第一部分 産品經理的前世今生
第1章 産品經理的前世
1.1 産品經理究竟是什麼 4
1.1.1 咬文嚼字說産品經理 4
1.1.2 産品經理的曆史溯源 5
1.2 泛産品經理與産品經理 6
1.2.1 産品經理的專業取嚮 7
1.2.2 産品經理的泛化 8
1.3 互聯網産品經理的規定動作 12
1.3.1 需求調研 12
1.3.2 競品分析 14
1.3.3 原型設計 16
第2章 産品經理的今生
2.1 賣傢秀：自我提升的幾項技能 20
2.1.1 從需求文檔到動機文檔 20
2.1.2 從競品分析到廣義競品分析 22
2.1.3 從原型設計到交互設計 24
2.2 買傢秀：弄垮團隊的若乾“要領” 28
2.2.1 越過産品雷池 28
2.2.2 踏入團隊雷池 29
2.2.3 邁嚮公司雷池 30
第3章 産品經理的入行
3.1 入行做産品的幾種可能 34
3.1.1 源自技術崗 34
3.1.2 源自業務崗 35
3.1.3 源自應屆生 36
3.2 上崗後的第一件事 37
3.2.1 産品全圖 38
3.2.2 行業全圖 39
3.2.3 産業全圖 40
3.3 工作中如何學習 41
第二部分 古往今來的數據思維
第4章 曆史中的數據思維
4.1 人口普查：最早的數據埋點策略 46
4.1.1 埋點的技術視角 46
4.1.2 埋點的時機與策略 48
4.2 命令與徵服：可視化最早的用意 49
4.2.1 可視化大傢說 50
4.2.2 可視化與曆史 51
4.3 科技革命：助力數據産品落地 54
4.3.1 手工統計 55
4.3.2 機械統計 55
4.3.3 電子統計 57
4.4 數據驅動決策的曆史溯源 57
4.4.1 美國建立時用數據分權 58
4.4.2 南北戰爭時用數據進軍 59
4.4.3 經濟發展時用數據裁判 60
4.5 管理谘詢：使用數據降本增效 61
4.5.1 谘詢指引數據産品方嚮 62
4.5.2 管理啓迪思維模式更新 63
4.6 聊聊統計學 64
4.6.1 政治算術 64
4.6.2 頻率學派 65
4.6.3 概率學派 66
4.7 LEHD：美國的第一個大數據項目 67
4.7.1 信息逐步開放 67
4.7.2 大數據項目開展 68
4.8 曆史給我們數據思維的啓示 69
4.8.1 用數據說話 69
4.8.2 嚮賢者取經 69
4.8.3 漸進性創新 70
4.8.4 需求創造供給 70
第5章 行業擁抱數據思維
5.1 大數據從何而來 72
5.1.1 大數據曆史 73
5.1.2 自身發展 75
5.2 大數據的全球格局與中國麵貌 76
5.2.1 全球格局 76
5.2.2 中國麵貌 77
5.2.3 行業概覽 78
5.3 大數據+“治理與交通” 81
5.3.1 治理 81
5.3.2 交通 83
5.4 大數據+“零售與金融” 84
5.4.1 零售 84
5.4.2 金融 88
5.5 大數據+“體育與教育” 89
5.5.1 體育 89
5.5.2 教育 91
5.6 大數據+“醫療與旅遊” 93
5.6.1 醫療 93
5.6.2 旅遊 94
5.7 大數據+“農業與製造” 96
5.7.1 農業 96
5.7.2 製造 97
5.8 大數據行業成熟瞭嗎 97
5.8.1 行業成熟度 98
5.8.2 大數據理念 99
5.8.3 大數據趨勢 100
5.9 大數據在産業中的位置 103
5.9.1 行業組成 104
5.9.2 産業構成 106
第6章 當産品經理遇見數據思維
6.1 下一站：數據科學傢 110
6.1.1 數據科學的曆史由來 110
6.1.2 數據科學與商業智能 111
6.1.3 數據科學的職業分類 112
6.1.4 數據分析的技能進階 114
6.2 數據産品經理的職業新要求 115
第三部分 數據産品經理的技能進階
第7章 麵嚮産品經理的數據預處理
7.1 數據分析的標準姿勢 128
7.2 淘洗數據沙礫（數據清洗） 130
7.2.1 缺失值 130
7.2.2 異常值 132
7.2.3 歸一化 133
7.3 聚細沙成佛塔（數據集成） 135
7.3.1 實體識彆 135
7.3.2 冗餘性識彆 136
7.4 換個姿勢再來一次（數據變換） 137
7.4.1 離散化 137
7.4.2 屬性構造 139
7.5 少即是美（數據規約） 139
7.5.1 特徵規約 140
7.5.2 樣本規約 141
第8章 麵嚮産品經理的統計分析
8.1 說有信息量的話（非時序數據的統計量） 144
8.1.1 集中趨勢 145
8.1.2 離散趨勢 146
8.1.3 數據分布 148
8.2 股票指數是什麼（時序數據的統計量） 148
8.2.1 “三比” 149
8.2.2 股票指數 150
8.3 男女真的有彆嗎（分類數據的統計量） 152
