中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
產品邏輯之美:打造復雜的產品系統 版權信息
- ISBN：9787121365461
- 條形碼：9787121365461 ; 978-7-121-36546-1
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
產品邏輯之美:打造復雜的產品系統 本書特色
互聯網已經深刻地改變了這個時代。為了更好地滿足用戶的需求，互聯網產品背后的系統邏輯也變得越來越復雜。為了跟上時代的腳步，每一個互聯網從業者都需要不斷升級自己的知識體系。本書希望同時兼顧理論和實戰，使讀者既能深入理解理論知識，又能把理論知識用于實戰。所以在書中不僅包含了不同系統的*小知識量，也包含了大量的實際案例。第1部分是新時代產品經理進階需要掌握的基礎知識，包括信息架構、數據分析和機器學習。第2部分是關于用戶的知識，包括用戶運營和用戶中心。第3部分是復雜產品系統構建的知識，包括搜索系統、推薦系統、信息流系統和線下交易匹配系統。第4部分是關于產品工作的思考，介紹了作者對產品經理職業發展和產品方法論的思考。隨著技術的發展，很多偏操作類的互聯網崗位已經在慢慢被取代，而這個趨勢還在繼續。相信在不久的將來，對于復雜產品系統的理解和應用的能力，將變成做出優秀產品決策的一項基本能力。在這樣一個新舊時代交替之時，希望本書中關于復雜產品系統的知識能夠幫到各位對此感興趣的讀者，尤其是產品經理、運營人員及項目經理。
產品邏輯之美:打造復雜的產品系統 內容簡介
互聯網已經深刻地改變了這個時代。為了更好地滿足用戶的需求，互聯網產品背后的系統邏輯也變得越來越復雜。為了跟上時代的腳步，每一個互聯網從業者都需要不斷升級自己的知識體系。本書希望同時兼顧理論和實戰，使讀者既能深入理解理論知識，又能把理論知識用于實戰。所以在書中不僅包含了不同系統的很小知識量，也包含了大量的實際案例。部分是新時代產品經理進階需要掌握的基礎知識，包括信息架構、數據分析和機器學習。第2部分是關于用戶的知識，包括用戶運營和用戶中心。第3部分是復雜產品系統構建的知識，包括搜索系統、推薦系統、信息流系統和線下交易匹配系統。第4部分是關于產品工作的思考，介紹了作者對產品經理職業發展和產品方法論的思考。隨著技術的發展，很多偏操作類的互聯網崗位已經在慢慢被取代，而這個趨勢還在繼續。相信在不久的將來，對于復雜產品系統的理解和應用的能力，將變成做出很好產品決策的一項基本能力。在這樣一個新舊時代交替之時，希望本書中關于復雜產品系統的知識能夠幫到各位對此感興趣的讀者，尤其是產品經理、運營人員及項目經理。
產品邏輯之美:打造復雜的產品系統 目錄
第1部分 基 礎
第1章 信息架構 2
1.1 信息架構到底是什么 2
1.2 信息架構設計的基本問題 4
1.2.1 你的用戶是誰 4
1.2.2 你的內容是什么樣的 5
1.2.3 你的產品應用場景是什么 6
1.3 如何設計好信息架構 6
1.3.1 選擇合理的解決方案 7
1.3.2 符合一般用戶認知 8
1.3.3 可視化的方案 8
1.3.4 以人為中心的設計 9
1.3.5 系統容錯設計 10
1.3.6 合理的信息反饋 11
1.3.7 系統的可擴展性 12
1.3.8 關于設計準則的準則 15
1.4 分類系統：建立內容的圖書館 15
1.4.1 分類系統的挑戰 16
1.4.2 多級分類 17
1.4.3 分類的維度 18
1.5 導航系統：永遠別讓用戶迷路 21
1.5.1 導航的系統性 21
1.5.2 傳統導航分類 23
1.5.3 移動端的導航設計 24
1.6 標簽系統：將數據格式化 27
1.6.1 標簽的來源 28
1.6.2 系統標簽的設計原則 29
1.6.3 標簽系統的作用 30
1.7 本章小結 31
■ 案例分享 31
第2章 數據分析 36
2.1 數據驅動的實施步驟 36
2.2 從埋點到指標 40
2.2.1 數據埋點的采集 41
2.2.2 數據埋點的評估 44
2.2.3 選擇指標的準則 46
2.3 數據分析的核心方法 48
2.3.1 可信度分析 48
2.3.2 趨勢分析 49
2.3.3 數據細分 50
2.3.4 數據對比 51
2.3.5 轉化漏斗 52
