《数据逻辑之美》

为了写读书笔记，重新把《数据逻辑之美》快速浏览了一遍，留下最深印象的是“底层逻辑”这个概念。

就是说，如果不懂底层逻辑、系统知识，产品经理就只能在系统中做简单的评估和改进，很难系统性地优化方案。产品经理不需要知道算法怎么实现，而是要知道算法的原理，才能更好地把产品需求转为策略，并且和算法工程师成就更好的解决方案。

很多关于产品经理是否需要懂技术，需要懂哪些技术的讨论。

作者给出的答案是，从逻辑的角度来讲，产品经理应该不设置边界地讨论问题，只要是可能提升产品的知识，都应该去了解，如系统设计、信息架构、搜索推荐、用户体系、运营，甚至是客户端通信机制或算法。只要是自己负责产品范围相关的内容，产品都应该在理解的基础上，思考如何优化产品的设计。产品经理的逻辑就包括：基础产品逻辑、数理逻辑、产品思维逻辑、业务逻辑、系统逻辑。

关于提高产品经理的逻辑，主要是：

1、广泛阅读专业书，如心理学、历史、法律、政治、经济、算法、数学、设计、新闻等，是专业书籍，而不是公众号、听讲书。

2、多做有挑战的业务：一是需要机遇，二是自己敢于走出舒适区，敢于接受不同的项目，并拼尽全力做出成果。并对每一次小成功和失败进行总结。

3、不设边界。产品经理什么都要会，要学习，不给自己设边界。

持续优化自我的逻辑体系

另外是，永远对新鲜事物保持好奇，永远对人和社会保持好奇。

以上是关于产品经理个人的逻辑与进化，下方介绍产品的逻辑。

一、信息架构

1、“信息是用来消除随机不确定性的东西”，信息论创始人香农Shannon

2、Web 1.0时代，信息组织形式：分类、导航、标签、搜索

Web 2.0时代，新形式：关系链（微博 微信）、个性化推荐（今日头条）——信息流

搜索系统、推荐系统、信息流系统、线下交易匹配系统

3、信息架构需要以人为中心的用户认知模型：采摘模型（搜索与浏览）、珍珠生长模型（个性化推荐的协同过滤、页面文章中的可点击标签）、7+-2模型（突出重点信息）

4、系统容错设计：番茄式（保持歧义）和蝙蝠式（直接纠错）

5、系统的可扩展性：1.在架构层考虑表现层可能发生的变化；2.划分清楚哪些是基础的信息架构逻辑、业务层的信息架构逻辑、表现层的逻辑；3.让业务需求尽可能在业务信息架构层解决，无须发布版本就能解决，同时对基础的信息架构逻辑不做调整。

6、最高的准则：所有的设计准则都可以违反。

7、分类系统：建立内容的图书馆

（1）MECE原则：相互独立，完全穷尽

（2）分类的维度：

  精准分类法（字母顺序、时间分类、行政划分区域、数字划分文章、用户等级划分用户、销售额划分商品）

  主题分类法（如书店的人文社科类经济管理类分类）

  任务分类法（工具类产品、后台管理产品）

  受众分类法（按角色进行分类，已经很少用了，权限体系可以解决）

  隐喻分类法（回收站、客服中心等）

8、导航系统：永远别让用户迷路

  导航的作用（我在哪儿、可以去哪儿、怎么到达目的地）

  导航的系统性（所有页面都需要考虑导航的需求，导航需要符合系统的场景感，导航需要保证灵活性）

  PC端导航/移动端导航（全局导航、局部导航、情景化导航、辅导导航-整个网站）

9、标签系统：将数据格式化

  标签设计原则：消除歧义，相互联系，适度开放

二、数据分析

1、数据驱动决策的基本流程：明确业务目标—确定衡量指标—数据监控收集—业务数据分析—确定产品方案—产品上线测试—选定最终方案

2、数据的埋点参数：点击事件（对内容的点击）、曝光事件（对内容的浏览）

3、用户基本信息：用户的平台、版本、时间、设备ID、用户ID、访问IP地址、网络环境、浏览器版本

4、业务信息：事件的来源、事件产生的产品页面、事件发生的业务线、数据的类型等

5、数据分析方法：可信度分析、趋势分析（环比：比上月，同比：比去年同期，定基比：比年初等）、数据细分（分时，分渠道，分用户，分区域）、数据对比（基础参考面，A/B测试）、转化漏斗、集群分析（把相似数据进行归并分析）、数据评估、综合分析

