店铺推荐
【推荐语】
"1.由七位一线互联网公司资深数据人编写，内容丰富，实战性强。
2.全书包括数据中台、数据分析、数据应用三篇，详细解决数据人工作中遇到的问题。"
2.全书包括数据中台、数据分析、数据应用三篇，详细解决数据人工作中遇到的问题。"
【作者】
林泽丰，笔名小风，某国有企业的数据中台产品负责人。UBDC全域大数据峰会“灯塔人物”，“友盟杯”数据大赛三等奖获得者，公众号“一个数据人的自留地”的课程讲师。在电商、社交、交通、直播等领域担任过产品、运营、数据等部门的负责人，有7年多的互联网从业经验。跨领域、跨部门实战经验丰富，曾从0到1搭建过企业数据中台、大数据平台、智能营销平台，擅长埋点模型设计、指标质量治理、数仓架构、数据运营等。__eol__许秋贵，笔名阿北，贝壳找房的高级数据分析师，毕业于东北农业大学。在校期间主导开发了校园拼车等应用，帮助大学生拼车省钱出行。曾就职于百度、滴滴等互联网“大厂”，有多年数据分析经验。__eol__陈斌，笔名小诺，某互联网“大厂”的策略产品经理，毕业于大连东软信息学院。人人都是产品经理网站的“20年度热文作者”，公众号“一个数据人的自留地”的联合创办人。先后就职于百度、小米，在搜索引擎、资讯、电商等领域从事过搜索、推荐、BI、画像、反作弊、消息触达等产品工作，涉猎范围较广，经验丰富。__eol__陈丽媛，笔名草帽小子，自如画像数据产品经理，拥有两项发明专利。人人都是产品经理网站的专栏作家，公众号“一个数据人的自留地”联合创办人。在用户画像、数据埋点、指标体系、BI等方面具有丰富的实战经验，所著系列文章深受广大读者喜爱。__eol____eol_
【内容】
本书共13章，汇集了7位作者（来自多个大型互联网企业）的知识总结和经验分享。本书借助老汤姆、小风、阿北、小诺在某电商企业数据部门工作的故事，通过大量案例深入浅出地介绍了数据中台建设与应用之路。本书以Why-What-How的思路展开，从0到1介绍知识点，并重点讲述How的过程，同时结合某个场景下的具体案例，以使读者更好地理解实操过程。
每个企业都会面临各种各样的数据问题，有数据质量的问题、数据获取效率的问题、数据应用价值的问题等。本书首先介绍数据中台的建设，确保数据的质量，为企业的数据质量体系建设提供坚实的基础：然后，进行深入业务的分析探索，介绍如何从数据分析角度更好地赋能业务发展；最后，介绍数据应用，解决数据获取效率的问题，并把一些分析思路和业务策略沉淀为数据产品，从而更好地将数据应用于业务。本书结合多个大型互联网企业的实际项目案例，让读者真正掌握数据产品经理这个新兴职业的推荐技能和核心能力。
本书主要面向数据产品经理，数据分析师、数据运营人员等数据行业从业者也可以在本书中找到一些思路和方法，如了解数据的应用、掌握分析方法等。本书也可以为想转行做数据产品经理的读者提供帮助。
每个企业都会面临各种各样的数据问题，有数据质量的问题、数据获取效率的问题、数据应用价值的问题等。本书首先介绍数据中台的建设，确保数据的质量，为企业的数据质量体系建设提供坚实的基础：然后，进行深入业务的分析探索，介绍如何从数据分析角度更好地赋能业务发展；最后，介绍数据应用，解决数据获取效率的问题，并把一些分析思路和业务策略沉淀为数据产品，从而更好地将数据应用于业务。本书结合多个大型互联网企业的实际项目案例，让读者真正掌握数据产品经理这个新兴职业的推荐技能和核心能力。
本书主要面向数据产品经理，数据分析师、数据运营人员等数据行业从业者也可以在本书中找到一些思路和方法，如了解数据的应用、掌握分析方法等。本书也可以为想转行做数据产品经理的读者提供帮助。
【目录】
第1章那些困扰我们的数据问题
1.1 数据质量的问题
1.2 数据获取效率的问题
1.3 数据应用价值的问题
数据中台篇
第2章元数据中心
2.1元数据中心概述
2.2元数据中心的核心功能
2.2.1数据整合
2.2.2数据管理
2.2.3数据地图
第3章数据指标中心
3.1数据指标中心概述
3.2数据指标中心的设计思路
3.2.1定义指标并将其归集到对应的主题域