2.3.6 集群分析 54
2.3.7 數據預估 54
2.3.8 綜合分析 55
2.4 歸因：從數據到認知 55
2.4.1 相關性和因果性 56
2.4.2 歸因的類型 57
2.4.3 微觀歸因方法 58
2.5 數據分析報告 59
2.5.1 數據報告構成 59
2.5.2 數據報告說明 60
2.6 本章小結 62
第3章 機器學習 63
3.1 什么是機器學習 64
3.1.1 機器學習與學習 64
3.1.2 機器學習系統的構成 65
3.1.3 機器學習的優勢 69
3.1.4 機器學習的挑戰 71
3.2 特征工程：算法的基石 72
3.2.1 數據提取 72
3.2.2 數據預處理 73
3.2.3 特征選擇 77
3.2.4 特征降維 78
3.2.5 其他特征工程 79
3.3 常用機器學習算法 80
3.3.1 線性回歸 80
3.3.2 邏輯回歸 82
3.3.3 C4.5決策樹算法 83
3.3.4 K-means算法 85
3.3.5 樸素貝葉斯 86
3.3.6 人工神經網絡 88
3.3.7 模型融合 89
3.4 機器學習算法的應用 90
3.5 人與算法 94
3.5.1 算法可以成為產品的核心競爭力 94
3.5.2 算法需要被更多人理解 95
3.5.3 算法系統需要和人更好地結合 96
3.6 本章小結 97
第2部分 用 戶
第4章 用戶運營 100
4.1 用戶價值衡量 100
4.1.1 衡量指標的選取 100
4.1.2 凈推薦值 102
4.2 用戶篩選 104
4.2.1 人工規則 104
4.2.2 RFM模型 105
4.2.3 算法篩選 107
4.3 用戶留存 108
4.3.1 創造用戶價值 108
4.3.2 定期舉辦運營活動 110
4.3.3 自動化留存 111
4.4 用戶召回 112
4.4.1 常規召回 113
4.4.2 廣告召回 113
4.4.3 營銷召回 114
4.5 用戶變現 115
4.5.1 會員 116
4.5.2 廣告 117
4.5.3 電商 118
4.5.4 游戲 120
4.6 本章小結 120
■ 案例分享 121
第5章 用戶中心 124
5.1 需求的劃分 124
5.2 注冊登錄 126
5.2.1 手機號與驗證碼 126
5.2.2 注冊登錄策略 128
5.2.3 注冊登錄流程的案例 130
5.3 會員體系 132
5.3.1 會員的核心價值 132
5.3.2 會員體系的設計方法 133
5.3.3 向傳統服務行業學習 138
5.4 客服系統 139
5.4.1 客服系統組成 139
5.4.2 核心指標：CPO 143
5.4.3 從客服到產品 144
5.5 本章小結 144
■ 案例分享 145
第3部分 系 統
第6章 搜索系統 150
6.1 搜索系統的原理 150
6.1.1 搜索系統如何存儲數據 150
6.1.2 如何處理用戶輸入的搜索文本 153
6.1.3 對內容進行篩選 155
6.1.4 對結果進行排序 155
6.2 搜索交互功能 158
6.3 搜索系統的評估 165
6.3.1 客觀指標 166
6.3.2 人工評估指標 167
6.4 優化搜索系統 169
6.4.1 數據系統 170
6.4.2 A/B測試 171
6.4.3 搜索運營后臺 172
6.4.4 基礎數據規范 172
6.4.5 逐個評估、抓大放小 172
6.5 本章小結 173
■ 案例分享 173
第7章 推薦系統 178
7.1 推薦系統的基本介紹 179
7.1.1 推薦系統的應用場景 179
7.1.2 目標和數據 181
7.1.3 從一張表格說起 183
7.2 從內容推薦到協同過濾 183
7.2.1 基于內容的推薦 184
7.2.2 協同過濾與相似度 185
7.2.3 基于內容的協同過濾 188
7.2.4 基于用戶的協同過濾 189
7.2.5 基于標簽的推薦 190
7.3 隱語義模型 192
7.3.1 隱語義模型的思想 193
7.3.2 隱語義模型的原理 194
7.3.3 隱語義模型的應用 198
7.4 推薦算法的評估 199
7.4.1 離線評估 199
7.4.2 離線評估A/B測試 203
7.4.3 線上A/B測試 204