6、归因：从数据到认知

  相关性和因果性

7、数据分析报告

  项目背景、项目进度、名词解释、数据获取方法、数据概览、数据拆分、结论汇总、后续改进，致谢、附件（详细数据）

三、机器学习

1、机器学习：通过计算机程序对信息和数据进行重新组织，使用算法优化自身性能的系统。

2、机器学习系统的构成：数据、算法模型、计算结果、模型评估、反馈数据。

3、数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。

4、特征工程类别：基础特征、统计特征、复合特征、高级特征

四、用户运营

1、用户运营依赖产品、技术和运营，目标是提升用户的生命周期，包含用户的衡量、监控、留存、召回、变现等

2、运营指标：用户生命周期价值、重复购买率、线上行为指标（内容：点击率、阅读深度、阅读完成率；社区：关注率、粉丝数、好友数；电商：成交量、成交额、UV价值）、NPS净推荐值

3、NPS：用户会向其他人推荐某个企业或服务可能性的指数。

净推荐值=推荐者%（9-10分者）-贬损者%（0-6分者）

NPS数据：NPS分数、分数下的用户主观意见、分数对应的用户相关信息

4、用户筛选：RFM模型（最近一次交易时间的间隔、最近一段时间内交易的次数、最近一段时间内交易的金额）

5、用户留存：次日留存率、三日留存率、七日留存率、十五日留存率、三十日留存率；定期举办运营活动；自动化留存（网站定期发送内容吸引用户，如短信）

6、用户召回：常规召回，如，您的好友把您标注为特别关注；广告召回；营销召回

7、用户变现：会员（内容产品、电商产品）、广告（用户的使用时长、广告的渗透率、广告的点击率）、电商、游戏

五、用户中心

1、注册登录：手机号与验证码；登录前、登录后；异常登录；

2、会员体系：

会员的核心价值是什么（会员权益和尊贵感），用户为什么要成为会员，平台为什么要提供会员体系，平台能获取什么权益。

会员积分设计、会员等级设计、付费会员设计、会员权益设计

3、客服系统：数据层的工单和知识库、后台的客服操作系统、前端的客服功能

核心指标：接起率、不同客服的服务满意度；每订单进线CPO（平均每个订单带来的投诉量）

解决老问题更能带来用户满意度的提升

六、搜索系统

1、用户自主获取信息。

2、文档索引：词库——文档

3、倒序索引：以关键词为主体查找文档。搜索——关键词——文档；输入内容拆解，同义词、自动纠错等，对内容进行筛选，对结果进行排序（文本权重、业务权重、用户行为权重）

4、搜索交互：热门搜索、自动补全、历史记录、自动纠错、高亮显示、相关词推荐、特殊词定制、自动排序、筛选器、空白页引导

5、评估指标：搜索转化率、搜索跳出率、召回率和准确率、DCG

七、推荐系统

1、应用场景：电商、音乐、资讯、视频、广告

2、输入用户、内容、用户行为数据，输出推荐结果

3、推荐方法：内容协同过滤（购买了A商品还会购买商品B）、用户协调过滤（和用户类似的人还喜欢的内容）、标签推荐

4、隐语义模型：用户-物品表>>用户-特征表、物品-特征表>>填充用户-物品表

八、信息流系统

1、信息流系统：数据不会保持静止，万物如今都要流动成为数据流。

2、信息加工策略：时间轴、重力算法、二级传播、亲密度算法、个性化算法

3、信息更新机制：固定排序、整体更新排序、上下更新排序

九、线下交易匹配系统

1、外卖、打车、O2O服务、共享单车、分时租赁、快递配送等

2、服务排他性：内容没有边际成本，服务有边际成本；人和内容是一对多关系，人和服务是一对一关系

3、服务对象与提供服务者时空不匹配，即服务能力在时空上是分散的，如春运高铁

4、系统公平性：排队、竞拍、以系统效率最高为目标；

5、模型：用户到达服务点、服务送到用户。服务永远会有一定的服务范围，不可能超过时空范围进行调配。合理安排与调度尤为重要。

产品逻辑之美：你必须努力理顺你的思维，才能使其简单明了。

产品经理的逻辑：

1、基础产品逻辑：前端交互逻辑、信息展示逻辑、产品商业逻辑等

2、数理逻辑：对基础统计学有了解

3、产品思维逻辑：知道什么是事实，什么是假设，什么是结论；事实是否充分，假设的依据是否可靠，结论的逻辑链是否通畅；少用“我觉得”

4、业务逻辑：产品所在行业的知识。能否快速了解业务逻辑，是判断产品经理优秀程度的关键。

5、系统逻辑：业务逻辑是了解相关业务方的思路，系统逻辑是对系统有深刻的理解。系统可以是一个公司、一个供应链、一个产业、一个后台系统等。

- - - - - - - - - - - -

【一个小目标】32/365，记录产品经理之路的思考，做一个讲故事的人，讲一个好故事。