一、初识数据产品经理

大数据4V特性

①体量巨大（Volume）②处理速度快（Velocity）③类型多种多样（Variety）④价值大（Value）

数据产品分类

①企业内部使用的产品，如BI数据分析平台和推荐系统等

②企业针对公司推出的商业型数据产品。如Google Analytics、GrowingIO、神测数据、BDP商业数据平台等。主要以平台行为为企业提供商业化服务。

③每个用户均可使用的数据产品。如猫眼的实时票房和淘宝指数等。主要面向普通用户提供免费服务

1.1 产品经理思维方式

1.1.1 归纳与演绎思维

①归纳思维：透过现象抓本质，将一定的物理事实（现象、过程）归入某个范畴，并找到支配的规律性。在做竞品分析时，通过对各种竞品进行考察，运用比较、分析、综合、抽象、概括以及探究因果关系等一些列逻辑方法，推出一般性猜想，运用演绎对其修正和补充，直至最后得出结论。通过倒推结论，来验证结论的正确性。

②演绎思维：发散思维，从一点出发，发散出很多相互独立、不相关的点，再进一步发散出去，不断穷举想到的点。演绎法从一般到个别，以一般的原理为前提论证个别事物，从而推导出一个新的结论。

1.1.2 数据思维

做任何决策的知识都是建立在信息的基础上，仅凭直觉和意识做的决策，没有数据支撑，是无法经过积累沉淀下来形成知识。通过历史数据，寻找合适的算法，构建出模拟真实数据的模型，从而预测真实场景下的数据，寻求进一步解决方案。

1.1.3 用户思维

切换思维方式，从专业模式切换到傻瓜模式，忘掉自己的行业背景和知识积累，以及产品逻辑和实现原理。用户思维只关注用户的需求和想要的结果，以用户需求为导向，不关注执行和实施过程。

1.1.4 产品思维（做好沟通）

在需求上进行把控，在表现层向用户思维靠拢，尽可能考虑工程实现，把需求具体化成严谨的逻辑表达出来。把用户思维转化为产品原型或项目方案。

1.1.5 工程思维

项目实现过程，包括项目方案、项目排期、项目进度跟进、项目执行等。更加关注细节逻辑、更加严谨的思维方式。

二、数据产品经理基础知识

2.1 常用工具

2.1.1 Excel

Excel公式大全【300函数】_rankiy的博客-CSDN博客_excel函数公式大全

①日期函数

序列	函数	解释	语法	备注
1	date	指定日期	DATE(year,month,day)
2	today	当天日期	TODAY()
3	datevalue	日期文本转日期	DATEVALUE(date_text)
4	day	日期里的天	DAY(serial_number)
5	days	日期之间天数	DAYS(end_date,start_date)
6	days360	日期间天数按360天计算天数	DAYS360(start_date,end_date,[method])
7	edate	返回指月份后的日期	EDATE(start_date,months)
8	eomonth	返回指定月份最后一天	EOMONTH(start_date,months)
9	now	当前日期时间	now()
10	time	时间小数	TIME(hour,minute,second)
11	timevalue	文本转小数	TIMEVALUE(time_text)
12	hour	时间值小数	HOUR(serial_number)
13	minute	分钟	MINUTE(serial_number)
14	second	秒数	SECOND(serial_number)
16	month	月份	MONTH(serial_number)
17	year	年份	YEAR(serial_number)
18	yearfrac	日期天数占全年百分比	YEARFRAC(start_date,end_date,[basis])	1：360天，2：实际天数，3：实际天数/365，4：30/360
19	isoweeknum	周数	ISOWEEKNUM(date)
20	networkdays	工作日	NETWORKDAYS(start_date,end_date,[holidays])	指定日期为非工作日
21	networkdays.intl	日期间工作日	NETWORKDAYS.INTL(start_date,end_date,[weekend],[holidays])	可指定周未，指定日期为非工作日
22	weekday	星期几	WEEKDAY(serial_number,[return_type])	1：1日-7六，2：1一-7日，3：0一-6日…
23	weeknum	第几周	WEEKNUM(serial_num,[return_type])
24	workday	工作日天数后值	WORKDAY(start_date,days,[holidays])
25	workday.intl	自定义周未,工作日后天数值	WORKDAY.INTL(start_date,days,[weekend],[holidays])

②逻辑函数

序列	函数	解释	语法	备注
1	and	与	AND(logical1,[logical2],…)
2	or	或	OR(logical1,[logical2],…)
3	xor	异或	XOR(logical1,[logical2],…) xor(true,true)=false
4	not	非	NOT(logical)
5	TRUE	真
6	FALSE	假	FALSE()
7	if	判断	IF(logical_test,value_if_true,[value_if_false])。
8	ifs	多条件判断	if(logical_test1,val_if_true1,logical_test2,val_if_true2…)	excel2019以上新增函数
9	iferror	错误返回	IFERROR(value,value_if_error)	错误类型：#N/A、#VALUE!、#REF!、 #DIV/0!、#NUM!、#NAME?或#NULL!
9	ifna	判断	IFNA(value,value_if_na)	错误值#N/A时返回值

③查找和引用函数

序列	函数	解释	语法	备注
1	choose	选择执行	CHOOSE(index_num,value1,[value2],…)。
2	row	行号	row()
3	rows	行个数	ROWS(array)
4	column	列号	COLUMN([reference])
5	columns	返回数组或引用的列数	COLUMNS(array)
6	index	区域值引用	INDEX(array,row_num,[column_num])
7	areas	统计区域连续个数	AREAS(reference)。
8	transpose	转置单元格区域	TRANSPOSE(array)。
9	formulatext	公式转文本	FORMULATEXT(reference)
10	getpivotdata	透视表数据读取	ETPIVOTDATA(data_field,pivot_table,[field1,item1,field2, item2], …)
11	hlookup	行查找	HLOOKUP(lookup_value,table_array,row_index_num,[range_lookup])
12	vlookup	竖向查找	VLOOKUP(lookup_value,table_array,col_index_num,[range_lookup])
13	lookup	不建议使用
14	match	相对位置	MATCH(lookup_value,lookup_array,[match_type])	1小于等于，0等于，-1大于等于，可以值能通配符
15	hyperlink	超连接	HYPERLINK(link_location,[friendly_name])	超连接，名称
16	address	文本单元格值	ADDRESS(row_num,column_num,[abs_num],[a1],[sheet_text])	配合indirect使用
17	indirect	计算文本字符串的引用	INDIRECT(ref_text,[a1])	INDIRECT(“r1c1”,FALSE) INDIRECT(“a1”,true)
18	offset	偏移	OFFSET(reference,rows,cols,[height],[width])。
19	rtd	第三方应用编写脚本，导入角本	RTD(ProgID,server,topic1,[topic2],…)