8.3.1 卡方是什麼 152
8.3.2 卡方怎麼算 153
8.4 相關性不是因果性（連續數據的統計量） 156
8.4.1 Pearson 156
8.4.2 Spearman 157
8.4.3 Kendall 158
8.5 數據不能承受之“熵” 159
8.5.1 物理中的“熵” 159
8.5.2 信息中的“熵” 160
第9章 麵嚮産品經理的數據挖掘
9.1 學數據挖掘，隻需要高中數學 164
9.1.1 重溫“加減乘除” 164
9.1.2 重溫“比值” 165
9.1.3 重溫“函數” 165
9.1.4 重溫“符號” 165
9.2 綫性迴歸：人為什麼沒有嚴重兩極分化 166
9.2.1 優生學趣聞 166
9.2.2 空間中的直綫 167
9.3 邏輯迴歸：種群增長的S型麯綫 169
9.3.1 種群的增長麯綫 169
9.3.2 S型麯綫的秘密 171
9.4 樸素貝葉斯：麵相占蔔工作原理 172
9.4.1 外貌協會與街頭看相 173
9.4.2 無處不在的貝葉斯 174
9.5 決策樹：愛情選擇背後的心理學意義 176
9.5.1 愛情選擇條件多 177
9.5.2 不糾結的小技巧 178
9.6 K-means：尋找物理學上的質心 181
9.6.1 嚮中心看齊 181
9.6.2 站錯隊的後果 183
9.7 層次聚類：分而治之與抱團取暖 184
9.7.1 分而治之 185
9.7.2 抱團取暖 185
9.8 DBScan：帝國崛起的定居、建國與擴張 186
9.8.1 密度打敗劃分 187
9.8.2 相似的帝國發展路徑 188
9.9 關聯規則挖掘：“啤酒和尿布”是個謊言 188
9.9.1 訛傳已久的商業故事 189
9.9.2 關聯規則的三重門 190
9.10 時間序列分析：聊聊《周易》 192
9.10.1 時間序列分析的玄妙 192
9.10.2 時間序列分析的正經 194
9.11 集成學習：三個臭皮匠賽過諸葛亮 195
9.11.1 多拜師與拜大師 196
9.11.2 嚮大傢與失敗學習 197
9.12 文本挖掘：讓機器讀懂你 199
9.13 社交網絡：隱私無處遁形 202
9.14 排序：簡約而不簡單的事 205
9.14.1 排序的規則方法 205
9.14.2 排序的操作機理 207
9.15 推薦係統：“今日頭條”背後的秘密 208
9.16 用戶畫像：隱私是個“僞命題” 213
9.17 算法思想中的哲學內涵 216
第10章 麵嚮産品經理的數據可視化
10.1 彆人傢的可視化：陽春白雪 222
10.2 工作中的可視化：下裏巴人 227
10.3 用可視化“說謊” 230
10.3.1 數據的誤導 230
10.3.2 邏輯的謬誤 234
10.4 準備一份數據報告 238
第11章 嚮數據科學傢再邁一步
11.1 能文：陪運營跟蹤産品看效果 244
11.1.1 傳統運營的基本功 245
11.1.2 數字化運營“三”話你知 248
11.2 能武：追研發把控進度齣成果 251
11.2.1 數據采集 251
11.2.2 數據存儲 254
11.2.3 數據計算 256
11.2.4 數據分析 258
11.3 能聊：跟隨銷售麵嚮市場找思路 258
第四部分 數據産品經理的自我修養
第12章 學習力：藉方法論加速
12.1 方法論知多少 266
12.1.1 概念闡述 266
12.1.2 分類總結 267
12.2 學習過程的“滿灌”與“脫敏” 269
12.2.1 理解提煉 269
12.2.2 我的方法論 271
第13章 錶達力：用邏輯學幫襯
13.1 寫得一手好文案 274
13.1.1 為公務員考試正名 274
13.1.2 寫作實戰簡明教程 275
13.2 講故事給同事聽 278
第14章 領導力：以經濟學詮釋
14.1 事情背後的選擇 285
14.1.1 選擇價值鏈上遊：剪刀差效應 285
14.1.2 學會審時度勢：美林時鍾 286
14.1.3 謹慎選擇彆人的經驗：推繩子效應 286
14.1.4 平衡是一個難題：薩伊定律與凱恩斯法則 287
14.2 人員之間的協同 288
14.2.1 你閃開，讓我來：絕對優勢與相對優勢 288
14.2.2 無條件開放：零和博弈與閤作共贏 289
14.2.3 教會團隊成員什麼是沉沒成本 290
第15章 軟實力：靠心理學打造
15.1 嚮內求：耐心、謙遜、熱心 294
15.1.1 讓自己“延遲滿足” 294
15.1.2 對錶揚免疫 295
15.1.3 不怕丟臉地分享 297
15.2 對外看：大局、妥協、有趣 297
15.2.1 看問題需要“上帝視角” 298
15.2.2 率真對內，圓滑對外 298
15.2.3 一切從簡，有趣有夢 299
· · · · · · (收起)