7.5 推薦系統項目實踐 205
7.5.1 要解決產品的哪些問題 206
7.5.2 怎樣合理地規劃技術路徑 206
7.5.3 推薦系統的策略細節 207
7.6 本章小結 213
■ 案例分享 214
第8章 信息流系統 217
8.1 信息流的設計思路 218
8.1.1 信息優先級 218
8.1.2 信息加工策略 219
8.1.3 信息流更新機制 222
8.2 規則類信息流設計 223
8.2.1 時間衰減法 224
8.2.2 對數衰減法 225
8.2.3 評價排序法 227
8.2.4 概率加權法 228
8.3 個性化信息流設計 230
8.3.1 從規則算法到機器學習 230
8.3.2 用戶冷啟動 232
8.3.3 及時反饋 232
8.3.4 內容冷啟動 233
8.4 信息流的商業模式 234
8.5 信息流的挑戰 235
8.6 本章小結 237
■ 案例分享 238
第9章 線下交易匹配系統 242
9.1 線下交易的特點 242
9.1.1 資源排他性 243
9.1.2 時空不匹配 243
9.1.3 系統公平性 244
9.1.4 系統開放性 245
9.1.5 服務敏感性 246
9.2 時空價值模型 246
9.2.1 時空價值模型的定義 247
9.2.2 時空理想劃分 247
9.2.3 時空聚類方法 248
9.2.4 仿真模型構建 249
9.3 時空價值 250
9.3.1 時空需求預估 251
9.3.2 基于轉移概率的時空價值預估 252
9.3.3 基于鄰域的時空價值預估 253
9.4 服務匹配方法 254
9.4.1 匹配度的構建 254
9.4.2 二分圖匹配 255
9.5 線下交易運營 256
9.5.1 用戶側運營 257
9.5.2 服務側激勵 257
9.5.3 動態調價 258
9.5.4 預期可視化 258
9.5.5 高價值用戶保護 259
9.6 線下交易的挑戰 259
9.6.1 押金模式的困境 259
9.6.2 社會和政策的影響 260
9.6.3 供需時空分布不均 261
9.6.4 無法兼顧效率和業務目標 262
9.6.5 數據挖掘和算法創新 262
9.7 本章小結 263
■ 案例分享 263
第4部分 職 業
第10章 產品邏輯之美 268
10.1 人是不完美的系統 269
10.1.1 非理性的決策 269
10.1.2 有立場的決策 270
10.1.3 信息不完全的決策 272
10.2 產品經理的邏輯 273
10.2.1 什么是產品經理的邏輯 273
10.2.2 怎么評估產品經理的邏輯 274
10.2.3 怎么提高產品經理的邏輯 274
10.3 我的思維框架 275
10.4 人是終極算法 277
第11章 未來的產品經理 280
11.1 產品經理的歷史 280
11.2 產品經理的現在 281
11.2.1 焦慮的產品經理 281
11.2.2 產品經理的晉升 283
11.3 產品經理的未來 284
11.3.1 對新鮮事物保持好奇 285
11.3.2 對社會和人保持好奇心 286
11.4 為未來而準備 287
第1章 信息架構 2
1.1 信息架構到底是什么 2
1.2 信息架構設計的基本問題 4
1.2.1 你的用戶是誰 4
1.2.2 你的內容是什么樣的 5
1.2.3 你的產品應用場景是什么 6
1.3 如何設計好信息架構 6
1.3.1 選擇合理的解決方案 7
1.3.2 符合一般用戶認知 8
1.3.3 可視化的方案 8
1.3.4 以人為中心的設計 9
1.3.5 系統容錯設計 10
1.3.6 合理的信息反饋 11
1.3.7 系統的可擴展性 12
1.3.8 關于設計準則的準則 15
1.4 分類系統：建立內容的圖書館 15
1.4.1 分類系統的挑戰 16
1.4.2 多級分類 17
1.4.3 分類的維度 18
1.5 導航系統：永遠別讓用戶迷路 21
1.5.1 導航的系統性 21
1.5.2 傳統導航分類 23
1.5.3 移動端的導航設計 24
1.6 標簽系統：將數據格式化 27
1.6.1 標簽的來源 28
1.6.2 系統標簽的設計原則 29
1.6.3 標簽系統的作用 30
1.7 本章小結 31
■ 案例分享 31