④文本函数

序列	函数	解释	语法	备注
1	left /leftb	左取字符/节	LEFT(text,[num_chars])
2	right /rightb	右取字符/节	RIGHT(text,[num_chars])
3	mid /midb	指定位置取字符/节	MID(text,start_num,num_chars)
4	len /lenb	字符个数	LEN(text)
5	find /findb	字符查找字/符，第一个位置	FIND(find_text,within_text,[start_num])
6	search /searchb	查找同find	SEARCH(find_text,within_text,[start_num])	支持通配符
7	replace/ replaceb	替换	REPLACE(old_text,start_num,num_chars,new_text)
8	substitute	查找替代	SUBSTITUTE(text,old_text,new_text,[instance_num])
9	concatenate	串联字符串	CONCATENATE(text1,[text2],…)
10	exact	比较(含大小写)字符串	EXACT(text1,text2)
11	fixed	返回文本结果,同round	FIXED(number,[decimals],[no_commas])
12	trim	清除空格(保留单词间空格)	TRIM(text)
13	lower	第一个字母转小写	LOWER(text)
14	upper	转大写	UPPER(text)
15	proper	首字母转大写	PROPER(text)
16	numbervalue	文本转数字	NUMBERVALUE(Text,[Decimal_separator],[Group_separator])
17	value	文本转数字	VALUE(text)
18	T	数值转文本	T(value)
19	rmb	按货币四舍五入转成文本	RMB(number,[decimals])
20	dollar	数字转文本(美元)	DOLLAR(number,[decimals])	基本不用
21	text	转文本 TEXT(value,format_text)	可以自定义文本格式uncode
22	rept	重复显示	REPT(text,number_times)
23	code	字符串第一个字符代码	CODE(text)
24	char	ansi字符集编码返回字符	CHAR(number)
25	unichar	unicode字符	UNICHAR(number)
26	unicode	第一个字符unicode数字	UNICODE(text)
27	widechar	单字节转双字节	WIDECHAR(text)
28	asc	双字节转单字节	ASC(text)
29	clean	删除无法识别字符	CLEAN(text)
30	phonetic	拼音

⑤数学函数

⑥统计函数

描述统计

推断统计

⑦数据库函数

序列	函数	解释	语法	备注
1	dsum	求和	DSUM(database,field,criteria)	不支持超级表，行列操作
2	daverage	条件求平均	DAVERAGE(database,field,criteria)	daverage(C129:D135,“数量”,H129:H130)
3	dcount	单元格个数	DCOUNT(database,field,criteria)
4	dcounta	非空单元格个数	DCOUNTA(database,field,criteria)
5	dget	符合条件单元格值	DGET(database,field,criteria)
6	dmax	最大值	DMAX(database,field,criteria)
7	dmin	最小值	DMIN(database,field,criteria)
8	dproduct	条件乘积	DPRODUCT(database,field,criteria)
9	dstdev	样本估算总体标准差	DSTDEV(database,field,criteria)
10	dstdevp	样本总体计算总体标准差	DSTDEVP(database,field,criteria)
11	dvar	总体方差	DVAR(database,field,criteria)
12	dvarp	样本总体方差	DVARP(database,field,criteria)

⑧三角函数

序列	函数	解释	语法
1	acos	反余弦值	ACOS(number)
2	acosh	反双曲余弦值	ACOSH(number)
3	acot	反余切值	ACOT(number)
4	acoth	双曲反余切值	ACOTH(number)
5	asin	反正弦值	ASIN(number)
6	asinh	反双曲正弦值	ASINH(number)
7	atan	反正切值	ATAN(number)
8	atan2	给定X,Y 的反正切值	ATAN2(x_num,y_num)
9	atanh	反双曲正切值	ATANH(number)
10	cos	余弦值	COS(number)
11	cosh	双曲余弦	COSH(number)
11	cot	余切	COT(number)
12	coth	双曲余切值	COTH(number)
13	csc	余割值	CSC(number)
14	csch	双曲余割值	CSCH(number)
15	degrees	弧度转换为度	DEGREES(angle)
16	radians	角度转弧度	RADIANS(angle)
17	sec	角度的正割值	SEC(number)
18	sech	角度的双曲正割值	SECH(number)
19	sin	正弦值	SIN(number)
21	sinh	反正弦值	SINH(number)
20	tan	正切值	TAN(number)
21	anh	反正切值	TANH(number)

⑨信息函数

序列	函数	解释	语法	备注
1	N	转为数值	N(value)
2	NA	错误	NA()
3	isblank	是否空单元格	ISBLANK(value)
4	iseven	奇偶	ISEVEN(number)	false:奇，true:偶
5	isodd	奇偶	ISODD(number)	奇：true
6	isnumber	是否数字	ISNUMBER(value)
7	istext	是否文本	ISTEXT(value)
8	isnontext	是否非文本	ISNONTEXT(value)
9	islogical	是否逻辑值	ISLOGICAL(value)
10	isref	是否引用	ISREF(value)
11	isformula	是否存在包含公式的单元格引用	ISFORMULA(reference)
12	iserr	是否错误(不含#N/A)	ISERR(value)
13	iserror	是否错误	ISERROR
14	isna	是否na	ISNA(value)
15	sheets	工作表数	SHEETS([reference])
16	sheet	工作表编号	SHEET([value])
17	type	数值类型	TYPE(value)	数字：1，文本：2，逻辑值：4，错误值：16，数组：64
18	cell	获取单元格信息	CELL(info_type,[reference])	地址，列标，颜色否，公式否，文件路径，文本值，正值否，标签文本值，锁定否，行号，数据类型，列宽
19	error.type	错误类型	ERROR.TYPE(error_val)	#NULL!: 1，#DIV/0!:2， #value!：3，#REF!：4，#NAME?：5，#NUM!：6，#N/A：7，#GETTING_DATA ：8
20	info	操作系统	INFO(type_text)	directory:当前目录，numfile:工作表数，origin:以当前位置为基准，左上角单元格，osversion:操作系统版本，recale:计算模式(自动，手动)，release:excel版本，system:系统名称

