【编辑推荐】
适读人群 ：数据分析、数据工程爱好者，数据岗位产品经理和运营人员。
来自腾讯产品经理的实战方法论，带你修炼大数据、人工智能(AI)思维，突破职业瓶颈，助你成长为全栈产品经理。
人人都是产品经理与起点学院创始人老曹、BAT产品总监、创业投资圈专家联袂力荐
【内容简介】
数据产品经理不等于数据分析师、数据工程师，而是一个同时具备产品经理的素养又对大数据和人工智能的产品化有专业洞察的角色。他们拥有良好的产品感，善于洞察，勤于跨界思考。本书共30章（问），分4个单元介绍产品经理必懂的数据知识。本书从数据产品经理的定义出发，立足于实际工作中的场景，深入浅出地探讨产品经理如何站在行业视角统筹产品数据、数据产品，以及数据化运营的每个环节，并总结出有价值的方法论。
【作者简介】
孙瑞达，笔名R.D.，华中科技大学硕士学位，曾就职于百度，现在腾讯任职数据产品经理。作者从事数据产品经理岗位多年，实践经验丰富，对产品经理 数据（数据图表、数据分析、数据挖掘）有深入洞察。
【媒体评论】
数据是互联网的指路明灯，数据视角是每一个从事互联网创业的CEO和产品业务人员都需要具有的，比如如何看大数据应用，数据如何驱动业务，如何完成数据化运营。本书给出了一个很好的框架：从提问出发，找到关键的数据逻辑，合理部署资源，然后运用数据理性地回答，适合互联网从业者和对数据视角有兴趣的人士来阅读。
——翁翔坚（Neo）
英语流利说合伙人、首席产品官，阿里汽车&天猫家装前产品总监
用户需求千变万化，千人千面，作为产品经理，单靠个人经验来做产品设计或运营就像盲人摸象一样。唯有数据才能让你真正了解用户，作为产品经理一定要有数据意识，要懂数据，会看数据，会分析数据。推荐阅读本书，做一个科学化的产品经理。
——曹成明（老曹）
起点学院、人人都是产品经理创始人兼CEO
在数据分析领域折腾多年，我越来越觉得“数据分析”不该是一种职位，而应该是一种人人的能力。读到本书，更让我坚定了这个观点。产品思维 数据分析，这样的复合能力，实在诱人。本书完备的知识体系加上深入浅出的解读，相信能让不少朋友具备这样的能力。宽泛地说，这是一本人人可读的书；而对于互联网行业的朋友，本书理应在你的“悦”读书单之中。
——胡晨川
饿了么高级数据专家，行业畅销书《数据化运营速成手册》作者
近年来，移动互联网、大数据、人工智能的发展为人类生活带来质的飞跃。其中，大数据具有海量、多维度、完备性等特点，所具备的潜力和为各行各业创造的价值，是每一位互联网从业者有目共睹的。产品经理作为互联网先锋角色，势必要拥有互联网前沿思维，肩负起建设未来互联网的重任。这本书为修炼大数据思维提供了一个独特的切入点，它立足于实战，先引导读者提出有价值的问题，再围绕问题逐步分解，从而让读者得到属于自己的解决方案。作为工作之余自我提升的手册，本书值得每一位力争上游的产品经理阅读。
——方魁（Kenny）
腾讯专家产品经理、QQ产品总监
【目录】
目 录
*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 *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*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
【前言】
世上没有傻问题
看到本书的标题，也许你会感到既严肃又随意。严肃是因为它指明这是一本面向产品经理的职业书，随意则是由于它的“30问”——为什么是这30个问题？为什么是“问题”而不是“讲解”，比如“30讲”或“30解”？
实际上，比起解答，本书更侧重于提问。
近十年，互联网行业的高速发展令人惊讶，互联网从业者需要不断学习，才能跟得上行业剧变。以解决具体问题为导向的学习是一种行之有效的快速学习法。基于这个思路，本书旨在引导读者提出自己的问题，无论一个问题看上去是精妙还是荒唐，只要它给读者的工作带来了困惑并能够激发读者深入探究的兴趣，那么它就是一个有价值的问题。