3.2.2拆分原子指标与派生指标
3.2.3定义原子指标与派生指标的生产逻辑
3.2.4通过指标管理平台对指标进行规范生产
第4章数仓模型中心
4.1数仓模型中心概述
4.2数仓模型中心的设计思路
4.2.1控制数据源
4.2.2划分主题域
4.2.3构建一致性维度
4.2.4构建总线矩阵
4.2.5数仓分层建设
4.2.6数仓效果评估
第5章数据资产中心
5.1数据资产中心概述
5.2数据资产中心的治理流程
5.2.1数据资产定级
5.2.2数据资产质量治理
5.2.3数据资产成本治理
第6章数据服务中心
6.1数据服务中心概述
6.2数据服务中心的设计思路
6.2.1将数据写入查询库
6.2.2搭建元数据模型
6.2.3按主题归类
6.2.4缓存优化
6.2.5数据接口化
6.2.6构建API集市
6.2.7统一数据服务
数据分析篇
第7章数据分析理论
7.1业务和数据
7.2数据分析师的全貌
7.3数据分析团队的组织架构及其对应的工作模式
7.4数据分析师的工作方式
7.4.1工作象限图
7.4.21+N的工作内容
7.4.3与业务方的合作模式
7.4.4有关工作方式常见问题的解法思考
第8章数据分析实操
8.1预测性分析
8.1.1预测性分析的目的
8.1.2分析思路与方法
8.1.3预测性分析案例
8.2描述性分析
8.3诊断性分析
8.4数据分析报告
数据应用篇
第9章BI系统
9.1让人头疼的看板需求
9.2BI系统介绍
9.3BI系统的关键技术
9.4BI系统实践
9.4.1数据接入
9.4.2数据集加工
9.4.3数据集权限控制
9.4.4可视化报表配置
9.4.5可视化结果展示
9.4.6数据分析OLAP
9.4.7如何衡量BI系统是否成功
第10章用户画像
10.1用户画像的全貌
10.2用户画像的需求
10.3用户画像的规划
10.3.1用户画像的业务架构
10.3.2用户画像的产品架构
10.3.3用户画像的版本计划
10.3.4用户画像的项目执行计划
10.4用户ID体系
10.5标签体系
10.6用户画像系统
10.7用户画像的应用
第11章电商反作弊体系
11.1电商黑产的现状
11.2电商黑产的防控方案
11.2.1活动的损失评估
11.2.2反电商黑产作弊案例
第12章资讯个性化推荐
12.1资讯的内容处理
12.1.1资讯的内容来源
12.1.2资讯的分类体系
12.1.3常见的分类问题及内容分类原则
12.1.4分类体系的构建
12.1.5内容的标注与机器学习
12.2资讯用户的画像和特征
12.2.1资讯用户的画像
12.2.2资讯用户的特征
12.3资讯的推荐算法
12.3.1资讯的信息抽取
12.3.2资讯的分词方法
12.3.3资讯的过滤排重
12.3.4资讯的召回模型
12.3.5资讯的算法排序
12.4资讯的重排策略及案例
12.4.1常见的重排策略及策略的目标
12.4.2资讯的重排策略案例
第13章电商个性化推送
13.1push的衡量
13.1.1push的目标与本质
13.1.2push的衡量指标
13.2push的优化方向
13.3push的推荐案例
13.3.1新用户推荐方案
13.3.2推荐的效果评测
1.1 数据质量的问题
1.2 数据获取效率的问题
1.3 数据应用价值的问题
数据中台篇
第2章元数据中心
2.1元数据中心概述
2.2元数据中心的核心功能
2.2.1数据整合
2.2.2数据管理
2.2.3数据地图
第3章数据指标中心
3.1数据指标中心概述
3.2数据指标中心的设计思路
3.2.1定义指标并将其归集到对应的主题域
3.2.2拆分原子指标与派生指标
3.2.3定义原子指标与派生指标的生产逻辑
3.2.4通过指标管理平台对指标进行规范生产
第4章数仓模型中心
4.1数仓模型中心概述
4.2数仓模型中心的设计思路
4.2.1控制数据源
4.2.2划分主题域
4.2.3构建一致性维度
4.2.4构建总线矩阵
4.2.5数仓分层建设
4.2.6数仓效果评估
第5章数据资产中心