2.1.2 MySQL

mysql——基本概念_小顽固的博客-CSDN博客_mysql-##数据库的好处 1.持久化数据到本地 2.可以实现结构化查询，方便管理##数据库相关概念 1、DB：数据库，保存一组有组织的数据的容器 2、DBMS：数据库管理系统，又称为数据库软件（产品），用于管理DB中的数据 3、SQL:结构化查询语言，用于和DBMS通信的语言##数据库存储数据的特点 1、将数据放到表中，表再放到库中 2、一个...https://blog.csdn.net/qq_41825534/article/details/104599366mysql——条件查询_小顽固的博客-CSDN博客#进阶2：条件查询/*语法： select 查询列表③ from 表名① where 筛选条件;② 执行顺序：①②③分类： 1、按条件表达式筛选：条件运算符：> = < >= <= != <>(不等于) 2、按逻辑表达式筛选：逻辑运算...https://blog.csdn.net/qq_41825534/article/details/104672849mysql——排序查询_小顽固的博客-CSDN博客进阶3：排序查询/*语法：select 查询列表③from 表①where 筛选条件②order by 排序列表 asc|desc④ -- asc用于升序排列，desc用于降序排列如果后面不加任何关键字，则默认表示升序排列特点： 1、asc代表的是升序，desc代表的是降序，如果不写，默认是升序 2、order by...https://blog.csdn.net/qq_41825534/article/details/104673079 mysql——常见函数之单行函数_小顽固的博客-CSDN博客_mysql单行函数#进阶4：常见函数/*概念：类似于java中的方法，将一组逻辑语句封装在方法中，对外暴露方法名好处：1、隐藏了实现细节。2、提高代码的重用性调用：select 函数名(实参列表) from 表特点： ①函数名 ②函数功能分类： ①单行函数如：concat、ifnull、length等传一个值，返回一个值 ②分组函数（...https://blog.csdn.net/qq_41825534/article/details/104680818

mysql——常见函数之分组函数_小顽固的博客-CSDN博客二、分组函数功能：用作统计使用，又称为聚合函数或统计函数或组函数分类：①SUM：求和②AVG：求平均值③MAX：求最大值④MIN：求最小值⑤COUNT：计算个数特点：①SUM和AVG仅支持数值型参数②MAX、MIN支持可比较的参数③COUNT支持任何类型的参数，但只计数非空的值④所有分组函数都忽略NULL值，对于为NULL的字段不参与运算⑤与DISTINCT搭配使用实...https://blog.csdn.net/qq_41825534/article/details/104720764mysql——分组查询_小顽固的博客-CSDN博客#进阶5:分组查询引入：查询每个部门的平均工资SELECT AVG(salary) FROM employees;语法： SELECT 分组函数，列（要求出现在GROUP BY 的后面） FROM 表名 WHERE 筛选条件 GROUP BY 分组列表 ORDER BY 子句；注意：1、查询列表是分组函数和GROUP BY后出现的字段总结：...https://blog.csdn.net/qq_41825534/article/details/104760774mysql——连接查询/多表查询_小顽固的博客-CSDN博客进阶6：连接查询/多表查询SELECT * FROM beauty;SELECT * FROM boys;https://blog.csdn.net/qq_41825534/article/details/104761889mysql——子查询_小顽固的博客-CSDN博客进阶7：子查询含义：出现在其他语句中的SELECT语句，称为子查询或内查询外部的查询语句：称为主查询或外查询分类：按子查询出现的位置：SELECT后面（①）、FROM后面（④）、 WHERE或HAVING后面（①②③）※、EXISTS后面（相关子查询）（④）按功能不同（结果集的行列数不同）分为： ①标量子查询（结果集有一行一列...https://blog.csdn.net/qq_41825534/article/details/104795944mysql——分页查询_小顽固的博客-CSDN博客进阶8：分页查询※应用场景：当要显示的数据一页显示不全，需要分页提交SQL请求语法： SELECT 查询列表⑥ FROM 表① JOIN 表 ON 连接条件② ... WHERE 筛选条件③ GROUP BY 分组条件④ HAVING 分组后筛选⑤ ORDER BY 排序字段⑦ LIMIT 起始条目索引(OFFSET,从0开...https://blog.csdn.net/qq_41825534/article/details/104814987mysql——子查询经典案例_小顽固的博客-CSDN博客_mysql子查询案例子查询经典案例1. 查询工资最低的员工信息: last_name, salarySELECT last_name,salaryFROM employeesWHERE salary=( SELECT MIN(salary) FROM employees);2. 查询平均工资最低的部门信息SELECT *FROM departmentsWHERE depa...https://blog.csdn.net/qq_41825534/article/details/104845109mysql——联合查询_小顽固的博客-CSDN博客进阶9：联合查询关键字：UNION：联合、合并，将多条查询语句的结果合并成一个结果引入：案例：查询部门编号>90或者邮箱中包含a的员工信息SELECT * FROM employees WHERE department_id>90UNIONSELECT * FROM employees WHERE email LIKE '%a%';应用场景信息来自多表，表之间没有...https://blog.csdn.net/qq_41825534/article/details/104847328mysql——DML数据操纵语言_小顽固的博客-CSDN博客DML语言（DATA manipulation LANGUAGE）数据库操作语言：插入：INSERT 修改：UPDATE 删除：DELETE 一、插入方式一语法： INSERT INTO 表名（列名......）VALUES（值......）；特点： ①插入的值的类型与列的类型要一致 ②1、插入的值的类型与列的类型要一致...https://blog.csdn.net/qq_41825534/article/details/104850152mysql——DDL数据定义语言_小顽固的博客-CSDN博客DDL(DATA define LANGUAGE)数据定义语言库和表的管理一、库的管理创建：CREATE修改：ALTER删除：DROP1、库的创建语法：CREATE DATABASE 库名;案例：创建库booksCREATE DATABASE books;容错处理：如果存在，不报错；不存在则创建CREATE DATABASE IF NOT EXISTS books;...https://blog.csdn.net/qq_41825534/article/details/104875066mysql——标识列_小顽固的博客-CSDN博客标识列又称为自增长列，不用手动插入值，系统提供默认序列值特点：①标识列不一定必须和主键搭配，只要是一个可以ok②一个表中只可以有一个标识列③标识列的类型只能是数值型④标识列可以通过SET AUTO_INCREMENT='i'设置步长，i为步长值⑤标识列可以通过手动插入值设置起始值一、创建表时设置标识列CREATE DATABASE test;USE test;DROP T...https://blog.csdn.net/qq_41825534/article/details/104875287mysql——常见的数据类型_小顽固的博客-CSDN博客常见的数据类型数值型：整型小数：定点数、浮点数字符型：短文本(CHAR VARCHAR)、长文本(TEXT BLOB较长的二进制数据)日期型1、整型分类：TINYINT、SMALLINT、MEDIUMINT、INT(INTEGER)、BIGINT特点：①测试如何设置无符号和有符号默认为有符号，设置无符号需要在类型后面加UNSIGNEDC...https://blog.csdn.net/qq_41825534/article/details/104858919mysql——常见约束_小顽固的博客-CSDN博客常见约束语法：CREATE TABLE 表名( 字段名类型列级约束字段名类型表级约束)约束含义：一种限制，专门用于限制表中行或者列的数据，以保证最终数据的可靠性一致性。分类： NOT NULL ①非空约束 #保证字段值为非空 DEFAULT ②默认约束 #保证该字段有默认值 PRIMARY KEY ...https://blog.csdn.net/qq_41825534/article/details/104875300mysql——TCL事务控制语言_小顽固的博客-CSDN博客TCL语言：事务控制语言TRANSACTION control LANGUAGE事务：一个或一组SQL语句组成一个执行单元，执行单元要么全部执行，要么全不执行事务标准定义：事务由单独单元的一个或多个SQL语句组成，在这个单元中，每个MySQL语句是相互依赖的。而整个单独单元作为一个不可分割的整体，如果单元中某条SQL语句一旦执行失败或产生错误，整个单元将会回滚。所有受到影响的数据将返...https://blog.csdn.net/qq_41825534/article/details/104877165mysql——视图_小顽固的博客-CSDN博客视图含义：虚拟表，和普通表一样使用，mysql5.1开始出现的新版本，通过普通表动态生成的数据,行和列的数据来自定义视图的查询中使用的表,只保存了SQL逻辑，不保存查询结果特点：①临时性②重复使用性优点：1、重用SQL语句2、简化复杂的SQL操作，不必知道它的查询细节3、保护数据，提高安全性视图和表的对比创建的关键字是否占用实际的物理空间使...https://blog.csdn.net/qq_41825534/article/details/104883732mysql——变量_小顽固的博客-CSDN博客变量分类：系统变量：系统提供的变量全局变量、会话变量自定义变量：用户变量、局部变量一、系统变量系统柜提供的变量，属于服务器层面的变量语法： ①查看所有的系统变量如果不写则默认查看会话变量SHOW GLOBAL VARIABLES #查看全局变量SHOW SESSION VARIABLES #查看会话变量②查看满足条记的部分系统变量SHOW...https://blog.csdn.net/qq_41825534/article/details/104885358mysql——存储过程_小顽固的博客-CSDN博客存储过程类似于java中的方法优点： ①提高代码的重用性 ②简化操作存储过程定义：一组预先编译好的SQL语句的集合，可以理解为批处理语句优点： ①提高代码的重用性 ②简化操作 ③减少编译次数和与数据库连接的次数，提高效率语法：一、语法创建CREATE PROCEDURE 存储过程名(参数列表)BEGIN 存储过程体(一组合法的...https://blog.csdn.net/qq_41825534/article/details/104899932mysql——函数_小顽固的博客-CSDN博客函数存储过程定义：一组预先编译好的SQL语句的集合，可以理解为批处理语句优点： ①提高代码的重用性 ②简化操作 ③减少编译次数和与数据库连接的次数，提高效率语法：存储过程与函数的区别返回值个数应用场景存储过程0或多个返回批量插入、更新函数有且仅有一个返回处理数据后返回一个结...https://blog.csdn.net/qq_41825534/article/details/104900135mysql——流程控制结构_小顽固的博客-CSDN博客流程控制结构顺序结构：程序从上外下执行分支结构：程序可以从两条或者多条去执行循环结构：程序在男足一定的条件基础上重复执行一段代码一、分支结构1、IF函数功能：实现简单的双分支语法：SELECT IF(表达式1，表达式2，表达式3);执行顺序：如果表达式1成立则返回表达式2的值，否则返回表达式3的值应用在任何地方2、CASE结构(如果THEN后面加语句则需要用分号结...https://blog.csdn.net/qq_41825534/article/details/104906511

