策略產品經理：數據賦能業務

數據埋點是數據產品經理、數據運營人員以及數據分析師，基於業務需求或產品需求對用戶在產品內產生行爲的每一個事件對應的頁面和位置植入相關代碼，並通過採集工具上報統計數據，以便相關人員追蹤用戶行爲，進而推動產品優化或指導運營的一項工程。 。A/B測試就是通過上線不同版本的方案，讓目標用戶參與測試，並且能夠通過數據來衡量不同版本間的優劣，保障核心指標的提升。相比傳統的“小樣本”試驗，A/B測試更加嚴謹、科學。 感知機學習算法（Perceptron Learning Algorithm，PLA）是一種二分類的線性分類算法，所謂的二分類是指結果只存在兩種情況。 感知機學習算法要解決的問題實際上是如何在一堆數據中找到一個界限把兩種不同分類的數據劃分開， 線性迴歸（Linear Regression，LR）指利用被稱爲線性迴歸方程的最小平方函數對一個或多個自變量和因變量之間的關係進行建模的一種迴歸分析 與感知機學習算法相比，邏輯迴歸模型有如下幾個優勢：●邏輯迴歸不僅僅能給出預測結果分類，而且能給出更具體的概率值，拓寬了應用場景。●邏輯迴歸無須假設數據的分佈，直接根據歷史數據進行線性建模即可。●從工程上來講，邏輯迴歸模型更加便捷、迭代速度更快，且魯棒性更好。 無論是感知機學習算法，還是邏輯迴歸模型，一般都應用在二分類問題當中，但是當遇到多分類問題時，K近鄰算法是一種更好的選擇。 由於樸素貝葉斯分類器簡單快速，且需要的訓練數據較少，因此應用十分廣泛。在分類預測、文本分類、垃圾郵件過濾、個性化推薦系統等場景都能見到它的影子

內容基礎且講述清晰，對小白十分友好，美中不足之處在於一些內容冗餘。

講得很基礎，算是產品小白的階段性總結吧，但起碼系統成書彌補了碎片式信息的混沌性。產品經理實戰比理論重要，但是爲何要再讀理論是因爲規整好的要點能與過去成功的經驗或失敗的經驗起到聯結。聯結有了，才能給裂變與聚變的機會。

還可以，小白有被科普到，很多點講的不深，所以很易讀，適合閒暇時候翻一翻

如果想做策略產品這本書很值得推薦🌹

寫產品的好書不多，一般也能拿到60以上，從沒看過一本產品的書評分這麼低。 速讀一遍發現槽點確實很多，全書最大價值就是 書名。 剛開始讀覺得作爲小白掃盲也可，讀完覺得，小白也不用看了。這是一本作者自己的學習筆記，而非專業著作，編輯沒有質量把控能力 1 作者顯然經驗都在搜索推薦，那就乾脆寫搜索策略pm，更聚焦。把從需求，數據埋點，等全過程捋一遍即可。 這對小白還有點價值 現在扯了一堆通用的能力，居然還插了一段互聯網發展史，大概幾百字，能寫出個啥 2 文字 太過口語和哎。。 互聯網pm的書面表達太隨便了，好像是內部開會的發言稿 有些論述也不準啊，比如 產品經理會寫代碼是對資源的浪費。 還有在說策略產品經理處理流量分發問題，居然舉了京東首頁icon，這個和產品經理能力有啥關係，這個是公司業務的權衡博弈。有的公司有首頁產品經理，統籌。 3 結構不知道咋設計的，第一章就講了很多能力的事，後面又講 大結構不好 因爲作者把太多自己學習思考的東西放進去了，又沒有具體案例支撐，完全不能區分結構 小白也不用看了，如果想學策略方面的，可以看1 數據產品。2增長黑客 3 推薦系統相關 4 體驗與交互方面的書 5計算廣告的書 俞軍產品方法論中有一些滴滴業務策略權衡的案例，也不錯

本書總結： 很好的“策略產品”普及讀物，讀完有了初步認知，但有種意猶未盡的感覺。作者有豐富的從業經驗，很期待能夠看到一個深入的案例，但每次點到即止，淺嘗輒止。 本手收穫： 1. 結合業務和用戶需求，去策劃方案。雖然早已耳熟能詳，但是最近在工作中似乎陷入“一味只盯着數據增長”的怪圈，忽略了業務和用戶需求。究其原因是在設定核心指標前，沒有明確當前的目標導向（GMV、流量、轉化）。 2. 沉澱方法論（泛化能力）：小到經驗總結、大到思維模型，這些是應對不確定性最可靠的武器。 本書筆記： 1. 策略產品定義：從業務、場景出發，以數據來賦能業務的解決方案。爲策略價值負責，其中，有兩個關鍵點：一個是從業務出發，一個是用數據驅動。 2. 有效曝光：可以從空間和時間兩個維度去定義 空間上，有效曝光指曝光的位置、曝光區域的大小；時間上，有效曝光指曝光的時機、曝光的時長、重複上報的時機。 3. 策略還是要從業務中來、回到業務中去，需要對當下業務場景和用戶痛點進行挖掘，本質目標還是提升用戶體驗和流量轉化。所以在用戶來的時候，能不能準確識別用戶的痛點，把用戶想看到的東西在合適的時機推薦出來，纔是關鍵。筆者很認同這句話：“站在整個推薦產品的角度來講，算法不是最重要的，甚至在產品的早期階段，算法的權重和優先級應該是最低的。” 4. 思維方法： 1）《領導者之劍》提出瞭解決問題的四大模塊：情境分析（SAP）、原因分析（CAP）、決策制定（DMP）、計劃分析（PAP） 2）庫伯學習圈（experiential learning），一個人的學習過程分爲四個階段：反思、抽象歸納、實踐和經驗。其中，反思和抽象歸納是一種輸入，而實踐和經驗就是一種輸出。 5. 策略還是要從業務中來、回到業務中去，需要對當下業務場景和用戶痛點進行挖掘，本質目標還是提升用戶體驗和流量轉化。所以在用戶來的時候，能不能準確識別用戶的痛點，把用戶想看到的東西在合適的時機推薦出來，纔是關鍵。筆者很認同這句話：“站在整個推薦產品的角度來講，算法不是最重要的，甚至在產品的早期階段，算法的權重和優先級應該是最低的。”

關於策略產品經理，目前在看三本書，這一本算是入門，沒有大量算法公式與推導，表述也挺平實，只是深度不夠，設計的面也不夠

書的內容不算多，下午花了兩個小時讀完這本書。本書面向的主要人羣應該是尚未了解過策略產品的學生羣體，會是一本比較全面的入門級讀本。 也因此很多內容沒有深入展開，這點表示理解，畢竟策略產品涉及到的知識太多了，深入且全面的話，想來也是一本讓人很難讀下去的書。 不過，書中很多內容，在我最近的實際工作中都有體會，尤其是數據那一部分，確實讓人頭疼，底層數據能力不足，打點丟失。最痛苦的是好不容易跑出來一份數據，發現數據有問題，然後陷入了 “發現問題- 找問題-修復數據-驗證數據-發現問題”的怪圈當中…

寫的很淺，但是在流程上有可以學習的地方