第2章 數據分析 36
2.1 數據驅動的實施步驟 36
2.2 從埋點到指標 40
2.2.1 數據埋點的采集 41
2.2.2 數據埋點的評估 44
2.2.3 選擇指標的準則 46
2.3 數據分析的核心方法 48
2.3.1 可信度分析 48
2.3.2 趨勢分析 49
2.3.3 數據細分 50
2.3.4 數據對比 51
2.3.5 轉化漏斗 52
2.3.6 集群分析 54
2.3.7 數據預估 54
2.3.8 綜合分析 55
2.4 歸因：從數據到認知 55
2.4.1 相關性和因果性 56
2.4.2 歸因的類型 57
2.4.3 微觀歸因方法 58
2.5 數據分析報告 59
2.5.1 數據報告構成 59
2.5.2 數據報告說明 60
2.6 本章小結 62
第3章 機器學習 63
3.1 什么是機器學習 64
3.1.1 機器學習與學習 64
3.1.2 機器學習系統的構成 65
3.1.3 機器學習的優勢 69
3.1.4 機器學習的挑戰 71
3.2 特征工程：算法的基石 72
3.2.1 數據提取 72
3.2.2 數據預處理 73
3.2.3 特征選擇 77
3.2.4 特征降維 78
3.2.5 其他特征工程 79
3.3 常用機器學習算法 80
3.3.1 線性回歸 80
3.3.2 邏輯回歸 82
3.3.3 C4.5決策樹算法 83
3.3.4 K-means算法 85
3.3.5 樸素貝葉斯 86
3.3.6 人工神經網絡 88
3.3.7 模型融合 89
3.4 機器學習算法的應用 90
3.5 人與算法 94
3.5.1 算法可以成為產品的核心競爭力 94
3.5.2 算法需要被更多人理解 95
3.5.3 算法系統需要和人更好地結合 96
3.6 本章小結 97
第2部分 用 戶
第4章 用戶運營 100
4.1 用戶價值衡量 100
4.1.1 衡量指標的選取 100
4.1.2 凈推薦值 102
4.2 用戶篩選 104
4.2.1 人工規則 104
4.2.2 RFM模型 105
4.2.3 算法篩選 107
4.3 用戶留存 108
4.3.1 創造用戶價值 108
4.3.2 定期舉辦運營活動 110
4.3.3 自動化留存 111
4.4 用戶召回 112
4.4.1 常規召回 113
4.4.2 廣告召回 113
4.4.3 營銷召回 114
4.5 用戶變現 115
4.5.1 會員 116
4.5.2 廣告 117
4.5.3 電商 118
4.5.4 游戲 120
4.6 本章小結 120
■ 案例分享 121
第5章 用戶中心 124
5.1 需求的劃分 124
5.2 注冊登錄 126
5.2.1 手機號與驗證碼 126
5.2.2 注冊登錄策略 128
5.2.3 注冊登錄流程的案例 130
5.3 會員體系 132
5.3.1 會員的核心價值 132
5.3.2 會員體系的設計方法 133
5.3.3 向傳統服務行業學習 138
5.4 客服系統 139
5.4.1 客服系統組成 139
5.4.2 核心指標：CPO 143
5.4.3 從客服到產品 144
5.5 本章小結 144
■ 案例分享 145
第3部分 系 統
第6章 搜索系統 150
6.1 搜索系統的原理 150
6.1.1 搜索系統如何存儲數據 150
6.1.2 如何處理用戶輸入的搜索文本 153
6.1.3 對內容進行篩選 155
6.1.4 對結果進行排序 155
6.2 搜索交互功能 158
6.3 搜索系統的評估 165
6.3.1 客觀指標 166
6.3.2 人工評估指標 167
6.4 優化搜索系統 169
6.4.1 數據系統 170
6.4.2 A/B測試 171
6.4.3 搜索運營后臺 172
6.4.4 基礎數據規范 172
6.4.5 逐個評估、抓大放小 172
6.5 本章小結 173
■ 案例分享 173
第7章 推薦系統 178
7.1 推薦系統的基本介紹 179
7.1.1 推薦系統的應用場景 179
7.1.2 目標和數據 181
7.1.3 從一張表格說起 183
7.2 從內容推薦到協同過濾 183
7.2.1 基于內容的推薦 184
7.2.2 協同過濾與相似度 185
7.2.3 基于內容的協同過濾 188