2.1.3 R语言

2.1.4 产品原型工具

2.2 需求管理

需求来源：用户反馈、需求调研、竞品分析、头脑风暴、数据分析等

需求判断：

2.2.1 需求池管理

需求池管理包括需求标准、需求归类、需求内容、需求优先级、需求对接人等。

序号	需求确认日期	需求内容	需求对接人	需求状态	优先级	备注

常见需求管理工具：JIRA、Tower、notion

2.2.2 从需求跟进到需求落地

①需求文档

<1>需求、产品概况

<2>文档迭代记录

版本	负责人	时间	内容	备注	进度
V1.0	小乐	2021.10.16	增加客户查询入口	排期已确认，待开发	完成

<3>需求/产品背景

为什么要做这个需求/产品，包括业务背景、市场背景或竞品的对比分析，预计需求/产品上线可能达成的目标

<4>需求/产品定位

描述该产品/需求的用户定位和市场定位，描述清楚要解决的问题。

<5>需求/产品优先级

一般情况按照ABCD划分产品/需求优先级情况，或按照P0P1P2P3降序说明优先级情况。

<6>需求内容

西安说明整个文档的框图和产品思路流程，具体说明需求的使用场景、功能描述、前置条件、处理方案、后置条件、补充说明等。

②开发/测试进度把握

协调资源，预留排期

③上线验收

是否完成所有需求；测试过程重的重要问题是否已经全面解决；紧急问题100%修复，普通Bug尽量解决；验收通过后，正式上线

三、数据分析思维与实践

3.1数据产品经理常用的分析方法

3.1.1常规分析

常规分析用到同比分析、环比分析和ABC分析。同比和环比分析主要应用于数据产品中常见的有周报、月报、日报等

同比分析：某个周期时段与上个周期的相同时段的比较，同比增长率=（本期数-同期数）/同期数X100%。

环比分析：某个时段与其上一个时长相等的时段做的比较，如本周环比上周。环比增长率=（本期数-上期数）/上期数x100%

ABC分析：以某种指标为对象，进行数量分析，以该指各个维度数据与总体数据的比重为依据，按照比例大小顺序排列，并按照一定的必中或累计比重标准，将各组成部分分为ABC三类。例如：按照人均收入，将中国居民家庭进行划分，分为富有、小康、贫穷、特困四类。

3.1.2统计模型分析

①预测产品在未来一年内的日活量会按照什么趋势发展，预估DAU

采用回归分析，通过多个自变量作为输入，通过回归分析，拟合成一个函数，以推算出未来的DAU（因变量）。常用回归分析主要有线性回归分析、非线性回归分析、时间序列等

②上线某个营销活动，预估活动效果、用户参与度等情况

采用分类分析方法，根据以往的活动数据，分析活动的各个影响因素在满足什么情况下才会产生我们想要的效果，并将有线上活动时和没有线上活动时的数据输入系统中，分类函数判断活动效果与哪些因素有关。常见分类分析方法有决策树、朴素贝叶斯算法、KNN算法、神经网络算法等

③对现有用户尽心细分，预估到底哪一类用户才是目标用户群

采用聚类分析，细分市场、细分用户群都数据聚类分析问题，便于了解用户的具体特征，从而进行精准营销。常见聚类分析方法有K均值聚类、分布估计聚类等。首先选取聚类变量，尽量选取对产品使用行为有影响的变量，并且变量间不存在高度相关。其次选择合适的分类数目，一般选择拐点附近的几个类别作为分类数目。最后，观察各类用户在各变量上的表现，找出不同类别用户区别于其他用户的重要特征，选取几个最明显的特征进行聚类分析。