一旦明确了问题，解决它便会水到渠成。对书中每一个问题的回答，都是笔者引导读者参与讨论的过程，其中融入了笔者自身的思考和实践，希望读者能够在讨论的基础上，进一步探究部分内容，形成自己的解决方案。
你是产品经理，更是数据产品经理
产品经理不像互联网行业中大多数职位那样存在科班出身的从业者——从如今高校开设的学科中，我们能够轻易地找到与研发工程师、设计师、数据分析师、广告与公关等职位对口的专业，却很难说清哪个专业是以培养产品经理为目标的。这就意味着，与其说产品经理是一个职位，不如说它更是一种责任及一系列思维方式——只要你在以产品经理的方式思考，为产品的结果负责，你就可以担任产品经理。
那么，数据产品经理又是什么呢？总结起来，有如下核心关注点：
产品数据。日登、日活、日付费，每天要用哪些数据指标来衡量产品的健康与否？
数据产品。数据报表、用户画像、任务调度，是否要通过各种数据门户平台查阅、分析和处理数据呢？
数据化运营。以数据驱动产品运营，如何制定可量化的运营策略？如何根据数据评估运营效果并迭代产品？
在如今的智能时代，各行各业都需要数据，正如各行各业都需要产品经理，相信你一定会频繁与上述内容打交道。因此，不知不觉间，你已经在用数据思维做产品了。
当然，我们不应把“数据产品经理”和“数据分析师”混为一谈，虽然二者有一部分重合技能，但前者注重对产品和数据方案整体的把握，而后者更擅长对数据进行挖掘、分析和提炼等专业性探究。
本书适合谁
爱学习，需要数据思维的互联网产品经理。
专职的数据产品经理，包括负责数据平台的产品经理，以数据为导向的产品经理。
希望打造数据产品体系的团队管理者或创业者。
想要了解互联网产品和数据思维的各界人士。
只要你乐于提问，并愿意基于书中的兴趣点进一步系统化学习，本书一定能够给你启发。
本书不适合谁
只希望从事*基础工作的产品经理，如画原型，写需求文档，与工程师“争吵”。
追求“干货”和*方法论的互联网从业者。
认为人际关系和资本才是王道的团队管理者或创业者。
不认为数据能够产生价值的人士。
如果你属于上述人群，请不要在本书上浪费时间，利用这些时间去做更有意义的事情吧。
另外，书中讨论的Excel高级技巧、R语言、SQL、人工智能等内容仅限于帮读者建立初步认知，如果你是为深入学习这些内容而来的，请一定不要选择本书，其他相关的专业书籍会更适合你。
关于阅读进度
由于本书*关键的内容在于引导读者提出问题，你可以通过浏览的方式快速地读完整本书，当日后工作遇到问题时再回来翻看对应的内容，不必从一开始就逐字逐句地阅读。因此，笔者建议以每天1～2问的节奏阅读，花至多1个月的时间读完本书。
在阅读的过程中，请注意每一问末尾的进度图（如右图所示），它向你指示了阅读完成度。
每一单元的脉络图则对该单元的关键讨论进行了总结，你可以在本书的彩插中找到它们，也可以扫一扫每一单元末尾的“打卡”二维码，将它们收藏于微信或分享给好友，以便在工作中随时查看。
老套却必要的致谢
感谢那些曾经爱我，现在爱着，未来将爱我的人，他们的支持，让我得以克服各种困难和懒惰，将本书写完。
感谢华中科技大学新闻与信息传播学院张明新、陈少华教授对我的谆谆教诲，以及QQ浏览器产品与运营总监刘凌（Lillian）、业务导师符凌霄（Lennox）和陈剑勇（Jarvis）在职场中指导我快速成长，为我指明了本书的选题方向。
感谢我的同事们，与他们共事的经历，是本书内容的源泉。
感谢视源股份（CVTE）王琪峰亲笔作序，以及行业内外各位专家学者倾力推荐，令拙著增光添彩。
感谢电子工业出版社博文视点的郑柳洁和汪达文编辑，以及未曾有幸见面的编辑老师们，他们就是图书的产品经理，辛勤的付出促成了本书的面世。
感谢设计师何积平，包揽了本书全部的设计元素，以惊人的效率让我见识到专业的水准。
亲爱的读者，感谢你激活本书的意义，让知识不再留守于冷冰冰的书本中，也希望得到你的推荐及猛烈而善意的批评，让我们共同进步。