7.2.4 基于用戶的協同過濾 189
7.2.5 基于標簽的推薦 190
7.3 隱語義模型 192
7.3.1 隱語義模型的思想 193
7.3.2 隱語義模型的原理 194
7.3.3 隱語義模型的應用 198
7.4 推薦算法的評估 199
7.4.1 離線評估 199
7.4.2 離線評估A/B測試 203
7.4.3 線上A/B測試 204
7.5 推薦系統項目實踐 205
7.5.1 要解決產品的哪些問題 206
7.5.2 怎樣合理地規劃技術路徑 206
7.5.3 推薦系統的策略細節 207
7.6 本章小結 213
■ 案例分享 214
第8章 信息流系統 217
8.1 信息流的設計思路 218
8.1.1 信息優先級 218
8.1.2 信息加工策略 219
8.1.3 信息流更新機制 222
8.2 規則類信息流設計 223
8.2.1 時間衰減法 224
8.2.2 對數衰減法 225
8.2.3 評價排序法 227
8.2.4 概率加權法 228
8.3 個性化信息流設計 230
8.3.1 從規則算法到機器學習 230
8.3.2 用戶冷啟動 232
8.3.3 及時反饋 232
8.3.4 內容冷啟動 233
8.4 信息流的商業模式 234
8.5 信息流的挑戰 235
8.6 本章小結 237
■ 案例分享 238
第9章 線下交易匹配系統 242
9.1 線下交易的特點 242
9.1.1 資源排他性 243
9.1.2 時空不匹配 243
9.1.3 系統公平性 244
9.1.4 系統開放性 245
9.1.5 服務敏感性 246
9.2 時空價值模型 246
9.2.1 時空價值模型的定義 247
9.2.2 時空理想劃分 247
9.2.3 時空聚類方法 248
9.2.4 仿真模型構建 249
9.3 時空價值 250
9.3.1 時空需求預估 251
9.3.2 基于轉移概率的時空價值預估 252
9.3.3 基于鄰域的時空價值預估 253
9.4 服務匹配方法 254
9.4.1 匹配度的構建 254
9.4.2 二分圖匹配 255
9.5 線下交易運營 256
9.5.1 用戶側運營 257
9.5.2 服務側激勵 257
9.5.3 動態調價 258
9.5.4 預期可視化 258
9.5.5 高價值用戶保護 259
9.6 線下交易的挑戰 259
9.6.1 押金模式的困境 259
9.6.2 社會和政策的影響 260
9.6.3 供需時空分布不均 261
9.6.4 無法兼顧效率和業務目標 262
9.6.5 數據挖掘和算法創新 262
9.7 本章小結 263
■ 案例分享 263
第4部分 職 業
第10章 產品邏輯之美 268
10.1 人是不完美的系統 269
10.1.1 非理性的決策 269
10.1.2 有立場的決策 270
10.1.3 信息不完全的決策 272
10.2 產品經理的邏輯 273
10.2.1 什么是產品經理的邏輯 273
10.2.2 怎么評估產品經理的邏輯 274
10.2.3 怎么提高產品經理的邏輯 274
10.3 我的思維框架 275
10.4 人是終極算法 277
第11章 未來的產品經理 280
11.1 產品經理的歷史 280
11.2 產品經理的現在 281
11.2.1 焦慮的產品經理 281
11.2.2 產品經理的晉升 283
11.3 產品經理的未來 284
11.3.1 對新鮮事物保持好奇 285
11.3.2 對社會和人保持好奇心 286
11.4 為未來而準備 287
展開全部
產品邏輯之美:打造復雜的產品系統 作者簡介
潘一鳴，畢業于清華大學，知乎專欄“產品邏輯之美”作者，并開有同名微信公眾號，一直擔任產品經理，先后在多家互聯網公司就職，在工作期間多次負責復雜系統的構建，從0到1地搭建了推薦系統、出行分單系統，對于策略、算法在產品中的應用有很深的沉淀。
書友推薦
- >
我從未如此眷戀人間
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
上帝之肋:男人的真實旅程
- >
苦雨齋序跋文-周作人自編集
- >
自卑與超越
- >
有舍有得是人生
- >
巴金－再思錄
- >
名家帶你讀魯迅:故事新編
本類暢銷