④用户后买许多商品后，预估哪些商品被同时购买的概率大。

采用关联分析，频繁项集和关联规则。频繁项集：经常出现在一起的物品集合；关联规则：暗示两种物品之间存在很强的关系。

可信度：可信度，就是对人或事物可以信赖的程度。是根据经验对一个事物或一件事情为真的相信程度。

置信度：在统计学中，一个概率样本的置信区间（Confidence interval）是对这个样本的某个总体参数的区间估计。置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度。置信区间给出的是被测量参数测量值的可信程度范围，即前面所要求的“一定概率”。这个概率被称为置信水平。

3.1.3 自建模型分析

估算用户的生命周期价值LVT，需要根据公司业务自建模型分析，例如依赖于广告收入的公司LVT会和用户活跃天数和ARPU（每用户平均收入）值有关，就ARPU而言，不同公司的细分是不一样的，各个指标需要灵活组合，保证分析的有效性和针对性。LTV=用户平均活跃天数XARPU=用户平均活跃天数X(指标1X参数1+指标2X参数2……)

3.2 应用实例

3.2.1商城积分与DAU的关联分析

数据分析报告：清楚谁在用你的数据分析报告，用户不同，数据展示形式不同，尽量提升信息密度，选用正确的可视化图形。

背景

①领取过积分与未领取过积分的用户的DAU和平均停留时长是否有差别。

②领取过但未消费积分和领取过且消费积分的用户的DAU和平均停留时长是否有差别。

结论

①(1)用户领取积分,能够有效提高DAU和平均停留时长，提高DAU(15.23%)的效果优于平均停留时长（13.25%)。
(2)从目前的数据发现,积分的使用/消费并不能明显提高DAU,对平停留时长的提高影响更小。
3.分析思路
(1）用户分为三组。①未领取过积分的用户。
②领取过但未消费过积分的用户。③领取过且消费过积分的用户。
(2)分析这三组用户分别在领取/消费前后一周的DAU和平均停留时长

第四章数据仓库理论与应用

4.1大数据基础Hadoop

4.1.1Hadoop的三驾马车

HDFS。MapReduce、HBase成为Hadoop的三驾马车，Hadoop的底层架构是HDFS，上面运行的是MApReduce、Tez、Spark，再往上封装Pig和Hive。

MapReduce：Map任务的分解，Reduce结果的汇总。高效的处理数据，MapReduce对计算机进行任务分配、任务通信和数据交换。Map将数据分成很多份，分配给不同的计算机进行处理。Reduce将处理的结果进行收集，合并后得到最后的结果。由于MapReduce的使用门槛较高，Hive和Pig基于MapReduce的基础封装出更简单的方式。Pig类似于脚本的方式实现MapReduce，Hive以SQL的方式实现。Hive和Pig将脚本和SQL翻译成MapReduce程序，然后交给计算引擎处理数据。

HBase：列式内存数据库

HDFS：NameNodes：管理文件元数据；DataNode：存储物理文件；Client：获取文件的API

HDFS文系统将文件进行分布式存储，但对于用户前端而言，其只能看到一个文件系统，按照挂载点去寻找对应的数据文件，而无需考虑其实际的存储位置。HDFS会将用户的数据进行分布式存储到不同的机器上。

目前主流的大数据处理框架为Hadoop和Spark，其一般搭配使用。

①Spark：提供实时内存计算，比MapReduce更快，是一个开源的集群运算环境。

②Kafka：高吞吐量的分布式发布订阅消息系统。可以处理用户数据。用户数据处理通常以处理日志和日志聚合的方式解决。Kafka集群消息是有时效性的，过时未消费将被清空。

③Storm：用于分布式数据处理，包括实时分析、在线机器学习、信息流处理、连续性计算、ETL等，每秒可以处理百万级数据，具有运维简单、高度容错、无数据丢失、多语言的特点。

④Hbase：基于HDFS的分布式、面向列的存储系统。以Key-Value的方式对存取操作进行优化。

⑤HUE：Cloudera的大数据可视化攻击，简化用户与Hadoop集群的交互。可在web页面中将HDFS的数据导入Hive中，通过HUE以HiveQL对查询数据进行展示，保存SQL、查看和删除历史SQL，对查询的数据结果进行可视化展示。

⑥Oozie：工作流调度系统，统一管理工作流的调度顺序，安排任务的执行时间。Oozie集成Hadoop的MapReduce、Pig、Hive等协议及Java、Shell脚本等任务，底层是MapReduce程序。

⑦Zookeeper：Hadoop和HBase的重要组件，分布式开放的应用程序协调服务，为应用提供配置维护、域名服务、分布式同步、组服务等一致性服务。

⑧YARN：保证Hadoop生态中多个工具的有序运行，作为调度系统进行协调指挥。

4.1.2 其他工具

Elasticsearch：基于Lucence的搜索服务器，基于多用户的分布式全文搜索引擎，主要应用于云计算中，实现实时搜索，稳定、可靠、快速、安装使用方便。

Memcached：开源高性能、分布式内存对象缓存系统，基于key-value存储，解决大数据量缓存问题，主要应用于减轻数据库负载。通过内存来缓存数据查询结果，减少数据库访问次数提高动态网址应用的速度。

Redis：基于内存可以持久化的日志型key-value数据库。使用ANSI C语言编写，提供多种语言的API，为保证速度和效率，数据缓存在内存中，redis相比于Memcached多了持久化操作，定期将更新的数据写入磁盘或文件中。

4.2 大数据平台层级架构

根据数据流入流出的过程，将大数据平台架构分为三层：原始数据层、数据仓库、数据应用层。

原始数据层（OSD，operational Data Store）一般是由基础日志数据，业务线上库和其他来源数据获得。数据仓库的数据对来自ODS层的数据经过ETL（Extract抽取，Transfer转化，load装载）处理。

数据仓库以ODS层数据为基础，通过逻辑加工生产数据仓库主体表。

数据应用层用于处理消费数据仓库的数据。

4.2.1 ODS层

ODS层的表分为两类：①存储当前需要加载的数据②存储处理完后的历史数据

ODS数据来源：①客户操作日志②业务数据库

ODS层的作用：①在业务系统和数据仓库间形成一个隔离层，ODS数据抽取根据业务类型执行。

②转移一部分业务系统细节查询的功能，ODS数据逻辑和业务层逻辑相同，可以代替业务层执行一定的数据操作。

③由于数据仓库无法存储详细数据，在需要获取详细数据的场景时，ODS可以代替数据仓库完成详细数据获取功能。数据仓库从宏观上满足企业的决策支持要求，ODS层从微观反映细节交易数据或细粒度的数据查询要求。

