第一单元 刚接手一款产品，如何快速了解它
第1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
第2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“终极问题” 12
2.3 为数据指标分类 15
第3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
第4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
第5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
第二单元 数据支撑体系是如何运作的？
第6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
第7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
第8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
第9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
第10问 埋点就是数据采集吗？ 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
第11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
第12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
第13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 万能的SQL，灵活的即席查询 91
第14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
第三单元 立足当下，如何轻松实践数据化运营？
第15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
第16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
第17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
第18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
第19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
第20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
第21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
第22问 怎样精确控制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，只靠数据就能搞定 158
第23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
第24问 “随机播放”为什么让用户感觉不随机？ 168
24.1 请随机播放几首歌曲 168
24.2 还没有注册，就让我登录？ 169
24.3 天啊，刚刚发生了什么？ 172
第四单元 智能时代，还有哪些数据必修课？
第25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 产品经理的最爱 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
第26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
第27问 Excel中有哪些一学就会的高级技巧？ 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
第28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
第29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
第30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
30.2 互联网行业和产品资讯 229
30.3 政府机构统计数据 232
· · · · · · (收起)