5.1数据资产中心概述
5.2数据资产中心的治理流程
5.2.1数据资产定级
5.2.2数据资产质量治理
5.2.3数据资产成本治理
第6章数据服务中心
6.1数据服务中心概述
6.2数据服务中心的设计思路
6.2.1将数据写入查询库
6.2.2搭建元数据模型
6.2.3按主题归类
6.2.4缓存优化
6.2.5数据接口化
6.2.6构建API集市
6.2.7统一数据服务
数据分析篇
第7章数据分析理论
7.1业务和数据
7.2数据分析师的全貌
7.3数据分析团队的组织架构及其对应的工作模式
7.4数据分析师的工作方式
7.4.1工作象限图
7.4.21+N的工作内容
7.4.3与业务方的合作模式
7.4.4有关工作方式常见问题的解法思考
第8章数据分析实操
8.1预测性分析
8.1.1预测性分析的目的
8.1.2分析思路与方法
8.1.3预测性分析案例
8.2描述性分析
8.3诊断性分析
8.4数据分析报告
数据应用篇
第9章BI系统
9.1让人头疼的看板需求
9.2BI系统介绍
9.3BI系统的关键技术
9.4BI系统实践
9.4.1数据接入
9.4.2数据集加工
9.4.3数据集权限控制
9.4.4可视化报表配置
9.4.5可视化结果展示
9.4.6数据分析OLAP
9.4.7如何衡量BI系统是否成功
第10章用户画像
10.1用户画像的全貌
10.2用户画像的需求
10.3用户画像的规划
10.3.1用户画像的业务架构
10.3.2用户画像的产品架构
10.3.3用户画像的版本计划
10.3.4用户画像的项目执行计划
10.4用户ID体系
10.5标签体系
10.6用户画像系统
10.7用户画像的应用
第11章电商反作弊体系
11.1电商黑产的现状
11.2电商黑产的防控方案
11.2.1活动的损失评估
11.2.2反电商黑产作弊案例
第12章资讯个性化推荐
12.1资讯的内容处理
12.1.1资讯的内容来源
12.1.2资讯的分类体系
12.1.3常见的分类问题及内容分类原则
12.1.4分类体系的构建
12.1.5内容的标注与机器学习
12.2资讯用户的画像和特征
12.2.1资讯用户的画像
12.2.2资讯用户的特征
12.3资讯的推荐算法
12.3.1资讯的信息抽取
12.3.2资讯的分词方法
12.3.3资讯的过滤排重
12.3.4资讯的召回模型
12.3.5资讯的算法排序
12.4资讯的重排策略及案例
12.4.1常见的重排策略及策略的目标
12.4.2资讯的重排策略案例
第13章电商个性化推送
13.1push的衡量
13.1.1push的目标与本质
13.1.2push的衡量指标
13.2push的优化方向
13.3push的推荐案例
13.3.1新用户推荐方案
13.3.2推荐的效果评测
【媒体评论】
"在未来，可能所有产品都是数据产品，数据能力会成为职场人的基础能力。本书深入浅出地讲解了数据体系的知识，可以帮助读者快速建立全局认识。我力荐数据从业者和业务人员阅读本书。
——神策数据创始人兼CEO 桑文锋
我在“一个数据人的自留地”社区结识了一群热爱分享知识与经验的数据产品伙伴，很幸运能提前看到他们把自己的深度思考整理成一本有实践意义的书。本书从元数据中心、数据指标中心、数仓模型中心、数据资产中心、数据服务中心、BI系统、用户画像、电商反作弊体系、推荐系统等模块把数据从底层到应用层的环节全部串联起来，构建起数据产品的建设蓝图，其中包含大量的实践项目案例，是一本的数据产品图书。
——大数据架构师、《用户画像：方法论与工程化解决方案》作者 赵宏田
这是一本深入浅出地描绘数据产品的著作。梁旭鹏老师及本书的作者团队从数据产品构建的宏观、中观、微观3个角度，对数据产品的建设与应用做了详细的介绍。本书的实践性强，我真诚地力荐大家阅读。
——中国电信集团产品总监、资深产品专家 高飞
本书深入浅出地介绍了一群数据人的工作，既有理论高度，又翔实、细致可落地应用，值得读者阅读、学习，愿大家共同进步。
——袋鼠云副总裁、《数据中台架构：企业数据化很好实践》作者 张旭"