4.2.2 数据仓库

数据仓库并不产生任何数据，也不消费任何数据，数据来源于外部并且开放给外部。

数据仓库的特点：①数据仓库是面向主题的，按照业务进行归类数据。

②数据仓库是集成的，数据可能来源多处，数据仓库对数据进行抽取、转化、清洗后再集成到数据仓库中。

③数据仓库是不可更新的，存储的数据不可更新，主要提供查询操作。

数据仓库的要求：①效率高 ②数据质量高 ③可扩展性（重复使用）

数据仓库的构造：

1、基础层

对ODS层数据进行轻度汇总，产出轻度汇总明细、维度表、码表、事实集等基础数据。通过建模方式对数据进行处理。

业务模型	领域模型	逻辑模型	物理模型
业务方面的分层	基于业务模型抽象处理	将领域模型是实体见进行数据库层次的逻辑化	对不同关系型数据库物理化
构建过程从左向右依次进行

2、主题层

按照一定维度和业务逻辑，对数据进行聚合，生成画像表和主题表。

3、数据集市

将主题层和基础层的数据按业务需求进行聚合，生成宽表和Cube，推送给数据分析和业务部门使用。

4.2.3 数据的应用

1、描述性分析应用：描述所关注业务的数据表现，将数据可视化呈现

2、预测性分析应用：在描述性数据的基础上，根据历史数据建模，分析未来数据。

3、指导性分析应用：基于对现有数据和未来的预测情况，指导决策。

4.3 数据埋点

4.3.1 数据埋点方式

埋点方式	描述	优点	缺点
代码埋点	研发在代码中实现	灵活性强，可控发送时机和发送方式等	人力成本高，需要研发工程师手动开发程序
可视化埋点	以前端可视化的方式记录前端设置页面元素与对其操作的关系，以后端截屏的方式统计数据	简单、方便、快速埋点	受限，上报的行为信息有限
无埋点	绑定页面的各个控件，当事件触发时就会调用相关的接口上报数据。	方便、快捷、省事	传输数据量大，资源消耗多

4.3.2 埋点事件

1、点击事件：对前端页面的按钮点击进行记录。

2、曝光事件：当用户成功进入一个页面记录一次数据，当刷新一次页面也会记录一次数据，如果通过手机home键切换出去，则不记录，因为其已经脱离app，没有分析价值，可能污染数据。

3、页面停留时长：记录用户在一个页面停留时间，计算方式为退出页面时间和进入页面时间的差值。

4.4 指标字典

4.4.1 基本概念

指标字典是业务数据标准化的基础，目的是对指标进行统一管理，方便共享，达成对业务指标的公示，并且统一修改和维护。

目的：

①规范维度和量度命名，命名规则需明确、通用、易懂

②对维度或量度统一计算口径，避免歧义

③涵盖尽可能多的关注的核心维度和度量，以此为基础推动数据建设，确保指标字典里覆盖的维度都可区分，指标都可统计。

④基于指标字典，将核心维度和量度注入元数据中心，接入指标提取工具，后续实现不需要写SQL语句即可自助查询及分析需求。

指标：衡量目标的方法，维度（看问题的角度）+汇总方式（衡量问题的方法）+量度（解决什么问题）

量度：对物理量的测定，数字+单位表示

维度：看待问题的角度和方向

4.4.2 指标分类

1、基础指标：无上游指标，它的父指标就是其本身

2、普通指标：在单一父指标的基础上通过一些维度上的取值，限定可以定义的指标。

3、计算指标：基于若干注册指标，通过四则运算、排序、累计或汇总等定义的指标。

表建立指标字典的要素
要素	说明	实例
指标名称	维度（业务线+一级维度+二级维度+……）+量度	机票支付订单量
别名	描述指标的其他命名
含义	指标的计算和定义方法	支持成功的订单数量
指标类型	基础指标、普通指标、计算指标
限定条件（可选）	描述指标的限定条件，可以限定指标的查询条件	机票订单where订单状态=支付成功
限定维度（可选）	描述用户在查询指标时，如果需要使用该类型维度进行切分，那么必须限定该类型为敌指定的维度	平台：当订单支付时所在平台日期时间，订单支付时间

表指标字典的维度
一级维度	二级维度	三级维度	别名	维度取值	维度表	备注
时间	时段（T）			1-24小时
	日（day）			20211212
	周（W）			2021W48
	月（M）			2021M12
	季（Q）			2021Q4
	年（Y）			2021

表指标字典的量度
一级量度	二级量度	三级量度	别名	含义	限制条件	限制维度	备注
流量	PV			页面流量量		时间/平台	基础指标
	DAU			日活量（所有页面UV去重）		时间/平台	基础指标
	点击设备数			App点击设备的数量		时间/平台/版本	基础指标
	展示设备数			App展示设备的数量		时间/平台/版本	基础指标
	CTP			点击设备数/展示设备数		时间/平台/版本	计算指标
率	访购率		新老用户访购率	支付用户数/总UV（支付用户数，总UV按天排重）		时间/平台	计算指标

第五章大数据分析平台实践

大数据分析平台的应用

①在开源产品上搭建大数据分析平台，过程繁琐，支持业务扩展，需要修改源码，可迅速搭建，主流产品有Airbnb开源的Superset、Grafana等

②商业版付费大数据分析平台，BI分析平台。

③自建大数据分析平台。

大数据分析平台的构建原则：

①安全性；②可扩展性；③灵活性

大数据分析平台建设的四阶段

①报表分析平台；②自助式分析平台③智能化分析平台④业务场景分析平台

可拓展的报表分析平台

大多数停留在后端接口查询数据库数据，前端可视化展示数据。随着业务的增长，需要扩展分析平台，用实现QUeryAdapter的方式解决问题，具体通过前端配置JSON，在API层下添加QUeryAdapter层把API的接口翻译成相应的SQL，通过SQL查询数据库。

