地理空间大数据、消费者舆情大数据、数据中台、业务中台、IoT等。

高长宽,某独角兽数据公司资深AI产品经理,拥有6年数据分析和数据产品经验,擅长文本语义分析和社会化聆听,曾参与多个政务舆情项目和企业级社会化聆听项目。人人都是产品经理和PMCAFF社区专栏作家,发表数十篇文本语义应用的实战文章,受到广泛好评。

李庆辉,精通Python数据科学及Python Web开发,曾独立开发公司的自动化数据分析平台,参与教育部“1+X”数据分析(Python)职业技能等级标准评审。中国人工智能学会会员,企业数字化、数据产品和数据分析讲师,在个人网站“盖若”上编写的技术和产品类教程广受欢迎,著有《深入浅出Pandas:利用Python进行数据处理与分析》一书。

郑欣,资深数据产品经理,曾在携程、苏宁易购等知名互联网公司从事数据产品相关工作。擅长数据平台规划和产品设计、数据埋点与数据指标建设、策略产品和流量分发、流量反作弊及订单反作弊等。曾参与电商公司数据埋点平台及流量分发从0到1的构建,以及互联网公司订单风控平台、电商平台反作弊平台的构建。

俞京江,某知名地产集团金融事业群产品负责人。有10年互联网金融行业产品设计经验,多年产品团队管理经验,精通金融行业产品的业务流程及功能设计。独立负责过五百亿交易规模的App的版本迭代,以及过单日破亿交易额的营销活动。有丰富的用户增长和营销获客实战经验,善于搭建体系化的营销服务管理系统,包括精细化运营平台、自动化营销平台、SCRM等。

马晓冬,小米中国区市场部用户研究负责人。深耕市场研究、数字化领域15年,具有优秀的商业分析能力和敏锐的数据洞察力,擅长消费者洞察、数据分析与挖掘、数据产品规划设计及推广应用。长期供职于小米、伊利等全球500强企业市场部门,负责的零售大数据平台项目获得某全球500强企业集团年度数字化创新奖。深度参与多行业、跨领域的商业实践,兼具互联网和传统行业经验,全方位洞悉手机、快消、互联网等行业的发展趋势和业务管理特点。

张龙祥,数据产品经理,擅长数据分析的体系化和产品化,在电商和增长领域有一定的经验。

赫子敬,次元降维创始人,专注于在视觉领域的AI产品创新。有8年数据产品和数据分析经验,曾在多家大型企业担任数据负责人,精通全栈数据链路和数据策略。滴滴现代交通安全数据奠基人,2016年帮助滴滴平台将安全事故降低20%,在技术方面实现重大突破;2018年全面负责爱奇艺AI产品线,帮助爱奇艺在内容制作、生产、分发环节全链路应用AI产品,大幅提升业务指标。

停云,高级数据产品经理,某公司数据部门负责人,曾就职于高朋网、平安集团、顺丰集团。拥有10年互联网行业从业经验,熟悉数据平台建设与数据运营、数据部门管理。对数据如何支持业务有深刻见解,曾在多家公司从0到1搭建过数据平台与数据运营体系。作为数据部门负责人,负责全公司的数据建设和数据应用,利用数据产品对内提升企业效率,对外销售数据产品。

程发林,某互联网物流领域上市公司数据产品经理及业务分析专家,熟悉市场上主流BI产品及指标体系的搭建,擅长从0到1完整搭建数据产品体系,包括埋点设计与采集、离线/实时数据仓库、用户画像、ASR语音数据应用等。

华筱筱,7年教育行业经验,在头部教育企业主导过多个从0到1的教学与学习产品。曾与教研、技术、运营团队密切合作,围绕教育知识图谱搭建自适应学习产品,打造自适应学习产品的标杆产品,并获得多项专利及软件著作权。

徐湲策,某安防公司前安全检测平台负责人,拥有8年B端和G端产品经理经验,负责过多个省级政企平台的产品设计和实施管理工作。

作品目录

  • 作者简介
  • 前言
  • 第一部分 数据建设
  • 第1章 自动化数据分析平台的搭建
  • 1.1 问题和现状
  • 1.2 需求分析
  • 1.3 平台搭建
  • 1.4 项目问答
  • 第2章 数据埋点的应用场景、工作流程与案例分析
  • 2.1 数据埋点的应用场景
  • 2.2 数据埋点的工作流程
  • 2.3 埋点需求实战案例
  • 2.4 埋点规范样例与测试样例
  • 2.5 埋点“七字诀”
  • 第二部分 数据营销
  • 第3章 数据中台和业务中台如何赋能自动化营销
  • 3.1 我们做自动化营销的起因与整体思路
  • 3.2 方法论:用户运营体系
  • 3.3 产品功能架构
  • 3.4 数据中台为营销侧提供数据服务
  • 3.5 模块一:营销自动化
  • 3.6 模块二:线上活动管理
  • 第4章 零售行业大数据平台的构建和商业应用
  • 4.1 平台背景
  • 4.2 平台核心价值
  • 4.3 平台实现过程
  • 4.4 产品经理工作方法总结
  • 第5章 舆情大数据助力精准化营销
  • 5.1 舆情大数据平台的意义
  • 5.2 产品实现
  • 5.3 产品商业应用
  • 5.4 舆情大数据精准营销商业价值
  • 第6章 利用社会化聆听辅助商业决策
  • 6.1 社会化聆听的定义与商业价值
  • 6.2 如何进行社会化聆听
  • 6.3 案例:凯迪拉克的口碑数据挖掘
  • 6.4 社会化聆听产品化解决方案的大致思路
  • 6.5 题外话:数据产品经理的相关技能
  • 第7章 商品分析方法
  • 7.1 商品分析总览
  • 7.2 商品分析目标
  • 7.3 商品分析核心环节
  • 7.4 商品分析的相关部门
  • 第8章 游戏商业化的关键问题和解决方案
  • 8.1 体验与商业化能力可否兼得
  • 8.2 游戏商业化过程中常见的关键问题
  • 8.3 基于规则引擎的多试验组测试
  • 8.4 专题案例:构建广告成本优化模型
  • 第9章 在B端初创公司做数据运营
  • 9.1 什么是数据运营
  • 9.2 初创公司是否需要数据运营
  • 9.3 我在初创公司如何做数据运营
  • 9.4 数据运营的成功要素
  • 第三部分 数据驱动
  • 第10章 海量语音数据的文本转写、分析、挖掘与商业应用
  • 10.1 项目特色
  • 10.2 研发目标
  • 10.3 关键点及难点
  • 10.4 技术实现过程
  • 10.5 对语音识别出的文本数据的应用
  • 10.6 项目效益
  • 第11章 提升网约车安全性的数据化解决方案
  • 11.1 出行安全的背景
  • 11.2 网约车安全的定义
  • 11.3 安全解决方案的制定
  • 11.4 交通安全的四阶段展望
  • 第12章 视频数据分析实战:智慧安防中的智能视频产品
  • 12.1 智慧安防整体介绍
  • 12.2 智能视频产品
  • 第13章 AI产品经理的工作日常与AI技术在视频平台上的应用
  • 13.1 AI知识简单科普
  • 13.2 AI产品经理的工作内容与路线
  • 13.3 AI技术在视频平台上的应用
  • 第14章 数据产品经理在推荐中的价值
  • 14.1 推荐系统简介
  • 14.2 关于推荐系统三要素的思考
  • 14.3 推荐系统的A/B测试
  • 14.4 关于经典应用场景的思考
  • 14.5 短视频平台推荐系统的分析
  • 后记
展开全部