前端配置的JOSN需要明确的字段如下：

①DataSource，数据源，包含数据地址、端口、数据库格式、数据库、数据表

②metrics，页面展示的数据指标，包括指标的计算类型、指标ID、指标名称、指标别名。

③simensions，指标维度，相当于SQL中的group，即分析人员希望按照什么分组查看数据。

④filter，过滤，设置查询规则、过滤条件

⑤orders，排序。

自助式分析平台

功能主要包含创建数据源、创建单图（核心）、创建看板。

名称	应用场景	配置规则	图例
表格	展示详细数据、原始数据	0或多个维度、0或多个指标
折线图 & 曲线图	显示一段时间的趋势	1或2个维度，1或多个指标
堆积区域图	强调数据量随时间变化的程度，强调总值趋势的变化	1或2个维度，1或多个指标
柱状图	用来比较2个或2个以上的指标，用于较小数据集的分析。	2个以内维度，1个或多个指标
饼图	显示一个数据系列中各项的大小与各项总和的比例，应用于看不同构成元素之间的百分比情况。	1个维度，1个指标，0个维度，多个指标
漏斗图	适用于业务流程规范、周期长，环节多的流程分析，能够直观发现和说明问题所在。	1个维度，1个指标，0个维度，多个指标
留存图	用来衡量新用户后续的行为表现，表示后续留存时间情况	时间维度以及后续的留存数据
旭日图	一种现代饼图，清洗表达层级和归属关系，以父子层次结构展示数据构成情况。里中心点越近表示级别越高，相邻两层是内层包含外层的关系
桑基图	一种特定类型的流程图，各个分支宽度表示流量大小，主要用于用户行为路径，能源转流等场景。
词云图	把出现频率较高的关键词在可视化页面突出显示，过滤不重要信息，主要应用在舆情热词显示、新闻等领域。
散点图	反映相关性或分布关系，用于探索性研究

智能化分析平台

让数据智能化，支持数据进行对维度下钻、单图之间数据联动、对数据异常点进行标注、指标异常检测等功能，实现从多维度的数据出发了解业务，让数据发挥更立体的价值。

业务场景分析平台

数据报告：明确报告对象

①公司领导层：关键指标是否达到预期；关键指标的表现情况、问题出现在哪里、表现优秀的原因、团队计划

②业务同事：挖掘问题，提出建议或改进方案。用数据驱动团队。

移动端大数据分析平台

产品定位

管理层：多维度、立体化移动数据平台，随时查看数据情况，发现问题，输出管理压力，促成业务。

业务层：构建移动数据可视化报表，提供更多业务场景的数据需求。

注意：用户权限控制、平台稳定性和可扩展性

数据内容

数据内容决定产品如何组织目录结构，产品业务的指标架构。重点考虑时间维度、业务指标、数据产出方式（实时计算///离线计算）。

产品结构

层次设计：将数据分层，符合用户获取数据的浏览思路，先看到主要指标，再看详细数据，由总到细，便于用户操作交互体验。

整体架构设计

导航方式

设计方式

①瀑布流平铺方式：将所需展示的内容以平铺的方式展现在程序中。平铺方式如果没有其他导航方式的辅助，则承载内容量与体验成反比。

②名片导航方式：按照业务方向分类，每个名片代表一个业务模块或某个核心指标。点击业务名片，导航到下级页面展示详细数据。

③Tab或下拉切换方式：将数据内容切分成多个部分，每个分层在同一级，每个部分配合其他导航方式继续向下级延伸。

大数在移动端的数据上卷展现策略
类别	策略
中文版	num<1w，显示本身 1w≤num≤1亿，上卷以万为单位 num≥1亿，上卷以亿为单位
英文版	num<1k，显示本身 1k≤num≤100w，上卷以千为单位 num≥100w，上卷以百万为单位（M）

第六章用户行为分析平台实践

6.2用户分析平台的功能

主要功能有事件分析、留存分析、转化分析、用户分群、用户行为细查、用户行为路径分析等功能。

6.2.1 事件分析

基于事件的指标统计、属性分组、条件筛选等功能的查询分析。

事件：追踪或记录的用户行为或业务过程，一个事件内包含数个事件属性。

公共属性：所有事件都具有的维度抽象出来形成公共属性。分为用户属性和设备属性。

在事件分析前，选择要分析的事件，对事件总次数、总用户数、渗透率、人均次数、事件频次分布、按指标属性求和/平均值/人均值等进行统计分析。还可以创建组合指标，通过指标组合及运算形成新指标

统计指标的含义与应用场景
统计指标	含义	应用场景
事件总次数	统计事件发生的总次数，即pv	统计文章点击事件的总次数，即文章点击总数
总用户数	统计发生目标事件的人数，即UV	统计点击文章的总用户数，即点击文章的总用户数
渗透率	发生目标事件的人数/产品活跃人数	文章点击渗透率
人均次数	发生目标事件的总次数/总用户数	文章人均点击次数
事件频次分布	对事件发生频次求分布	每天播放不同次数视频的用户分布
按指标属性求和/平均值/人均值	按照某事件属性求和/平均值/人均值	对视频播放事件求单次平均播放时长或者人均视频播放时长
组合指标	利用预置的函数自定义组合指标	计算渗透率，行为转化率等指标

6.2.2 留存分析

用户早期流失情况严重时，需要让用户快速、容易体验到产品的价值，一旦用户发现产品对自己的价值，就会继续使用和探索新的功能。产品的留存率反映用户对产品的黏度。不仅要关注整体产品的留存率，同时也要关注核心功能的留存率，如复购等。

起始事件：计算留存行为的依据事件，用来圈定留存分析中研究的目标用户群。例如起始事件为app_launch，回访事件为video_play，10.31用户做了app_launch，11.2用户做了video_play，则该用户为该产品10.31日的2日留存用户。

留存率=当日留存用户数/当日目标用户数

分析过程：

①选择参与留存分析的起始事件，设置过滤条件，选择留存分析的回访事件（可选择多个形成对照组）

②选择用户，针对事件的公共属性进行筛选，可以添加不同筛选条件下的对照组进行对比。、

观察用户的留存率一般为次日留存、7日留存、14日留存、30日留存

6.2.3 转化分析

转化：当用户向你的业务价值点方向进行一次操作就产生一次转化。业务价值包括但不限于注册、购买、下载等行为。在效果可视化方面，一般使用漏斗图展现这一过程。

窗口期：用户完成转化的时间，用户在设定的窗口期完成完整的转化流程才算转化成功。

统计范围：本次转化分析中研究的用户所在的时间范围。

分析过程：

①设置事件和用户，设置窗口期，可以按照秒、分、时、天的级别设置。

②选择分析的转化事件，设置过滤条件

转化率=上一事件转化人数/本事件转化人数

业务人员进行转化分析时，需要分析影响转化的细节因素，能否进行细分和对比分析非常关键。例如转化漏斗按用户来源渠道进行对比，掌握不同渠道的转化差异，用于优化渠道。进行多漏斗分析有利于多维度的转化率分析，以优化产品。

6.2.4 用户分群

用户分群是将全部用户划分成较小的，有共同需求的群组。用户分群称为精细化运营的第一步。

根据用户画像分群，对用户打标签。打标签的标准主要依照用户的社会属性、生活习惯、消费行为等。进行用户画像设计用户基本特征和用户隐性特征，

第七章 AB实验平台实践

目前数据的使用方式主要分为先验、后验两种，后验的使用方式在大数据平台和用户行为分析平台中都有使用，先验主要用于AB实验平台。

AB实验的优点：

①根据实验结果可以选择最佳方案，做到用数据说话。

②找到问题的原因，提高排查问题的效率

③建立数据驱动决策，持续迭代优化

④降低新版本或者新功能的潜在风险，及时发现问题，把影响范围降到最小。

⑤实验准确、快速

7.2 AB实验平台搭建

7.2.1 创建流程

1、分析现状，通过分析业务数据，确定当前最关键的改进点

2、建立袈裟。对当前情况进行分析，提出优化改进的假设

3、建立实验指标。设置主要目标和辅助目标，衡量实验方案的优劣以及对其他方面的影响情况。

4、设计实验方案。针对方案设计产品原型，完成相关功能的开发，梳理产品的埋点文档，记录用户在每个页面的点击情况，便于后续优化迭代。

5、创建实验。确定实验条件、实验版本及每个线上版本的流量比例，按照流量比例开放线上流量进行实验。流量比例决定实验结果的有效性。由于直接使用线上生产环境的流量，所以实验流量不宜过大。初始阶段，流量设置稍微少点，根据试验情况逐渐增加流量，不宜把流量控制的太小，流量太小可能会引起随机结果，失去统计意义。

6、通过实验平台的数据和报表分析实验结果。实验有效性的判断：根据分流情况确定实验是否有足够的样本量，从而可以在较大的概率拒绝统计错误的发生。通过对比实验组和对照组是否存在显著差异，结算结果指标的置信区间。

7、验证实验结果后，如果实验方案达到预期，可以进一步调整流量，逐渐全量上线实验方案。

7.3 实验分流

AB实验平台分流目标：

①支持更多实验。多个实验并行扩展，不影响实验的灵活性

②保证实验的准确性和合理性。确保分析的实验结果基于合理的用户分流

③更快创建实验。快速获取数据分析结果。

影响用户是否被实验命中的因素有流量分配、流量过滤规则、固定用户标签

①流量分配。建立多个实验分层，将实验分层的相关信息作为分流考量因素从而达到正交效果，每个实验层的流量分成1000份，每份代表0.1%的流量

②流量过滤规则。根据用户的请求参数设定规则，选定目标用户群体，对符合条件的流量返回命中实验，否则不命中。

③固定用户标签。尽让指定用户进入实验，支持实时动态调整。

实验分流过程：

①根据用户设定流量比。判断用户是否落在流量区间，在区间中则进入下一步，否则未命中实验

②判断实验是否固定用户标签。若没有配置用户标签或配置用户标签且完成匹配，则进入下一步。

③根据流量过滤规则判断用户是否被过滤。弱过滤，则未命中实验，否则返回相应的分组信息。

离线数据报表与实时数据报表的对比
报表类型	时间选择	优缺点
离线数据报表	选择实验开始到昨天的历史数据情况，以天对时间粒度	比较准确，指标全面。缺点是更新周期长，当天更新前一天数据，一般用户实验效果的数据分析
实时数据报表	对应的趋势图为当天各个小时或者分钟某指标的变化趋势，对应的表格为当天各个指标各时或各分钟的累计数据	更新快，分钟级更新。缺点是相对不精确，只支持一些核心指标的展现。一般用于实验上线初期的实验数据调试

数据产品经理修炼手册（从零基础到大数据产品实践）相关推荐

读书笔记丨《数据产品经理修炼手册:从零基础到大数据产品实践》丨DAY4
日期:2022年7月24日内容:第四章数据仓库理论与应用(p77-p104) 4.1 了解大数据基础Hadoop 一.Hadoop及三驾马车 01.什么是hadoop? Hadoop是一个分布式系统 ...
读书笔记丨《数据产品经理修炼手册:从零基础到大数据产品实践》丨DAY1
学习内容及时间2022.06.01: 第一章[初识数据产品经理](p1-p24) 1.1为什么要有数据产品经理 1.1.1大数据行业现状: {什么是大数据?}: 1.目前没有一个统一准确的定义,因为不 ...
读书笔记丨《数据产品经理修炼手册:从零基础到大数据产品实践》丨DAY5
内容:第5章大数据分析平台实践时间:2022年8月7日 5.1 大数据分析平台的前世今生 5.1.1 大数据分析平台构建的背景构建一个大数据分析平台,结合多个业务系统,从中抽取海 ...
数据产品经理修炼手册pdf_【尼读书】数据产品经理修炼手册(附思维导图)
前言:进入一个行业,除了要多在工作中实践和思考之外,还需要多读书.这样能够站在一个更高的角度去看问题,往往会对问题有更全面的掌握和新的认知.在[尼读书]这个栏目中,尼同学通过自己读书后的理解和整理与大 ...
大数据自学要多久？为什么零基础自学大数据那么久？
伴随着大数据时代的冲击,大数据开发相关的技术人才成为目前招聘市场炙手可热的高薪岗位,越来越多想要通过技术获得高薪工作的同学选择大数据技术方向.我们知道目前学习大数据可以通过自学或者参加培训两种方式,参 ...
大数据学习路线详解，零基础学大数据学习路线
在大数据蓬勃发展的现今,大家都看到了大数据未来不可限量的发展前景,跟着科技发展的潮流,不断学习新的技术知识,科多大数据相信,成为人生赢家不在话下. 大数据的三个发展方向,平台搭建/优化/运维/监控.大 ...
python零基础入门大数据_【资源分享】零基础入门大数据（数据分析）经验分享...
声明: 开头还是要先申明一下的,博主纯粹是爱好,在业余时间学习相关的知识.希望能给博主一样情况的入门同学提供一个比较短的学习路径,提高学习效率.博主看过很多个学习的视频和数据,发现很多内容都是重复的, ...
大数据架构师：如何从零基础搭建大数据hadoop生态圈
从年初起,几家国际大厂的开发者大会,无论是微软Build.Facebook F8还是稍后的Google I/O,莫不把"AI优先"的大旗扯上云霄.如果这一波AI大潮只是空喊几句口号 ...
数据产品经理修炼手册_数据产品经理需要了解的大数据平台架构
了解大数据平台的基础架构有助于我们清楚数据是怎么流转与处理的,在每一层的结构中数据是以什么形式存储的,当我们听到工程师们谈论到这些内容时,不至于一无所知. 本文内容偏基础,适合像作为入门了解. 文不如 ...
谈谈AI的ToB市场，我的新书《B端产品经理修炼手册》正式出版
2020年是特殊的一年,得益于这次疫情,在2月份有一个大长假,当时被封锁在东北老家的小出租屋内,于是就起笔开始写这本书,其实也是在心理早就有构思的,差不多用了十来天的时间完成了第一版.名字想了好久,最 ...

数据产品经理修炼手册（从零基础到大数据产品实践）